Günlük Veri Tabanı ve Veri Ambarı Karşılaştırması

Bu yazıda operasyonel (günlük) veri tabanından çekilen rapor ile Veri Ambarı’ndan çekilen rapor arasındaki performans farkını örnek senaryolar kullanarak ortaya çıkarmaya çalışacağız. Bu işlem için benzer sonuçlar üreten 2 rapor örneği kullanacağız. İki rapordan ilkinde veri kaynağı olarak günlük veri tabanı kullanılırken, ikinci rapor örneğinde veri kaynağı olarak Veri Ambarı kullanıyoruz.

1.Rapor: Bu uygulama örneğinde Microsoft’un ücretsiz kullanıma sunduğu AdventureWorks veri tabanı kullanılmıştır. Rapor senaryosunda AdventureWorks şirketinin satışlarına ay, yıl ve çalışan filtresi verilmiştir. Örnek senaryo için AdventureWorks2012 veri tabanını veri kaynağı olarak ekliyoruz. Bu aşamada daha önce oluşturulup paylaşılmış veri tabanları da kullanılabilir. Aşağıdaki şekillerden yeni paylaşımlı veri kaynağının nasıl eklenebileceği görülebilir, sunucuya bağlanarak kullanılacak veri tabanı bilgileri seçilir.

Devamında eklenen veri kaynağından oluşturulmuş veri kümelerine ihtiyaç duyulur. Veri kümeleri oluşturulurken çalışan, ay, yıl, satılan ürünlerin miktarı, kategorisi ile ilişkili olan tablolar düşünülmelidir. Bu senaryo örneğinde 2 adet veri kümesi kullanılmıştır.

Rapor kullanıcısından filtre amaçlı, çalışan seçilmesi isteneceğinden çalışan adı ve ID değerini içeren bir koleksiyona ihtiyaç duyulmaktadır. Satış yapan çalışan bilgilerini içeren veri kümesini oluşturmak üzere aşağıdaki Sql sorgusu kullanılmıştır;

Rapor filtrelerini oluşturmak amacı ile parametre eklememiz gerekmektedir. Bu senaryoda yıl, ay ve çalışan filtreleri olduğundan her biri için parametre eklenmesi gerekmektedir.

İkinci veri kümesi için ürünün kategorisi ve yapılan satışlar ile ilgili tablolardan bilgiler alınmalıdır. EmpSalesMonth ismindeki veri kümesini oluşturan Sql sorgusu aşağıdaki gibidir;

Sql sorgusundaki where clause’da yer alan @ReportYear, @ReportMonth, @EmployeeID parametreleri kullanıcı arayüzünden aşağıdaki gibi seçilen değerler ile dolar.

rapor3

Veri kümesinin eklendiği ekran görüntsü aşağıdaki gibidir. Bu ekranda kullanılacak veri kaynağı seçilir ve Sql sorgusu query bölümüne eklenir. Veri kümesinin Sql sorgusu query designer, text form veya stored procedure olarak eklenebilir.

Parametreler seçildiğinde David Campbell ismindeki çalışanın Kasım 2005, 2006, 2007 yıllarında farklı kategorilerde yapmış olduğu satış miktarlarını ve oranlarını gösteren sonuçlar tablo ve grafik olarak aşağıdaki şekilde verilmiştir. Çıkan sonuçlarda çalışanın farklı yıllarda yaptığı Aksesuar (Accessories), Bisiklet (Bikes), Giyim (Clothing), Parça (Components) kategorileri için toplam satış miktarları grafiksel olarak ve aynı zamanda rakamsal olarak verilmiştir.

2.Rapor: İkinci rapor örneği için benzer sonuçlar üreten raporu oluşturmak üzere Veri Ambarı veri kaynağı olarak eklenir. Bu örnek için AdventureWorksDW2012 ismindeki veri kaynağı eklenir.

