Araştırmacıları Yanlış mı Sınıflandırıyoruz? AI Çağında Araştırmacının Değeri Yeniden Tanımlanıyor

AI veri analizi ve raporlamayı dönüştürürken araştırmacının gerçek değeri nerede kalıyor? Geleceğin araştırmacısını metodoloji değil; muhakeme, etki ve problem çözme becerileri tanımlayabilir.

Araştırmacılar başkalarını segmentlere ayırmak konusunda oldukça iyiler.

Tüketicileri davranışlarına, tutumlarına, ihtiyaçlarına, motivasyonlarına ve yaşam biçimlerine göre sınıflandırıyoruz. Çünkü yaş, gelir veya eğitim gibi demografik değişkenlerin tek başına insan davranışını açıklamadığını uzun zamandır biliyoruz.

Fakat sıra kendimize geldiğinde aynı inceliği göstermiyoruz.

Araştırmacıları hâlâ çoğunlukla birkaç klasik eksen üzerinden tanımlıyoruz:

Ajans tarafı veya müşteri tarafı.

Kalitatif veya kantitatif.

Junior veya senior.

Araştırmacı veya analist.

Peki bu kategoriler, özellikle yapay zekânın araştırmanın neredeyse bütün teknik katmanlarını değiştirmeye başladığı bir dönemde, gerçekten anlamlı mı?

Sam Salama tarafından kaleme alınan “Have we been segmenting researchers all wrong?” başlıklı yazı tam olarak bu soruyu gündeme getiriyor. Salama, araştırmacıları çalıştıkları yer veya kullandıkları metodoloji üzerinden değil, gerçekleştirmeye çalıştıkları “iş” üzerinden değerlendirmeyi öneriyor.

Bu yaklaşım yalnızca araştırmacıların nasıl sınıflandırılması gerektiğiyle ilgili değil.

Aslında çok daha temel bir soruya götürüyor:

AI çağında bir araştırmacının gerçek değeri nedir?

Araştırmacıya Jobs to Be Done yaklaşımı

Salama'nın çıkış noktası pazarlama dünyasının iyi bildiği Jobs to Be Done yaklaşımı.

Bu yaklaşımda insanlar aslında ürün satın almazlar. Belirli bir problemi çözmek veya belirli bir işi gerçekleştirmek için ürünü adeta “işe alırlar”.

Salama aynı mantığı araştırmacılara uyguluyor.

Bir araştırmacının kartvizitinde “Senior Quantitative Researcher”, diğerinin kartvizitinde “Client Insights Director” yazabilir.

Organizasyon şemasında tamamen farklı yerlerde bulunabilirler.

Ama ikisinin de gerçekleştirmeye çalıştığı temel iş şu olabilir:

“Kararlarına güvenilen biri olmak istiyorum.”

Bu perspektiften baktığımızda araştırma sektörünün geleneksel segmentleri hızla önemini kaybetmeye başlıyor.

Araştırmacının dört temel işi

Salama araştırmacıların kariyerleri boyunca peşinden koştuğu dört temel “job” olduğunu öne sürüyor.

1. Adımı koymaktan gurur duyacağım işler üretmek

İyi araştırmacı yalnızca doğru tabloyu üretmek istemez.

Sonucun doğru ifade edilmesini, grafiğin anlaşılmasını, bulgunun bağlamının korunmasını ve sunulan hikâyenin verinin gerçekten söylediği şeyi temsil etmesini ister.

Bazen tek bir başlık üzerinde defalarca çalışılmasının nedeni de budur.

Çünkü araştırmada küçük görünen bir ifade hatası, büyük bir organizasyonda yüzlerce insanın yanlış bir çıkarım yapmasına neden olabilir.

Ancak burada AI çağının ilk büyük sorusu ortaya çıkıyor.

Yapay zekâ birkaç saniye içinde grafik hazırlayabiliyor, veri özetleyebiliyor, metin yazabiliyor ve sunum taslağı oluşturabiliyorsa araştırmacının zanaatkârlığı nerede başlayacak?

Muhtemelen üretmekten çok seçmekte ve doğrulamakta.

