Kurumsal bloğum

Event Gates faaliyetleri hakkında ağırlıklı ingilizce yeni bir blog başlattım: https://www.eventgates.com/en/blog/

İlk 2 yazım geçiş kontrolünde plan tanıma hakkında. Bu konuda birkaç yazı daha geliyor.

Reklamlar
Uncategorized içinde yayınlandı | Yorum bırakın

Geçiş Kontrolünde Plan Kütüphanesinin Çıkarımı

Önceki yazımda Event Gates Geçiş Kontrol Sistemi için geliştirdiğimiz plan tanıma çözümünü paylaşmıştım. Plan tanıma (plan recognition), bir ajanı gözlemleyerek davranışlarından niyetini anlamaya yönelik yapılan faaliyetleri ifade etmekte. Biz de geçiş kontrol verilerinden yola çıkarak sistem kullanıcılarının amaçlarını ve normal dışı davranışlarını tespit etmeyi planlıyoruz.

Plan tanıma çalışmalarının çoğu, gözlemlenen davranışı önceden hazırlanmış bir plan kütüphanesi ile karşılaştırarak olası amaçları saptamaya çalışmaktadır. Her ne kadar bu kütüphane bir karar ağacı yapısında olsa da, yayınlanmış çalışmaların çoğunda bilinen alanlarda önceden hazırlanmış plan kütüphanelerinin kullanıldığı görülmektedir. Oysa geçiş kontrolünde olası hedeflerin tamamı yerleşime göre oluşacağından önceden bir plan kütüphanesi oluşturmak mümkün değildir. Zaten bizim de amacımız, kullanıcıların alışkanlıklarından yola çıkarak davranış desenlerini oluşturmak ve bunların dışındaki hareketleri şüpheli olarak tespit etmek olduğundan, plan kütüphanesini geçiş kontrolü tarafından üretilen verilerden oluşturmak daha uygun görülmektedir.

Bu amaçla geliştirdiğimiz plan kütüphanesi algoritması, kullanıcıların geçiş kontrol sisteminde ürettikleri verileri kullanarak kişiselleştirilmiş bir plan kütüphanesi üretmektedir. Bu yazının devamında plan kütüphanesinin yapısı ve algoritmanın işleyişi hakkında bilgi vereceğim.

Öncelikle sistemin geliştirme aşamasında kütüphanenin yapısı ile ilgili belirlediğimiz 2 kuralı ifade etmeliyim. Geliştirilen algoritmanın bu kurallara uyması sistemin verimli çalışması açısından büyük önem taşımakta:

  1. Plan kütüphanesi kişisel olmalı, her kullanıcının kendi davranışları, kendi seçimlerine göre meydana çıkan olasılıklarla oluşturulmalıdır.
  2. Kütüphaneyi oluşturmak için geçiş kontrol sisteminde yer alan verilerin ötesinde tanımdan kaçınılmalıdır. Algoritma yerleşim ile ilgili asgari veri ile çalışabilmelidir.

Bu şartlar altında geçiş kontrol sisteminde üretilen konuyla alakalı verileri gözden geçirdiğimizde sistemin her geçiş için aşağıdaki verileri tuttuğunu görmekteyiz (sadece ilgili alanlar gösterilmektedir):

GMY2 522 2019-09-12 17:55:31.547
GMY2 562 2019-09-12 19:08:59.650
GMY2 523 2018-05-09 16:10:31.817
GMY2 563 2018-05-09 16:30:26.090

Her kullanıcı için kapının adı (ya da numarası) ile birlikte yön bilgisi de tutulmaktadır. Sadece bu verileri kullanarak bir plan kütüphanesi oluşturmaya çalışacağız. Örnek veri setimizi inceleyelim. Bir kullanıcı için bir takım kapılardan geçişi gösteren bir veri setimiz var.

