-

Adomd.Net

Adomd.Net .Net ile kullanılan Sql Server Analiz Servisleri sağlayıcısıdır. Analiz Servisleri işlemleri için özelleştirilmiş sınıfları (classes) ve arayüzleri (interface) vardır. Visual Basic .Net, C# ve J# dilleri ile kullanılabilir. Adomd.Net veri madenciliği istemci (client) uygulamalarının programlanmasını kolaylaştırmak için klasik Ado.Net arayüzlerinin yanında veri madenciliği ve Olap (Online Analytical Processing) nesneleri içerir.

Adomd.Net Uygulama Örneği

Önceki yazılarımda Dmx sorguları ile daha önceden oluşturulan madencilik modeli üzerinde sorgu çalıştırıp Birliktelik Kuralları çıkarılabileceği örnek sorgular ile anlatmıştım.

Bu bölümdeki uygulama örneğinde  “Microsoft Birliktelik Kuralları” konulu makalemde oluşturulan madencilik modeli üzerinde Dmx sorguları çalıştırılacak, Adomd.Net kullanılarak bir web sitesi üzerinde alınan ürün için nasıl  ürün tavsiyesinde bulunulabileceği öğrenilecektir.

Madencilik modeli üzerinde çalıştırılan Dmx sorgusu kullanılarak Adomd.Net Api yardımıyla bir stored procedure (Sql’de kullanılan veri tabanı objesi) oluşturulacaktır, devamında oluşturulan procedure web sitesi tarafında yine Adomd.Net  Api kullanılarak çağırılacaktır.

Stored Procedure oluşturmak üzere Visual Studio’dan Class Library tipinde proje eklenir. Projeye referans olarak msmgdsrv.dll (Microsoft.AnalysisServices.AdomdServer)eklenir. Bu referans Server Adomd.Net ile ilgili özellikleri barındırır. Başka bir sınıf ekleyip ana metodu Adomd.Net Api kullanılacak şekilde dizayn edilir, bu işlem için Microsoft.AnalysisServices.AdomdClient.dll referansı eklenir.Devamında Adomd.Net bağlantısı kurulup Dmx sorgusunun çalıştırılması gerekmektedir. Dmx sorgusu sonucunda erişilen sonuç kümesi verilen ürün ile alınabilecek ürünlerin listesini verir. İlk eklenen Class1 içerisinden Class2 içerisindeki ana metodun çağrısı Server Adomd.Net Api özellikleri kullanılarak yapılır, Class1’den Class2’deki metodu çağıran kod bloğu aşağıdaki gibidir.

adomd1

Class2 içerisinde Adomd.Net Api özellikleri kullanılarak bağlantı yapılır, Dmx sorgusu eklenir ve sonuç kümesine erişilir. Kod bloğu aşağıdaki gibidir;

adomd2

Hazırlanan kod derlendikten sonra projedeki bin klasörü içinde proje adı ile bir dll (Dynamic Link Library) oluşacaktır. Bu dll’in madencilik modelinin referanslarına eklenmesi gerekmektedir. Sql Server Management Studio’ya Server Type olarak “Analysis Services” seçilip bağlanıldığında, Analiz Servisleri kapsamında yapılan çalışmalar yayınlanmış ise bu kısıma proje olarak eklenmiş olduğu görülebilir. Oluşturulan madencilik modelinin olduğu proje bulunup oluşturulan dll bu projenin “Assemblies” tabı altına eklenmelidir. Sql Server Management Studio üzerinden yeni referans ekleme ekranı Şekilde1’de gösterildiği gibidir. “ThesisAssociationExample” ismindeki proje altında eklenen veri kaynakları, veri kümleri ve Eklenen Association ismindeki madencilik modeli Şekil 1’den görülebilir. Şekil 1’deki projenin “Assemblies”  tabına yeni bir referans eklenebilir, bu örnek için oluşturulan SSASSP ismindeki referans eklenir.

Şekil1:Yeni referans ekleme ekranı.

