T. C.
PLATO MESLEK YÜKSEKOKULU
BĠLGĠSAYAR PROGRAMCILIĞI PROGRAMI
İŞ ZEKÂSI UYGULAMALARI
Önlisans Bitirme Projesi
HÜSEYĠN ZORBEY TAġ
Ġstanbul, 2014
T. C.
PLATO MESLEK YÜKSEKOKULU
BĠLGĠSAYAR PROGRAMCILIĞI PROGRAMI
İŞ ZEKÂSI VE UYGULAMALARI
Önlisans Bitirme Projesi
HÜSEYĠN ZORBEY TAġ
DanıĢman
Öğr. Gör. ESRA ALKAYA
Ġstanbul, 2014
ÖNSÖZ
Ön Lisans öğrenim sürecim boyunca bilgilerimin üstüne sürekli yenisini eklememe
yardımcı olan, gerek okul içi gerekse okul dıĢı hiçbir yardımı esirgemediği için
değerli Hocam Sayın ġahin Aydın’a yeterli olmayacağını belirterek çok teĢekkür
ederim
Ön lisans tez çalıĢmamla ilgili sürekli yardımlarıyla beni destekleyen ve bir seviyeye
gelmeme yardım etmek için uğraĢan Hocam Sayın Esra Alkaya’ya teĢekkürlerimi
sunarım
I
İÇİNDEKİLER
ÖNSÖZ…………………………………………………………………………… I
ŞEKİLLER VETABLOLAR……………………………………………………III
KISALTMALAR………………………………………………………………... IV
ÖZET……………………………………………………………………………… V
ABSTRACT ………….…………………………………………………………... 1
GİRİŞ ……………………………………………………………………………... 2
1.İŞ ZEKÂSI VE UYGULAMALARI……………………………… 3
1.1.İş zekâsı(Business Intelligence) Nedir?................................................................... 3
1.2.Karar Destek Sistemi(Decision Support System) Nedir?...................................... 5
1.2.1 Veri Ambarı(Data Warehouse) Nedir?................................................................ 6
1.2.2.OLAP ve OLTP Kavramları………………………………………………………………….………….9
1.2.3 Data Mart(Veri Marketi)………………………………………………………………………………… 11
1.2.4 Veri Madenciliği(Data Mining)……………………………………………………………………... 12
2.2.5 ETL(Extract, Transform, Load)……………………………………………………………………... 15
1.3 KARAR DESTEK SİSTEMİNİN UYGULAMA ALANLARI………………………... 16
1.3.1 Klinik Uygulamalar ve Laboratuvar Uygulamaları…………………………….17
1.3.2 Finans / Risk uygulamaları…………………………………………………………………………….. 20
1.3.3 Tarım Karar Destek Sistemleri………………………………………..…………………………….. 28
1.4 KARAR DESTEK SİSTEMİ AVANTAJLARI………………………………………………… 28
1.1.1 ĠĢ Zekâsı(BI) Nasıl ve Neden Ortaya ÇıkmıĢtır?................................................ 30
1.1.2.ĠĢ Zekâsı Tarihçesi…………………………………………………………………………………………. 32
1.1.2 Neden ĠĢ Zekâsı(Business Intelligence) Kullanmalıyım?................................... 35
1.1.3 Hangi ġirketler ĠĢ Zekâsı(Business Intelligence) Kullanır?............................... 37
1.1.4 ĠĢ Zekâsı(Business Intelligence) Nasıl Uygulanır?............................................. 39
KAYNAKÇA …………………………………….……………………..……. 43
ÖZGEÇMİŞ ………………………………………………………………….. 45
II
ŞEKİLLER VE TABLOLAR
ġekil 1 OLAP-OLTP ġeması.............................................................................. 4
ġekil 2 Karar Destek Sistemi ġeması.................................................................. 5
III
KISALTMALAR
1. BI – Business Intelligence ( ĠĢ Zekâsı)
2. DSS & KDS – Decision Support System (Karar Destek Sistemleri)
3. ETL – Extract(Çıkar), Transform(DönüĢtür), Load(Yükle)
4. CEO – Chief Executive Officer (Ofis baĢ yöneticisi – ġirketlerdeki baĢ
yönetici)
5. JIT – Just in Time (Tam zamanında üretim)
6. DB – Database (Veri tabanı)
7. IT - Information Technology(Bilgi Teknolojisi)
8. CFO - Chief Financial Officer(Ofis Finans yöneticisi – Finans Koordinatörü)
IV
ÖZET
Ġġ ZEKÂSI VE UYGULAMALARI
HÜSEYĠN ZORBEY TAġ
Bilgisayar Programcılığı Programı
DanıĢman: Öğr. Gör. Esra Alkaya
Haziran 2014
ÖZET
Günümüzde iĢ dünyasındaki rekabet oldukça artmıĢtır. Aksi düĢünülemeyecek kesin
bir Ģekilde; iĢ dünyasında yöneticilerin karar vermesinde yardımcı olabilecek sanal
bir asistana ihtiyaç duymaları aĢikârdır. Veri yığınları içinde kaybolmak istemeyen
yöneticiler analizlerinde bu asistandan yardım alırlar. Yöneticisi olduğu kurumun
daha öncesinin bilgileriyle analiz yapıp daha ileriye ne kadar doğru bir Ģekilde
taĢıyabileceğinin kararlarını almasına yoğun bir Ģekilde bu asistanın faydası olur.
Hemen hemen tüm sektörlerde piyasada kendine yer bulup rekabete ortak olmak
isteyen her yönetici bunun önemini anlayıp ĠĢ Zekâsı kullanımına daha fazla önem
vermelidir.
V
ABSTRACT
Today, competition in the business world has increased considerably. In a
precise way so unthinkable; The decision-making in the business world that can help
in their need for a virtual assistant is obvious. Administrators do not want to get lost
in the piles of data analysis that they get help from an assistant. Manager of the
institution with the information of earlier analyzes and further how to take the right
decisions in a way that could carry the benefit of the assistants would be intense.
Find a place in almost all industries to competition in the market who want to be
partners understand the importance of it all managers use BI should give more
importance to.
1
GĠRĠġ
GeçmiĢten günümüze kadar ulaĢan kurumlar arası iĢ bazındaki rekabet sürekli
yeniliklerin ortaya çıkmasını sağlamıĢtır. Yöneticiler tarafından verilen kararların
Ģirket açısından önemi çok yüksektir. Kurumların rekabete ortak olabilmeleri için en
doğru kararları verip, farklı analizler yapıp yeni sonuçlar elde edip, elde edilen
sonuçlara göre iĢin devamlılığını sürdürmesi gerekir. Bununla beraber rekabetten
kopmamalı ve varlığını sürdürmelidir. Yöneticilerin tüm bunları aynı anda yapması
imkânsız gibi görünebilir. Birden fazla yönetici varlığını hayal edecek olursak farklı
kararlar, farklı stratejiler, çok fazla fikir ayrılığı daha büyük problem teĢkil eder.
Ama bu yöneticinin bir asistanı olsa ve bu asistan; Tüm depolanmıĢ verileri iĢleyen,
verileri iĢledikten sonra çok iyi analizler yapan ve en sonunda da son kararı
yöneticiye bırakan bir asistandandır.
Tüm piyasadaki rekabete ortak olmak isteyen kurumların vazgeçilmezi, en mantıklı
kararların alınmasına yardımcı olan bu asistan varlığını tamamen bilgisayar
ortamında sürdürür.
2
İŞ ZEKÂSI VE UYGULAMALARI
1.1 İş zekâsı(Business Intelligence) Nedir?
ĠĢ Zekâsı(Business Intelligence); Kullanım türüne bağlı elde edilmiĢ fakat
iĢlenmemiĢ ham verilerin analiz edilmesi yani; gerekirse verileri bir süzgeçten
geçirmesi ve yine gerekli bulunursa belirli eklemeler yapılması için kullanılan
yazılım uygulamaların tümünü kapsayan bir ifadedir. Veri analizi bakıĢ açısı ile
kiĢilere kararlarını belirlemek ve varsayımlarda bulunmalarına yardımcı olabilmek
amacıyla anlamlı bilgilerin toplanması sürecidir.
Verileri bilgiye, bilgileri aksiyonlara dönüĢtürerek doğru adımlar atılması ve yeni
imkânlar sunmak ve sunulan imkânları geliĢtirmeye yönelik ciddi bir miktarda veri
yönetebilir. BakıĢ açısı ile verinin incelenmesi, keĢfedilmesi ve dönüĢtürülmesi
bilginin elde edilmesidir[1]
Temel olarak açıklamamız gerekirse ĠĢ Zekâsı(BI); Kurumların karar verme ve
yönetim bazında istenilen verimin arttırılması için çok sayıda verinin kurumsal
3
bilgiye dönüĢtürülmesi ve bu sayede kurumların bulunduğu rekabet içinde avantaj
sağlamalarına yönelik kavramlar, metotlar ve yazılımlar bütünüdür.[2]
ĠĢ Zekâsı alanında uluslararası çözümler üreten Gartner Ģirketi araĢtırma bölümü
baĢkan yardımcısı Andreas Bitterer iĢ zekâsını Ģöyle tanımlar;
“ĠĢ zekâsı, kuruluĢların etkinlik ve finansal fayda elde etmek amacıyla performansla
ilgili gerekli kararları en iyi Ģekilde verebilmeleri ve ölçümleri yapabilmeleri,
performansı en iyi Ģekilde yönetebilmeleri ve optimize edebilmeleri için bilginin
kullanılmasıdır.”
Bir iĢletmede yöneticilerin ve profesyonel çalıĢanların karar vermesine yardımcı
olarak kullanılan, karar verme sürecinde kullanıcıların sistemle karĢılıklı olarak
etkileĢimde bulunduğu sistemi karar destek sistemi olarak tanımlarsak ĠĢ Zekâsının
bir tür karar destek sistemi olduğunu söyleyebiliriz zaten tarihçesine bakılacak
olduğunda Karar destek sistemlerinden geliĢtiğini söyleyebiliriz.
Bu noktada değinmemiz gereken en önemli nokta Karar Destek Sistemleri (Decision
Support System) ile ĠĢ Zekâsının(Business Intelligence) temel ayrım noktası, ĠĢ
Zekâsının sadece yöneticilere yönelik olmayıp, süreç içerisinde tüm paydaĢların(üstalt düzey yöneticilerin, sistem dıĢı müĢteri ve tedarik zincirinin) dâhil edilmesini
sağlamaktır.[3]
4
1.2 Karar Destek Sistemi(Decision Support System)
Nedir?
Karar Destek Sistemi(Decision Support System-DSS); Ġnsanların belirli
durumlar içerisinde karar vermelerine yardımcı olan bilgisayar tabanlı bilgi
sistemlerine denir. Verileri ve modellerin etkin kullanımını sağlayarak karmaĢık
problemlerin çözümlerine katkıda bulunurlar. Yani Karar destek sistemleri,
yöneticilerin karar vermesine yardımcı olan interaktif ve bilgisayar ortamında olan
sistemlerdir
Karar destek sistemleri; yöneticilerin karar vermede yardımcı olacak veriye
ulaĢmasına, özetlemesine ve analiz etmesine yardımcı olur. Bu sistemler sadece veri
- odaklı veya model odaklı Karar destek sistemleri olabilirler.[4]
DSS'ler yani Karar destek sistemleri, tüm kuruluĢ çapınca bazen kuruluĢuna dıĢına
karar ulaĢan geniĢ kullanıcı gruplarını destekleyen ağ bağlantılı veri ambarları
olabileceği gibi tek bir yöneticinin bilgisayarına kurulu ufak çaplı bir programda
olabilir.
DSS’nin algılanmasında, bakıĢ açılarına göre farklılıklar olabilmektedir. Örneğin
akademik dünyada DSS yazılımları, karar verme iĢlemine yardım eden birer araç
olarak görülürken, DSS kullanıcılarının çoğu bu sistemleri birer idare sistemi olarak
görmektedir. Bazı akademisyenler ise DSS’in tanımını daha da geniĢleterek karar
verme ile ilgisi olan herhangi bir sisteme DSS ismini vermiĢtir. 1980 yılında Sprauge
5
tarafından yapılan tanıma göre bir sistemin DSS olabilmesi için aĢağıdaki 4 temel
özelliği taĢıması gerekir:
1. DSS genelde çok iyi yapılandırılmamıĢ ortamlarda, üst düzey yöneticilerin
karĢılaĢtığı problemlerin çözümü ile ilgilenir
2. DSS genelde geleneksel veri eriĢim ve iĢleme yöntemlerini kullanarak problemleri
çözmeyi hedefler.
3. DSS genelde bilgisayar uzmanı olmayan kiĢilerin de kolayca ve etkileĢimli biçimde
veri ile iletiĢime girmesine imkân tanır.
4. Ortamdaki değiĢimleri kendisine adapte edebilmek için bir DSS’in esnek ve değiĢken
yapıda olması beklenir.[5]
Karar Destek Sistemleri birçok farklı sistem, araç ve teknolojiyi kapsar. DSS terimi
teknoloji boyutundan bakıldığında OLAP teknolojisi olarak ifade edilebilir. Karar
Destek Sistemlerinde önemli olan bilgiye dayalı bir sistem yaratmaktır.
Eğer bir program PC üzerinde çalıĢıyorsa ve yöneticilerin karar vermesine yardımcı
oluyorsa bu sistemi DSS olarak değerlendirebiliriz.
1.2.1 Veri Ambarı(Data Warehouse) Nedir?
Her Ģeyden önce Ģunu bilmeliyiz ki Veri Ambarı bir program ya da ürün
değildir. Veri ambarı farklı operasyonel sistemler, çağrı merkezleri ve benzeri
6
kaynaklardan veriyi alıp, temizleyip değiĢtirdikten sonra anlaĢılabilir ve kolay
eriĢilebilir bir yapıda toplar ve geçmiĢ veriler için bir depo teĢkil ederler.[6]
Veri Ambarı; analiz amaçlı sorgulamalar yapmak için özelleĢmiĢ bir veritabanıdır.
Temel amacı, iĢletmeye ait güncel olmayan kayıtları saklamak ve bu kayıtlar
üzerinde daha kolay analizler yapılmasını sağlayarak iĢ ihtiyaçlarını anlamaya ve
iĢletme fonksiyonlarını yenilemeye yardımcı olmak, yani DSS'lere ve BI'lara
kolaylık sağlamaktır. Veri ambarı iliĢkili verilerin sorgulandığı ve analizinin
yapıldığı bir depodur asıl amaçlarından biri ise veri tabanını yormamak ve kurulan
sistemi daha verimli ve hızlı bir Ģekilde kullanmaktır.
Veri ambarı teriminin yaratıcısı William Inmon bunu Ģöyle açıklamıĢtır ; “Veri
ambarı, Kurum ya da kuruluşların bilgi sistemlerinde depolanan verilerin tamamının
veya belirli bir kısmının düzenli bir şekilde tutulduğu, merkezi veri depolama
alanıdır."
Bildiğimiz iliĢkisel veri tabanları, olaylar ve iĢlemlerle ilgili verileri saklar bununla
birlikte veri tabanı üzerinde sürekli bir veri trafiği olur devamlı bir veri giriĢ-çıkıĢı
sağlanırken en güncel veriyi taĢırlar. Veri ambarları ise, bu veri tabanlarındaki
verilerle diğer dıĢ kaynaklardan alınan verilerin belirli periyodlarda derlenip
arĢivlenmesi ile oluĢturulan, bu sayede dönemsel analizlerin yapılmasına olanak
sağlayan yapılardır.
Veri Ambarları, sağlık sektöründen coğrafi biliĢim sistemlerine, iĢletmelerin
pazarlama bölümünden üretime, geleceğe dönük tahminler yapmada, sonuçlar
çıkarmada ve iĢletmelerin yönetim stratejilerini belirlemede kullanılmakta olan bir
sistemdir. Pahalı bir yatırım maliyeti olsa bile uzun vadede düĢünüldü takdirde
getirisi bu maliyeti kat kat aĢmaktadır.
7
Veri ambarlarına her veri alınmaz eğer alınmıĢ olsaydı zaten iliĢkisel veri
tabanımızdan bir farklı olmayacaktı bununla birlikte Veri ambarına veriler
aktarılmadan önce "ETL(Extract, Transform, Load)" sürecinden geçer. Bu Ģekilde
verilerin ne Ģekilde kullanılacağına karar verilir ve veri istenilen Ģekle sokulup veri
ambarına alınır.
Bu yapı birbiriyle iliĢkili birkaç yapıdan oluĢur. Bunlar;

