Up next in 10
Auzef Pazarlama Araştırmaları 2024-2025 Bütünleme Soruları
auzef, İşletme, Pazarlama Araştırmaları, Perakende Satış ve Mağaza Yönetimi
https://lolonolo.com/2026/03/26/pazarlama-arastirmalari-2024-2025-butunleme-sorulari/
https://lolonolo.com
Show More Show Less View Video Transcript
0:00
Herkese merhaba. Pazarlamada
0:02
kararlarımızı sezgilerimizle mi alıyoruz
0:04
yoksa verilerin o şlaşmaz gücüyle mi?
0:06
Gelin bugün sayıların bize anlattığı
0:08
hikayeyi nasıl dinleyeceğimizi hep
0:10
birlikte keşfedelim. Her şey şu
0:13
kışkırtıcı soruyla başlıyor. Veriler
0:15
yalan söyler mi? Hani o soğuk net
0:18
rakamlar, bir kampanyanın başarısını
0:20
belirleyen o sayılar. Onlara ne kadar
0:23
güvenebiliriz ki? Aslında cevap çok net.
0:26
Hayır, veriler yalan söylemez ama onlara
0:29
yanlış sorular sorarsanız sizi öyle bir
0:31
yanıltırlar ki işte bütün mesele bu
0:34
zaten. Doğru soruları doğru araçlarla
0:36
nasıl soracağımızı öğrenmek. Bu
0:39
yolculukta bize Ayşe eşlik edecek.
0:41
Ayşe'nin yerel bir kahve dükkanı var ve
0:44
dükkanını yenilemek için epey bir
0:47
yatırım yaptı. Şimdi kafasında dönüp
0:50
duran tek bir büyük soru var. İşte bu da
0:52
bizi ilk durağımıza getiriyor.
0:54
Pazarlamacının o büyük sorusu. Çünkü
0:57
unutmayın iyi bir araştırmanın çıkış
0:59
noktası her zaman doğru sorulmuş net bir
1:02
sorudur. Ayşe de tam olarak bunu
1:05
soruyor. Bütün bu masraf, bu çaba
1:07
gerçekten işe yaradı mı? Bakın bu soru
1:10
çok basit görünüyor değil mi? Ama
1:12
aslında arkasında koskoca bir
1:14
istatistiksel analiz dünyası yatıyor.
1:17
Peki bu soruyu bilimsel olarak nasıl
1:19
cevaplayabiliriz? İşte burada devreye
1:21
hipotez giriyor. Yani ortada test
1:24
edilmeyi bekleyen kanıtlanmamış bir
1:26
iddia olması lazım. Mesela Ayşe'nin
1:28
hipotezi şu olabilir. Yeni tasarım
1:31
müşteri memnuniyetini arttırdı. İşte
1:33
şimdi bu iddiayı test etme zamanı. Tamam
1:37
o zaman hadi işin içine dalalım.
1:39
Ayşe'nin elindeki verilerde anlamlı bir
1:41
fark var mı yok mu? Bunu anlamak için
1:44
hangi araçları kullanabilir? Gelin bir
1:46
bakalım. Şimdi bakın, karşımızda iki
1:49
temel test ailesi var. Parametrik ve
1:52
nonparametrik testler. Hangisini
1:54
seçeceğiniz tamamen verinizin
1:56
karakterine bağlı. Eğer verileriniz
1:59
böyle bir çan eğrisi gibi yani normal
2:01
dağılıyorsa o zaman daha güçlü ve hassas
2:04
olan parametrik testleri kullanırsınız.
2:07
Ama verileriniz bir tarafa yığılmışsa
2:09
yani çarpıksa o zaman daha esnek olan
2:12
nonparametrik testler sizin kurtarıcınız
2:14
olur. Peki pratikte bu ne anlama
2:16
geliyor? Mesela Ayşe kadın ve erkek
2:19
müşterilerin mağazada ne kadar zaman
2:21
geçirdiğini merak ediyor diyelim. İki
2:23
grup var. O zaman çözüm Testi ya da
2:26
tasarım değişikliğinden önce ve sonraki
2:28
memnuniyet puanlarını karşılaştırmak
2:30
istiyor ama veriler normal dağılmamış.
2:33
Hiç sorun değil. O zaman da Will Coxon
2:35
testini kullanacak. Peki ya üç farklı
2:37
yaş grubunun ortalama harcamalarını
2:39
karşılaştırmak isterse o zaman da
2:41
sahneye ANOVA yani varyans analizi
2:44
çıkıyor. Tamam Ayşe artık gruplar
2:47
arasındaki farkları biliyor ama hikaye
2:49
burada bitmiyor. Şimdi sıra verilerin
2:52
içinde saklanan gizli bağlantıları yani
2:55
ilişkileri ortaya çıkarmakta. Mesela
2:58
müşterilerin gelir seviyesiyle
2:59
sevdikleri kahve türü arasında bir bağ
3:01
olabilir mi? Yani yüksek gelirliler daha
3:04
çok latte mi içiyor? İşte bu gibi iki
3:07
kategorik değişken arasındaki ilişkiyi
3:09
anlamak için kullanacağımız sihirli
3:11
değnek ki kare testidir. Korelasyon ise
3:15
biraz daha farklı. İki sayısal
3:17
değişkenin birlikte dans edip etmediğine
3:19
bakar. Hani şu serpilme diyagramlarında
3:22
gördüğümüz dağınık noktalar var ya işte
3:24
korelasyon o noktaların bir hikayesi
3:27
olup olmadığını, birlikte yükselip
3:29
yükselmediklerini bize istatistiksel
3:31
olarak tek bir sayıyla anlatır. İşte
3:34
size harika bir örnek. Burada çok güçlü,
3:37
pozitif bir korelasyon görüyoruz. R
3:39
değeri + 0.95. Yani neredeyse mükemmel.