Şekil1:Yeni referans ekleme ekranı.

Bu uygulama ile elde edilmek istenen; GetAssociatedProd metoduna 1 adet ürün modeli parametresi verilerek o ürün ile satın alınabilecek ürünler bilgisine ulaşmaktır. Sql Server Management Studio üzerinden Dmx sorgusu kullanarak oluşturulan stored procedure’ü çağırma işlemi aşağıdaki gibi gerçekleştirilebilir.

CALL [SSASSP].GetAssociatedProd(“ML Headset”)

Bu çağrı sonucundaDmx sorguları ile yapılan örnek uygulamalarda olduğu gibi; ML Headset ürününü satın alan müşterinin bununla birlikte alma olasılığı olan ilk 3 ürün ve bunlara ait olasılık değerlerini vermektedir.

Buraya kadar olan kısımda web sitesi üzerinden öneri yapmak için gerekli alt yapı sağlamış oldu. Bu bölümde ise oluşturulan procedure’ü kullanarak alınan ürüne istinaden öneride bulunulacaktır.

Bu işlemi denemek üzere AdventureWorks veri tabanı kullanılarak oluşturulan Asp.Net projesindeki tasarım ve şablon kullanılarak öneri sisteminin simülasyonu yapılmıştır [2]. Web sitesi genel bir alışveriş sitesi mantığı ile yapılmıştır; ürünler listelenir, kullanıcı ürünü seçip sepetine atar ve daha sonra ödemeyi yapıp ürünü satın alır. Makale kapsamında alınan ürüne göre kullanıcıya alabileceği ürünler gösterilecektir.

Web sitesinin satın alınabilecek ürünleri gösterdiği basit ara yüzü Şekil 2’deki gibidir.

Şekil2: Web sitesinde ürün listesinin gösterildiği ekran.

Şekil2: Web sitesinde ürün listesinin gösterildiği ekran.

Birliktelik Kuralları’nın çıkarılıp web sitesi üzerinden öneride bulunma kısmında yine Adomd.Net Api kullanılarak bağlantılar oluşturulur, Dmx sorgusu ile oluşturulan procedure çağırılır, bu işlem için eklenen kod bloğu aşağıdaki gibidir:

adomd3

Ürünü sepete eklemek için Add to Cart (Sepete Ekle) denmelidir ve alışveriş sepetinin görülebildiği sayfaya yönlenir, bu sayfada seçilen ürün ile alınabilecek ürünler ve olasılık değerleri listelenir, alışveriş sepeti sayfası Şekil 3’deki gibidir, temsili olarak bu ürünler için tablo eklenmiştir. Çıkan sonuca göre Hitch Rack- 4 – Bike modelindeki aksesuarı alan bir müşterinin Sport- 100 ürününü de alma ihtimali %29 dur, bu yüzden bu ürün müşteriye tavsiye edilebilir.

Şekil3: Pazar sepetindeki ürünlerin ve önerilen ürünlerin gösterildiği web sayfası.

Şekil3: Pazar sepetindeki ürünlerin ve önerilen ürünlerin gösterildiği web sayfası.

Kaynaklar:

[1]   MacLennan, J., Tang, Z., Crivat, B., 2008, Programming Sql Server Data Mining, Data Mining with Microsoft SQL Server 2008, Chapter 16, Wiley Publishing Inc., ISBN: 978-0-470-27774-4, 487-580.

[2]    Mundy, J., Thornthwaite, W., Kimbal, R., 2011, Sql Server 2008 R2 and the Microsoft Business Intelligence Toolset, Wiley Publising Inc., Indianapolis, Indiana, ISBN-13:978-0470640388.

 

 

 

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.

kolon

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.

diagram

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

result

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.

conditionalSplit

Aşağıdaki şekilde kırmızı renkli ürünlerin çıktısını göstermek üzere eklenmiştir.

kırmızı

 Kaynaklar

  1. 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.

İŞzekasıbileşenleri

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.