Bilgi Erişim Katmanı: En uç kullanıcıyla(son kullanıcı) doğrudan iletiĢime
geçen katmandır. Kullanıcı her gün kullandığı veri tabanı programları ile bilgi
eriĢim katmanında olmakla beraber analiz ya da sunum amacıyla eriĢilen
kullanılacak olan rapor, tablo ve çizelgelerin görüntülenmesi ya da
çıktılarının alınması iĢlemleri için gerekli olan yazılım ve donanım bu
katmanda bulunur.

Veri Kılavuzu(Üst veri) Katmanı: Tam olarak iĢlevsel bir veri ambarı için,
uç kullanıcının gördüğü veriler ile iĢletimsel veri tabanındaki veriler hakkında
çeĢitli üstverilerin olması gerekmektedir. Ġdeal olarak, uç kullanıcılar veri
ambarındaki (ya da iĢletimsel veri tabanındaki) verilere, verinin nerede ya da
nasıl saklandığı hakkında hiç bir Ģey bilmeden eriĢebilmelidir. Üst veri kurum
içindeki veriyi tanımlayan veridir

İşlem Yönetim Katmanı: Veri ambarı ve veri kılavuzu bilgilerinin
yönetilmesi için ya da oluĢturulması için gerekli olan iĢlemlerin planlamasını
yapan yönetimini üstlenen katmandır.
8

