İş zekası sistemleri, planlayıcılar ve karar vericilere anlaşılır ve rekabetçi bilgiler sunmak amacıyla, veri toplama, veri depolama ve bilgi yönetimini birleştirmektedir. Diğer bir tanımlamaya göre ise; iş zekası sistemleri, elde edilen verilerin bilgiye dönüştürülerek işletmenin optimizasyon planları içinde yer almasını sağlayan sistemlerdir. Her iki tanımda da görebildiğimiz üzere iş zekâsı, farklı analitik araçları ile elde edilen verileri bilgiye dönüştürerek karar verme sürecine yardımcı olmaktadır.
İş zekası (Business Intelligence) tabiri, ilk olarak 1989 yılında sektörel analizler konusunda uzmanlaşmış olan Gartner Grubu tarafından, kararları desteklemek için kullanılan analitik uygulamaları ve teknolojileri tek çatı altında toplayan bir terim olarak kullanılmış ve popülaritesini günümüze kadar arttırarak devam ettirmiştir.
Karar vericilere yardımcı olacak bilginin derlenmesi, saklanması, erişilmesi ve analiz edilmesi süreçlerini iş zekası uygulamaları sağlar. İş zekası; karar verme sürecini destekleyen sorgu, raporlama, analiz, istatistiksel yöntemler, projeksiyon ve veri madenciliği gibi fonksiyonları da içerisinde barındırır.
Aşağıdaki görselde, iş hayatında kullanımda olan çeşitli uygulamaların iş zekası ve benzer konseptler içinde nasıl konumlandırıldığı, Gartner Grubu tarafından hazırlanan, “fonksiyonel yakınsaklık” (functional convergence) şeması ile görselleştirilmiştir.
İş Zekası ve ilgili konseptlerin fonksiyonel yakınsaklık şeması (Functional Schema of the Closeness About Business Intelligence and Conceptions)
Kuruluşlar, ilk olarak elde edilen verinin kaybedilmemesi amacıyla veri ambarlarını oluşturmuşlardır. Ardından belli entegrasyon yazılımları ile veri ambarındaki verilere ulaşımın hızlı olmasını ve veriye erişimin kolaylaşması sağlanmıştır. Son olarak, bu verilerden yeni ve anlamlı bilgiler elde edilerek, iş zekasını kavramı ortaya çıkmıştır.
İş Zekası Bileşenleri (The Components of Business Intelligence)
1. OLTP ve OLAP Sistemleri (OLTP and OLAP Systems)
İş zekası uygulamalarında kullanılan veri ambarı sistemlerini temel olarak 2 aşamada inceleyebiliriz. OLTP ile OLTP sistemleri arasındaki farka bakacak olursak, OLTP’nin OLAP’a bilgi hazırlayan bir sistem olmasından bahsedebiliriz.
OLTP bilginin eletronik ortama girildiği sistemlerdir ve anlık olarak sürekli kullanılan sistemlerdir. OLTP sistemleri kullanıcılar tarafından sürekli kullanılmakta olan Erp sistemleri yada Crm sistemleri olarak düşünülebilir. OLAP sistemleri ise OLTP tarafından oluşturulan, son kullanıcı tarafından sürekli olarak erişilmeyen, sadece var olan verilerden anlamlı bilgiler çıkartılabilen sistemlerdir.
OLTP ve OLAP sistemlerinin temel tasarımlarını inceleyecek olursak; OLTP sistemleri her uygulama için farklı tasarlanırken, OLAP sistemleri ise OLTP sistemlerinin verileri çapraz sorgulamasına izin verecek şekilde tasarlanmaktadır.
Bu sistemlerde temel işlem, günlük işlemlerde OLTP sisteminin kullanılmarı ve bu bilgilerin analiz edilmesi ve anlamlı raporlar çıkarılması için OLAP sunucusuna aktarılmasıdır.
