Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

+ İş Zekası ve Veri Madencili ğ i Hazırlayanlar: Gözde Bozyi ğ it Orçun Tur ş ucular.

Benzer bir sunumlar


... konulu sunumlar: "+ İş Zekası ve Veri Madencili ğ i Hazırlayanlar: Gözde Bozyi ğ it Orçun Tur ş ucular."— Sunum transkripti:

1 + İş Zekası ve Veri Madencili ğ i Hazırlayanlar: Gözde Bozyi ğ it Orçun Tur ş ucular

2 + Teoride, teori ile pratik arasında fark yoktur ama pratikte vardır. Jan L. A. Van de Snepscheut

3 + İş Zekası(Business Intelligence-BI)

4 + İş Zekası Nedir? Yöneticilerin, kurumlarıyla ilgili strateji belirlemeleri, politika üretmeleri veya ihtiyacı olan bilgilere anında eri ş ebilmeleri amacıyla ihtiyaç duydukları zeki karar destek sistemleri olarak İş Zekası kavramı tanımlanmı ş tır.

5 + İş zekası, var olan i ş performansını anlamak ve bilgiye dayalı i ş kararlarını almak için tüm örgüt çapında i ş verilerinin analizidir.

6 + İş Zekası Araçları Sorgulama ve raporlama araçları OLAP analiz araçları Veri madencili ğ i araçları İş zekasında görsel bilgi aktaran gösterge panelleri (dashboard) ve performans tabloları (scorecards), uyarı sistemleri ve tahminleyici analizler yo ğ un olarak kullanılmaktadır.

7 + Ne Tür Firmalar BI sistemlerini kullanıyor? Özellikle restoran zincirleri ve perakende ma ğ azalar BI yazılımlarının en büyük kullanıcıları. Restoranlar menülerine ekleyecekleri yeni ürünleri belirlemek gibi stratejik kararları vermek için BI kullanıyor. Ayrıca hangi servislerin kaldırılaca ğ ı ya da beklenilen performansı vermeyen dükkânların kapatılması gibi kararlar verilirken de İş Zekâsı araçlarının sundu ğ u verilerden yararlanıyorlar.

8 + Yiyecek tedarikçileriyle yeniden sözle ş me imzalama, verimli olmayan süreçlerin geli ş tirilmesi için seçeneklerin belirlenmesi gibi taktiksel durumlarda da BI kullanılıyor. Çünkü restoran zincirleri fazlasıyla operasyonlara ba ğ lı ve BI onların i ş lerini yürütürken çok fazla yardımcı oluyor. Restoran zincirleri di ğ er tüm endüstriler arasında BI sistemlerinin gerçek de ğ erinden faydalanan elit firmalar arasında yer alıyor.

9 + BI projelerine kim önderlik etmeli? Payla ş mak BI projelerinin ba ş arısı için oldukça hayati çünkü çalı ş ma yöntemlerini de ğ i ş tirebilmeleri için sürece dahil olan herkesin bilgiye tam eri ş ime sahip olması gerekiyor. BI projeleri en üst seviyeden yöneticilerle ba ş layabilir ancak bir sonraki kullanıcı grubunun satı ş çılar olması gerekiyor. Çünkü onların i ş i satı ş ları artırmak ve bunu gerçekle ş tirecek yetenekleri için istihdam ediliyorlar. Bu yüzden bu i ş i yapmalarına yardımcı olacak herhangi bir aracı ba ğ ırlarına basmaları çok daha olası; elbette aracın kolay bir kullanıma sahip olması ve bilgiye güvenmeleri önemli.

10 + Yedi Adımda BI Sisteminin Uygulanması 1. Verilerinizin temiz oldu ğ undan emin olun. 2. Kullanıcıları etkin bir biçimde e ğ itin. Hızlı bir biçimde konu ş landırın ve ilerledikçe ayarlamalarınızı gerçekle ş tirin. 3. “Mükemmel” raporları elde etmek için en ba ş ında çok fazla zaman harcamayın çünkü i ş iniz geli ş tikçe ihtiyaçlar da geli ş ecektir. 4. En fazla de ğ eri sunan raporları hızlıca sunun ve sonra bunlara ince ayar yapın. 5. Veri ambarınızı en ba ş ından bina ederken bütünle ş ik bir yakla ş ım kullanın. 6. Yolunuzun ileriki safhalarında kendinizi kullanı ş sız bir veri stratejisi içerisine kilitlemedi ğ inizden emin olun. 7. Elde etmeyi umdu ğ unuz özel faydaların altını çizin ve sonra her üç ayda ya da altı ayda bir do ğ rulama kontrolü yapın.