Uygulama İleti Gönderme Katmanı: Kurum içindeki bilgisayar ağında
bilginin taĢınmasını sağlayan katmandır.
1.2.2 OLAP ve OLTP Kavramları
1.2.2.1
OLAP(On-Line
Çevrimiçi Analitik İnceleme);
Analytical
Processing-
Veriler üzerinde çok boyutlu analizler
yapmasına olanak sağlayan bir yaklaĢımdır. Kullanıcıların hızlı analiz yapmalarını
sağlayan iĢ zekâsı sistemleridir. Mesela "Eğer un fiyatları %3, nakliye gideri %20
düşerse benim yıllık karım nasıl değişir?" sorusu OLAP'ın cevap verebileceği bir
sorudur. Normalde bu soruya operasyonel veritabanları üzerindeki SQL sorguları ile
cevap alınması çok zordur, fakat OLAP süreci içerisinde boyutsal modellemeye tabi
tutulan veriler bu tür sorulara çok çabuk cevaplar alınmasını sağlarlar.
Doğal olarak OLAP veri ambarlarına ait sorgulama ve oluĢturma iĢlemlerini de
kapsar. Çok boyutlu veritabanı olarak tasarlanmıĢ bir veri ambarında, sözgelimi
satıĢlarla ilgili bilgilerin yer aldığı bir tabloda, "zaman" boyutunun elemanlarına
denk gelen gün-hafta-ay-yıl gibi sütunlar bulunabilir, bu da OLAP'ın boyut
modellemesine olanak sağlar.
Fakat veri ambarı ve OLAP terimlerinin birbirinin yerine kullanılması yalnıĢtır; Veri
ambarı özelleĢmiĢ bir veri tabanını belirtirken, OLAP eldeki veriler üzerinde çok
boyutlu sorgular yapmayı kolaylaĢtıran bir analiz yaklaĢımıdır. Yani OLAP istemci
uygulamaların veri ambarını kullanmasını kolaylaĢtıran teknolojidir. Amacı bütün
9
iĢlemlerin bu sunucu üzerinden yapılması, dolayısıyla hareketlerin kontrolünü
sağlamaktır.
Yani kısaca özetleyecek olursak OLAP; Veri ambarları üzerinde yapılan boyutsal
analiz iĢlemleridir.
1.2.2.2
OLTP(On-Line
Transaction
Processing-
Çevrimiçi İşleme İşlemleri ); ise operasyonel veritabanlarındaki iĢlemleri
kapsar. Operasyonel veritabanları OLTP kapsamına girer, "transaction(ĠĢlem)"
temelli bu sistemlerdeki veriler anlıktır ve sürekli değiĢirler. Normalize bir biçimde
tasarlanan bu veritabanları, genelde satıĢlar, sipariĢler, üyeler gibi tabloları
bulundururlar, ve hızlı sorgulama iĢlemlerine cevap verirler. Tablolar arası iliĢkiler
sağlamdır ve veri tekrarı bulunmaz.
Örnek olarak bir sigorta firmasını ele alalım; Elimizde iki veri tabanı olsun:
DB-1, araba sigortaları ve iliĢkili muhasebe hareketleri; DB-2, sağlık sigortaları ve
iliĢkili muhasebe hareketleri.
10
ġekil 1 OLAP-OLTP ġeması
Farklı veri tabanlarında bulunan bilgiler arasında iliĢki kurularak veri ambarında
depolanıyor. OluĢturulan veri ambarı bir OLAP uygulamasıdır. Daha sonra veri
ambarından sağlık sigortaları ile araba sigortalarını ayırarak baĢka bir yapıya
aktarıyoruz. Veri ambarına oranla daha küçük boyutta olan bu yapı ise veri
marketlerimiz. Böylece iĢlemimiz OLTP’den baĢlayarak önce bir OLAP sunucusuna
daha sonra baĢka bir OLAP sunucularına aktarılabilir. Temsili resimde tek tablodan
oluĢan veri ambarı gerçek hayatta bu boyutta olmayacaktır. Çok daha karmaĢık
sistemler detaylı analiz gerektirecektir tabiki. Bu iĢlemin baĢlı baĢına bir iĢ olmasına
yol açan da aslında budur. [7]
1.2.3 Data Mart(Veri Marketi)
Veri Marketleri veri ambarlarının alt kümeleridir. Veri ambarları bir iĢ
probleminin tamamına yönelik bir bakıĢ sağlarken, data mart'lar sadece belli bir
kısma bakıĢ sağlarlar.
11
ĠĢletme üzerindeki karar vericilerin, iĢe ait tüm veriler üzerinde analiz yapmasına
gerek olmayabilir. Bu kiĢiler sadece kendi birimleriyle ilgili verilere ulaĢarak bunlara
bağlı analizler yapmayı isteyebilirler, bu durumda veri ambarındaki tüm
karmaĢıklıklık içinde boğulmalarına gerek yoktur. Veri ambarlarının sadece bir konu
kapsamında alt kümesini temsil eden data mart'lar, veri ambarları kadar ayrıntılı veri
barındırmazlar. Bu yüzden kolay anlaĢılabilir ve yönlendirilebilirlerdir.
1.2.4 Veri Madenciliği(Data Mining)
Verinin en faydalı kullanım yolunu keĢfetmektir.
Kullanıcının aklına bile gelmeyen soruların yanıtlarını vererek, sorgulama ve
raporlama ya da çok boyutlu çözümleme ile bulunamayacak yeni bakıĢ açıları
kazandırır. Henüz sorulmamıĢ sorulara yanıt arar.
Büyük veri yığınları içinde kaybolmak yerine bu verileri kullanarak önümüzdeki
karĢılaĢabileceğimiz olası durumlara karĢı bir tahminde bulunabilecek öğelerin
bilgisayar programı kullanarak aranmasıdır.
Temel olarak veri madenciliği, veri setleri arasındaki desenlerin ya da düzenin,
verinin analizi ve yazılım tekniklerinin kullanılması ile ilgilidir. Veriler arasındaki
iliĢkiyi, kuralları ve özellikleri belirlemekten bilgisayar sorumludur. Amaç, daha
önceden fark edilmemiĢ veri desenlerini tespit edebilmektir. Bir anlamda büyük veri
yığınları içerisinden gelecekle ilgili tahminde bulunabilmemizi sağlayabilecek
bağıntıların bilgisayar programı kullanarak aranmasıdır.
12
Veri madenciliği disiplini, genel olarak 4 ana kategoride toplanmaktadır.
a) İş ve Elektronik Ticaret Verileri: Geri ofis, ön ofis ve ağ uygulamaları iĢ
süreçleri sırasında geniĢ çaplarda veri üretirler. Bu veriyi karar verme
mekanizmalarında efektif olarak kullanmak, ilgili ticari kuruluĢun temel yapı
taĢlarından olmalıdır.
b) Bilimsel, Mühendislik ve Sağlık Bakım Verileri: Günümüzde bilimsel
veriler, iĢ sahası verilerinden daha da karmaĢık hale gelmiĢlerdir. Buna ek
olarak, bilim adamları ve mühendisler uygulama sahası bilgilerini kullanarak
simülasyon ve sistem kullanımının arttırılması hedefindedirler.
c) Web Verileri: Internet ve web üzerindeki veriler hem hacim hem de
karmaĢıklık olarak hızla artmaktadır. Sadece düz metin ve resimden baĢka
akan (streaming) ve nümerik veriler de web verileri arasında yer
almaktadır.[8]
Bunların dıĢında da veri madenciliğinin faydalı olabileceği ve kullanılabileceği
sahalar Ģunlar olarak özetlenebilir.
a) Perakendecilik – marketçilik
b) Bankacılık
c) TaĢımacılık / UlaĢım / Konaklama
d) Eğitim Öğretim
13
e) Finansal Servisler
Veri Madenciliğini Etkileyen Eğilimler
Temel olarak veri madenciliğini 5 ana harici eğilim etkiler:
a) Veri: Veri madenciliğinin bu kadar geliĢmesindeki en önemli etkendir. Son
yirmi yılda sayısal verinin hızla artması, veri madenciliğindeki geliĢmeleri
hızlandırmıĢtır.
Bu
kadar
fazla
veriye
bilgisayar
ağları
üzerinden
eriĢilmektedir. Diğer yanda bu verilerle uğraĢan bilim adamları, mühendisler
ve istatistikçilerin sayısı hala aynıdır. O yüzden, verileri analiz etme
yöntemleri ve teknikleri geliĢtirilmektedir.
b) Donanım: Veri madenciliği, sayısal ve istatistiksel olarak büyük veri
kümeleri üzerinde yoğun iĢlemler yapmayı gerektirir. GeliĢen bellek ve iĢlem
hızı kapasitesi sayesinde, birkaç yıl önce madencilik yapılamayan veriler
üzerinde çalıĢmayı mümkün hale getirmiĢtir.
c) Bilgisayar Ağları: Yeni nesil internet, yaklaĢık 155 Mbits/sn lik hatta belki de
daha da üzerinde hızları kullanmamızı sağlayacak. Bu da günümüzde
kullanılan bilgisayar ağlarındaki hızın 100 katından daha fazla bir sürat ve
taĢıma kapasitesi demektir. Böyle bir bilgisayar ağı ortamı oluĢtuktan sonra,
dağıtık verileri analiz etmek ve farklı algoritmaları kullanmak mümkün
olacaktır. Bundan 10 yıl önceki bilgisayar ağları teknolojisinde hayal
14
edemediklerimizi
artık
kullanabiliyoruz.
Buna
bağlı
olarak,
veri
madenciliğine uygun ağların tasarımı da yapılmaktadır.
d) Bilimsel
Hesaplamalar:
Günümüz
bilim
adamları
ve
mühendisleri,
simülasyonu bilimin üçüncü yolu olarak görmekteler. Veri madenciliği ve
bilgi keĢfi, bu 3 metodu birbirine bağlamada önemli rol almaktadır: teori,
deney ve simülasyon.
e) Ticari Eğilimler: Günümüzde ticaret ve iĢler çok karlı olmalı, daha hızlı
ilerlemeli ve daha yüksek kalitede servis ve hizmet verme yönünde olmalı,
bütün bunları yaparken de minimum maliyeti ve en az insan gücünü göz
önünde bulundurmalıdır. Bu tip hedef ve kısıtların yer aldığı iĢ dünyasında
veri madenciliği, temel teknolojilerden biri haline gelmiĢtir. Çünkü veri
madenciliği sayesinde müĢterilerin ve müĢteri faaliyetlerinin yarattığı fırsatlar
daha kolay tespit edilebilmekte ve riskler daha açık görülebilmektedir.[9]
2.2.5 ETL(Extract, Transform, Load)
ETL için verinin veri ambarına girmediğinden önce istenilen formata
sokulduğu süreç demiĢtik peki nedir bu süreç ona bir göz atalım.
Extract(Çıkart) ; Veriyi kaynak sistemden alma.
15
Transform(Dönüştür) ;
Verinin kaynak sistemden alındıktan sonra belirli
dönüĢümlerin geçilmesi iĢlemidir.
Load(Yükle) ;
DönüĢüm
tamamlandıktan
sonra
verilerinin
sisteme
yüklenmesidir.
Eğer bir tablo ile açıklayacak olursak;
ġekil 2 Karar Destek Sistemi ġeması
Veri tabanından veri ambarına gidecek veriler alınır ETL sürecinden geçip Veri
Ambarına girer, Veri ambarından karmaĢıklıktan korunmak için ve analizi