Çalışan bilgilerini veren veri kümesi aşağıdaki Sql kodu ile oluşturulmuştur;

İlk rapor örneği ile karşılaştırdığımızda çalışan bilgilerini almak için tek tablo kullanmıştır.

EmpSalesMonthDW ismindeki ikinci veri kümesi için aşağıdaki Sql sorgusu kullanılmıştır;

Veri Ambarı’ndan oluşturulan veri kümesinde operasyonel veri tabanından oluşturulan veri kümesinekıyasla daha az tablo kullanılmıştır. Satış ile ilgli işlemler için FactResellerSalestablosu kullanılmıştır. Hareket (fact) tablosu ürün, kategori, tarih ve çalışan gibi bilgilere ulaşmak üzere sabit (dim) tablolarına bağlanmıştır.

İki Raporun Karşılaştırılması

iki senaryo örneği karşılaştırılırken kullanılan ana veri kümeleri EmpSalesMonth ve EmpSalesMonthDW’u oluşturulan scriptler Sql Server Management Studio’da çalıştırılmıştır, bu sorguların performansını ölçmek için Microsoft Sql Server eklentisi olan Sql Statistics (Sql istatistik) ismindeki araç kullanılmıştır. Sql Statistics özelliği aktive edildikten sonra çalıştırılan sorgularda sorgu sonucu ile birlikte istatistiki veriler de elde edilir.

Sql Statistics ismindeki araç kullanılarak sorgular 5’er kere çalıştırılmıştır, kullanılan araç sayesinde harcanan süreler kayıt altına alınmıştır.Aşağıdaki Tablo 1 ve Tablo 2′de iki rapor için çıkan sonuçlar görülebilir. Sorgular her çalıştırıldığında farklı zaman harcanmıştır, ancak ortalama zamanlar düşünülerek karşılaştırma yapılacak olursak; Veri Ambarı’ndan çekilen sorgu operasyonel veri tabanından çekilen sorgunun ortalama toplam işletim (average total execution time) süresi 3 kattan fazla daha hızlı yanıt vermiştir. Sunucudan gelen cevap süresi de Veri Ambarı’ndan 4 katdan fazla daha hızlıdır. İki yöntem arasında açık bir performans farkı bulunmaktadır.

Tablo 1: EmpSalesMonth oluşturan sorgunun milisaniye cinsinden çıkan sonuçları.

Channels	5.Deneme	4.Deneme	3.Deneme	2.Deneme	1.Deneme	Ortalama
Client processing time	355	219	594	752	156	415.2
Wait time on serverreplis	1752	1602	1720	6371	1437	2576.4
Total execution time	2107	1821	2314	7123	1593	2991.6

Tablo 2: EmpSalesMonthDW oluşturan sorgunun milisaniye cinsinden çıkan sonuçları.

Channels	5.Deneme	4.Deneme	3.Deneme	2.Deneme	1.Deneme	Ortalama
Client processing time	15	125	47	47	94	65.6
Wait time on server replies	703	671	734	601	640	669.8
Total execution time	718	796	781	648	734	735.4

Kaynaklar:

[1] .AdventureWorks Sample Reports 2008 R2, http://msftdbprodsamples.codeplex. com / releases/view/89245, [Ziyaret tarihi:10 Mayıs 2015].

[2] AdventureWorks website sample, https://msfteeprodsamples.codeplex.com/ wikipage?title=SS2008!Readme_Storefront, [Ziyaret tarihi:25 Nisan 2015].

SSRS- Microsoft Sql Server Reporting Services(Sql Server Raporlama Servisleri)

Birçok İş Zekası çözümü standart rapor üretmek amacı ile raporlama elementlerini içermektedir. Microsoft raporlama aracı olarak SSRS çözümünü önerir. SSRS kullanımı kolay, ölçeklenebilir, çok amaçlı, sunucu tabanlı bir platformdur. Çok yönlü, ilişkisel ve xml bazlı veri tabanları ile uyumludur. Microsoft Sql Server’ın ücretsiz dahil bütün versiyonlarında SSRS bulunmaktadır. SSRS raporlama ortamı olarak Report Designer, Report Builder, Power View ve Report Server seçeneklerini sunmaktadır.

