İş Zekasına Giriş

1. İş Zekasına Giriş Erdem Alparslan Bahçeşehir Üniversitesi

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

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

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

5. Karar alma İşlenmiş Bilgi Ham veri Bilgi 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)

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

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

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

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

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)

15. OLTP - OLAP

16. SQL – OLAP – Veri Madenciliği

17. Örnek

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

19. İş Zekası Perspektifinden Karar Destek Sistemleri

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

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

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)

23. İş zekası – eski tanım

24. İş zekası – yeni tanım