Veri bilimi, bir alanda toplanan bilginin anlamlı bir çıktıya dönüştürülmesine imkân veriyor. Matematiksel modellemeler bilginin erişiminden yorumlanışına kadar her aşamada sürece ışık tutsa da, veri yönetimine bağlı önyargılara yaygın rastlanıyor. Özellikle örgütlerde karar süreci kurumun geçmişine, kültürüne, stratejisine, hatta faaliyet gösterdiği sektöre nüfuz etmiş, kolektif yargıları yansıtıyor. Bu sebeple kurum kararlarını bireysel önyargıları da aşan bir yapı şekillendiriyor.

Örgütsel önyargı

Chriss Dowsett, iş liderlerinin karar süreçlerinde veriyi nasıl kullandığını inceledi ve ilginç bir tespitte bulundu. Nesnel veri kullanımına yönelik en büyük tehlikenin bireysel değil, örgütsel önyargı olduğunu ortaya çıkardı. Araştırmasında belirlediği bazı örgütsel önyargı kaynaklarını şöyle sıraladı:¹

• Veri kaynağını uygunluğuna göre seçmek yerine, kıdemli liderlerin ekiplerine bir veri kaynağının diğerinden “daha doğru” olduğunu açıkça veya örtük biçimde bildirmesi
• Bütünsel iç görü ve öğrenmeye eşit erişim sağlamak yerine, ekiplerin bir veri kaynağına diğerine kıyasla daha fazla/daha hızlı erişim sağlayacak şekilde yapılandırılması
• Bütünsel iç görülerin kapsamlı değerlendirilmesiyle stratejiyi yönlendirmek yerine, belirli bir veri iç görüsüne veya veri kaynağına dayanılarak stratejinin zorunlu tutulması
• Paylaşım, örgütsel öğrenme ve gelişim süreçlerini iyi yapılandırmak yerine; zayıf veri iç görü yönetimi, verimsiz veri paylaşım uygulamaları ve çok az yatırım yapılan öğrenme merkezleriyle veri siloları oluşturulması
• Uygunluğuna göre doğru ölçüm araçlarını seçmek yerine, yeni ölçüm teknolojilerinin hevesle benimsenmesi ve bunların projelere zorla dâhil edilmesi
• Dowsett’in araştırması, iş hayatında örgüt düzeyine yerleşmiş önyargıların veri ve değerlendirme aracı seçiminden itibaren stratejik kararları taraflı biçimde etkilediğini düşündürüyor. Bu durumda analiz doğru işlese bile, yanlış sonuca götürüyor. Bu süreci yönetmenin bir yöntemi önyargı riski yüksek değişkenleri karar sürecine katmamak olabilir. Ancak bunu yaparken Dowsett’in “bütünsel iç görü” söylemini hatırlamaya ve değişkenlerin birbirine bağımlı dünyasında büyük resmin farkında olmaya ihtiyaç var.

Büyük resmin etkisi

Amazon’un kullandığı işe alım araçları, adaylarını geçmişte taraflı biçimde değerlendirmiş ve erkekler lehine tercih yapmıştı. Oysaki algoritmalar başvuranların cinsiyetini açıkça bilmiyor veya cinsiyet değişkenine bakmıyordu. Yalnızca kurum içindeki başarılı çalışan tespitleri ile eşleşen adaylara ulaşmaya programlanmıştı. Diğer taraftan spor, sosyal faaliyetler ve başarıyı tanımlamak için kullanılan sıfatlar gibi dolaylı olarak cinsiyetle bağlantılı diğer değişkenler, önyargılı seçimler yapılmasına neden oldu.² Böylelikle birbiriyle ilişkili farklı değişkenler, aynı önyargıyı tetikledi.

Bütünsel yaklaşım veya büyük resmi görmek, Amazon örneğinde olduğu gibi ölçülen değişkenler arasındaki etkileşimi de anlamayı gerektiriyor. Ancak bu yeterli değil. Çünkü ortada olmayan değişkenler ortalığı karıştırabiliyor. Önyargının çoğunlukla örtük bir yargı olduğunu düşünürsek, istatistik bilimi odağımızdaki değişkenleri yanlı biçimde etkileyen “karıştırıcı değişkenler”in bizi son derece yanıltıcı sonuçlara götürebileceğinin örnekleriyle dolu.

“Simpson paradoksu” veriyle desteklenmesine rağmen yanlış karara yönelten çıkarımları çarpıcı biçimde açıklıyor. Bu paradoks, birkaç veri grubunda ortaya çıkan eğilimin gruplar birleştirildiğinde kaybolması veya tersine dönmesi olarak tanımlanıyor. 1973’te Berkeley Üniversitesi’nde bunun çok ünlü bir örneği yaşandı. Üniversite, öğrenci kabulünde kadınlara yönelik önyargı ihtimaliyle kendisine dava açılmasından korkarak bir iç soruşturma başlattı. Üniversite genelindeki istatistikler kadınların (yüzde 35) gerçekten de erkeklerden (yüzde 44) daha az kabul aldığını gösteriyordu, fakat bölümler özelinde değerlendirme yapıldığında bu kez kadınlar lehine bir tercih eğilimi olduğu anlaşıldı. Sonuçları karıştıranın ise kadınların ve erkeklerin çoğunlukla başvurdukları bölümlerle bağlantılı olduğu ortaya çıktı. Kadın adaylar, İngiliz dili gibi küçük bir başvuru yüzdesini kabul eden bölümlere, makine mühendisliği gibi başvuranların büyük oranını kabul eden bölümlerden daha fazla başvurmuştu.^3,4 Berkeley örneği, bir örgütü oluşturan bireysel yapıların örgütün genelinden farklılaşabileceğini bize hatırlatıyor. Genellemeler doğru çıktılara ulaşmanın önünde engel oluşturuyor.

Sonuç

Büyük veri taraflı algıyla birleşince, veriye dayalı ancak önyargılı kararlar kaçınılmaz olur. Üstelik önyargılar bu defa rakamlarla desteklenir. Bütünsel yaklaşımın zihnin kestirme yollarında çağrıştırdığının aksine; genel geçer değil, özelleşmiş çözümlere ihtiyaç var. Kurumlar veriyi kullanmanın ötesine geçerek yöntemini sorgulamalı, verinin seçiminden analiz ve yorumuna kadarki tüm aşamalara etki eden örgütsel etkenleri dışardan bir gözle değerlendirmeliler. Böylelikle iş yapış biçimlerini şekillendiren örgütsel önyargıların farkına varabilir ve büyük resmi tarafsız biçimde yönetebilirler.

Kaynakça:

1. Dowsett C. It’s time to talk about organizational bias in data use [İnternet]. Uygun erişim: https://towardsdatascience.com/lets-talk-about-organizational-bias-in-data-use-92ba83bb2c59
2. Lawton G. 8 types of bias in data analysis and how to avoid them [İnternet]. Uygun erişim: https://searchbusinessanalytics.techtarget.com/feature/8-types-of-bias-in-data-analysis-and-how-to-avoid-them
3. 9 common mistakes that lead to data bias [İnternet]. Uygun erişim: https://medium.com/@ODSC/9-common-mistakes-that-lead-to-data-bias-a121580c7d1f
4. Reinhart A. Simpson’s paradox and statistical urban legends: gender bias at Berkeley [İnternet]. Uygun erişim: https://www.refsmmat.com/posts/2016-05-08-simpsons-paradox-berkeley.html