Şirketin ihtiyaçlarını da göz önünde bulunduracak şekilde detaylı bir raporun tasarlanması aşamasında üzerinde düşünülmesi gereken birçok nokta bulunmaktadır. Bunlardan bazıları;

İsterler (requirements) nelerdir?
İstenmekte olan raporlar hangileridir?
Rapor için hangi veri kaynakları kullanılacaktır?
Raporun hedef kitlesi kimlerdir?
Rapor ne zaman yayınlanmalıdır?
Self-service (kendine hizmet eden) raporlama isteği bulunuyor mu?

Vb. sorulara cevap bulacak şekilde düşünülmelidir.

Raporun tasarımına başlamadan önce kullanılacak veri tabanı ve raporlama aracının bu veri tabanına nasıl bağlanacağı konusuna karar verilmelidir. Şirketin özgül ihtiyaçlarına göre raporlama aracı veri tabanına direkt ulaşabilir ya da veri tabanına ETL işlemleri uygulandıktan sonraki versiyonuna ulaşabilir.

Sql Server Raporlama Örneği

Senaryo: AdventureWorks veri tabanından seçilen kategori ve alt kategoriye göre ilgili ürünleri listeme işleminin gerçekleştirilmesi.

Bu senaryoyu gerçeklemek için veri kaynağı ve bu veri kaynağından oluşan veri kümelerine (dataset) ihtiyaç duyulur. AdventureWorks2012 veri tabanı olarak kullanılır, ürün, kategori ve alt kategori için oluşturulan veri kümleri aşağıdaki gibidir;

ProductionDataset

Select ProductID,Name,Color,ListPrice

From Production.Product

Where ProductSubCategoryID=@SubCategoryID

SubCategoryDataSet

Select ProductID,Name,Color,ListPrice

From Production.Product

Where ProductSubCategoryID=@SubCategoryID

CategoryDataSet

SELECT ProductCategoryID, Name

FROM Production.ProductCategory

Aşağıdaki şekil rapor ekranın tasarımını özetlemektedir. Rapor için gerekli olan parametre, veri kaynağı, veri kümelerini görmek mümkündür. “Design” bölümünde raporda görünmesi istenen veri tabanından çekilmiş kolonlar eklenmiştir.

Raporlama Servislerinde kullanıcıdan girdi almayı destekleyen yapı “parametre”lerdir. Parametre ile veri filtrelenmiş olur. Bu senaryo için Category ve SubCategoryparametre olarak kullanılır, bu parametrelerin önceden tanımlanması gerekmektedir. Aşağıdaki şekilde Category parametresinin eklendiği ekran görülebilir, parametrenin çekildiği veri kümesi ve hangi alana karşılık geldiği bu ekranda belirlenir.

Senaryodaki raporda seçilen kategori ve alt kategoriye göre ortaya çıkan rapor aşağıdaki gibidir.

Kaynaklar

[1] Microsoft Msdn Reporting Services (SSRS), https://msdn.microsoft.com/en-us/ library/ms159106.aspx, [Ziyaret tarihi:20 Şubat 2015].

[2] Microsoft Corporation, 2012, Designing Business Intelligence Solutions with Microsoft Sql Server 2012, Microsoft Corporation, Product Number: 20467B.

SSIS- Sql Server Intergration Services (Sql Server Entegrasyon Servisleri) Uygulama Örnekleri

Microsoft’un sunduğu İş Zekası çözümlerinde kullanılan teknolojilerin bir kısmı aşağıdaki gibidir;

Sql Server veri tabanı motoru (database engine), uygulama veri tabanı ve veri ambarları için kullanılır,
ETL işlemleri, Microsoft Sql Server Integration Services (SSIS) ile yapılır,
Veri temizliği, Data Quality Services (DQS) ile,
Veri yönetimi (Master Data Management), Master Data Services (MDS) ile,
Depolama ve sorgu (query) işleme, Sql Server Analysis Services (SSAS) ile,
Rapor yayınlama ve gönderme, Sql Server Reporting Services (SSRS) ile

yapılır.