101> 121> 231> 271> 271> 231> 121> 131> 311> 331> 331> 311> 131> 121> 231> 271> 271> 231>
121> 101> 101> 121> 231> 271> 271> 231> 121> 101> 101> 121> 231> 271> 271> 231> 121> 101>
101> 121> 231> 271> 271> 231> 121> 141> 421> 421> 141> 121> 231> 271> 271> 231> 121> 131>
311> 331> 341> 341> 331> 311> 131> 121> 231> 271> 271> 231> 121> 101> 101> 141> 421> 421>
141> 121> 231> 271> 271> 231> 121> 131> 311> 331> 341> 341> 331> 311> 131> 121> 231> 271>
271> 231> 221> 221> 231> 271> 271> 231> 121> 101

Plan kütüphanesi algoritmasından beklentimiz, bu veriyi işleyerek aşağıdaki çıktıyı elde etmek:

101>271(0.13): 101>121>231>271
101>421(0.03): 101>141>421
221>271(0.03): 221>231>271
271>331(0.13): 271>231>121>131>311>331
331>341(0.10): 331>341
271>271(0.03): 271>231>121>131>311>131>121>231>271
271>101(0.17): 271>231>121>101
271>421(0.03): 271>231>121>141>421
271>221(0.03): 271>231>221
331>271(0.13): 331>311>131>121>231>271
341>271(0.10): 341>331>311>131>121>231>271
421>271(0.07): 421>141>121>231>271

Her iki listede de okunabilirlik açısından yön bilgilerini dışarıda bıraktım. Şimdi plan kütüphanesini oluşturan algoritmayı inceleyelim.

Hangi kapıların binanın dış kapıları, hangilerinin oda, hangilerinin koridor kapısı olduğunu bilmeden işlem yapmamız gerekiyor. Verinin içinde uygunsuz planlar, yarım bırakılmış, ya da kısmen terk edilmiş ve daha sonra devam eden planlar olabileceğini de göz önünde bulundurmalıyız. Genel yapıyı incelediğimiz zaman bir kullanıcının seçeceği kapıyı etkileyen tek şartın bir önceki kapı olduğunu görüyorsunuz. 4 ve 5 numaralı kapılar, 3 nolu kapının arkasındaysa, kullanıcının bu kapılara ulaşmak için 3 nolu kapıyı geçtiğini bilmek yeterli, bundan önce nerede bulunduğu bu gerçeği değiştirmiyor. Sonraki olayların olasılığının sadece bir önceki olaya bağlı olarak değişiyor olması, bize bir Markov zinciri (ya da birinci dereceden Markov modeli) ile karşı karşıya olduğumuz söylüyor.

Markov modellerinin detayına girmeden, ilk aşamada eldeki veriyi bir Markov zincirine çevirdiğimizi söylemekle yetineceğim. Çıktımız buna benziyor:

101-52:121-52(0.8), 141-52(0.2)
101-56:101-52(0.75)
121-52:231-52(0.36)
121-56:131-52(0.09), 101-56(0.45), 141-52(0.09)
131-52:311-52(0.2), 311-56(0.2)
131-56:121-52(0.2)
141-52:421-52(0.5)
141-56:121-52(1)
221-52:221-56(1)
221-56:231-52(1)
231-52:271-52(0.33)
231-56:121-56(0.08), 221-52(0.08)
271-52:271-56(0.08)
271-56:231-56(0.08), 271-52(0.08)
311-52:331-52(0.25)
311-56:131-56(0.2)
331-52:331-56(0.25), 341-52(0.75)
331-56:311-56(0.25)
341-52:341-56(1)
341-56:331-56(1)
421-52:421-56(1)
421-56:141-56(1)

Markov zincirimiz her adımdan sonraki adımları ve olasılıklarını gösteriyor. Bu bir sonraki adımın ne olabileceğini tahmin etmek açısından yeterli olmakla beraber, hangi planın seçilmiş olabileceği ve nihai hedefin ne olabileceği konusunda yetersiz kalıyor. Plan tanıma çözümü tanım gereği üst seviye planı ve bunun seçilme olasılığını bulmayı amaçlıyor. Bilinen planlara uymayan tüm davranışları “şüpheli” olarak nitelendirdiğimiz düşünülünce bir sonraki adımı bilmek ve buna uymayan her hareketi şüpheli saymak çözüm açısından yeterli gözülebilir ancak güvenlik amaçlı bir plan tanıma çözümünün nihai hedefi gözardı etmesini uygun bulmuyoruz.

Diğer taraftan seçilen planların olasılığını ortaya çıkarmak için de hareketleri adım adım bilmek yeterli olmayacak, planları bütün olarak tanımlamak ve toplam hareket içindeki oranlarını bulmamız gerekiyor.