kolaylaĢtırmak için veriler Data Mart'lara bölünür ardından veri OLAP sunucuya
aktarılır ardından ise çok boyutlu analizler yapılmasına imkân sağlanmıĢ olur.
1.3 Karar Destek Sisteminin Uygulama Alanları
Karar destek sistemleri problemlere en iyi çözüm, analizlerde maksimum
sonuç ve en mantıklı kararlara ulaĢılabilmesi için yani hedefin tam olarak belli
olması için bazı uygulama alanları vardır. Bunları Ģöyle sıralayabiliriz;
16
1.3.1 Klinik Uygulamalar ve Laboratuvar Uygulamaları;
Bu gruptaki uygulamalarda, toplanan klinik veriler üzerinde yapılan iĢlemler
ile
uzmanların
sağlık
konusundaki
kararları
toplanan
veriler
ıĢığında
kolaylaĢması hedeflenir. Bu sistemlerin hiçbirisi tam otomatize değildir, yani
kararın, neticede bir uzman tarafından verilmesi hedeflenir, ancak karara destek
sağlayabilecek ön iĢlemeler bu karar destek sistemleri tarafından yapılır. Bu
gruptaki uygulamalar karar aĢamasında son rolü kesinlikle oynamazlar. Bu
sistemler hekimlere, hastalara ait özel klinik bilgileri dikkate alarak karar
verebilmelerine yardım eder. Klinik ve laboratuvar uygulamaları, sağlık bakım
hizmetlerinin kalitesini geliĢtirme, hastalıkları erken teĢhis etme, uygulanan
medikal hataları engelleme ve maliyetlerin azalması konusunda büyük faydalar
sağlayabilir.
Klinik ve Laboratuvar uygulamaları üç baĢlık altında incelenebilinir;
Bilgi yönetimi için araçlar;
Bilginin depolanması ve gerekli olduğu anca bilgiyi geri çağırmak için
altyapıyı sağlayan sistemlerdir. Veri ambarından sorumlu verilerde diyebiliriz
aslında.
Sağlık
kuruluĢlarında
bilgi
yönetimi
geliĢmiĢ
iĢ
istasyonlarıyla
gerçekleĢtirilir. Bu istasyonlar bilginin depolanması ve istenildiği takdirde geri
çağrılması için gerekli altyapıyı oluĢturur.[10]
17
Uyarı ve dikkatin bir alana odaklanması için sistemler;
Kullanıcıların problemlerini ve teĢhis yöntemlerini hatırlamaları için dizayn
edilen sistemler. Örnek vererek açıklayacak olursak Eczacılık karar destek sistemleri;
muhtemel ilaç etkileĢimleri ile ilgili uyarılar vererek kullanıcıların dikkatini bu alana
vermesini sağlarken, Laboratuvar karar destek sistemleri; normal değerleri belirler
anormal bir durumda bizi uyararak dikkatimizi bu noktaya çeker
Uzman sistemler;
Hastaların özel bilgilerine dayanarak tavsiyeler ve değerlendirmeler sunan
sistemlerdir. Temel olarak karar teorisine ya da maliyet-fayda yaklaĢımına dayanarak
dayanan bir mantıkla hareket eder. Bazen de problemlerin çözümü için sayısal
yaklaĢımlardan yararlanabilir.
Klinik ve Laboratuvar uygulama örnekleri;
Ġlk zamanlardan beri bilgisayarların teĢhis iĢlemlerinde kullanılarak sağlık
profesyonellerine yardım etmesi ön görülmüĢ ve bu konu hakkındaki ilk makaleler
1950’li yıllarda yayınlanmaya baĢlamıĢtır. Ġlk dönem bilgisayarlı medikal servisler
hasta servislerinin kalitesini geliĢtirme, hastaların teĢhis ve tedavisine yardım etmek
için gerekli olan anlamlı verilerin elde edilmesi ve mevcut sınırlı kaynaklardan daha
verimli faydalanma yolları belirlenmesi düĢüncesiyle geliĢtirilmiĢtir. Daha sonra ise
18
hastalıların teĢhisine yönelik sistemler ağırlık kazanmaya baĢlamıĢ ve “Klinik Karar
Destek Sistemleri” ortaya çıkmıĢtır. Bunlardan bazıları;
DeDOMBAL’ın LEEDS ABDOMİNAL Ağrı Sistemi
1960’ların
sonunda
De
Dombal
ve
yardımcıları
Leeds
Üniversitesinde, Bayesian olasılık teorisinden faydalanarak, abdominal(karın
bölgesi) hastalıklarla ilgili belirti sürecini inceleyen, bilgisayar temelli karar yardımı
sistemi
geliĢtirdiler.
Sistem
binlerce
hastalardan
edinilen
nitelikli
veriler
doğrultusunda farklı koĢullarda farklı sonuçların ne olacağı üzerine yorumlar
yapmaktaydı. Sistem duyarlılık ve hassasiyet özelliklerini kullanarak hastalığın
yaygın çeĢitli iĢaretlerini, belirti, bulgu ve test sonuçlarına dayanarak yaptığı
hesaplamalarda ani ağrılarda muhtemel yedi hastalığın teĢhisini koyuyordu[11]
DxPLAİN
Tanımlama karar destek sistemi olarak nitelenen Dxplain, verilen klinik
bulgularla yola çıkarak olası tanıları belirlemektedir.
Ayrıca kullanıcılar herhangi bir bulgunun belirli bir hastalıkta görülme
sıklığını, ya da verilen bir bulgunun varlığında herhangi bir hastalığın görülme
sıklığını sorgulayabilmektedir.
19
Sonuç
olarak
klinik
amaçlı
karar
destek
sistemlerinde,
sağlık
profesyonellerine yönelik bir yardım söz konusu olduğu kesin ancak kesinlikle son
kararı verme bu sistemin iĢi olarak kabul edilemez son karar her zaman sağlık
profesyonellerine aittir sistem sadece sağlanan bulgular ıĢığında yardımcı bir karar
sunar. Bununla birlikte bilgisayar destekli karar sistemlerinin sağlık sektörüne
giriĢinin diğer ve en önemli amacı direkt ya da dolaylı yoldan insanların bir noktada
kobay olarak kullanılmasının engellenmek istenmesidir.
Bu sektörde bu sistemin kullanılması sağlık sorunların çözümü konusunda büyük
mesafeler alınmıĢtır. Erken teĢhisi daha verimli hale getirmiĢ, tedavi süreçlerini daha
verimli hale getirmiĢ ve ölüm oranlarını düĢürerek sağlık düzeyinde tam anlamıyla
çığır açmıĢtır diyebiliriz.
1.3.2 Finans / Risk uygulamaları
Bu gruptaki uygulamalarda, finans ve bankacılık sektöründeki çeĢitli problemlerin
çözümü hedeflenir. Örneğin sigorta poliçelerinin risk hesaplaması veya bankacılık
kredi risk hesaplamasının veya yatırım stratejilerindeki risk hesaplamasının
yapılmasına yardımcı DSS’ler geliĢtirilir.
ĠĢletmelerin yönetimi ile ilgili kararların bilimsel bir Ģekilde alınabilmesi amacıyla
finansal bilgilere önemli ölçüde gereksinim duyulmaktadır. Finansal bilgilerin
üretilebilmesi amacıyla, finans karar destek sisteminin kurulması gerekmektedir.
Finans karar destek sisteminin üreteceği bilgiler finansal planlama, finansal durum
analizi, fon yönetimi ve denetim gibi bilgiler olacaktır. Finans karar destek
20
sisteminin üreteceği bilgilerden finansal yönetim kararları yanında stratejik yönetim
ve pazarlama yönetimi, üretim, insan kaynakları gibi iĢlevsel yönetim alanları ile
ilgili kararların desteklenmesi amacıyla da yararlanılabilir.[12]
ĠĢletmelerde üst yönetim ve baĢta finans bölümü olmak üzere tüm iĢlevsel bölümler
faaliyetlerini etkin olarak yürütebilmek amacıyla finansal bilgilere gereksinim
duyarlar. ĠĢletmenin gereksinimi olan bu bilgiler bütçe, finansal tablolar, maliyet
bilgileri, nakit tabloları, sermaye harcamaları analizleri, iç denetim raporları vb.den
oluĢmaktadır. Söz konusu bilgilerin üretilmesi finans karar destek sistemi ile
mümkün olacaktır. Finans karar destek sistemi iĢletmenin ayrık karar destek
sistemlerinden birisidir.
Finans karar destek uygulamalarını anlamak için bir Ģirketin sürekliliği ve finansal
boyutlarda iĢleyiĢi hakkında bilgiler edinmeliyiz
İşletmelerde Finansal Yönetim
Finansal yönetim iĢletmenin gereksinim duyduğu fonların elde edilmesi ve
bunların firma değerini maksimize edecek projelere yönlendirilmesi ile ilgili
faaliyetlerin tümüdür. Firma değerini maksimize etme hisse senedi sahiplerinin
servetini maksimize etme anlamına gelmektedir. Söz konusu amacı gerçekleĢtirmede
nakit akıĢı, nakit akıĢlarının zamanlanması ve risk alma belirleyici bir rol
oynamaktadır. Alınan risk ne kadar büyükse beklenen nakit akıĢı da o kadar büyük
olacaktır. ġirketin firma değerini, dolayısıyla hisse senedi fiyatlarını etkileyen
21
rekabet faktörleri sektöre yeni iĢletmelerin girme olasılığı, ikame ürünlerin pazara
giriĢ olasılığı, alıcıların pazarlık gücü, satıcıların pazarlık gücü ve mevcut rakipler
arasındaki rekabet düzeyidir. Firma değerini etkileyen genel faktörler ise ekonomik
çevre faktörleri, yönetimin kontrol edebileceği politika kararları, beklenen nakit
akıĢlarının miktarı, zamanı ve risk düzeyidir. Faiz oranları, yatırımcı iyimserliği ve
tahmini enflasyon oranı iĢletme yönetiminin yönetim politikası kararlarını
etkileyecektir. Bu kararların finansal yönetimle ilgili olanları yatırım stratejileri,
Ģirketin hukuki stratejisi, sermaye yapısı, iĢletme sermayesi yönetimi ve kar payı
dağıtım politikalarıdır.[13]
İşletmelerde Finansal Yönetimin Bilgi Gereksinimi
ĠĢletmenin finansal bilgi gereksinimleri Ģöyle sıralanabilir;
-Uzun ve kısa vadeli kar planları,
-ĠĢletme ve bölüm bazında düzenlenmiĢ finansal tablolar,
-Nakit akımı bilgileri,
-GerçekleĢen ve proforma sonuçları gösteren departman bütçeleri,
-Ürünlere göre maliyet muhasebesi verileri,
-Programlanan ve gerçekleĢen araĢtırma geliĢtirme giderleri,
-Ürün karlılık etütleri, dağıtım maliyeti analizi ve çeĢitli gider ve harcama
-Raporlarını kapsayan özel finansal analizler,
22
-Geçici yatırım ve iĢtirak amacıyla elde bulundurulan menkul değerlerle ilgili
incelemeler,