Sql Server Entegrasyon Servisleri Uygulama Örnekleri

Entegrasyon Servisleri ETL işlemlerini gerçekleştiren servistir. Günlük veri tabanından Veri Ambarı’na geçilme aşamasında SSIS ile oluşturulan paketler çalıştırılır. Bu yazıda verilen Entegrasyon Servisleri ile ilgili senaryo örnekleri aslında bu geçiş esnasında çalıştırılan paketlerdir. Hangi paketlerin oluşturulacağı ise şirket verisinin analiz edilmesi ve sık ihtiyaç duyulan raporlardan yola çıkılarak karar verilir.

Entegrasyon servisleri için gösterilen örneklerde veri tabanı olarak Microsoft’un ücretsiz kullanıma sunduğu veri tabanı, AdventureWorks kullanılmıştır. AdventureWorks uluslararası bisiklet ve bisiklet aksesuarları satan bir şirketin satış, ürün, kullanıcı gibi bilgilerini tutan ilişkisel veri tabanıdır

Entegrasyon Servisleri 1.Senaryo

Senaryo: AdventureWorks veri tabanındaki Product tablosu üzerinde bulunan ürün renklerini farklı diller ile ifade edilmesi.

Bu örnekteki amaç Veri Ambarı’nda çok dilli olma özelliğinin nasıl katılabileceğini göstermektir.

Sql Server Data Tools üzerinde spesifik işler yapmak üzere tanımlanmış task adı verilen yapılar mevcuttur. Bu senaryo için “Oledb Source” ismindeki task eklenir, bu task’a kaynak olarak AdventureWorks veri tabanı verilir.

Oledb Source task için aşağıdaki Sql komutu kullanılır:

Select ProductID, Name, Color, Size, and ListPrice from Production.Product

Bu senaryo için renkleri farklı dillerde ifade etme işlemi için farklı dillerdeki renk bilgilerini tutmak üzere bir lookup tablosuna ihtiyaç duyulur. ColorTranslation ismindeki aşağıda gösterilen bilgileri içeren tablo oluşturulur.

ID	İngilizceRenk	TürkçeRenk	İspanyolcaRenk
1	Red	Kırmızı	Roje
2	Black	Siyah	Negro
3	Blue	Mavi	Azul
4	White	Beyaz	Blanco
5	Null	Renksiz	No Color

Renkleri eşleştirme ve ürün rengini farklı renklerde gösterme işlemini yapmak üzere araçlar içerisinden “Lookup” ismindeki task eklenir. Product ve ColorTranslation tablolarını bağlamak üzere iki tabloda bulunan, ortak bir kolona ihtiyaç duyulur. Bu kolon aşağıdaki şekilde görüldüğü gibi EnglishColor dır.

Aşağıdaki şekilde verinin akış diyagramındaki tek yönlü oklar bir task’dan diğerine bilgi taşımaktadır. Eşleşen ve eşleşmeyen renkleri göstermek üzere araçlar içerisinden iki adet “Audit” ismindeki task eklenir. 504 üründen 414 tanesinin rengi lookup tablosundaki renklerle eşleşirken 90 adet ürün renginin tablodaki renklerden farklı renkte olduğu anlaşılmaktadır.

Aşağıdaki şekildeki senaryo çıktısında görülebileceği gibi İngilizce renklere karşılık gelen Türkçe ve İspanyolca ürün renkleri eklenmiştir.

Entegrasyon Servisleri 2.Senaryo

Senaryo: AdventureWorks veri tabanındaki Product tablosundaki ürünleri mavi ve kırmızı renk ve pahalı ürünler olarak ayrıştırma işleminin gerçekleştirilmesi.