11 + İş zekası çabalarının ne gibi faydaları var? BI için çok sayıda uygulama firmaların etkileyici yatırım geri dönü ş üm de ğ erleri elde etmelerine yardımcı oldu. İş zekâsı maliyet dü ş ürme yöntemleri belirleme, i ş fırsatları ortaya çıkartma, ERP verilerini eri ş ilebilir raporlara dönü ş türme, perakende taleplerine hızlı tepki verme ve fiyatları optimize etmede kullanıldı. Verileri eri ş ilebilir yapmanın yanı sıra BI yazılımı, tedarikçi ve mü ş terilerle olan ili ş kinin de ğ erini daha kolay bir biçimde ölçebilmelerini sa ğ layarak, firmalara anla ş malar esnasında daha fazla güç verebilir.

12 + Organizasyonun duvarları içinde, i ş süreçlerini optimize ederek ve kararlara odaklanarak para kazanmak için yeterince fırsat var. İş üzerini aydınlattı ğ ında BI önemli oranda yatırım geri dönü ş ümü sa ğ lıyor. Örne ğ in Toyota 2000 yılında BI araçlarının yardımıyla nakliyatçılarına iki kat fazla para ödediklerini ortaya çıkardı. Sorunlu i ş süreçlerini ortaya çıkartmak için BI kullanan firmalar, BI’yı sadece neler oldu ğ unu görüntülemek için kullanan firmalara nazaran rekabet anlamında çok daha iyi durumdalar.

13 + Veri Ambarı Veri ambarları, i ş zekası uygulamaları için altyapı olu ş tururlar ve klasik veri depolama yöntemleri ile toplanan verilerin uzun süreli saklandıkları, ili ş kili verilerin sorgulanabildi ğ i ve analizlerinin yapılabildi ğ i veri depolarıdır

14 + OLAP Bir veri ambarınızın olması OLAP’a ihtiyaç duymadı ğ ınız anlamına gelmemelidir. Çok boyutlu bakabilme, OLAP’ın en önemli özelli ğ idir. Boyutlara; demografik veriler, sayısal veriler, adetler, i ş lem miktarları, gerçekle ş en ve bütçelenen de ğ erler, ürün tipleri, ürün özellikleri ve zaman örnek olarak verilebilir.

15 + OLAP (OnLine Analytical Processing) operasyonları kullanılarak birimler arasındaki ili ş kinin ke ş fedilmesi sa ğ lanabilir. Çok boyutlu veri analizinde veri, de ğ i ş ik boyutlardan incelenir. Veri ve boyutları küp olarak adlandırılmaktadır.

16 + Veri Madencili ğ i (Data Mining)

17 + Veri Madencili ğ i Nedir? Veri madencili ğ i, büyük hacimli veri yı ğ ınları içerisinden karar alabilmek için potansiyel olarak faydalı olabilecek, uygulanabilir ve anlamlı bilgilerin çıkarılmasına verilen addır.

18 + Veri madencili ğ i geni ş anlamda veri analiz teknikleri bütünüdür ve tek ba ş ına bir çözüm de ğ ildir. Mevcut problemleri çözmek, kritik kararları almak veya gelece ğ e yönelik tahminleri yapmak için gerekli olan bilgileri elde etmeye yarayan bir araçtır. Ortaya çıkarılması hedeflenen bilgiler; üstü kapalı, çok net olmayan, önceden bilinmeyen, daha önce ke ş fedilmemi ş ancak potansiyel olarak kullanı ş lı anlamlı ve kritik bilgilerdir. Veri madencili ğ i döngüsü, veri yı ğ ınlarını elden geçirmekle ba ş layarak, analiz sonucunda ortaya çıkan sonuçların uzman gözüyle yorumlanması ile tamamlanır. Veri madencili ğ i çalı ş malarının alt yapısının önemli bir bölümünü istatistik ve veri tabanı uygulamaları olu ş turmaktadır. Veri madencili ğ i, büyük boyutlu veri ambarlarının meydana çıkmasının bir sonucudur.

19 + Neden Veri Madencili ğ i? Veri madencili ğ i, özellikle kar ve pazar payı elde edebilmek için yo ğ un rekabetin ya ş andı ğ ı pazarlama alanında ön plana çıkmaktadır. Hangi mü ş teri, hangi ürünü, ne zaman satın alabilir, kimler tedarikçilerinden vazgeçmekte ve bu tür mü ş terileri vazgeçirmek / geri kazanmak için neler yapılabilir, ürünün de ğ erini yitirmesine hangi de ğ i ş kenler neden olmaktadır, vb. soruların cevapları veri yı ğ ınlarının altındadır ve cevapları bulabilmek için veri madencili ğ i çözümleri gereklidir.