Bu sebeple elimizdeki Markov zincirini özyineli (rekursiv) bir ters ağaç işlevine sürüyoruz. İşlevin neticesi, tüm alt dallarıyla olası başlangıç noktalarından olası bitiş noktalarına geçişleri veriyor.

Plan kütüphanemiz için algoritmanın son görevi, her bir planın veri içerisinde kaç defa yer aldığını tespit etmek. Bu sayının planlar toplamına bölümü, kullanıcının bir planı hangi sıklıkla tercih ettiğini hesaplıyor.

Plan çıkarımı ve gözlemcinin nasıl çalıştığını görmek isterseniz bir demo için bize ulaşmanız yeterli.

Event Gates, Machine Learning, Plan Recognition içinde yayınlandı | Yorum bırakın

Geçiş Kontrolünde Plan Tanıma

Plan recognition ya da plan tanıma, bir ajanı gözlemleyerek davranışlarından niyetini anlamaya yönelik yapılan işlemlerin tümüne verilen isim. Genel olarak plan ve niyet çıkarımı olarak adlandırılıyor. Takip eden çalışmaların çoğunluğu bunu temel aldığı için, New York Rochester Üniversitesi’nden Henry A. Kautz ve James F. Allen tarafından 1986’da yayınlanan “Generalized Plan Recognition” makalesi ile başladığını düşünmek yanlış olmaz. Daha sonra plan tanıma literatürü hakkında daha geniş bir yazı yazmayı planlıyorum.

Kautz ve Allen plan tanımayı gözlemlenen hareketleri en iyi açıklayan asgari üst seviye hareketler ya da hedefler olarak tanımlıyor. Bu tanımlamayı yaparken olası planları ters bir ağaç yapısını kullanıyorlar. Plan kütüphanesi olarak adlandırılan bu yapı, bir kullanıcının (ya da ajan/agent) olası hedeflerini en üst seviyede belirliyor, alt seviyelerde de bu hedeflere ulaşmak için gerekli işlemler ve onların kırılımlarını ifade ediyorlar. Böylece plan tanıma, plan kütüphanesinin oluşturulması ve izleme sırasında gözlemlenen hareketlerin ya da kanıtların yorumlanması şeklini alıyor.

Plan tanıma, doğal dil işlemeden psikolojiye birçok alanda kullanılmakta. Kullanım alanlarının bir çoğunda gözlemlenen kullanıcıyı anlayarak ona yardımcı olmaya çalışıyor, bu yüzden kullanıcının da anlaşılmak istediğini varsayıyoruz. Ancak kötü niyetli kullanıcıların niyetini anlamaya çalışan az sayıda çalışma da yok değil. Geib ve Goldman’ın “Probabilistic Plan Recognition for Hostile Agents” ve “Plan Recognition in Intrusion Detection System” bunlardan birkaçı. Biz de plan tanımayı geçiş kontrol sistemlerine uygulayarak kullanıcıların kötü niyetli hareketlerini (tehdit) algılamayı (tespit) hedefliyoruz.

Geçiş kontrol sistemi ile kontrol edilen bir binada kötü niyetli bir etkinlik yürütmek için kontrol sistemini aşmayı sağlayacak şekilde hareket etmek gerekir. Düzgün yürütülen bir kartlı sistemin devrede olduğunu var sayarsak, bu, kötü niyetli kullanıcının istediği yerlere girmesine izin veren bir karta sahip olduğu anlamına gelir. Düzgün yürütülen bir geçiş kontrol sisteminde alan ya da kapı bazlı yetkilendirme yapılmış olacağını var sayarsak, kötü niyetli kullanıcının başkasına ait bir kartla hareket etme ihtimali de yüksektir.

Hedefimiz böyle bir ortamda kötü niyetli bir kullanıcıyı bir tehdit oluşturmadan tespit edebilmek. Bunu yaparken bir çok iyi niyetli hareketi de şüpheli göreceğimizi biliyoruz, bu yüzden şüphe seviyesini derecelendirerek operatöre yardımcı olmak da hedeflerimizin arasında yer alıyor.