-ĠĢgücü etkinlik raporları,
-Ġç denetim raporları,
-DıĢ çevre ile ilgili finansal, istatistiksel ve politik veriler.[14]
ĠĢletmede gereksinim duyulan söz konusu finansal bilgiler finans karar destek
sisteminden elde edilebilir.
Finansal Karar Destek Sisteminin Kurulması
Finans karar destek sistemi iĢletmelerin finansal kaynaklarının sağlanması, bu
kaynakların iĢletme varlıklarına yatırımı ve tüm finansal faaliyetlerin kontrolü
kararlarını destekleyen bilgisayar destekli bir karar destek sistemidir.
Finans karar destek sisteminin önemli alt sistemleri muhasebe, yatırım projelerinin
değerlendirilmesi, finansal tahmin, kasa ve hisse senetleri alt karar destek
sistemleridir. Finans karar destek sistemi finansal yönetime, üst yönetime ve diğer
iĢlevsel bölümlere finansal planlama, finansal raporlama ve finansal iĢlem desteği
verir. Finans bölümü söz konusu bilgileri kullanarak finansal kararları daha bilimsel
ve tutarlı olarak alabilir.
Finans karar destek sisteminin geliĢtirilmesine bordro, alacaklar, borçlar, gider ve
gelir muhasebesi uygulamaları ile baĢlanılır. Kredi politikası analizi, bütçe hazırlama
ve kontrolü ve nakit akıĢ analizi gibi karar yönelimli uygulamalar söz konusu
muhasebe uygulamaları esas alınarak inĢa edilir. Bu aĢamalar sırasında bir veya iki
23
çok özel dosyayı kapsayan programlar geliĢtirilir. Daha sonra master plan
geliĢtirilerek bu dosyaların organizasyonu gerçekleĢtirilir. Böylece bütünleĢik veri
temeli elde edilmiĢ olur. Master plan aynı zamanda iĢletme sermayesi planlaması,
fon elde etme, kontrol sistemi gibi bütünleĢik uygulamaları yaratmaktadır.
Modellerin farklı iĢletme stratejileri geliĢtirmede ve değerlendirmede önemli olması
nedeniyle model bankaları oluĢturulur. Stratejik planlama düzeyine doğru
yaklaĢılırken finansal planlama, finansal politika oluĢturma, borçlanma ve borç
politikası oluĢturma uygulamaları önemli olmaktadır[15]
Finans karar destek sisteminin ürettiği bilgilerin gelecek yönelimli olması nedeniyle
doğruluk derecesi tam olmamaktadır. Bunun nedeni tahminlerin % 100
doğruluğunun zor olmasıdır.
Finans karar destek sistemi planlama ve kontrole ağırlık vermektedir. Bu nedenle
finans karar destek sistemi bütünleĢik karar destek sistemine ve diğer ayrık karar
destek sistemlerine önemli derecede bağlı olmaktadır.
Finans Destek Sistemi Başarı Koşulları
Finans karar destek sisteminin baĢarısını belirleyecek olan ilkeler uygun maliyet,
raporlama, insan etkeni, örgüt yapısı, esnek olma, açık ve anlaĢılabilir olma ve veri
biriktirme ve iĢleme ilkeleridir. Uygun maliyetlerin analiz edilip saptanması büyük
bir sorundur.
Finans karar destek sisteminde kurulmasında iki türlü maliyet sorunu ortaya
çıkacaktır; görünür maliyetler ve görünmeyen maliyetler. Maliyet analizi uygun
maliyeti ortaya koyacaktır ve Ġçe ve dıĢa yönelik etkin bir raporlama finans karar
24
destek sisteminin ilkelerindendir.
Sistem ayrıca açıkça tanımlanmıĢ bir örgüt yapısı içinde iĢlev görecek Ģekilde
geliĢtirilmelidir. Sürekli geliĢme tüm açık sistemlerde olduğu gibi finans karar destek
sistemi için de gereklidir.
Sözünü ettiğimiz koĢullara uygun olarak kurulan ve yönetilen finans karar destek
sistemi sürekli değiĢim içinde olan iĢletmenin finansal bilgi gereksinimini karĢılama
yeteneğine sahip olacaktır. Aksi takdirde sistem yetersiz, zamansız ve anlamsız
bilgiler üretecek ve dolayısıyla iĢletme için istenilen yarar sağlanamayacaktır.
TUSAŞ A.Ş'de Finans Karar Destek Sistemi Uygulaması
ĠĢletmede finansman ile ilgili faaliyetler Mali ve Ġdari ĠĢler Direktörlüğü'ne bağlı
muhasebe müdürlüğü bünyesindeki bütçe ve nakit yönetimi uzmanları tarafından
yürütülmektedir. Bütçe ve nakit uzmanları genel muhasebe alt sisteminden ve
iĢletmenin diğer bölümlerinden elde ettikleri bilgileri bütçe hazırlama ve nakit
yönetimi amaçlarıyla kullanmaktadır.
Nakit yönetiminde günlük nakit giriĢ ve çıkıĢları takip edilmekte, sonuçları haftalık
olarak yönetime sunulmaktadır. Bu sonuçlara göre gereksinim fazlası nakdin
değerlendirilmesi için alternatif planlar hazırlamakta ve uygulanmaktadır.
TUSAġ A.ġ'de nakit yönetimi finans karar destek sisteminin desteği ile
gerçekleĢtirilmekte, "Borçlar" ve "Alacaklar" hesaplarına iliĢkin bilgiler kullanılarak
25
atıl fonların repo ile değerlendirilmesine çalıĢılmaktadır.
Aylık sipariĢ miktarlarının sık değiĢmesi, kullanılan hammaddelerde sürekli
konfigürasyon değiĢikliği yapılması ve stokların atıl duruma düĢmesi gibi durumların
maliyeti arttırması nedeniyle JIT (Tam Zamanında Üretim) sistemine geçilmiĢtir.
Kullanılan finans karar destek sistemi sayesinde kullanılan geliĢmiĢ bilgisayar ağı ve
eğitilmiĢ personel yardımıyla her yıl yapılan fiziksel sayımlarda gerek atölyedeki
gerekse ambarlardaki parçalara ait kayıtlar % 99,9 doğrulukta çıkmaktadır. Malzeme
emniyet stok seviyesine düĢtüğünde kritik parça raporlarında görülmekte ve hemen
sipariĢ verilmektedir
Sonuç olarak; finans karar destek sistemi iĢletmenin finansal bilgi gereksinimini
sağlayan karar destek sistemleridir. Finansal bilgiler üst yönetici ve tüm iĢlevsel
yöneticiler tarafından da ihtiyaç duyulan bilgilerdir. Bu bilgilerin sağlıklı bir Ģekilde
üretilmesi etkin bir finans karar destek sisteminin kurulması ile olurludur.
Günümüz iĢletmeler arasındaki rekabet oldukça yüksek olduğundan dolayı her
kararın çok büyük önemi vardır. ĠĢ konusundaki verilen her karar iĢ iĢleyiĢini bir
Ģekilde etkiler her kararın bu kadar önemli olduğunu düĢünürsek ve aynı zamanda
her iĢletmenin amacının finansal bir durum olduğunu düĢünürsek finansal kararları
belirlemede Finans karar destek sisteminin önemini anlamıĢ oluruz
26
1.3.3 Tarım Karar Destek sistemi
Öngörü ve risk hesaplamaları esasına dayanarak yine tarıma özel bazı verileri
toplayarak ön iĢlemeden geçirir ve karar verilmesine yardım eder.
Mesela belirli bir toprak bölümü almak istiyorsunuz fakat tarıma ne kadar elveriĢli
bir durumda olduğundan tam emin değilsiniz sizin kararınıza destek olarak Tarım
karar destek sistemleri devreye girebilir.
Daha seneler öncesinden toprak üstündeki yaĢanmıĢ verileri analiz edip size ne kadar
karlı bir yatırım yapıp yapmayacağınıza yardımcı olabilir. Tarıma özel toplanmıĢ
bazı verileri analiz eder, daha önceki durumlarını sizin istediğiniz durumlarla
karĢılaĢtırıp aynı zamanda yan etkenleri de devreye sokup sizin vereceğiniz karara
yardımcı olabilir.
Ya da Ģu boyutta düĢünebiliriz satın almayı değil de bize ait olan bir tarım
bölümünün geçmiĢ analizleri yapılıp istenilenlerle karĢılaĢtırıldığında farklı ekip
biçme
durumlarına
yönelebilir
bazen
de
hiç
ekip
biçme
durumlarına
yönelmeyebilirsiniz
Bir sonuca bağlamamız gerekirse; Topraklarımızın etkili kullanımı ve aynı zamanda
kar-zarar açılımını etkili analiz edebilme açısından Tarım destek sistemleri önemli
rol oynar.
Ayriyeten karar destek sistemleri Yer-bilim çalışmalarında kararları vermede
yardımcı olması için kullanılabilir.
27
Yer-bilim çalışmalarına örnek vermek gerekirse; yer altı madenlerinin konum
tahmini, yapılan kazı çalıĢmalarının yüzey etkisinin hesaplanması, deprem ve deprem
sonrası oluĢabilecek hasar tahmini gibi çeĢitli alanlarda karar destek sistemlerinden
yararlanılabilinir. Bu tarz durumlarda DSS kullanarak olası kazalardan ya da yanlıĢ
seçimlerden ve hatta gereksiz zaman kaybından olabildiğince kaçabiliriz. Örneğin bir
maden tespiti için DSS kullanılmadığını düĢünün doğruluğunu(Belirli bir noktada),
kazım iĢlemleri için toprağın yapısına bağlı doğru ekipmanı, doğru ekibi ve ardından
doğabilecek olası kazaları yalnızca yaĢayarak öğrenebilirdik.
1.4 Karar Destek Sistemi Avantajları
Bu bilgiler ıĢığında aklımızda beliren sorulardan biri de “Neden karar destek
sistemi kullanmalıyım?” dır. GeçmiĢten günümüze tüm piyasalarda süren yoğun
rekabete ortak olmak ve o piyasa içinde kalabilmek adına her kararın önemi
büyüktür. KuruluĢun ilk açıĢından itibaren kuruluĢun kaderi bir nevi alınan kararlar
arkasında gizlidir. Sorumuzun cevabını Ģu Ģekilde verebiliriz; KuruluĢun her kararı
geçmiĢe, geleceğe, iĢleyiĢe ve getiriye göre verilir. Bu analizi bizim kendi baĢımıza
vermemiz sayfalarca dosyalanmıĢ evrakların içinde bulunan veri yığınları içinde
kaybolmamıza sebep olur ki sağlıklı bir sonuç elde edileceği meçhul olur. Eğer bu
veri yığınları daha önceden bir sisteme göre depolanmıĢ ve her depolanma esnasında
gerekli analizler yapılmıĢ olsaydı sistemli iĢleyiĢ sürecek ve kararların verilmesi
kolaylaĢacak sonucunda ise mantıklı ve tabiri caizse sağlıklı karar alınacaktır.
Karar destek sisteminin avantajları;
28