Tablodaki verileri belirlenen özelliklere göre ayırmak mümkündür. Bu senaryo için ayırma işlemini yapmak üzere “Conditional Split” ismindeki task kullanılır. Bu işlemden önce boş (null) alan temizliğinin yapılması gerekir. Bu işlem için “Derived Column” ismindeki task eklenir. Bu taskta yapılması gereken işlem için REPLACENULL(Color,”No Color”) fonksiyonu kullanılır, Color kolonu için Null görünen yerleri “No Color ” olarak güncellemiş olur.

Şartlı ayrıştırma (conditional split) işlemi için şart faktörleri aşağıdaki gibidir:

• Pahalı Ürünler: ListPrice > 1500,

• Kırmızı Ürünler: Color == “Red” ,

• Mavi Ürünler: Color == “Blue”

Aşağıdaki diyagramdan görülebileceği üzere, veri kaynağı devamında null temizliği ve şartlı ayırma işlemi yapılır. Şartlı ayırma işlemi sonrasında ürünler kırmızı, mavi, pahalı ürünler ve bunlar dışında kalan ürünler olarak ayrıştırılmış olur.

Aşağıdaki şekilde kırmızı renkli ürünlerin çıktısını göstermek üzere eklenmiştir.

Kaynaklar

Bt Akademi’den aldığım Sql Server 2012 ile İş Zekası Uygulamları Eğitimi

İŞ ZEKASI BİLEŞENLERİ

Birçok İş Zekası çözümü Veri kaynağı, ETL, Veri Ambarı, Analitik Veri Modeli (Analytical Data Model), Raporlama ve Analiz gibi temel İş Zekası bileşenlerini barındırır. Bütün platformlar için uygun olan ve bileşenler arasındaki ilişkiyi gösteren aşağıdaki şekil bu bileşenleri özetler niteliktedir. İş Zekası çözümü bir veri kaynağı ile başlar, veri işlenir ve Veri Ambarı ya da veri modeli oluşturulur. Sonuç olarak son kullanıcıya anlamlı rapor ve analizler sunulur.

Veri Kaynağı

Veri kaynağı İş Zekası çözümlerine temel oluşturan bileşendir. Şirketlerin birçoğu operasyon işlemlerinde Enterprise Resource Planning (ERP), Supply Chain Management (SCM), satış odaklı işlemler için Customer Relationship Management (CRM) ya da perakende satış işlemleri için Point-of-Sale (POS) gibi yazılımlar kullanırlar. Bu sistemler İş Zekası çözümlerinde başlangıç noktası olacak veri kaynağını üretirler. Uygulama veri tabanı genellikle Sql Server, Oracle ya da Access gibi ilişkisel veri tabanı yönetimi sistemleri (relational database management systems) olarak tasarlanır. İş Zekası çözümlerinde kullanılan veri kaynağı bulut tabanlı veya web servis örneğinde olduğu gibi harici ya da uygulama veri tabanı örneğinde olduğu gibi dahili olabilir.

ETL

ETL, üç ayrı işlemin tek bir işlem gibi yapıldığı bileşendir. ETL sistemleri genel anlamda verinin operasyonel veri tabanlarından veri ambarlarına aktarma işlemini gerçekleştirir. Verinin kaynaktan Veri Ambarı’na kopyalanmasından çok daha fazlasıdır. ETL veriyi kaynak sistemden çıkarıp veri içeriğini Veri Ambarı şemasına iletir ve Veri Ambarı’na yükler.

ETL İş Zekası çözümünün kalbi olarak düşünülebilir. ETL sistemleri veriyi sürekli olarak pompalayarak Veri Ambarı’nın güncel olmasını ve veri entegrasyonunu sağlayarak İş Zekası çözümünün bir bütün olarak devam etmesini sağlar. Etkili bir ETL tasarımı daha etkili bir İş Zekası çözümü elde edilebilmesine katkıda bulunur.