2. Muhakemesine güvenilen kişi olmak

Araştırma dünyasının görünmeyen para birimlerinden biri güvendir.

Kariyerin başında bu, yöneticinin güvenini kazanmak anlamına gelebilir.

Ajans tarafında müşterinin özellikle sizin projede bulunmanızı istemesi olabilir.

Müşteri tarafında ise üst yönetimin önemli bir karar öncesinde fikrinizi sormasıdır.

Salama'nın dikkat çektiği noktalardan biri burada özellikle önemli: Güven yalnızca kaliteli analiz üretmekten doğmuyor. İnsanları dinlemek, doğru soruları sormak, bilmediğinde bunu söyleyebilmek ve organizasyonun gerçekten neyi yapıp neyi yapamayacağını anlamak da gerekiyor.

Ve tam burada AI ile insan araştırmacı arasındaki sınır daha görünür hale geliyor.

AI bir korelasyonu tespit edebilir.

Ama organizasyonun bu bulguyla gerçekten ne yapabileceğini anlamak başka bir beceridir.

3. Insight'ı aksiyona dönüştürmek

Belki de araştırma sektörünün en büyük yanılgılarından biri araştırmanın çıktısını rapor olarak görmek.

Oysa rapor yalnızca taşıyıcıdır.

Araştırmanın gerçek çıktısı değişen bir karardır.

Bir ürün değiştiyse,

bir iletişim stratejisi yeniden tasarlandıysa,

bir müşteri deneyimi problemi çözüldüyse,

bir yatırım kararından vazgeçildiyse,

veya şirket daha önce görmediği bir riski fark ettiyse,

araştırma etkisini göstermiştir.

Salama da müşteri tarafına geçtiğinde en büyük değişikliklerden birinin bu olduğunu belirtiyor. Bir raporu paylaşmak yeterli değildir; araştırmacının insanların davranışını değiştirebilmesi gerekir. Böyle bir ortamda iletişim, ısrar ve etkileme becerileri kimi zaman veri analizinden daha kritik hale gelir.

Bu düşünce AI çağında çok daha önemli.

Çünkü veri analizinin maliyeti dramatik biçimde düşüyor.

Ama organizasyonel değişimin maliyeti düşmüyor.

4. Gerçekten önemli problemleri çözmek

Bir brand tracker kendi başına heyecan verici değildir.

Bir segmentasyon modeli de değildir.

Dashboard hiç değildir.

Bunları değerli yapan, cevaplamaya çalıştıkları sorudur.

Müşteriler neden ayrılıyor?

İnsanların davranışını nasıl değiştirebiliriz?

Hangi pazara yatırım yapmalıyız?

Marka neden genç tüketicilerle bağ kuramıyor?

Şirket bundan sonra hangi yönde ilerlemeli?

Salama'nın önemli gözlemlerinden biri, problem büyüdükçe çözümün yalnızca mevcut araştırmalardan çıkma ihtimalinin azalması. Veri kalıpları ve engelleri gösterebilir fakat karmaşık problemlerin çözümü çoğu zaman farklı disiplinlerden gelen bilgi ve yaratıcı düşünce gerektirir.

Bu nedenle geleceğin güçlü araştırmacısı yalnızca araştırma dünyasını takip eden kişi olmayacak.

Ekonomiyi, teknolojiyi, kültürü, davranış bilimlerini, siyaseti, sosyolojiyi ve iş dünyasını da anlamaya çalışan biri olacak.

AI araştırmacının teknik avantajını eritiyor

Burada Salama'nın tartışmasını biraz daha ileri götürmek gerekiyor.

Çünkü yapay zekâ yalnızca araştırmacının kullandığı yeni bir araç değil.

AI, araştırmacının yıllardır değer ürettiği alanların önemli bir bölümünü giderek ucuzlatıyor.

Veri temizleme.

Kodlama.

Açık uç analizi.

Transkript özetleme.

Desk research.

Grafik oluşturma.

İstatistiksel analiz.

Sunum taslağı.

Raporlama.

İlk insight önerileri.

Bunların giderek daha büyük bir bölümü AI tarafından yapılabilir hale geliyor.