OLAP sistemlerinin bazı uygulama alanları aşağıdaki gibidir;
- Müşteri ilişkileri ve satış
- Bankacılık
- Muhasebe
- Depo yönetimi
2. Veri Madenciliği (Data Mining)
Veri Madenciliği, veri ambarlarında tutulan çok ve çeşitli veriden birtakım kontroller ve analizler yapılarak, daha önce elde edilmemiş olan anlamlı ve yararlı bilgileri ortaya çıkartma sürecidir. Ortaya çıkartılan bu bilgilerin en önemli özellikleri gerçek dünya için anlamlı olmalarıdır. Veri madenciliği ile amaçlanan, daha önceki işlemler göz önünde bulundurularak, bundan sonraki süreçlerde bu bilgilere yönelik adımların ortaya çıkartılmasıdır.
Veri Madenciliği çalışmaları amaç olarak ikiye ayrılmaktadır. Veri madenciliği yapılırken belirlenen kesin bir hedef varsa bu durum denetimli veri madenciliğidir. Kesin bir hedef yoksa ve elde edilecek sonuç için belirsizlik söz konusu ise denetimsiz ifadesi kullanılmaktadır.
Denetimli (Supervised) Veri Madenciliği yöntemleri:
- En yakın k komşuluk (k-Nearest-Neighbor)
- K-ortalamalar kümeleme (K-means clustering)
- Regresyon modelleri (Regression models)
- Kural çıkarımı (Rule induction)
- Karar ağaçları (Decision trees)
- Sinir ağları (Neural networks)
Denetimsiz (Unsupervised) Veri Madenciliği yöntemleri:
- Aşamalı kümeleme ( Hierarchical clustering)
- Kendi kendini düzenleyen haritalar (Self organized maps)
olarak sınıflandırılabilir.
Veri madenciliğinde kullanılan yöntemlere gün geçtikçe yeni yöntemler eklenmektedir. Bu açıdan bakıldığında da yöntemleri klasik yöntemler ve yeni nesil yöntemler olarak sınıflandırılabilmektedir. Klasik yöntemler: Regresyon, K –En Yakın Komşuluk, Kümeleme. Yeni nesil yöntemler: Karar Ağaçları, Birliktelik Kuralları, Sinir Ağlarıdır.
3. Sorgu ve Raporlama Araçları (Query and Reporting Tools)
Sorgu ve raporlama araçları: kolay kullanımlı grafiksel kullanıcı arayüz ile kullanıcıya raporlar üretme, anlık sorguları oluşturma ve çalıştırma olanağı sağlamaktadır. Raporlar yöneticiye, herhangi bir talepte bulunmasına gerek kalmaksızın günlük, aylık, üç aylık ve benzeri süreli olarak doğrudan gelmektedir. Bu raporlar, özel amaçlı olabileceği gibi mevcut veya olası problemleri tanımlamak üzere de tasarlanabilecektir. Sorgular ise bir terminal üzerinden gerçekleştirilir ve yanıt genellikle aynı terminale geri döner. Terminalde bir sorgunun oluşturulması ve bu sorguya ait yanıtın bir yazıcı tarafından rapor şeklinde alınması da mümkün olabilmektedir.
Kuruluşların yapmış oldukları iş ile ilgili ürünün adet ve cinsini bildiren raporlar öteden beri alınmaktadır. Ancak özel yapay zeka algoritmalarına gereksinim duyan ve kuruluşların geleceği için önemli ayrıntıları yakalayan raporların, kuruluşlarca fark edilmesi ve yararlarının anlaşılması sorgu ve raporlama araçları alanındaki pazarın genişlemesine yol açmıştır. Bu gelişme doğal olarak Business Objects, SPSS Clementine gibi yeni ürünlerin ve raporların birbirinin peşi sıra pazara girmesine yol açmıştır. Herhangi bir sorgu ve raporlama aracının satın alınmasıda dikkat edilmesi gereken noktalar: performans, görsellik, kullanım kolaylığı, analiz olanağı ve teknik destek olarak sıralanabilir.