3:43
Anlamı ne? Müşteri memnuniyeti arttıkça
3:46
aylık harcamada roket gibi artıyor. Bu
3:48
iki değişken arasında müthiş bir uyum
3:50
var. Ama burada durum tamamen farklı.
3:54
Hava sıcaklığıyla satılan Americano
3:57
sayısı arasında hiçbir alaka yok gibi
4:00
görünüyor. Zaten katsayı da sıfıra çok
4:02
yakın. Yani bu iki değişkenin arasında
4:05
anlamlı bir ilişki kuramıyoruz. İşte bu
4:08
ayrım inanılmaz önemli. Lütfen buraya
4:10
dikkat. Korelasyon size sadece iki şeyin
4:13
birlikte hareket ettiğini söyler. Bir
4:15
ilişki var. Tamam. Ama regresyon o bir
4:18
adım öteye gider. Birinin diğerine nasıl
4:20
sebep olduğunu açıklamaya ve hatta
4:22
geleceği tahmin etmeye çalışır. Biri
4:25
ilişkiyi gösterir, diğeri nedenselliği
4:27
ve tahmini hedefler. İşte bu da bizi
4:30
Ayşe'nin araç setindeki en güçlü silaha
4:33
yani regresyona getiriyor. Artık veriyi
4:36
sadece geçmişi anlamak için değil
4:38
geleceği öngörmek için kullanma vakti.
4:41
Regresyon analizi şunu yapar. Elinizdeki
4:43
faktörlerin yani bağımsız değişkenlerin
4:46
sonucu yani bağımlı değişkeni nasıl
4:48
etkilediğini gösteren bir matematiksel
4:50
model kurar. Ayşe için bu. Peki müşteri
4:54
memnuniyetindeki her bir puanlık artış
4:56
müşterinin aylık harcamasını tam olarak
4:58
kaç lira artırır? sorusunun net cevabını
5:01
bulmak demek. Regresyonun temelinde
5:03
yatan fikir şu: Değişkenler arasında
5:05
doğrusal yani bir doğruyla ifade
5:08
edilebilecek bir ilişki olduğunu
5:10
varsayarız. Analizin bütün amacı da o
5:12
veri noktaları arasından geçen ve toplam
5:15
hatayı en aza indiren o mükemmel tahmin
5:17
doğrusunu bulmaktır. Peki kurduğumuz bu
5:20
model ne kadar başarılı? İşte A kare
5:23
değeri tam olarak bunu söyler. 0.93.
5:26
Bu inanılmaz bir rakam. Mükemmele yakın.
5:29
Ne anlama geliyor biliyor musunuz?
5:30
Ayşe'nin modeli müşteri harcamalarındaki
5:33
değişimin tamı tamına %93'ünü
5:35
açıklayabiliyor. Bu elinizde inanılmaz
5:38
bir öngörü gücü olması demek. Evet, son
5:41
bölüme geldik. Ama unutmayın, bu kadar
5:44
güçlü sonuçlar elde etmek işin en
5:46
başında araştırmayı doğru kurgulamaya
5:49
bağlı. Yani temeli sağlam atmak lazım.
5:52
Burada iki tane hayati kavram var. İlki
5:55
geçerlilik. Yani Ayşe'nin kullandığı
5:57
memnuniyet anketi gerçekten memnuniyeti
6:00
mi ölçüyor yoksa sadece müşterinin o
6:02
günkü modunu mu yansıtıyor? Eğer
6:04
ölçtüğünüz şey yanlışsa sonuçlarda
6:06
yanlış olur. İkincisi de
6:08
ağırlıklandırma. Diyelim ki Ayşe'nin
6:11
anketine daha çok yaşlı müşteri katıldı.
6:13
O zaman gençlerin fikirleri yeterince
6:15
temsil edilmemiş olur. İşte
6:17
ağırlıklandırma ile bu dengesizliği
6:20
istatistiksel olarak düzeltiriz ki genel
6:22
tabloyu doğru görelim. Bakın, başarılı
6:25
bir analizin yol haritası aslında bu
6:27
kadar net. 1. Hangi verileri analiz
6:29
edeceğini seç. 2. Verinin türüne göre
6:32
doğru yöntemi bul. 3. İstatistiksel
6:35
olarak anlamlı bir bağ var mı? Onu
6:37
tespit et. Ve son olarak 4. Bu ilişkinin
6:40
yönü ne, gücü ne kadar? Bunu
6:41
değerlendir. İşte bu kadar basit ve
6:43
mantıklı bir süreç. Ve işte yolculuğun
6:46
sonu. Ayşe artık sadece mağaza
6:49
tasarımının işe yarayıp yaramadığını
6:50
bilmiyor. Çok daha önemlisi neden işe
6:53
yaradığını biliyor. Hangi müşteri
6:55
grubunu nasıl etkilediğini ve gelecekte
6:57
ne beklemesi gerektiğini de. Yani basit
7:00
bir sorudan yola çıktı. Artık elinde
7:02
aksiyona dökebileceği somut içgörüler
7:05
var. Peki ya siz? Şimdi sıra sizde.
7:08
Sizin işinizde aldığınız kararlar
7:10
Ayşe'ninki gibi somut verilere mi
7:12
dayanıyor yoksa daha çok varsayımlara ve
7:15
iç güdülere mi? bence üzerinde düşünmeye
7:17
değer.
#Education