Veri Ambarı (Data Warehouse)

Veri Ambarı bütün raporlama ve analizlere temel oluşturan merkezi veri depolama birimi olduğundan İş Zekası çözümünün beyni olarak düşünülebilir. Günlük veri tabanlarında işlemler halen devam ediyor olduğundan rapor ya da analiz yapmak için uygun değildirler. Operasyonel veri tabanlarında select sorgusu çalıştırmak uzun süre alır. Select sorgusu üzerine yoğunlaşılmaktadır çünkü raporlar veya analizler genel olarak karmaşık select komut setlerinin çalıştırılması ile alınır. Bu zamanı kısaltmak için veri tabanının kopyasını almak yeterli olmaz. Günlük veri tabanlarının yükünü azaltacak bir yapıya ihtiyaç vardır. Bu ihtiyaçlar Veri Ambarı yapısının kullanılması ile giderilmiş olur. Günlük veri tabanları ETL operasyonlarından geçirilerek verinin daha rahat analiz edilebileceği ve kolaylıkla rapor alınabileceği veri ambarları oluşturulur.

Veri Ambarı şirketin hafızasıdır. Bilgiyi detaylı ve geçmişini de içerecek şekilde tutar. Operasyonel veri tabanlarında verinin güncellendikten sonraki son haline ulaşmak mümkündür. Veri Ambarı’nda ise verinin güncellenmeden önce ve sonraki bütün versiyonları tutulur. Örneğin veri tabanında çalışan bilgilerinin tutulduğu bir tablo olduğunu varsayalım. Çalışanlardan birinin 2011 yılında 2 çocuğu olsun ve çalışanın 2014 yılında bir çocuğu daha doğuyor olsun. Günlük veri tabanında çalışanın 3 çocuğu olduğu bilgisi tutulurken Veri Ambarı’nda ise çalışanın 2011 yılında 2 çocuğu, 2014 yılında 3 çocuğu olduğu bilgileri yer alır. Anlaşılabileceği üzere Veri Ambarı’ndan çalışanla ilgili geçmiş bilgilere de ulaşılabilmektedir. Bunun bir sonucu olarak Veri Ambarı günlük veri tabanına göre çok daha fazla yer kaplamaktadır.

Günlük veri tabanında aynı kelime farklı şekillerde ifade edilebildiğinden veri kirliliği vardır. Veri Ambarı’nda ise aynı kelimeye denk gelen bütün kelimeler orijinal versiyonu ile ifade edilecek şekilde veri temizliği yapılır böylece veri kirliliği azaltılmış olur.

Veri Ambarı oluşturulurken denormalizasyon, tabloları birleştirme ve sadeleştirme, işlemi uygulanır, bunun sonucunda tablo sayısı azalır, tablo içerisindeki veri miktarı artar, birden fazla tablo tek bir tablo olarak ifade edilmiş olur.

Veri ambarları güncel veriyi tutmaz. Günlük veri tabanından ETL işlemlerini gerçekleştirmek üzere tanımlanan paketler, belirli saatlerde çalışarak Veri Ambarı’nı günceller, genellikle bu paketler 6 saatlik periyotlarla çalıştırılır.

Veri Ambarı oluşturulurken tablo ve sütun isimleri anlamlı olmalıdır. Böylece rapor alırken her defasında isimlendirmektense raporda kullanılacak şekilde isimlendirme yapmak zamandan tasarruf edilmesini sağlayacaktır.

Analitik Veri Modeli

Şirketler analiz ve raporlama işlemlerini direkt olarak Veri Ambarı üzerinden yapmak isteyebilirler. Diğer bir yöntem ise analitik veri modeli üzerinden rapor çekip analiz üretmektir. Analitik veri modeli için kaynak olarak genellikle Veri Ambarı kullanılır. Analitik veri modellerinin amacı işleyiş için Veri Ambarı’ndan çekilen veriye değer katarak gerekli olan anlamlı bilgiyi üretmektir. Analitik veri modeli Veri Ambarı’nda olmayan KPI (Key Performance Indicator), önceden hesaplanmış ölçümler (calculated measures), kullanıcı tanımlı hiyerarşiler (user-defined hierarchies) gibi ek faydalar sağlar. Analitik veri modelleri küp (cube) isminde çok boyutlu yapılar oluşturur, küpler özellikle eklenmiş hesaplamaların bulunduğu yapılardır.

