Rol Özeti Veri Bilimci, ekibin ilk işe alımıdır ve görevi sadece bir not defterine değil, üretime makine öğrenimini koymaktır. Ürün ve diğer canlı akışları güçlendiren modelleri inşa edeceksiniz; bazıları gerçek zamanlı olarak kullanıcılara gösterilir, diğerleri bir hafta sonra gösterge tablosunda raporlanmaz. İlk amiral gemisi projesi, kullanıcı yolculuğu boyunca kişiselleştirmedir: her kullanıcı için hangi teklifi göstereceğine karar veren bir model, doğrudan ürün ve yaşam döngüsü deneyimine entegre edilir, veri ambarında oturmaz. Bundan sonra aynı kas gücünü diğer yüksek etkili temas noktalarına genişleteceksiniz: model → API → ürün yüzeyi. Ürün, Mühendislik ve Yaşam Döngüsü pazarlaması ile el ele çalışarak modelleri rapor olarak değil, özellik olarak dağıtacaksınız. Bu aynı zamanda ekibin altyapısı için temel bir roldür: bugün verilerin çoğu batch (dbt, Lightdash, BigQuery) ile yapılır; siz GCP üzerinde gerçek zamanlı düşük gecikmeli servis desenini kurmaya yardımcı olacak ve mühendislikle yakın çalışacaksınız. Temel Sorumluluklar 1. Üretim ML Geliştirme • Ürün içinde canlıya alınacak ML modellerini (tahmin, fiyatlandırma/indirim optimizasyonu, kişiselleştirme, churn/LTV) inşa etmek, doğrulamak ve dağıtmak. • Problemi tanımlama, özellik mühendisliği, eğitim, değerlendirme, dağıtım, izleme, yeniden eğitim süreçlerinin tüm yaşam döngüsünden sorumlu olmak. • Üretim kalitesinde kod yazmak (testli, versiyonlu, gözden geçirilmiş) – mühendislikle birlikte çalışarak onların kalite standartlarını karşılamak. 2. Yolculuk boyunca Kişiselleştirme: Ödeme duvarından yaşam döngüsüne • Kişiselleştirilmiş indirim modeli tasarlamak ve dağıtmak: kime hangi teklif gösterilecek ve neden, ödeme duvarı karar anında sunulacak. • Ürün ekibiyle makine öğrenimi deney tasarımını (A/B, holdout) ortaklaşa yürütmek ve modellerin nedensel etkisini kanıtlamak. • Fiyatlandırma/indirim kararlarının finans ve yönetim tarafından savunulabilir olması için ölçüm çerçevesi oluşturmak. 3. ML Altyapısı & MLOps (GCP) • GCP üzerinde ilk düşük gecikmeli model servis desenimizi (Vertex AI endpoint, Cloud Run vb.) hayata geçirmek. • Özellik boru hattı desenini tanımlamak: neler BigQuery/dbt içinde önceden hesaplanacak, neler Pub/Sub gibi gerçek‑zamanlı kanallarla sağlanacak. • Model izleme kurmak: drift, eskiyme, tahmin kalitesi gibi göstergelerle canlı modelin sessizce bozulmasını önlemek. 4. Ürün & Mühendislik İşbirliği • Ürün ve Mühendislik ekiplerine yakın çalışmak; bu rol, sadece veri ekibi olarak ölçülmez, gerçek kullanıcılara sunulan şeyler üzerinden değerlendirilir. • Bir ürün problemine (ör. "azalan ödeyenleri nasıl geri kazanırız") modelleme problemi ve model çıktısını Engineering’in inşa edebileceği bir API sözleşmesine dönüştürmek. • Teslimatları net bir şekilde belgeleyerek Engineering’in servis katmanını uzun vadede sizin yokluğunuzda da sürdürebilmesini sağlamak. 5. Deney Tasarımı & Nedensel Çıkarım • "Kim indirim yanıtlar" sorusunun "kim churn olur" sorusundan daha kritik olduğu yükseliş/nedensel modeller tasarlamak. • Modelin gelir/retention üzerindeki gerçek artı etkisini izole eden deneyler yürütmek ve yorumlamak. • Mevcut deney programlarıyla aynı titizlikte veri bilimi ve makine öğrenimi modellerinin iyileştirilmesi için bir deney programı tasarlamak. Beklenen Sonuçlar • Kişiselleştirilmiş indirim modeli üretime alınmış, gerçek ödeme duvarı kararlarını gerçek kullanıcılara sunuyor: uçtan uca dağıtılmış, prototip değil. • GCP üzerinde (Vertex AI endpoint veya Cloud Run) tekrar kullanılabilir düşük gecikmeli servis deseni belgelenmiş – bir sonraki model bu temeli yeniden inşa etmek zorunda kalmayacak. • Temel iş metriğinde (ödeme duvarı dönüşümü, indirim marj verimliliği vb.) kanıtlanmış artış, kontrollü bir deneyle gösterilmiş, sadece önce‑sonra karşılaştırması değil. • Model izleme kurulmuş – drift ve eskiyme uyarıları gün içinde, ayda değil, ekip tarafından fark edilecek. • Model‑prodüksiyon oyun kitabı oluşturulmuş; ekipteki diğer kişiler bu adımları takip edebilecek. Yetenek ve Yetkinlikler Zorunlu (teknik) • Veri bilimi ve ML için güçlü Python (scikit‑learn, XGBoost/LightGBM; derin öğrenme için PyTorch veya TensorFlow tercih sebebi). • Modelleri üretime almış olmak; en az bir modeli canlı trafiğe hizmet vermiş olmak. • GCP (Vertex AI, BigQuery ML, Cloud Run/Functions) ya da eşdeğeri AWS/Azure deneyimi ve bunu çabuk adapte olabilme. • Sağlam SQL, dbt/BigQuery veri ambarı deneyimi. • Yazılım mühendisliği temelleri: git, kod incelemesi, test, CI/CD. • Nedensel çıkarım / uplift modelleme ya da deneysel uygulama deneyimi. Tercih Edilen • Streaming/event boru hatları (Pub/Sub, Dataflow, Kafka) deneyimi. • Fiyatlandırma, indirim, kişiselleştirme tecrübesi. • Feature store ya da benzeri DIY çözümler. • Çok kollu bandit ya da takviye öğrenmesi. • Startup deneyimi: bir şeyleri sıfırdan kurabilen. Yumuşak beceriler • "Bu metrik nasıl hareket eder?" sorusuna odaklı olmak. • Mühendislik ve iş birimlerinde eşit ses olabilmek; t