Event Gates geçiş kontrol sistemine entegre ettiğimiz çözümü bir örnek üzerinden anlatmak istiyorum. Bu yazının amacı, yaptığımız çalışmaları paylaşarak görüş almak, iyileştirme noktalarını tespit etmek; eğer konuya ilgi duyanlara incelemek için yeni bir alan sunarsak bundan da mutluluk duyacağız. Geçiş kontrolü, plan tanıma konusunda irdelenmemiş bir alan.

Daha önce plan tanımanın, plan kütüphanesini oluşturma ve gözlem bulgularını değerlendirme olarak nitelemiştik. Yapılan çalışmaların büyük çoğunluğu plan kütüphanesini belli bir alanda (domain) tanımlanmış üst seviye hedeflerden oluşturuyor. Örneğin Geib ve Goldman Plan Recognition in Intrusion Detection System makalesinde siber güvenlik alanında bilgisayar ağlarına sızma girişimlerini değerlendiriyorlar. Böyle bir alanda bir bilgisayar korsanının olası hedeflerini listelemek mümkün gözüküyor. Diğer taraftan geçiş kontrol sisteminde kullanıcıların tek bir hedefi var, bir noktaya ulaşmak; ancak bu noktalar ve onlara ulaşma yolları ortama bağlı olarak değişiyor. Bu sebeple plan kütüphanesinin oluşturulmasında olasılıklı ampirik bir yöntemi tercih etmemiz gerekiyor. Kütüphane oluşturma yöntemimiz, tanımlı kullanıcıların en çok tercih ettiği hedefler ve izledikleri yolların, geçiş kontrolünde bıraktıkları izlerden çıkarımını içeriyor.

Küçültülmüş bir örnekte, bir kullanıcı (kısmi de olsa) plan kütüphanesini de çıkardığımızı varsaydığımızda şöyle bir örnek üzerinde plan çıkarımını konuşmak mümkün oluyor. Önce yerleşim planımızı inceleyelim:

No alt text provided for this image

271 girişli odada GMY2 adlı bir kullanıcımız olsun. GMY2’nin (önceki hareketlerinden öğrendiğimiz) muhtelif tanımlı planları var. İşte onlardan biri, #101 nolu ön kapıdan giriyor ve ofisine gidiyor:

No alt text provided for this image

GMY2’ye ait plan kütüphanesinin aşağıdaki gibi olduğunu var sayalım:

P=0.415 (101 > 121 > 231 > 271)
P=0.415 (270 > 230 > 120 > 100)
P=0.01 (101 > 131 > 311 > 331)
P=0.01 (330 > 310 > 130 > 100)
P=0.01 (101 > 131 > 311 > 331 > 341)
P=0.01 (340 > 330 > 310 > 130 > 100)
P=0.02 (270 > 230 > 221)
P=0.02 (220 > 231 > 271)
P=0.03 (270 > 230 > 120 > 131 > 311 > 331)
P=0.03 (330 > 310 > 130 > 121 > 231 > 271)
P=0.01 (270 > 230 > 120 > 141 > 421)
P=0.01 (420 > 140 > 121 > 231 > 271)

Bu durumda GMY2 ana kapıdan (#101) girdiğinde nereye gidiyor olabilir?

gmy2 101
Score: 0
GMY2  -  271 -- 121  - 0,954022988505747
GMY2  -  331 -- 131  - 0,0229885057471264
GMY2  -  341 -- 131  - 0,0229885057471264

Gözlemci 101 kanıtını sunduğunda algoritma 3 olası hedef belirler: 271, 331, 334. Olasılıkları, kütüphanede yer alan önceki (a priori) olasılıklara göre tekrar hesaplar.

Peki kullanıcımız beklenmeyen bir şey yaparsa, mesela öncesinde geçmesi gereken yerleri pas geçip aniden bir yerde ortaya çıkarsa, üstelik bu yer onun olmasını beklemediğimiz bir yerse? Plana göre GMY2’nin #351 nolu odaya gitme alışkanlığı yok, üstelik buraya gitmesi için geçmesi gereken yollar var, aniden (mesela hemen #101’den sonra) #351’in kart okuyucusunu okuttuğunda:

gmy2 101
Score: 0
GMY2  -  271 -- 121  - 0,954022988505747
GMY2  -  331 -- 131  - 0,0229885057471264
GMY2  -  341 -- 131  - 0,0229885057471264
351
Score: 0,367879441171442
No active plans

Algoritma bu gelen kanıt karşısında afallamış durumda. Bu kullanıcı için tanımlı uygun bir plan yok, bulunduğu yerlerin hiçbiri bu iş için uygun değil, sözün özü bu işte bir iş var. Sistemin operatörü uyarması lazım. Bunun için utility function devreye giriyor.