Kişisel verimliliğin arttırılması: Bir noktada herkes kendi iĢindeki
geleceğini önemser ve bundan dolayı olarak iĢindeki geleceği kendi
performansına bağlı olduğundan verimli bir iĢ sunmalıdır. Verimli bir iĢ
verimli ve mantıklı kararlarla sunulur.

Karar verme sürecinin hızlandırılması: Zaman sadece iĢ olarak değil
hayatımızdaki en önemli Ģeydir ve her iĢletme iĢlerinin hızlı bir Ģekilde
halledilmesinden yanadır. En çok zaman kaybedilen durumlar ise Karar
verme süreçleridir. ĠĢletmenin geleceğini riske atmaktan herkes kaçınır. ġöyle
bir örnek verelim; ġirketiniz bir yatırım yapmaya hazırlanıyor fakat iki ayrı
yatırım tercihi var. Ancak biri için ayrılmıĢ bütçe mevcut analizler yapılmaya
baĢlanıyor yatırımın bu zamana geliĢi, ödenmesi gereken para, yatırımın
periyodik olarak getirisi, risk durumları, olası ortaklık durumları vb.
durumların analizi sadece kiĢiler tarafından sağlanmaya çalıĢılırsa o iki
yatırımda analizler bitmeden rakip Ģirketlere kaptırılmıĢ olur.

