Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

İş Zekasına Giriş Erdem Alparslan Bahçeşehir Üniversitesi1.

Benzer bir sunumlar


... konulu sunumlar: "İş Zekasına Giriş Erdem Alparslan Bahçeşehir Üniversitesi1."— Sunum transkripti:

1 İş Zekasına Giriş Erdem Alparslan Bahçeşehir Üniversitesi1

2 İçerik • Karar alma süreci – İş Zekası(BI) için motivasyon unsuru • İş zekasına giriş – Tanımlar • BI, DW, OLTP, OLAP – BI süreci – Karar destek sistemleri ve mimarileri – OLTP – OLAP kıyaslaması – BI’da veri madenciliğinin yeri 2

3 Karar alma süreci • Farklı seviyelerde karar alma – Operasyonel • Kısa vadeli geri dönüşler sağlayacak günlük kararlar • Genelde alt seviye yöneticilerin karar almaları – Taktiksel • Orta seviye yöneticilerin aldığı stratejiye uygun orta vade hamleler – Stratejik • Üst yönetim tarafından alınan, yapısal olmayan, soyut kararlar 3

4 Karar alma süreci • Karar alma süreci – Problem tanımı – Alternatif çözümlerin araştırılması – Seçim yapılması Aşamalarını içerir. • Bilgi ve tecrübe karar almanın omurgasını oluşturur 4

5 5 Ham veriBilgi İşlenmiş Bilgi Karar alma Aksiyonlar

6 Var olan bilgi türleri • Uzman bilgisi – Bir konunun uzmanı olan kişinin kişisel çalışma ve tecrübeleri – Uzun yıllar iş tecrübesi, ilgi, konsantrasyon • Örgütsel bilgi – Kurum bileşenleri arasındaki karmaşık ilişkiyi tanımlar – Kurum içinde gizli insan kaynağı bilgisini temsil eder • Bilgi elde etme – Bilgi toplama (uzmanlardan) – Bilgi keşfetme (ham veriden)

7 Bilgi keşfetme avantaj ve dezavantajlar • Avantajlar – Sadece bir ya da birkaç uzmana bağımlı değil – Anlık performansa dayalı – İnsanın tespit edemeyeceği ilişkili verilere ulaşma – Objektif – Teori ve pratik olarak tanınırlığı iyi düzeyde • Dezavantajlar – Kullanılan veriye oldukça bağımlı (veri kirliliği) – Tarihsel veri gerektirir ve oldukça bağımlı (trend değişiklikleri) 7

8 Motivasyon – Karar desteği niçin? • Karar desteği: Bilgiye ihtiyaç duyan varlıklara (stratejik lider, yönetici ya da analist ) BT yardımıyla bilgi sağlama • Ham verideki gizli ilişkilerin tespit edilmesi • Çok büyük veri yığınlarının kişisel çaba ile incelenmesinin zorluğu • Daha tutarlı ve güvenilir sonuç isteği • Rekabette geri kalmama, hızlı aksiyon olma ve öncü olma isteği 8

9 Temel kavramlar • İş zekası • Veri ambarı • OLTP • OLAP • Data mart • Data küp • ….. • ……… 9

10 İş Zekası nedir • Geçmişi anlamaya geleceği öngörmeye yarayan teknoloji • Teknoloji – Veriyi yakalayan, saklayan, erişen ve analiz eden – İş performansını ölçülebilir veriler üzerinden belirleyen • Uygulama – Karar destek sistemi – Sorgu ve raporlama – Anlık analitik süreç (OLAP) – İstatistiksel süreç, veri madenciliği ve öngörü 10

11 11

12 Veri ambarı • Kurumun operasyonel veritabanından tamamiyle ayrılan karar destek veri tabanı • Farklı kaynaklardaki bilgiyi tekilleştirerek ilişkilendiren bir bakış açısı • Konsolide edilmiş ve tarihsel veriyi analiz amacıyla işleyen mimari • Çok boyutlu veri modeli üzerinde veriye farklı bakış açılarından bakmaolanağı

13 Veri ambarı – İlişkisel veritabanı • Online işlem işleyici (OLTP) – İlişkisel veritabanlarının birincil işi – Tüm gündelik operasyonel veriler – Veri tutarlılığı çok önemli, hızlı yanıt verebilme kabiliyeti • Online analiz işleyici (OLAP) – Veri ambarlarının birincil işi – Ver analizi ve karar verme amaçlı – Büyük hacimli verilerin çok boyutlu incelenmesi amaçlanır 13