 

The Clute Institute Uluslararası İş ve Eğitim Konferansı,San Francisco

Uzun süre sonra tekrar blog yazısı yazıyorum.İş hayatına geçtikten sonra bu konuda tembelleştiğimi itiraf etmeliyim.Yazmayı planladığım çok fazla şey olmasına rağmen sürekli erteliyorum maalesef.Şuan ise artık bloğumda yazmam gerektiğine kendimi ikna ettim :)  Yazmış olduğum makaleyi  uluslararası bir konferansta sunmak üzere davet aldım ve bu konudaki tecrübelerimi ,süreci aktarmam gerektiğini düşünüyorum.

Öncelikle akademik bir makale yazma fikri nasıl ortaya çıktı, buradan başlayabilirim.İstanbul Üniversitesi’nde Bilgisayar Mühendisliği Bölümü’nde yüksek lisans yapıyorum.Yüksek Lisans derslerinden birinde hocam  Yrd. Doç. Dr.Zeynep Orman araştırmak ve sunum yapmak üzere bir konu seçmemizi istemişti.Ben İş zekası konusunu seçmiştim.Konu ile ilgili makaleleri de araştırarak bir survey çalışması da yapmıştım.Konuyu araştırırken bu konudaki makalelerin azlığı ve olanların çok nitelikli olmadığını farkettik.Hocam bu konuda açık olduğunu ve bir çalışma yürütebileceğimizi önerdi.İlerleyen süreçte Bt Akademi’den Resul Çavuşoğlu’nun verdiği yaklaşık 3 ay süren Sql Server 2012 ile İş Zekası Uygulamaları Eğitimi’ne de katıldım.Bu eğitimin de katkıları bir ile makale çalışması yaptık.Makalemizde iş zekası ihtiyacından başlayarak bileşenleri,iş zekası projelerini teorik yönden  yer verdik ve Microsoft’un iş zekası platformuna yoğunlaşarak bunun için de uygulama örneklerine yer verdik.Yine yüksek lisansdan tez hocam olan Yrd. Doç. Dr.Emel Arslan’ın da katkıları ve önerileri ile makaleyi akademik formatlara uydurduk.Makaleyi The Clute Institute tarafından bu sene 3-7 Ağustos tarihleri arasında San Francisco,California’da düzenlenen Uluslararası İş ve Eğitim Konferansı’na yolladık.Yaklaşık bir hafta kadar sonra makalenin konferansa kabul edildiği iletildi,bizi sunum yapmak üzere San Francisco’da gerçekleşen  konferansa davet ettiler.Üniversite’den biletimi ödemek için onay almayı başardık.Şimdi çalıştığım şirketim Ericsson da konaklama konusunda sponsor oldu.Hocalarım konferansa gelemedi.Konferansdaki sunumu da yine hocalarımın önerileri  doğrultusunda  hazırladım.Doğrusu sunumun nasıl hazırlanması ve yapılması gerektiği ile ilgili tecrübeli olduğumu söyleyebilirim.Imagine Cup yarışmasına katıldığımız süreçte bu konuda eğitim de almıştık.San Francisco’daki süreçten bahsedecek olursam;3 gün konferansa katıldım.Türkiye’den gelen Çin Dili ve Edebiyatı Anabilim Dalı Başkanı Doç. Dr. Eyüp Sarıtaş ve Missouri Üniversitesi’nde doktorasına devam eden Ayça Değirmencioğlu ile tanıştım,Türkiye’den Hava Harp Okulu’ndan arkadaşlar da sunum yapmak için gelmişlerdi.Yine California State Üniversitesi’nden ve sektörden konferansa katılan kişilerle tanışıp sohbet etme imkanımız oldu.Konferansın 2. gününde sunumumu yaptım,beni dinleyenler teknik konulara çok hakim olmasalar da sunumumu beğendiklerini söylediler :)

WP_20140805_013

 

WP_20140811_008 (1)