Karar vericinin bilgiye erişimini ve kavrama aşamasını hızlandırma ve
geliştirme; Veri yığınları içinde kaybolmak yerine daha önceden sistemli bir
Ģekilde depolanmıĢ bilgileri kolayca ulaĢılabilir.

Sınanan alternatif sayısında artış; Göz önünde bulunmayan çoğu Ģeyin
dikkatinin sağlanması, tek baĢımıza yaptığımız analiz verilerinin çok daha
fazlasını görmemize imkân sağlar.

Beklenmedik durumlarda hızlı cevap; Diyelim ki kuruluĢumuz aniden bir
problemle karĢı karĢıyayız veri toplamak için analiz etmek için hiç
zamanımız yok hemen bir karar sunmalıyız bunu bize sunabilir.
29

Veri kaynaklarını daha iyi kullanma; Aranılan ya da analiz edilen bir
veriye ulaĢmanın en iyi yolu eldeki bulunan kaynakları doğru kullanmaktan
geçer.

Performans artışı için yenilikçi uygulamaların geliştirilmesine yardım
etmesi

Rekabet ortamlarında stratejik rekabet üstünlüğünün elde edilmesi

En etkili-mantıklı Kararın alınması
Bu bilgiler sonucunda bir Karar destek sistemi olan konumuz ĠĢ Zekâsı “Neden
ortaya çıkmıştır?”, “Neden İş Zekâsı Kullanmalıyım”, “İş Zekâsını nasıl
uygularım?”, ”Ne tür şirketler bu sistemi kullanır?” vb. sorulara cevaplar bulalım.
1.1.1 İş Zekâsı(BI) Nasıl ve Neden Ortaya Çıkmıştır?
Kurumlar gün geçtikçe daha fazla veri depolarlar. Depolanan veri kümeleri
içinde bir veriye ulaĢmak ve veriyi analiz etme zorluğu göz önüne alınıp Karar
destek sistemleri kullanılmaya baĢlanmıĢtır.
Karar vermenin önemi bir kurum adına düĢünülürse paha biçilemez bir
durumdadır. ĠĢ dünyasındaki ortam oldukça karmaĢık hale gelmiĢtir ve bu
karmaĢıklık kurum için hayati önem taĢıyan kararların alınması daha da
zorlaĢtırmıĢtır. Bu durum kararların yeni bir usul ile çoğunlukla grup ortamlarına
alınmasını gerektirmiĢtir. Takım çalıĢması ve grup kararı alma bütün karar alma
30
iĢlemleri içerisinde en önemli kriterler haline gelmiĢtir. Bununla beraber karar destek
sistemleri geliĢmiĢtir. [16]
Karar destek sistemlerinin geliĢmesi son karar kullanıcısı diye tabir ettiğimiz
kuruluĢtaki en son kararı vermekle yükümlü olan kiĢilere karar konusunda yardımcı
olmakla kalmayıp farklı bakıĢ açıları, daha iyi organize olma, probleme uygulanan
farklı analizler vb. gibi bir sürü yenilik katıp mantıklı yönde geliĢen stratejiler
sunmuĢtur.
BambaĢka boyutlara ulaĢan karar destek sistemleri uygulanan analizlerle ve
algoritmalarla hemen hemen her konuda son kullanıcıya büyük katkı sağlamıĢtır.
Bu noktada her Ģey yolunda gibi gözükse de bir problem açığa çıkıyor. Karar destek
sistemleri sadece yöneticiye yönelik sistemler olduğundan ötürü yöneticinin alt
paydaĢları hiç sisteme katmayan bir sistem olduğu için alt paydaĢlarında dâhil olması
gerektiği yerlerde çoğu zaman karar destek sistemleri yetersiz kalıyordu. Bu sebeple
baĢka bir sisteme baĢka bir karar destek sistemine ihtiyaç vardı alt-üst yöneticilerinde
sisteme dâhil olacağı, tedarik zinciriyle bağlantılı, ya da müĢteri profilleriyle de
bağlantılı bir sisteme ihtiyaç vardı.
Bunun adı ĠĢ Zekâsı(Business Intelligence) olacaktı.
ĠĢ Zekâsı uygulamaları daha çok kurumların raporlama araçlarının yetersiz kaldığı
durumlarda ortaya çıkar. Uygulama geliĢtirilirken raporlama araçları da eklenir,
zaman ilerledikçe veri artar ve farklı kaynaklardan veriler alınmaya baĢlanır. Bu
durumda raporlar yetersiz kalır ve iĢ zekâsı çözümlerine ihtiyaç olur. Diğer yandan
farklı uygulama ve veri tabanlarından veri alan kurum sistemlerinde veriyi
iliĢkilendirerek anlamlandırma noktasında iĢ zekâsı çözüm getirir. Raporlama
31
süreçlerinde karar destek mekanizmaları, veri madenciliği, veri ambarı araçları da
kullanılmaktadır.
ĠĢ Zekâsının ortaya çıkmasındaki nedenlerinden biri globalleĢen dünyadaki artan
rekabet oranıdır. Dünyanın bir ucundaki bir kurumda gerçekleĢen ekonomik geliĢme
baĢka bir ülkenin ekonomisini altüst edebilmektedir. Tüm kurumlar böyle rekabet
dolu bir ortamda çalıĢırken risk unsuru ortaya çıkar. GeliĢmelerin gerisinde
kalmamak için çok daha hızlı ve doğru karar vermek zorunda kalıyorlar. Sonuç
olarak; birim zamanda verilmesi gereken karar sayısında çok büyük artıĢ
olmuĢtur.[17]
Zamanla bazı etkenler sayesinde ĠĢ Zekâsı kullanımı ve kullanım alanları
geniĢlemiĢtir. Bu etkenler; Donanımın ucuzlaması, araçların geliĢmesi, sıfır maliyetle
deneme Ģansı, algoritmaların yaygınlaĢması, bilgi birikiminin yaygınlaĢması vb.
etkenler piyasada etkili oldukça iĢ zekâsı kullanımı aĢikâr hale gelmiĢtir. Bu sistemi
kullanmayan yöneticiler ya da iĢ sahipleri piyasada kullananlar kadar etkili olamayıp
pazarda büyük düĢüĢ yaĢamaya baĢladılar. Bunun farkına varıldıktan sonra ise her
iĢletmede ĠĢ zekâsı kullanımı yönetici tarafından kullanılması zorunlu hale geldi.
1.1.2 İş Zekâsı Tarihçesi
Bilginin saklanması ve depo edilmesi sadece günümüz insanlarının
düĢündüğü bir Ģey değildi. Bilgisayarların insanların hayatına tam olarak girmesiyle
birlikte verilerin depolanmasında devrim yarattı
32
Carneigie Institute of Technology’de 1950-1960 yıllarında yapılan teorik
organizasyonel karar verme çalıĢmaları ve Massachusetts Institude of Technology’de
1960’lı yıllarda yapılan etkileĢimli bilgisayar sistemlerinde teknik iĢ çalıĢmaları,
karar destek sistemleri ve iĢ zekâsı alanları içinde öncülük eden ilk çalıĢmalar olarak
tarihe geçmiĢtir.
Dönemin biliĢim dünyasındaki en güçlü kurumu olan IBM çalıĢanlarından Hans
Peter Luhn 1958 yılındaki makalesinde ĠĢ Zekâsı terimini kullandı. O; zekâyı,
istenilen hedeflere doğru ilerlemek için aksiyon klavuzu gibi bir yöntem içinde
sunulan gerçeklerin biribirleriyle iliĢkisini kavrama yeteneği olarak tanımladı. ĠĢ
zekâsının Ģimdiki tanımlamalarından çok uzak sayılmaz aslında "Hedef" diye tabir
edilenin "Bilgi" , "aksiyon klavuzu" tabirini, "yazılım içinde bulunan çeĢitli sorgu
teknikleri", "gerçekler" tabirini ise "veri" olarak düĢünürsek büyük bir anlam
karmaĢasını ortadan kaldırmıĢ oluruz.
Bugün ki bildiğimiz iĢ zekâsının 1960’da baĢlayan ve 1980’lerin baĢından ortasına
kadar geliĢen karar destek sistemlerinden geliĢtiği söylenebilir. DSS planlama ve
karar vermeye yardımcı olmak için oluĢturulmuĢ bilgisayar destekli modellerden
türetilmiĢtir. 1980’lerin sonunda DSS’den veri ambarları, çalıĢtırılabilir bilgi
sistemleri ve iĢ zekâsı ortaya çıkmıĢtır. 1989 yılında Howard Dresner iĢ zekâsını bir
şemsiye dönemi olarak tanımlamak için gerçek tabanlı destek sistemleri kullanarak iĢ
için karar vermeyi geliĢtirmeye yarayan metotlar ve kavramlar olduğunu söylemiĢtir.
1990’ların sonuna kadar bu kullanım yaygın değildi.
1983 yılında ilk hesap çizelgesi olan “Lotus” piyasaya sürüldü bu geliĢim ile ortaya
çıkan hesaplama tabloları, kiĢisel bilgisayarları, kullanıcıların kendi analiz ve
33
hesaplarını yapabilecekleri Ģekilde güçlendirdi. Her ne kadar devrim niteliği taĢısa da
bir problem daha kalmıĢtı veriye eriĢim hızının düĢük olması
1984 yılının sonlarında istemci – sunucu fikri doğdu bu fikrin temelinde verinin
olması gerektiği yerde saklanması düĢüncesi vardı. Çünkü veriler baĢka
bilgisayarlarda farklı formatlarda saklandığında söz konusu olan kaynaktan verinin
aktarımı maliyetli oluyordu. Zamanla veri tabanlarında standartlaĢma zorunlu hale
geldi. Bu standartlaĢtırma çalıĢmaları, iĢ zekâsı teknolojisi için zemin hazırlamıĢ
oldu.
Tarihler 1996’yı gösterdiğinde ĠĢ zekâsı konusunda öncülük eden Gartner Group’un
raporlarında Ģu Ģekilde kullanılmıĢtır; “2000 yılında ileri görüşlü kuruluşlar Bilgi
Demokrasilerine dönüşecek, İş zekâsı (BI) bilgileri ve uygulamaları bu kuruluşların
çalışanları, danışmanları, müşterileri, tedarikçileri ve kamuoyu tarafından geniş
çaplı olarak erişilebilir hale gelecektir. Rekabetçi bir piyasada başarıyı elde etmenin
anahtarı rakiplerin önünde yer almaktır. Doğru ve güncel bilgilere dayalı sağlam
işletme kararları yalnızca sezgilere dayanılarak alınamaz. Veri analizi, raporlama ve
sorgu araçları işletme kullanıcılarının bir bilgi deryasında bata çıka ilerleyerek
bunun içindeki değerli bilgileri bir araya getirmelerine yardım edebilir, günümüzde
bu
araçlar
hep
birlikte
“İş
zekâsı
değerlendirilmektedir.”
34
(BI)”
adı
verilen
bir
kategoride
1.1.3 Neden İş Zekâsı(Business Intelligence)
Kullanmalıyım?
Yöneticilerin kafalarında zamanla beliren soruya değinmek istiyorum; “Neden İş
Zekâsı Kullanmalıyım?” aslında cevabı çok basit piyasadaki kendi pazarınızın payını
elinizde tutup varlığınızı sürdürmek istiyorsanız kullanmalısınız.
BI, organizasyonların iĢletme ve müĢterileri bakımından nelerin olup bittiği hakkında
daha tutarlı ve ayrıntılı bir resim elde etmelerini sağlamaktadır. Bunu, maliyetlerin,
yükümlülüklerin, risklerin, müĢterilerin satın alma kalıplarının, tedarikçi maliyet
verimliliğinin vb. doğru bir Ģekilde değerlendirilmesine dayalı farklı yollarla
gerçekleĢtirebilir.
BI, organizasyonun en küçük parçalarına kadar görülebilmesini sağlayarak farklı
yönlerinin birbirleriyle iliĢkilendirilmesine yardımcı olmaktadır. Örneğin bütçeleri
ele alalım. Organizasyonlar gerçektekinden fazla paraya sahip olduklarını düĢerek
bütçelerinde ödeyebileceklerinden fazla yükümlülük altına girmeye ve bu nedenle
daha sonra ödeyemeyecekleri yükümlülüklerle karĢılaĢmaya yatkındır.
Hesap Çizelgelerinden oluĢturulan mali raporlar maliyet merkezi kodları karĢısında
harcamaları ve borçları gösterebilse de, bu rakamların derinlemesine araĢtırılması
yoluyla bunların nereden kaynaklandıklarının ortaya çıkarılması ve harcamanın
neden yapıldığı ile ilgili belirli bir fikre sahip olunması önemlidir. Örneğin harcama,
35
kaydedilen ilerleme ve bir sonraki adımda nelerin beklenebileceği karĢısında
değerlendirildiğinde Ģirketin tahmin yürüterek ilerideki faturalara hazırlıklı olmasını
sağlayacaktır.
Bu, özellikle Ģirketlerin giderlerini ve risklerini en aza indirmesini gerektiren kriz
zamanlarında önem kazanmaktadır. ġirketler ayrıca bu sayede tasarruflarını bilinçli
ve etkili bir Ģekilde planlayabilirler.
DüĢünün iki rakip Ģirket yapılan iĢ aynı ancak bir taraf BI kullanırken diğer taraf
kiĢisel sistem dıĢı analizlerle devamlılığını sürdürüyor. Bir noktada iki tarafında
yatırım yapmak isteyeceği bir durumla karĢı karĢıya gelinecektir. BI kullanan taraf
kendi sistemince bu yatırımı sorgulayıp kar-zarar çizelgesini görüp bir nevi yatırımın
geleceği ve daha önceden ne koĢullar geçirdiği hakkında bilgi sahibi olmuĢ ve son
karar(BI kullanıcısının vermesi gereken karar) aĢamasına gelmiĢken diğer taraf belki