14 Veri ambarı – İlişkisel veritabanı • Birbirinden ayrılan yönleri – Kullanıcı ya da sistem yönelimlilik – İçerdiği veri (anlık, tarihi, özet, detay) – Veritabanı tasarımı (ER, star, snowflake …) – Erişim şekilleri (sadece SELECT ya da SELECT-UPDATE- INSERT) – Görünüm (anlık, geçmiş, evrimsel, bütünsel) 14

15 OLTP - OLAP Kullanıcıİşlemci, BT çalışanıBilgi işçisi FonksiyonGünlük operasyonlarKarar desteği VT TasarımıUygulama yönelimliAmaç yönelimli VeriAnlık, izoleTarihsel, bütünleşik GörünümDetaylı,düz ilişkiselÖzet, çok boyutlu KullanımYapısal, tekrarlıAd hoc İş BirimiKısa ve basit işlemKarmaşık sorgu ErişimOkuma / yazmaOkuma Operasyonİndeksler üzerindeSıralı aramlarla Erişilen kayıt sayısıOnlarMilyonlar Boyut100MB-GB100GB-TB-PB Kullanıcı sayısıBinlerYüzler 15

16 SQL – OLAP – Veri Madenciliği SQLOLAPVeri Madenciliği Görev Detaylı ve özet veri çıkarma Özet, trend analizi ve öngörü Veri çıkarsama Sonuç çeşidi BilgiAnalizÖngörü Metod Soru-cevap Çok boyutlu modelleme, istatistik Model öğretme ve yeni veriye uygulama Örnek soru Ortak fonları son 3 yılda kimler satın aldı? Ortak fonları satın alanların bölge ve yıllara göre ortalama geliri ne kadardır? Önümüzdeki 6 ayda ortak fonları hangi müşterilerimiz satın alacaklar? Neden? 16

17 Örnek 17

18 Örnek - inceleme • Yukarıdaki tabloyu DBMS mantığı ile sorgulayarak şu sorulara cevap bulabiliriz: – Güneşli günlerdeki hava sıcaklığı ne? – Hangi günler nem oranı 65 in altında? – Hangi günler sıcaklı 70 in üzerinde iken nem 70 in altında? • OLAP yardımı ile çok boyutlu model oluşturabiliriz (data küp) – Gün, durum ve piknik kullanılarak şu model oluşturulabilir: • Veri madenciliği kullanılarak aşağıdaki karar ağacı elde edilebilir: – Durum = sunny • Nem=yüksek  piknik yok • Nem=Normal  piknik var – Durum=overcast  piknik var – Durum=yağışlı • Rüzgar var  hayır • Rüzgar yok  evet 18

19 İş Zekası Perspektifinden Karar Destek Sistemleri 19

20 Çok katmanlı karar destek sistemleri • Veriambarı sunucusu – Genellikle ilişkisel veritabanı sistemleri, nadiren dosya sist. • OLAP sunucular – İlişkisel OLAP (ROLAP): İlişkisel veritabanlarının operasyon verilerini analiz için çok boyutlu mantığa uyarlanışı – Çok boyutlu OLAP (MOLAP): Çok boyutlu OLAP hesaplamaları için tasarlanmış dedike sunucu • İstemciler – Sorgu ve raporlama araçları – Analiz araçları – Veri madenciliği araçları 20

21 Veri ambarı VS Datamartlar • Kurumsal veriambarı: Tüm kurumu ilgilendiren varlıklar ile ilgili bilgiyi barındırır – Çok kapsamlı iş modellemesi gerektirir (yıllar alabilir) • Datamartlar: Belirli bir iş için departman bünyesinde oluşturulmuş bakış açıları – Pazarlama datamartı: müşteri-ürün-satış – Hızlı oluşturma geç adaptasyon • Sanal veriambarı: Diğer veritabanlarına görünümler – Efektif sorgular için diğer verikaynaklarına görünüm atma – Kullanımı kolay ancak operasyonel veritabanına yük bindirir 21

22 Metaveri havuzu • Metaveri veri ambarı nesnelerini tanımlamak için kullanılır. Şu şekillerde olabilir: – Veriambarının yapısını belirtir – Operasyonel metaveri içerebilir – Özetleme için kullanılmış olan algoritmalar – Operasyonel veritabanından veriambarına nasıl aktarıldığı – Sistem performansı için gerekli veri – İş sahibi verisi (terimler, tanımlar, kısıtlamalar) 22

23 İş zekası – eski tanım 23

24 İş zekası – yeni tanım 24


"İş Zekasına Giriş Erdem Alparslan Bahçeşehir Üniversitesi1." indir ppt

Benzer bir sunumlar


Google Reklamları