4. ETL – Veriyi Çekme, Dönüştürme, Yükleme (Extract, Transform, Load)
İş Zekası araçlarının bir çok farklı veri üzerinde çalıştığı düşünüldüğünde, elde edilen verilerin sınıflandırılması gerekmektedir. Bu sınıflandırma işlemi veriler çoğaldıkça zorlaşacaktır. Bu yüzden elde edilen verilerin veri deposına alınmadan önce süzülmesi, kurum için anlamlı verilerin alınması, anlamsız olanların da kuruma yarayacak şekilde sınıflandırılarak anlamlı hale getirmesi, alınacak raporların ve kararların doğruluğunu etkileyecektir. ETL kavramı da sürecin bu kısmına eldeki verilerin temizlenmesi kısmına veriln isimdir. Özellikle OLTP yapısı içinde çok sayıda kişinin farklı format ve kısıtlarda sisteme girdiği veriler, çeşitli yazılımlarla ETL sürecinden geçirilerek veri deposuna aktarılmaktadır. ETL sürecinin en temel görevi gereksiz bilgilerin temizlenmesi, gerekli bilginin ise ortak kısıtlar altında kaliteli bir şekilde depolanmasını sağlamaktır.
İş Zekası Sistemlerinin Avantajları (The Advantages Of Business Intelligence Systems)
İş zekâsı, bir yandan sektörel değişikliklere hızlı bir şekilde adaptasyonun sağlanması, müşteri tercihlerinin belirlenmesi, tedarik zinciri operasyonları ve işletme faaliyetlerinin koordinasyonunu sağlarken aynı zamanda işletmedeki tüm departmanlar arasında iletişimi artırarak pek çok varsayımı elimine etmektedir. Dolayısıyla iş zekâsının kullanılması işletmelerin tüm faaliyetlerini geliştirmektedir.
İş zekâsı uygulayan pek çok firmanın sağladığı avantajlar aşağıdaki şekilde sıralanabilir:
- İşletme pazarlama kampanyalarının internet yoluyla duyurulması, mail ve telefon trafiğinin gittikçe artması gibi pek çok iş problemleri ile ilgili bilgileri, analitik bir zekâ yoluyla işletme çalışanlarına kolayca iletmede üstün bir araçtır.
- İşletmeler gelecekteki potansiyel müşterilerini belirlemenin yanı sıra en karlı müşterilerini ve bu müşterilerinin sadakatlerinin sebeplerini belirleyebilir.
- E-ticaret stratejilerini geliştirmek için akım verilerini analiz edilebilir.
- Ürün tasarımı kusurlarının etkisini minimize etmek için problemli garanti raporlarını hızlı bir şekilde ortaya çıkartılabilir.
- Para aklama suçu ile ilgili faaliyetler keşfedilebilir.
- Ürün ve hizmet hatları müşterilerinin muhtemel satın almaları ve satın alma zamanları tespit edilebilir.
- Karlı müşterilerin potansiyel büyüme analizi ve daha doğu finansal kredi puanları yoluyla riske maruz kalma oranı azaltılabilir.
- Sigorta primleri için daha karlı oranlar ayarlanabilir.
- Kestirimci bakım uygulaması ile ekipman arıza süreleri azaltılabilir.
- Müşterilerin niçin rakip işletmelere gittiği ya da yeni müşterilerin gelme nedenleri yıpratma ve yayık analizler yoluyla ile belirlenebilir.
- Finans sektöründe hileli davranışlar belirlenebilir ve caydırma yöntemleri incelenebilir.
Firmaların müşteri tercihleri ile ilgili bilgiye sahip olmaları kaçınılmazdır ve talep değişikliklerine hızlı bir şekilde adapte olmalıdırlar. Firmaların, müşterilerin değişen taleplerini karşılayabilmek için pazarlanabilir ve yenilikçi ürün trendleri ile ilgili bilgileri bir araya getirmeleri iş zekâsı ile mümkün olmaktadır.