Raporlama

İş Zekası çözümlerinin sağladığı temel faydalardan bir tanesi kurumların iş performansını arttırması ve işleyişi takip edebilmesi amacıyla rapor ve analizler üretmektir. Rapor; gelecek yıllarda hangi aksiyonların alınması gerektiği amacı ile oluşturulan, iş performansı ve aktivitelerin bir özetidir.

İş Zekası çözümlerinin çoğu standart raporların alındığı raporlama elementlerini barındırır. Raporlar doğrudan günlük veri tabanından, Veri Ambarı’ndan ya da analitik veri modelleri kullanılarak alınabilir, bu ihtiyaca ve senaryoya göre değişir.

Kaynaklar

[1] Microsoft Corporation, 2012, Designing Business Intelligence Solutions with Microsoft Sql Server 2012, Microsoft Corporation, Product Number: 20467B.

[2] Veri Ambarı ve İş Zekası Yapısal Teorisi, http://www.cevizbilgi.com.tr/veri-ambari-ve-zekasi-yapisal-teorisi/, [Ziyaret tarihi:20 Şubat 2015].

[3] Loshin, D., 2003, Getting Onboard with Emerging IT, Business Intelligence: The Savvy Manager’s Guide, Morgan Kaufmann Publishers, ISBN-10: 1558609164, SanFrancisco, 100-120.

ICSEM-Uluslararası Sistem Mühendisliği ve Modelleme Konferansı,Roma-En İyi Makale Ödülü

Yüksek lisans tezim ile ilgili çalışmaya devam ederken ikinci kez uluslararası bir konferansa makalemi sunmak üzere katılma tecrübesi yaşadım. Clute Institute tarafından San Francisco’da organize edilen konferansta İş Zekası ile ilgili makalemizi sunmuştum onun devamı olarak bu kez Microsoft Sql Server Raporlama Servisleri ile ilgili bir makale çalışması yaptım. İş yerinden arkadaşım Ergül Azizler de yüksek lisansa devam ediyor, ayrı ayrı makale göndermeyi düşünüyorduk ikimizin de makalesi yetişmeyince birlikte çalışmaya karar verdik, tez danışmanım Yrd.Doç.Dr. Emel Arslan’ın katkıları ile “Implementation Scenarios of Reporting from Data Warehouse for Business Intelligence” ismindeki makalemizi ortaya çıkardık. Bu çalışmada genel olarak Microsoft Sql Server Raporlama Servisleri’nden bahsedip, bir uygulama çalışması yaptık, günlük veri tabanından rapor almak ile veri ambarından rapor çekmek arasındaki farkı ortaya çıkarak bir çalışma oldu. İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü’nden hocam Yrd.Doç.Dr. Zeynep Orman IACSIT(Internation Association of Computer Science and Information Technology) organizasyonunun düzenlediği konferansın komitesinde yer almıştı, Zeynep Hoca ve Emel Hoca’nın önerisi ile IACSIT organizasyonunun düzenlediği ICSEM (International Conference on System Engineering and Modeling ),Roma’da gerçekleştirilen konferansa makalemizi yolladık. Aradan yaklaşık 1 ay geçtikten sonra makalemizin konferansa kabul edildiği haberini aldık Konferans 18,19 Mayıs tarihlerinde Roma’da gerçekleşti. Konferans katılımı için Ericsson’dan destek aldık, geçen sefer San Francisco’ya makale sunmak üzere gittiğimde yine Ericsson ve İstanbul Üniversitesi sponsor olmuştu.Kabul edildiğimiz haberini aldıktan sonra başladık hazırlıklara; bir yandan sunum vesaire hazırlanırken bir yandan da Avrupa’ya gitmişken İspanya tur planı yaptık. İş yerinde iki haftalık izin aldık.