Dorit Avrahami-Zilberbrand ve Gal A. Kaminka tarafından AAMAS2007’de yayınlanan “Utility-Based Plan Recognition: An Extended Abstract” ve Mao ve Gratch tarafından AAMAS2004’te yayınlanan “A Utility-Based Approach to Intention Recognition” adlı makalelerde, plan tanımada izleyicinin (observer) görüşlerinin dikkate alınması önerilmektedir. Bu görüş bir uygulamaya utility işlevince oluşturulan skorlama olarak yansımaktadır. Biz de bu öneriyi takip ederek, gözlemcinin planlara uymayan hareketlere tepkisini bir skor olarak yansıtmasını tercih ettik.Bu tepki gerektiği durumlarda erişilmeye çalışan kaynak, kullanıcının yetkileri ve çevre şartları gibi, gözlemlenenden bağımsız olarak gözleyenin görüşlerini yansıtacak parametrelerle de şekillenebilecektir.

Operatörü iyi yönlendirecek derecelendirme için kullandığımız bu skorlama işlevinin önemli özelliklerinden birin de, gözlemlenenin durumu olduğunu düşünüyoruz. Peş peşe doğru (beklenen) hareketleri yapan bir kullanıcının bir defalığına plandan sapmasını (örneğin yolda bir arkadaşının ofisine uğrayıp merhaba demesi), tamamen farklı ve bilinmeyen bir plana göre hareket edenle bir tutmamaya çalışıyoruz. Bu yüzden üssel bir skorlama işlevine, beklenen ve beklenmeyen hareket sayısını girdi olarak veriyoruz.

Böylece ofisine giderken yan ofise uğrayan kullanıcının skoru şu şekilde oluşurken:

gmy2 101
Score: 0
GMY2  -  271 -- 121  - 0,954022988505747
GMY2  -  331 -- 131  - 0,0229885057471264
GMY2  -  341 -- 131  - 0,0229885057471264
121
Score: 0
GMY2  -  271 -- 231  - 1
231
Score: 0
GMY2  -  271 -- 271  - 1
261
Score: 0,0497870683678639
No active plans

Tamamen yanlış bir yol izleyen kullanıcı için skor her adımda yükseliyor:

asst 101
Score: 0
Asst  -  231 -- 121  - 1
131
Score: 0,367879441171442
No active plans
311
Score: 0,606530659712633
No active plans
331
Score: 0,716531310573789
No active plans

İşlev tekrar doğru güzergahına dönen kullanıcıyı da ödüllendirmelidir. İlk örnekte yan ofise uğrayıp tekrar kendi ofisine dönen kullanıcı gibi:

gmy2 101
Score: 0
GMY2  -  271 -- 121  - 0,954022988505747
GMY2  -  331 -- 131  - 0,0229885057471264
GMY2  -  341 -- 131  - 0,0229885057471264
121
Score: 0
GMY2  -  271 -- 231  - 1
231
Score: 0
GMY2  -  271 -- 271  - 1
261
Score: 0,0497870683678639
No active plans
260
Score: 0,22313016014843
No active plans
271
Score: 0,367879441171442
No active plans
270
Score: 0,263597138115727
GMY2  -  100 -- 230  - 0,873684210526316
GMY2  -  221 -- 230  - 0,0421052631578947
GMY2  -  331 -- 230  - 0,0631578947368421
GMY2  -  421 -- 230  - 0,0210526315789474

Geçerli bir plana kavuşan kullanıcının skoru yavaş yavaş düşmeye başlar.

Bu uygulama ile, fayda odaklı (utilty based) plan tanıma algoritmalarını geçiş kontrol sistemine uyarladık. Çözümü Event Gates geçiş kontrol sistemlerine entegre olarak sunuyoruz.

Event Gates, Machine Learning, Plan Recognition içinde yayınlandı | Yorum bırakın

Facebook n’oldu!