20 + Veri Madencili ğ i ile ş irketler önceden bilinmeyen bilgileri ortaya çıkararak karar verme süreçlerini iyile ş tirirler. Veri madencili ğ i teknikleri kullanarak; maliyetleri azaltmak, gelirleri artırmak, verimlili ğ i artırmak, yeni fırsatları ortaya çıkarmak, yeni ke ş ifler yapmak, emek yo ğ un faaliyetleri otomatikle ş tirmek, sahtekarlıkları belirlemek ve mü ş teri deneyimini geli ş tirmek mümkündür. Özetle, veri madencili ğ i iki gereksinimden ortaya çıkmaktadır. Toplanan çok miktarda verinin i ş lenme ihtiyacı Artan rekabette do ğ ru karar verebilme yetkinli ğ ini artırmak ihtiyacı

21 + Veri Madencisi Kimdir? Her alanda oldu ğ u gibi veri madencili ğ inde de teknoloji ile deneyimin birle- ş imi en do ğ ru sonuca ula ş tırmaktadır. Deneyimin elde edilen sonuçlar üzerindeki etkisi oldukça yüksektir. Veri madencili ğ i bilincinin artması ile birlikte, bu tür çalı ş malara a ğ ırlık vermek isteyen ş irketlerin büyük bölümü iki önemli hata yapmaktadırlar.

22

23 + 1.Yakla ş ım Çalı ş maları gerçekle ş tirmek için teknik konulara hakim istatistik uzmanları veya teknik analistleri i ş e alarak, modelleri kurgulamalarını istemek: Bu kategorideki uzmanlar teknik konularda çok yetkin olmalarına ra ğ - men, gerekli i ş kavrayı ş ına yeterince sahip olmamaları nedeniyle arzu edilen sonuçlara ço ğ unlukla ula ş ılamamaktadır.

24 + 2.Yakla ş ım Sofistike veri madencili ğ i yazılımları satın almak: Konu ile ilgili çok detaylı, tüm metodolojileri içeren yazılımlar mevcuttur ancak yazılımlardan faydalı sonuçlar alabilmek için do ğ ru modeli kurgulamak ve do ğ ru girdileri sunmak gereklidir. Bu dü ş ünce sürecinden geçmeden yazılımdan faydalı sonuçlar elde etmek mümkün de ğ ildir.  Her iki yakla ş ımda da; hedefi olu ş turma, veriyi elde etme, veriyi hazırlama, modeli uygulama, sonuçları de ğ erlendirme gibi önemli alanlarda bilgi eksikli ğ i söz konusu olabilir. Bu alanların herhangi birinde yapılacak hata çok maliyetli olabilece ğ i gibi tamamen yanlı ş sonuçlara da götürebilir.

25 + İ statistiksel araçları çok iyi bilen en iyi teknik analistlere sahip olmak kadar bunu gerçek dünyanın problemlerine nasıl uyarlayacaklarını bilmek de önemlidir. Bu a ş amada veri madencili ğ inin 3 farklı boyutuna bakmakta, ili ş kileri ve gereksinimleri anlamak açısından fayda vardır. Yanıtlanacak soru nedir? / Neye cevap aranmaktadır? Cevap aranan konuyu hangi veri madencili ğ i fonksiyonu ile çözümlemek gerekir? İ lgili veri madencili ğ i fonksiyonu için hangi algoritma ile model olu ş turmak uygun olur? Cevap aranılan sorunun tanımlanması ve uygun fonksiyonun seçilmesi a ş amasında faaliyeen sorumlu olan profesyonellerin daha etkin rol alması, seçilen fonksiyona uygun algoritmanın belirlenmesi ve i ş letilmesi a ş amasında istatistik uzmanlarının daha etkin rol alması gerekir.

26 + Veri Madencili ğ i Süreci (Döngüsü) Veri madencili ğ i süreci en basit ş ekli ile dört adımdan olu ş maktadır.

27 + 1. Veri Seçmek: Mevcut olan ve elde edilebilecek verilerin olu ş turdu ğ u veri havuzundan çalı ş ma için kullanılacak verilerin seçilmesi 2. Veri İş lemek: Farklı kaynaklardan alınan verilerin birle ş tirilmesi, hatalı verilerin çıkarılması, vb. ile seçilmi ş verilerin kullanılabilir hale getirilmesi. 3. Veri E ğ ilimlerini / Desenlerini Belirlemek: İş lenmi ş verilerin veri madencili ğ i fonksiyonları ve algoritmaları ile de ğ erlendirilerek verilerden anlamlı e ğ ilimlerin, desenlerin (pattern) çıkarılması 4. Bilgiye Ula ş mak: Verilerden çıkarı- lan anlamlı e ğ ilimler ve desenlerin yorumlanarak bilgi elde edilmesi.

28 + Daha detaylı süreç tanımı ise veri madencili ğ inin uluslararası düzeyde standardı olarak kabul edilmi ş, CRISP- DM (CRoss Industry Process for Data Mining) ile yapılmaktadır. Veri madencili ğ i projelerinin hızlı, daha verimli ve daha az maliyetli gerçekle ş tirilmesi için geli ş tirilmi ş olan bu süreç altı adımdan olu ş maktadır.