18 Mayıs’da konferans kaydımızı yaptık, 19 Mayıs’da da sunumlar oldu. Konferansa Keynote ve açılış konuşmaları ile başladık. Cardiff Üniversitesi’nden Prof.Alexander Balinsky ve Florida Teknoloji Enstitüsü’nden (The Florida Institute of Technology in Melbourne, Florida, USA) Prof. Wiliam Arrasmith açılış konuşması yaptılar. Açılış konuşmasından sonra Prof. Alexander, Prof. William ve Paris Üniversitesi’nden Prof. Ben-Othman Jalel çalışmalarını sundular. İlk bölümden sonra aşağıdaki grup fotoğrafını çektik

Konferans iki oturumdan oluşuyordu, bizim sunumumuz öğleden sonraki ilk oturuma dahil edilmişti. Öğleden sonraki ilk oturumda ikinci sırada makalemizi sunduk. Sunumu Ergül ile birlikte yaptık. Konferansta Amerika, İngiltere, Kore, Bulgaristan, Tayvan, Çin, Japonya, Hindistan, Ekvador, Mexica, Cezayir gibi çok farklı ülkelerden insanlar vardı. Uluslararası bir etkinliğe katılmanın en güzel yanı farklı milletten insanlarla tanışıp kültürlerini tanımaktır. Farklı kültürler oldum olası ilgimi çekmiştir. Örneğin ilk defa Ekvador’dan biri ile tanıştım ve komik olan ülkeyi Ekvator çizgisinin üzerinde Sigapoure’a yakın bir yerlerde sanıyordum sohbet sırasında öğrendim ki Güney Amerika’da imiş, yaşayarak öğrenmiş oldum yani bu bilgiyi Kayıt günü tanıştığımız Güney Kore’li arkadaş ile o günü birlikte geçirip gezdik, yine onunla Kore’ye ve dünyaya dair sohbet ettik. Prof. Alexander İsrailli idi, acayip özgüvenli ve konuşkan bir kişilikti hemen hemen bütün sunumlarda müdahale edip yorum yapıyordu neyse ki bizim sunumda salonda değildi Kendisi ile de konferansın sonlarında bayağı samimi olduk, hayat hikayesini ve tecrübelerini dinledik. Bütün bunlar paha biçilmez tecrübe oldu bizim için.

Konferans sonunda en iyi makale ödül töreni ve akşam yemeği vardı. Her oturumdan bir makale seçilmişti veeee en iyi makale ödülü (Best Paper Award) bize geldi Doğrusu hiç beklemiyorduk, süpriz oldu bizim için, harika bir andı. Prof. Alexandar’ın sertikamızı verirkenki mutluluğumuz aşağıdaki kareye yansımıştır.

Makalemiz IJMO dergisinde de yayınlandı, buradan okuyabilirsiniz.

Roma’dan sonra Barcelona’ya geçtik, iki arkadaşımız ile buluştuk, daha sonra araba kiralayıp güneye indik; Valenciya, Granada, Malaga, Ronda ve Cadiz’e gittik. Son iki günde ben aile ziyareti için Belçika’ya geçtim. Harika bir tatil geçirdik.

Konferans katılımıza destek olan Ericsson’a , Yrd. Doç. Dr. Emel ARSLAN’a, Yrd. Doç. Dr. Zeynep Orman’a, yaptığı harika gezi planı ve rehberliği için Ergül Azizler’e , tatil boyunca birlikte vakit geçirdiğimiz Serap Şen’e ve Volkan Çiçek’e, Belçika’daki akrabalarıma bu seyahatimin ve harika tecrübenin parçası oldukları için sonsuz teşekkürler