Facebook’un halka arzını (IPO) takiben hisselerinde yaşanacak düşüşü doğru tahmin etmeme rağmen, beklentilerimin tersine bu işten küçük yatırımcı haricinde zarar eden olmadı. Oysa ki 20 – 70 USD bandında dolaşan hissenin spekülatif hareketleri ve IPO sırasındaki şaibelerin bir etkisi olur sanıyordum. Anlaşılan Facebook ABD için borsanın güvenilirliğinden ve küçük yatırımcıdan daha önemli. Envanterinde bütün dünyadan 1 milyar insanı “mal” olarak barındıran bir şirket için çok şaşırtıcı olmamalı.

Uncategorized içinde yayınlandı | Yorum bırakın

Facebook n’olur?

Fiyatın 18$ mertebelerine düşmesiyle FB’nin akıbeti de iyice tartışılır oldu. Tartışma şirketin geleceği kadar kurucusu Mark Zuckerberg’in de kariyeri çerçevesinde de büyüyor. Ne olur sorusunda önce ne oldu bunu anlamak lazım.

Bana sorarsanız Facebook halka arzı (IPO) faciasının müsebbibi, son yıllardaki bir çok kötülüğün kaynağında oldukları gibi yine yatırım bankacılarıdır. Yarattıkları emlak balonu patlamasına rağmen devlet tarafından kurtarılan, binlerce kişi işsiz kalırken zarar eden bankalardan hala milyonlarca bonus alabilen bu bankacılar eski karlardan uzak kalınca yeni arayışlara girdiler, ve FB yeni büyük balondu. Halka arzı takiben küçük yatırımcının 3 ay gibi bir sürede kaybettiği para 20 milyar $ mertebesinde. Kim kazandı bunu? Özellikle FB’nin çalışanlarının hisse satma zamanı olan 9 ay dolmadığına göre sadece ucuza alan kurumsal yatırımcı bu işten karlı çıktı. Belki bütün bir sektör için küçük bir kazanç ama işi döndürenler iyi kazandı.

Peki sular 18$ çevresinde duruldu mu? 9 ay tamamlandığında büyük bir satış gelmezse, şimdilik durulmuş gibi duruyor. FB ne kadar büyük bir balon? 18$’dan hesaplanınca 50 milyar civarında hala beklenen kazançlarına göre çok yüksek değerli gibi gözüküyor dense de FB kazancı olan, hatta potansiyeli olan bir şirket. Bu yüzden de %100 balon demek makul değil. Bu şartlarda FB sıfırlar mı sorusuna ben evet demem.

Peki Zuckerberg’e patlar mı bunlar? Eğer IPO sırasında ciddi bir ihlalden (yasal olarak) sorumlu tutulmazsa hala şirketin %57’sini elinde tutan Zuck bu işten sıyrılır gibi duruyor. Hatta sıyrılmanın ötesinde yakın zamanda sektör ve ilgili dünya kendisini yeni Steve Jobs olarak selamlayacak. Neden derseniz, sebebi potansiyel yatırımcılara yazdığı mektupta gizli.

“Facebook’u şirket olarak yaratmamıştık” cümlesiyle başlayan mektup, “basitçe ifade edersek: para kazanmak için hizmet üretmiyoruz, daha iyi hizmetler üretebilmek için para kazanıyoruz.” cümlesiyle işletme tarihine girecek. Şimdiden taraftarlar toplamaya başladı ve insanlar aslında doğru bir yöntem olarak görüyorlar. Ben de istisna değilim.

Mektubun tamamı ve Henry Blodget’in güzel yazısı http://www.businessinsider.com/facebook-stock-letter-shareholders adresinde.

Uncategorized içinde yayınlandı | Yorum bırakın

18 Nisan Facebook kehaneti erken gerçekleşti

18 Nisan’da, yani Facebook’un halka açılmasından yaklaşık 1 ay önce uzun zamandır inandığım bir fikri iddia haline getirip bu blogda kehanet olarak yayınlanmıştım. O gün için düşüncem, FB’nin IPO için bahsi geçen 100+B değerinin aşırı şişirilmiş olmasıydı. Hisse fiyatının 40$’da %40 civarında bir balon olduğunu düşünüyordum, ancak iskontolu olarak %25’lik düşüş öngördüm. Zaten 38$’lık IPO fiyatı ile %5 iskonto baştan yapılmış oldu, geri kalanı için de bir düşüş beklenebilirdi.