29 + Veri Madencili ğ inin Amaçları İ li ş kiler: Tek bir vaka ile ba ğ lantılı olu ş umlardır. Sınıflandırma: Sınıflandırılmı ş mevcut kalemleri inceleyerek ve bir kurallar dizisine ula ş arak bir kalemin ait oldu ğ u grubu tanımlayan örüntüleri tanımaktadır. Öngörü: Tahminleri farklı bir yolla bulmaktadır. Bir dizi var olan de ğ eri ba ş ka hangi de ğ erlerin olabilece ğ ini tahmin etmek için kullanmaktadır. Diziler: Vakalar, gelecek zamanla ba ğ lantılıdır. Kümeleme: Hiçbir grup tanımlanmadı ğ ında sınıflandırmaya benzer bir yöntemle çalı ş maktadır. Sapma tespiti: Verilerdeki anormalliklerin belirlenmesidir.

30 + Veri Madencili ğ ine Örnek: Bir banka mü ş terilerine yeni bir ürün sunacaktır. Bu ürün ça ğ rı merkezinden yapılacak mü ş teri aramaları ile telefon üzerinden sunulacaktır. Ça ğ rı merkezi ile yapılan anla ş ma gere ğ i her bir mü ş teriye ula ş manın bedeli 3 YTL olarak tanımlanmı ş tır. Ürünün satılması halinde bankanın elde etmeyi bekledi ğ i kar ortalama 100 YTL’dir. Bankanın mü ş teri portföyünde 2 milyon mü ş teri bulunmaktadır. Daha önceki satı ş kampanyalarından mü ş terilerin %2,5 oranında olumlu yanıt verdikleri gözlenmi ş tir. Bu veriler do ğ rultusunda de ğ erlendirme yapıldı ğ ında ürün sunma kararını mü ş teriye ula ş ılmı ş ve 500 mü ş teriden olumlu yanıt alınmı ş tır. Bu deneme kampanyasında elde edilen veriler, istatistiksel teknikler ve mü ş terilerin bilgileri birlikte kullanılarak gerçek kampanya için kullanılabilecek bazı önemli sonuçlara ula ş ılmı ş tır.

31 + Bu de ğ erlendirme sonucunda mü ş terilerin sadece %50’si ile temas kurarak, almak mümkün de ğ ildir çünkü kampanyadan 1 milyon YTL zarar edilmesi öngörülmektedir. Bu noktada veri madencili ğ i teknikleri ile bir de ğ erlendirme yapıldı ğ ında kapmayanın yapılması kararı alınmı ş tır. Mü ş terilerin %1’lik kısmı için bir deneme kampanyası yapılmı ş tır. Bu kampanyada mü ş terinin %1’i olan ürünü kabul edeceklerin %70’ine ula ş - mak veya mü ş terilerin sadece %40’ı ile temas kurarak, ürünü kabul edeceklerin %60’ına ula ş manın mümkün olaca ğ ı sonucuna ula ş ılmı ş tır.

32

33 + Sonuç Olarak; Veri Madencili ğ i istatistik biliminin teknolojiyle bütünle ş mesi sonucu olu ş mu ş bir yöntemler serisidir. Bilgi teknolojilerinin geli ş mesi ve konu ile ilgili yeni programların üretilmesi çalı ş maları kolayla ş tırmaktadır. Ancak veri madencili ğ i sadece program kullanmak de ğ ildir. Veri madencili ğ i için i ş deneyimine, sorunları tanımlama becerisine ve temel istatistik bilgisine ihtiyaç vardır. Veri madencili ğ i veriden bilgi üreterek ortalama kararlar yerine veriye dayalı özgün kararlar verilmesini destekleyen, satı ş ları, kârlılı ğ ı, yenilikçili ğ i ve kaynak kullanımında etkinli ğ i artıran önemli bir yönetim aracıdır. Veriye dayalı kararların kalitesi ve güvenilirli ğ i artar; bu veriye dayalı kararlarla çalı ş an kurumların kaynak kullanım etkinli ğ i ve de ğ er yaratma potansiyeli de geli ş ir.

34 + Kaynakça Veri Madencili ğ i Veriden Bilgiye, Masraftan De ğ ere Dr. Yılmaz Argüden (Kitap) Veri Madencili ğ i Burak Er ş ahin(tez)

35 + Bizi Dinledi ğ iniz İ çin Te ş ekkür Ederiz...


"+ İş Zekası ve Veri Madencili ğ i Hazırlayanlar: Gözde Bozyi ğ it Orçun Tur ş ucular." indir ppt

Benzer bir sunumlar


Google Reklamları