Bu, araştırmacının gereksiz hale geleceği anlamına gelmiyor.

Ama araştırmacının değer zincirindeki yerinin değişeceği anlamına geliyor.

Eskiden değer büyük ölçüde bilgi üretmekteydi.

Şimdi bilgi üretmek giderek ucuzluyor.

Dolayısıyla değer başka bir yere taşınıyor.

Yeni kıt kaynak: Muhakeme

AI çağında araştırmanın kıt kaynağı veri olmayabilir.

Analiz de olmayabilir.

Hatta insight üretimi bile olmayabilir.

Kıt kaynak giderek judgement, yani muhakeme olabilir.

Çünkü bir yapay zekâ sistemi aynı veri setinden onlarca olası açıklama üretebilir.

Asıl mesele artık açıklama üretmek değildir.

Hangisinin önemli olduğunu seçmektir.

Hangisinin yanlış yönlendirebileceğini fark etmektir.

Hangisinin organizasyon açısından uygulanabilir olduğunu anlamaktır.

Ve bazen verinin söylediğine rağmen farklı bir soru sorulması gerektiğini görebilmektir.

Araştırmacının rolü böylece “cevap üreten kişi” olmaktan çıkıp hangi cevaba güvenilmesi gerektiğine karar veren kişi olmaya başlayabilir.

Metodolojiden etkiye

Bu dönüşüm araştırma sektörünün başka alışkanlıklarını da sorgulatıyor.

Konferansları hâlâ metodolojilere göre mi düzenlemeliyiz?

Eğitimleri kıdem seviyesine göre mi tasarlamalıyız?

Araştırma teknolojilerini özellik listeleri üzerinden mi karşılaştırmalıyız?

Salama'nın önerdiği perspektifte daha anlamlı soru şu:

Bu araç araştırmacının hangi işi daha iyi yapmasını sağlıyor?

Bu küçük görünen değişiklik aslında araştırmanın odağını metodolojiden etkiye taşıyor.

Ve belki de AI çağında sektörün ihtiyaç duyduğu dönüşüm tam olarak bu.

Geleceğin araştırmacısını nasıl segmentlere ayırabiliriz?

Belki araştırmacıları “qual” ve “quant” olarak ayırmak yerine yeni kategoriler düşünmenin zamanı geliyor.

Craft odaklı araştırmacılar:

Doğruluk, kalite ve anlatım standardını yükseltenler.

Judgement odaklı araştırmacılar:

Karmaşık veriler arasından neyin gerçekten önemli olduğunu seçebilenler.

Influence odaklı araştırmacılar:

Insight'ı organizasyon içinde harekete dönüştürebilenler.

Problem-solving odaklı araştırmacılar:

Metodolojiye değil probleme bağlı çalışanlar.

Bunlar birbirini dışlayan segmentler olmak zorunda değil.

Tam tersine, geleceğin güçlü araştırmacısı muhtemelen bu dört yeteneğin farklı oranlarda birleşiminden oluşacak.

Araştırmacının yeni sorusu

Uzun yıllar boyunca araştırma sektöründe kariyer sorusu büyük ölçüde şuydu:

“Hangi araştırma yöntemlerinde uzmanım?”

AI çağında soru değişiyor olabilir:

“Hangi kararların daha iyi alınmasını sağlayabiliyorum?”

Aradaki fark küçük görünse de araştırmacının mesleki kimliğini tamamen değiştiriyor.

Çünkü gelecekte değer, daha fazla veri analiz etmekten değil; hangi problemin çözülmeye değer olduğunu anlamaktan, doğru soruyu sormaktan, AI tarafından üretilen onlarca olasılık arasından anlamlı olanı seçmekten ve sonunda organizasyonu harekete geçirmekten doğabilir.

Belki de araştırmacıları gerçekten yanlış segmentlere ayırıyorduk.

Ama daha önemli olan başka bir ihtimal var:

AI çağında araştırmacının kendisini tanımladığı segment de artık değişiyor.

Araştırmacının gelecekteki değeri bildiği metodolojiden çok daha basit ama çok daha zor bir soruyla ölçülebilir:

Senin araştırman hangi kararı değiştirdi?