İş Zekası

İş zekası kavramı, işletmecilikte çeşitli şekillerde ele alınan bir kavram olmasına karşın bu terimi ilk kez kullanan kişi IBM araştırmacısı Hans Peter Luhn olmuştur (Shollo & Kautz, 2010). Luhn, “A Business Intelligence System” (1958) isimli makalesinde, işletmelerde bilginin yayılması için otomatik bir sistem geliştirildiğini ve sistemden çeşitli bölümlere bilginin dağıtımında yararlanılacağını ifade etmektedir. Bu sistemin, bilgi işlem araçları yardımıyla işletmelerde belgeleri otomatik özetleyeceği ve kodlayacağı ve böylece bir model ile şekillendirilerek işletmelerin uygun eylem noktalarına gönderilebileceğini açıklamaktadır. Böylece, Luhn’a göre, işletmelerde bilgi tanımlanabilecek, bilgiye kimlerin ihtiyacı olduğu tespit edilebilecek ve bilgi işletme içerisinde verimli bir şekilde yaygınlaştırılabilecektir. 

• İş zekası, “işletmelerde rekabet avantajı sağlamaya ve bu avantajların nasıl ortaya çıkarılacağını ve kullanılacağını anlamayı sağlamaya yarayan bir sistem olarak, işletmede daha iyi kararlar verebilmek için verilerin birleştirmesi ve düzenlenmesi sürecidir” (Reinschmidt & Francoise, 2000, s. 4).
• İş zekası, “iş eylemlerini karlı hale dönüştürmek için verileri malumata, malumatları
bilgiye ve bilgileri işletme planlarına dönüştürmek için gerekli süreçler, teknolojiler ve
araçlardır” (Eckerson, 2002, s. 6).
• İş zekası “verinin malumata ve daha sonram bilgiye dönüşüm sürecidir” (Golfarelli vd., 2004, s. 1).
• İş zekası “işletme çevresi, işletmenin kendisi ve işletmenin pazarları, müşterileri, rakipleri ve ekonomik sorunları ile ilgili durumunu tanımlayan uygun malumat ve bilgilerdir” (Lönnqvist & Pirttimäki, 2006, s. 32)
• İş zekası, “işletmelerin faaliyetleri ve karar vermeleri için hem iç hem de dış bilgi kaynaklarından bilgi edinmelerini, analiz etmelerini ve yaymalarını sağlayan, organize ve sistemli bir süreçtir” (Lönnqvist & Pirttimäki, 2006, s. 32).
• İş zekası, “eldeki verilerden müşteri sınıflamalarının nasıl olduğu, işletmenin şu anda ne durumda olduğu, işletme mevcut durumda devam ettiğinde hangi objektif denemelere devam edilmesi gerektiği ve hangi alanlara nakit akışının durdurulması gerektiği gibi önemli soruları yanıtlayan bir sistem olarak işletmelere avantaj kazandırmaktadır” (Nelson, 2007, s. 2).
• İş zekası “insanın zeka kapasitesinin işle ilgili faaliyetlerde ve iş ilişkilerinde uygulanmasıdır” (Ranjan, 2009, s. 60).
• İş zekası, “kurumsal kullanıcıların daha iyi iş kararları vermelerine yardımcı olmak amacı olan ve toplama, veri erişimi sağlama ve verileri analiz etme sağlayan geniş bir uygulama ve teknolojidir” (Ranjan, 2009, s. 60).
• İş zekası, “uygun veriler yoluyla bilgi üretmek ve karmaşık karar verme süreçleri için
uygun olabilecek bilgiye erişmek için faydalanılan bir dizi matematiksel model ve analiz yöntemleridir” (Vercellis, 2009, s. 3).
• İş zekası, “sürekli değişen talepler karşısında gelişen bir kavram olarak işletmelerde ne olduğunu yorumlama, bugünü ve şimdiyi anlama ve yeni bir gelecek yaratma olmak üzere üç yaklaşımı kapsamaktadır” (Gartner, 2011, s. 4).
• İş zekası, “doğru analitik araçlar kullanılarak ve doğru verilere doğru sorular sorarak
oluşturulan, işletmenin bugün nerede olduğunu bilmeye, sağlam bir misyon odaklı plana sahip olmaya ve işletmeyi iyileştirmeye yarayan bir sistemdir” (Gendron, 2014,
ss. 130-131).

İş zekasının amacı, geniş bir şekilde depolanmış verileri kontrol etmek ve örgüt içerisinde ve çevresinde bu verileri ilk olarak tanımlamak ve daha sonra işletme için yararlı bir özet bilgi haline getirmeye yardım etmektir (Lönnqvist & Pirttimäki, 2006, s:32). Daha net anlatılmak istenirse iş zekası sayesinde işletme içerisinde dağınık ve karmaşık şekilde yer alan tüm veriler bir araya getirilmekte, istenen amaçlara uygun olarak bilgiye dönüştürülmekte ve böylece işletmede daha sağlıklı kararlar verilebilmektedir

Koçel’e göre (2015, s. 34) ise veri “yorumlanmaya muhtaç olan, tek başına bir anlam ifade etmeyen bir tespit, bir rakamdır”. Veriler “çevrede bulunan, kendi kendine anlam ifade etmeyen, çeşitli birikim ve oluşumlardır” (Ülgen & Mirze, 2013, s. 394). Bu nedenle veri için, malumat ve bilgi elde etmenin öncelikli kaynağı değerlendirmesini yapmak mümkündür. Örneğin, bir marketin bir gün içerisinde gerçekleştirdiği satışlara ilişkin tüm rakamlar, o marketin verilerini oluşturmaktadır.