Konferans  sayesinde San Francisco’yu da gezme şansına sahip oldum.Daha önce Amerika’ya Build 2012 Konferansı’na katılmak üzere New York ve Washington’a gitmiştim ama San Francisco’yu ayrı bir güzeldi.San Francisco’da gezmek çok kolay oldu,ulaşım ağı çok gelişmiş,her şey turistlere göre dizayn edilmişti sanki.Çok fazla turist vardı,birine bir şey soracakken sizin gibi bir turiste denk gelmiş olma ihtimaliniz çok yüksek.İlk gün hemen Golden Gate köprüsüne gittim,köprüyü yürüyerek geçip geri döndüm,yaklaşık 1,5 saatte tamamladım.Köprünün üzerinden Pasific Okyanus’un manzarası harikaydı.

WP_20140803_037

Türkiye’den gitmeden bir kaç tur ayarlamıştım.Okyanus kıyılarını gezdiren Monetery/Carmel turuna katıldım,silikon vadisini teğet geçtik :)  Zamanında Amerika’nın azılı katillerinin tutulduğu Alcatraz Island’a çok öncesinden bilet almışım,oradayken sorduğumda Ağustos sonuna kadar bilet olmadığını söylediler.Şu hep filmlerde gördüğümüz meşhur Amerikan hapishanelerini gördüm,sesli anlatım eşliğinde müzeye çevirdikleri hapishanede gezdim.Son 1,5 günümü de alışverişe ayırmıştım.Gitmişken alışveriş olmadan olmazdı.Outlet mağazaların yerlerini önceden öğrenmiştim Marshalls,Ross,Tj maxx forever :) Bir haftalık hem iş hem seyahat amaçlı gittiğim San Francisco’yu çok beğendim,keyif alarak gezdim.Farklı insanlar tanıdım benim için ciddi bir tecrübe oldu.Makalelerimizi yakın zamanda konferans proceeding de  ve seçtiğimiz journal larda yayınlayacaklar.Yayınlandığı zaman linkleri sitemden de paylaşırım .

Makale hazırlama sürecinden gidşime kadar yardımlarını esirgemeyen hocalarıma ve katkı sağlayan herkese sonsuz teşekkürler…

Konferans hakkında detayları cluteinstitute.com  bulabilirsiniz.

Makalemi okumak isterseniz burdan “2014 Conference Processdings” altından San Francisco konferansına bakarak erişebilirsiniz.

Business Intelligence(İş Zekası)’e Giriş

Yüksek lisans dersilerimden birinde araştırma konusu olarak günümüzün popüler teknolojilerinden biri olan İş Zekası’nı seçtim.Yaptığım araştırmalar aşağıdaki gibidir.

Tarih Boyunca Veri

Veri toplamak ve toplanan bu veriyi anlamlandırmak insanlık tarihi kadar eskidir.En ilkel zamanlarda bile mağarada yaşayan insanlar yaşadıklarını ve tecrübelerini duvarlara çizerlerdi,bu şekilde veri birikimi olurdu.Günümüze baktığımızda ise çocuklar bile sosyal platformları,arama motorlarını çok rahat  kullanabilecek düzeydeler.İşin içine teknoloji ve teknoloji ile büyüyen bir nesil girince veri birikimi artmıştır.

Globalization

Yapılan araştırmalara göre dünyadaki veri hacmi her 2-5 yıllık periyodlarda iki katına çıkmıştır.Bunun doğal bir sonucu olarak problemin neden sonuş ilişkisini ham veri üzerinde yorumlamak neredeyse imkansız hale gelmiştir.Aşağıdaki grafik artan veri hacminin yıllara göre değişimini gösteriyor.

datagrowth

İş Zekası Nedir?

Biriken verinin anlamlı hale dönüşütürülmesi noktasında İş Zekası kavramı ortaya çıkar.İş Zekası kavramı verinin işlenerek anlamlı bilgi haline dönüştürülmesinde kullanılan tüm teknoloji ve süreçleri kapsayan bir terimdir.

İş Zekasına Neden İhtiyaç Duyarız?