de veri yığınları içinde gerekli bilgilere ulaĢmaya çalıĢıyordur. Buradan çıkarmamız
gereken sonuçları olası senaryolarla inceleyelim;
1. Eğer yatırım Ģirket açısından gerekli ve iyi bir yatırım olarak gözüküyorsa ve
son kullanıcını bunun kararını vermiĢse BI kullanan Ģirket kullanmayan
Ģirketten önce davranıp yatırımını yapmıĢ olur. Kullanmayan Ģirket geç
kalmıĢ olup ayriyeten yatırımını kaptırmıĢ olur.
2. Eğer yatırım Ģirket açısından gerekli değilse ve iyi bir yatırım olarak
gözükmüyorsa son kullanıcıda bunu Ģirket açısından iyi bir yatırım olarak
görmemiĢse BI kullanan Ģirket yatırımdan vazgeçer ve farklı yatırımlara
yönelir. Diğer Ģirket ise analizlerine baĢlar ve iyi bir yatırım olduğunu
36
düĢünüp Ģirketin yatırımı yapması söylenir. Yapılan yatırım sonucunda Ģirket
zarar edebilir, zaman kaybına uğramıĢ olabilir ve rakip Ģirket daha karlı bir
yatırım yapmıĢ olabilir. Yatırım iyi bir yatırımda olabilir sonuçta piyasada ne
olacağı belli değildir. Ancak yatırım karlı çıkması rakip Ģirkete bir darbe
vurmaz çünkü kaybedilen zaman dilimde BI kullanan Ģirket farklı bir
yatırıma yönelmiĢtir.
Ġki senaryoda incelediğimiz gibi Ģirketler açısından zaman ve yatırım çok önemlidir.
ġirket açısından düĢünülürse kaybedilen bir yatırım farklı yatırımlara yönelmek
adına zaman kaybıdır. Zarara uğranan yatırım ise kaybedilen Ģeyin sadece zaman
değil aynı zamanda maddi bazı sıkıntılara yol açmasıdır.
Neden mi BI kullanmalıyız çünkü piyasadaki pazarımızı kaybetmemek ve
rakiplerimize daha vaktimiz varken rakip olarak kalabilmek ve onlardan daha iyi
olmak için.
1.1.4 Hangi Şirketler İş Zekâsı(Business
Intelligence) Kullanır?
Bugün Ģirketlerin sahip olduğu en değerli Ģey ellerindeki veri. Ancak artık
hemen her Ģirket veriyi toplamayı baĢarmıĢ durumda. Bu noktada farkı sağlayacak
olan bu veriyi ne kadar iyi kullanabildikleri.
37
Bu nedenle, sahip olduğu veriyi rekabette avantaja dönüĢtürmek, rakiplerinden daha
hızlı ve daha akıllıca kararlar verebilmek ya da müĢteri memnuniyetini ve hizmet
kalitesini arttırmak isteyen bütün Ģirketler iĢ zekâsı uygulamalarını kullanıyor.
Bu noktada özellikle rekabetin yoğun olduğu telekomünikasyon, bankacılık ve
finans, sigortacılık, perakende, sağlık, taĢımacılık, seyahat, üretim gibi sektörlerin
yanı sıra verinin çok hassas ve hacim olarak büyük olduğu kamu sektöründe de
iĢ zekâsı uygulamalarının yoğun kullanımı söz konusu. Tüm bu sektörler iĢ zekâsı
çözümlerinin yoğun olarak kullanıldığı sektörlerdir.
Özellikle restoran zincirleri ve perakende mağazalar BI yazılımlarının en büyük
kullanıcıları. Restoranlar menülerine ekleyecekleri yeni ürünleri belirlemek gibi
stratejik kararları vermek için BI kullanıyor. Ayrıca hangi servislerin kaldırılacağı ya
da beklenilen performansı vermeyen dükkânların kapatılması gibi kararlar verilirken
de ĠĢ Zekâsı araçlarının sunduğu verilerden yararlanıyorlar.
Yiyecek tedarikçileriyle yeniden sözleĢme imzalama, verimli olmayan süreçlerin
geliĢtirilmesi için seçeneklerin belirlenmesi gibi taktiksel durumlarda da BI
kullanılıyor. Çünkü restoran zincirleri fazlasıyla operasyonlara bağlı ve BI onların
iĢlerini yürütürken çok fazla yardımcı oluyor. Restoran zincirleri diğer tüm
endüstriler arasında BI sistemlerinin gerçek değerinden faydalanan elit firmalar
arasında yer alıyor.
Sonuç olarak; Piyasalar içindeki yoğun rekabeti düĢündüğümüzde o rekabete hala
ortak olarak kalabilmeleri için bu tür sistemleri kullanmaları hemen hemen Ģart hale
geldi. Bu tür sistemler hemen hemen her sektöre uyarlanıp çoğu piyasa içinde
38
devamlılığını sürdürebildiği için BI kullanımı deyim yerindeyse yarıĢ içinde kalmak
isteyen her CEO’nun kullanabileceği bir sistemdir.
1.1.5 İş Zekâsı(Business Intelligence) Nasıl
Uygulanır?
Bir BI sistemi oluĢtururken önce dikkate alınması gereken karar verme
Ģekillerini analiz etmeli ve yöneticilerin daha hızlı ve emin bir Ģekilde karar
vermelerini sağlayacak bilgiyi dikkate alınmalıdır. Aynı zamanda yöneticinin bilgiyi
olduğu gibi değil yöneticinin istediği bir Ģekilde sunulacağı dikkate alınmalıdır. Yani
yönetici neye karar verecek ve hangi konu üzerinden karar verecek? Sorularına en
baĢından yanıt aranarak iĢe koyulmalıdır. Bu sorulara aranan yanıtlar hangi bilgilerin
toplanması ve ne tür analizler yapılmasına ıĢık tutacaktır. Ne istediğinize karar verin
sistemi ona göre konuĢlandırın bu önemlidir çünkü alakasız raporları almak
istemezsiniz.
Ġyi bir BI sistemi tüm detaylara ihtiyaç duyar. Yani Ģu an anki satıĢ durumu “A”
geçen yılın bu zamanı satıĢ durumu “B” yeterli değildir bu satıĢların oluĢumunda
etkisi olan-olmayan tüm faktörler önemlidir ve dâhil edilmelidir.
Kısaca anlatmamız gerekirse; Verilerinizin en iyi kullanılabilir halde olduğundan
emin olun, kullanıcıları etkin bir biçimde eğitin, en değerli bulduğunuz
raporları(getirisi en fazla olan) hemen sunun ve ince ayar yapın. Veri ambarını en
39
baĢından inĢa ederken bütünleĢik bir yaklaĢım kullanın yani yolunuzu ileriki
safhalarda kullanıĢsız veri stratejilerle kapatmayın, henüz baĢlamadan önce yatırım
getirisini açıkça belirleyin, elde etmeyi umduğunuz bazı detayların altını çizin ve
belirli bir süre zarfı içinde(3ayda bir – 6ayda bir vs.) doğrulama kontrolü yapın.
1.1.5.1 Başarılı Bir İş Zekâsı (Business Intelligence)
Oluşturmanın Aşamaları
1. Son kullanıcı seçimi; ĠĢ zekâsı uygulamaları kullanımı IT(Information
Technology) içerisinde yer almayan biri tarafından olmamalıdır. Kurumun
stratejisi, görevleri ve hedefleri hakkında geniĢ bir bilgiye ve bakıĢ açısına
sahip olan kiĢi tarafından kullanımı uygundur. Çünkü kurumun misyonunu
bilen ve bu misyonu destekleyecek anahtar fikirlere sahip biri olmalıdır. Bu
kiĢi genellikle CFO(Chief Financial Officer)’dur. Yani finansal iĢlerden
sorumlu en yetkili kiĢidir.
2. Mevcut durumu kavrayın; Mevcut iĢ zekâsı veri yığınını, iĢ süreçlerini ve
var olan iĢ zekâsı uygulamalarını çevreleyen yapıları analiz etmelisiniz. Hem
IT hem de ĠĢletme tarafı buna dâhil olmalıdır.
3. Veri depolamak için iyi bir plan oluşturun; Ġzole edilmiĢ verilerle
baĢlamayın. Çünkü ekstra veri depolama ihtiyaçları arttıkça yeni ambarların
oluĢturulması zorluk çıkaracaktır. Birkaç yıl içinde ise kontrol edilemez hale
40
gelir. Sistemleri birbirine bağlamak için fiziksel bir veri deposu mu? Yoksa
sanal katmanlar mı devam edileceğine karar verilmelidir.
4. Kullanıcı ihtiyaçlarını karşılayın; ĠĢ zekâsı kullanıcıların en yaygın üç sınıfı
vardır; Stratejik, Taktik ve Operasyoneldir. Stratejik kullanıcılar en etkili
fakat en az sayıda karar verenlerdir. Mesela “Ġzmir’de operasyonları
kapatmalı mıyız? Ve bunları Ankara’da açmalı mıyız?” gibi kararları veren
kullanıcılardır. Taktik kullanıcılar her hafta çok sayıda karar verir ve sürekli
bilgilerin güncellenmesi gereğini duyar. Mesela “Ġzmir’deki operasyonların
kapatılmaması için ne yapmamız gerekir?” Bu soru altındaki gelecek cevaplar
vereceği kararlara zemin hazırlar. Operasyonel kullanıcılar ise ön saflarda
çalıĢanlardır. Çok sayıda iĢlemi yerine getirmek için verilere, kendi takımları
içerisinde ihtiyaç duyarlar. Mesela “Ġzmir’de müĢteri memnuniyetiyle
ilgilenen çağrı merkezleri” örnek olarak verilebilir.
5. Tüm iş zekâsı bileşenlerini devreye katın; ĠĢ zekâsının tüm katmanları için
mimariyi tanımladığınızdan emin olun; ĠĢ zekâsı stratejisinin kendisinin bir
parçası olmasalar da baĢarısı üzerinde etkili olacaktır. Katmanlardan kasıt;
Metadata, veri entegrasyonu, veri kalitesi, veri modelleme, sunumlar,
raporlar, portallar, ana veri yönetimi ve bilgi yönetimi.[18]
6. Küçük adımlarla başlayın; Birkaç gün içinde ilk çalıĢan sistem için bir son
kullanıcı, iĢ analisti ve geliĢtirici seçin. Birkaç performans göstergesi
belirleyin yani performans farklılıklarını göz önüne alabilecek hale getirin.
Birkaç rapor hazırlayın ve sürekli her hafta yenilerini ekleyin. Bu Ģekilde
sistemli ve küçük adımlarla baĢlamanız iĢ zekâsının geliĢimi ve
41
güncellenmesi açısından önemlidir. Aynı zamanda kullanıcı tarafından
baktığımızda hata sonucu kayıpları azaltır.
7. Başlamak için kolay hedefler seçin; BaĢlangıç olarak hedefinizi çok yüksek
tutmayın mesela “Avrupa’ya açılmak ne kadar akıllıca?” baĢlangıç için böyle
bir soru kesinlikle tavsiye edilmez Ģirketin tüm verileri iĢ zekâsı üzerinde
analiz edilmemiĢken ve küçük adımlar tamamlanıp tüm parçalar yerine
oturmamıĢken geri dönüĢüm kararları mantıklı olmayacaktır. Daha kolay
hedeflere yönelin mesela firmanızın kimlere hitap ettiğini öğrenin bir
ortalama rapor karĢınıza çıkınca reklamlarınızı ona göre ayarlayın.
42
KAYNAKÇA
1. Business Intelligence Based Group(ĠĢ Zekâsı Tabanlı Grup Karar Destek
Sistemi – Xie Wei, Xu Xiaofel IEEE 2001)
2. Kurumsal Verilerin Yapay Zekâ Modelleri ile ĠĢlenmesi için Modelleme
Aracı Alt Yapı Tasarım ve GerçekleĢtirimi (Fatih Mehmet Güleç)
3. Xei Wei (IEEE 20019
4. Abraham T. & Wankel. C. (1995-Supporting Decision Support )
5. Dr. Sadi Evren ġeker (Karar Destek Sistemleri – iĢzekam.net)
6. Emrah Arslan (2011 – Veri Ambarı Nedir?)
7. BaĢar Gülcü (Fatma Molu OLAP –OLTP – 2010)
8. Mustafa Muratinceoğlu (Veri Madenciliği ve Elektronik Ticaret)
9. Robert Grossman (Data Mining Research -1999)
10. Dr. ġebnem Arslan (Kocatepe Tıp Dergisi - Klinik Karar Destek Sistemleri –
2004)
11. Musen MA, Yuval S. & ShortLife EH. (Clinical Decision Support System –
2003)
12. Hüseyin Yılmaz (ĠĢletmelerde Finans Karar Destek Sistemi)
13. Moyor VD. (1995)
43
14. Dykeman, Francis C. (1969 – Financial Reporting System – Washington
D.C.)
15. Senn, James A. (1982 – Information System Ġn Management)
16. Ġstanbul Teknik Üniversitesi (CoĢkun Sönmez – Karar Destek)
17. Derya Gündüz (Business Intelligence)
18. Goksel Guren - Computer World Türkiye (17 Temmuz 2008)

Olivia Parr Rud - ĠĢ Zekâsı BaĢarı Faktörleri

Olivia Parr Rud – Küresel Ekonomik ĠĢ Hizalama Araçları
44
ÖZGEÇMİŞ
Hüseyin Zorbey TaĢ; Ġstanbul’un Bakırköy ilçesinde dünyaya geldim. Bu
yaĢıma kadar Zeytinburnu’nda ailem ile yaĢadım. Öğrenim hayatıma
Zeytinburnu’nda bulunan Nuri paĢa Ġlk Öğretim okulunda baĢladım, ardından Lise
öğrenim hayatıma Zeytinburnu Teknik Lisesi’nde Bilgisayar Programcılığı
bölümünde devam ettim. Lisenin Ardından bir sene üniversite düĢüncelerimi
erteledim bir sene eğitim hayatıma ara verdim aranın ardından Plato Meslek Yüksek
Okulu’ndan yana tercihimi kullandım ve hala orda okuyorum.
45
Download

İŞ ZEKÂSI VE UYGULAMALARI 1.1 İş zekâsı(Business Intelligence)