Rahatsızlığımın sebebi, Facebook’un bir ürün üreten fiziksel şirket olmadığı için sanal bir şirket olması gibi bağnaz bir şey değil. Tabii ki FB’un bir değeri var, zira geliri olan, bu gelirini arttırma ve karlılık potansiyeline sahip bir şirket. Bu yüzden de gayet yatırım yapılabilir. Ancak değerinin IPO ile iyice katlanıyor olması, bunun gelir ve karlarında ya da iş modelinde (pozitif) bir değişiklik yokken sadece halka açılacağı için yaşanması iyi işaret değildi. Bunun ötesinde IPO’dan kısa süre önce Instagram’a yapılan rekor yatırım da rahatsız edici bir durumdu.

Neticede kehanetim beklenenden çok daha önce gerçekleşti. Dün itibariyle hisse 28.19’dan kapandı ki bu da 25.81’lik bir düşüşe işaret ediyor. Benim beklentim FB hisselerinin, rivayete göre halka arz aracıları tarafından kısa süre önce yeniden değerlendirilip sadece büyük yatırımcılarla paylaşılan 32$ civarında tutunmasıydı. Ancak bu barem son iki günde kırıldı ve aşağı hareket devam etti.

Buradan sonra hissenin değeri nereye gider öngörebilmek zor. Ancak gerçekleştiği için kehaneti ya revize etmeli ya da yorumlamalı ki bu erken gerçekleşme bir yoruma ihtiyaç duyuyor. Benim bu aşamada iki tahminim var. Önümüzdeki günler bunlara ışık tutacaktır.

Bu yaşananları açıklayacak bir model lazım. Olası modellerden biri, son yılların en büyük keriz silkeleme operasyonlarından biri yaşanıyor. Kurumsal yatırımcı IPO öncesi ucuza aldığı hisseleri tepe fiyattan sattı, şimdi bireysel yatırımcı zarar ediyor, daha sonra da aynı kurumsal yatırımcılar bunları 25$ mertebesinden toplayıp hisseyi yeniden 30 – 32 $ bandına taşıyacak. Amerikan mahkemeleri buna ne der emin değilim ama bariz dezenformasyondan dolayı bunun sessizce kapanacağını sanmıyorum. Hapse giden bankacı olur mu, tahmin etmek zor.

Ya da ikinci ihtimal, zaten silkelenen silkelendi. Yani FB uzun bir süre daha (hatta belki asla) IPO öncesi düşünülen değerlere çıkamayacak. Bu tamamen uzun dönemli bir planlama ile oluşturulan bir balondu, bu yüzden bu kadar büyük hisse sayısı ile yapılan bir halka arzdı ve çoğunluk hissenin de küçük yatırımcıya satıldığı iddia ediliyor. Bu durumda bir takım bankacı gerçekten yine çok büyük paralar kazandı, ama birinin bunun bedelini ödemesi gerekiyor; ki bu da muhtemelen Zuckerberg olur. Durumu açıklayan model, ipteki cambazdır. Şu sıralar cambaza bakarken soyuldu millet, yakında cambazı düşürürler ve konu kapanır.

Bakalım göreceğiz. Bu durum ise bana tekrar uzun zamandır ısrarla tekrar ettiğim bir karşı fikri hatırlatıyor. Yeni ekonomi diye birşey yok! Ekonomi hep aynı. Uzun vadede kar etme potansiyeline sahip tüm mallar değerlenir – ama değeri bu kar potansiyeline doğrudan orantılıdır. Değer potansiyeli aşarsa ortaya balon çıkar ve her balon muhakkak bir gün söner.

Haberler ve politika içinde yayınlandı | 2 Yorum

Wiener Schnitzel nerede yenir?

Internette aradığınız zaman neredeyse tüm sitelerde hep aynı cevap var: Stephan’s Dom’un hemen yanında Filgmüller. Bütün turistik siteler, kılavuzlar ve sair bu adresi verdiği için haliyle Figlmüller tam turistik bir mekan olmalı – tam da bu yüzden Viyana’lı arkadaşlar ve kuzenim her ziyaretimde bu meşhur adresi denememe mani oldular. Onların farklı bir tercihi vardı, internet sitelerinde o kadar popüler olmayan, turistten çok halkın gittiği bir yer. Bu seyahatte sonunda münferit hareket edecek zamanı buldum ve Figlmüller’i denedim. Artık bir karşılaştırma yapabilecek durumdayım.