İş Zekası uygulamaları daha çok kurumların raporlama araçlarının yetersiz kaldığı durumlarda ortaya çıkar.Uygulama geliştrililirken raporlama araçları da eklenir,zaman ilerledikçe veri artar ve farklı kaynaklardan veriler alınmaya başlanır.Bu durumda raporlar yetersiz kalır ve iş zekası çözümlerine ihtiyaç olur.Diğer yandan farklı uygulama ve veri tabanlarından veri alan kurum sistemlerinde veriyi ilişkilendirerek anlamlandırma noktasında iş zekası çözüm getirir.Raporlama süreçlerinde karar destek mekanizmaları,veri madenciliği, veri ambarı araçları da kullanılmaktadır.

İş Zekasının ortaya çıkmasındaki  nedenlerinden biri globelleşen dünyadaki artan rekabet oranıdır.Dünyanın bir ucundaki bir kurumda  gerçekleşen ekonomik gelişme başka bir ülkenin ekonomisini  altüst edebilmektedir.Tüm kurumlar böyle rekabet dolu  bir ortamda çalışırken risk unsuru ortaya çıkar.Gelişmelerin gerisinde kalmamak için çok daha hızlı ve doğru karar vermek zorunda kalıyorlar.Sonuç olarak; birim zamanda verilmesi gereken karar sayısında çok büyük artış olmuştur.

images

İş Zekasının Uygulanabilirliğini Arttıran Etmenler:

  • Donanımın ucuzlaması
  • Araçların gelişmesi
  • Sıfır maliyetle deneme şansı
  • Algoritmaların yaygınlaşması
  • Bilgi birikiminin yaygınlaşması
  • Emeğin yaygınlaşması
  • Güvenlik unsuru

İş Zekasında Kullanılan Araçlar:

raporlama1

İş Zekası raporları hazırlanırken kullanılan araçlardan bazıları aşağıdaki gibidir:

  • Excel ve Excel için PowerPivot
  • Report Builder
  • Visio ve Visio Servisleri
  • Microsoft SQL Server (Microsoft SQL Server Integration Services,Microsoft SQL Server Analysis Services,Microsoft SQL Server Reporting Services)
  • SharePoint PerformancePoint Hizmetleri

İş Zekası Raporlarının Gösteriminde Kullanılan  Kavramlar:

KPI(Key Performance Indicator): Değer, hedef, eğilim ve grafik gösterimden oluşan bir bilgidir.KPI’lar şu anki değerin ne olduğunu ve hedef değerini içerir. Şuanki değer  hedefe göre ne durumdadır bilgisi yer alır.

Report: Yani rapor ise görsel yönleri de olabilmekle birlikte daha çok sayısal verileri sunar ve genelde KPI’lardan daha detaylıdırlar.

Scorecard: Yani karne, KPI’ların belirli perspektiflere göre gruplanarak sunulmasıdır.

Dashboard:Yani konsol, karneler, raporlar ve KPI’lar içerebilir.

İş Zekası’nın Çözdüğü Problem Örnekleri:

Hangi ürünler bir arada daha çok satılıyor?

Müşterilerimizi nasıl sınıflandırabiliriz?

Bizim için kritik bir müşteri kararında müşterilerimizin hangi özellikleri etkin rol oynuyor?

Bu kitabı tercih edenlerin başka hangi kitapları tercih ederler?

Bulaşık deterjanı ile alınabilecek ürün nedir?

Kaynaklar:

[1]    http://www.kurumsalzeka.com

[2]    http://www.yazgelistir.com/

[3]    http://www.iszekam.net

[4]    http://acungilsqlbi.wordpress.com/

[5]    http://en.wikipedia.org/wiki/Business_intelligence

[6]    With SQL Server 2008 R2 and the Microsoft Business Intelligence Toolset- Joy Mundy, Warren Thornthwaite, Ralph Kimbal

[7]    http://www.bitechnology.com/

 

DERYA GÜNDÜZ