Önce Schnitzel Wirt’ten bahsedeyim. Burası çoğunlukla öğrencilerin takıldığı, insanların oturup yediği gibi eve paket olarak da aldıkları, tam mahallemizin şnitzelcisi diyebileceğiniz tipte bir yer. Büyük masaları genellikle başkasıyla paylaştığınız için yer sorunu yaşanmayan mekan daha çok yemeğin bitmesiyle ünlü. Geçen sefer biraz geç gittiğimiz için son şnitzelleri yemiştik, patates salatasıysa kalmamıştı. Haa bir de fiyat hikayesi var, ki verdikleri yemekle karşılaştırınca resmen komik, bu da öğrenci ilgisini açıklıyor.

Filgmüller tam turistik bir yer. Kapıda kuyruk var ve neredeyse herkes yabancı. Kapı deyince, mekanın iki kapısı var, hatta aslında iki mekan var ama aradan bir şekilde bunlar bağlı, mutfakları ortak herhalde. En meşhur olanı bir pasajın içinde ufacık bir yer, tahta masalar ve dekor, gayet otantik görünümlü, kuyruk pasajı dolduruyor. Diğeri pasajın hemen dışında sağda kalıyor. Sitede iki mekanın da adresi var. Figlmüller ile ilgili temel şikayetlerden birisi de küçük olması ve kızartma kokmasıydı ki bu ikinci mekana giderseniz sorun olmuyor. Internet sitelerinden rezervasyon yapıyorsunuz ama sanırım işlevsel değil, zira bize yer yok ama kapıda biraz bekleyin alırız diye bir cevap geldi. Gerçekten de kapıda 10 dk kadar bekledik ve boşalan 3. dört kişik masaya oturduk. Bu arada, kapıdaki kuyruğun sebebi korkarım üretimin yavaşlığı çünkü masada da 15 dk daha bekledik.

Kızartma kokusu konusu da önemli. Figlmüller de bu sorun çözülmüş gibi duruyor, pasajdaki kokuyor olabilir ama dışarıdaki mekanda bir sorun yoktu ancak Schnitzel Wirt’te ciddi bir kızartma kokusu sorunu var. Bu otururken ya da yerken rahatsız etmiyor, ama evin mutfağındaki kızartma gibi üzerinize siniyor – o akşam giydiğim şeyler daha sonra otelin odasını bile kokuttu. Tavsiyem, bir daha yıkanana kadar giyemeceğiniz şeyler olsun üzerinizde.

Ve yemeğe gelelim, zira bu yerlerin hiçbiri takılmak için gidilecek yerler değil, yemek için gidilecek yerler. Menüde farklı birşeyler var ama boşverin, schnitzel için oradasınız. İkisini de bir gün arayla denedikten sonra uzun zamandır aklımızı kurcalayan bu sorunu bir karara bağlamış bulunuyorum: Figlmüller’in Viyana şnitzeli (Wiener Schnitzel) Schnitzel Wirt’inkinden daha güzel. Schnitzel Wirt ise başka bir kategoride şampiyon oluyor: Cordon blue. Kesinlikle bugüne kadar yediğim en iyi cordon blue. (içinde peynir ve jambon olan bir çeşit şnitzel).

Netice olarak, bir dahaki ziyaretimde ikisine de gitmeye çalışacağım yine. Schnitzel Wirt’te cordon blue, Figlmüller’de Wiener Schnitzel.

Schnitzel Wirt (http://www.schnitzelwirt.co.at/) alışveriş caddesi MariaHilfer’e açılan ara sokaklardan birinde. Neubau metro durağı yakın olacaktır.

Figlmüller (http://www.figlmueller.at) şehrin merkezinde, St. Stephan’s Dom’un hemen yan sokağında. Wollzeile sokağındaki pasajın içinden girip arka kapıdan çıkın, sağa dönün 50 mt. ilerde sağda.

Afiyet olsun.

Seyahat içinde yayınlandı | Yorum bırakın