İngilizcesi “information” olan malumat, “datanın bazı kriterler kullanılarak anlamlı hale getirilmesi sürecidir” ve dataların başka birtakım unsurlarla ilişkilendirilmesi ile oluşmaktadır (Koçel, 2015, ss. 34-35). Market örneğinden devam edilirse gün içerisinde yapılan satışların rakamlarını ürün bazında sınıflayıp her bir ürün grubunda günlük veya aylık satış miktarı yöneticiler için bir malumattır.

İngilizcesi “knowledge” olan bilgi “değişik malumatın belli bir amaç doğrultusunda birleştirilmesiyle oluşan, bazı kararlara esas teşkil edecek malumat toplamıdır” (Koçel, 2015, s. 35). Bilgiyi “toplanan verilerin kullanan için anlam taşıyan ve yarar sağlayan hale gelmiş biçimi” şeklinde tanımlamak da mümkündür (Ülgen & Mirze, 2013, s. 394). Yine market örneğinden devam edecek olursak her bir ürün grubu satışlarının yıl içerisindeki satış trendleri, yıllık satış performansı, ürün gruplarının satış sıralamasındaki yerleri gibi malumat birleştirildiğinde o ürüne ilişkin bilgi elde
edilmektedir.

İşletmeleri iş zekasına yönelten nedenler; işletme gelirlerini artırma, maliyetleri düşürme ve daha etkin rekabet etme ihtiyacı, iş ortamının karmaşıklığını yönetme ve
şekillendirme ihtiyacı ile bilgi teknolojileri maliyetini azaltma ve mevcut kurumsal ticari bilgileri geliştirmedir.

İş zekası sistemi, yöneticilerin karar almalarını sağlamak için özel olarak tasarlanmış teknolojilerin ve kavramların bir birleşimidir.

İş zekası sisteminin yapısında temel olarak altı bileşen bulunmaktadır. Bunlar veri kaynakları, veri ambarları ve veri martları, veri araştırması, veri madenciliği, iyileştirme ve kararlardır

ETL (Extraction, Transform, Load) çıkarma, dönüştürme ve yükleme işlemleri anlamına gelmektedir.

İş zekası, stratejik düzeyde karşılaştırmalı raporlar, gelişimleri izlemeye yarayan simülasyonlar ve gelecekteki sonuçları tahmin gibi bazı varsayımlar oluşturularak işletme amaç ve hedeflerine ulaşılmasına yardımcı olabilecek kararların alınmasına yardımcı olmaktadır. Taktik düzeyde iş zekası sistemleri satış, finans, gelir veya yönetim kararları için çözümler önermektedir. İş zekası sistemi sayesinde işletmelerin gelecekteki işlemleri iyileştirilebilmekte, işletme performansı örgütsel, finansal veya teknolojik anlamda uyumlaştırılabilmektedir. Operasyonel düzeyde ise iş zekası sistemleri, tedarikçiler, işbirlikçiler, müşteriler ve operasyonlar ile ilgili soruların cevaplandırılmasında kullanılmaktadır (Nedelcu, 2013, s. 15).

İş zekası sayesinde işletmelerde yapılacak bir iş veya alınacak bir karar ile ilgili pek çok varsayım arasından seçim yapılabilmektedir. Bunun yanında işbirliği gerektiren işletme faaliyetleri açısından departmanlar arasında iletişim artmakta ve finansal koşullar, tedarik zinciri işlemleri ve değişen müşteri talepleri gibi tüm gelişmelere anında cevap verilebilmektedir. İş zekasının işletmelere sağladığı diğer faydalar ise şu şekilde sıralanabilir (Ranjan, 2009, s. 64):
• İş zekası araçları sayesinde çalışanlar iş ile ilgili bilgileri kolayca istedikleri şekle dönüştürebilmektedir,
• İşletmeler en karlı müşterilerini, bu müşterilerin sadakatlerinin nereden kaynaklandığını ve gelecekteki müşterilerin potansiyelini belirleyebilmektedir,
• Sanal ortamdaki tıklanma verileri sayesinde e-ticaret stratejileri iyileştirilebilmektedir,
• Garanti ile ilgili olarak bildirilen problemler sayesinde ürün tasarımındaki eksiklikler hızla algılanabilmektedir,
• Müşteri karlılığındaki potansiyel büyüme analiz edilebilmektedir,
• Müşterilerin hangi ürün ve hizmetleri ne zaman satın alabileceği belirlenebilmektedir,
• Çeşitli analizlerle, neden müşterilerin işletmeyi rakiplerine göre tercih ettiği belirlenebilmektedir.

İş zekasının işletmeler için yarattığı maliyetler en genel anlamda yazılım, donanım, uygulama ve çalışanlar ile ilgilidir

Ne oldu?: İşletme içerisinde oluşturulan bazı raporlar, operasyonel yöneticilere bir dönemi kapsayacak kesitler halinde geçmiş verilere ulaşarak işletmede ne olduğu hakkında bilgiler vermektedir. Geleneksel iş zekası raporları ise işletme yöneticilerine geçmişte neler olduğu ile ilgili olarak tüm verileri sağlamanın yanında, bu verilerin oluşması sonrası gerçekleşen eylemlere kişilerin hangi tepkileri gösterdiklerini de ortaya çıkartmaktadır.
Niçin oldu?: İşletme verileri açısından değerlendirildiğinde işletme içerisindeki geçmiş zamanlara ait veriler, birtakım teknik ölçümler ile birleştirildiğinde bir olayın veya sorunun neden olduğuna dair daha derin incelemeler yapılması mümkün olmaktadır. Bilgiler arasında genelden özele ya da özelden genele ulaşılabilmesi, örneğin, işletmelerin müşterilerin bir ürün hakkında bildirdikleri sorunun nereden kaynaklanabileceği bilgisi gibi daha derin sorunlara cevap bulabilmesine olanak sağlamaktadır.
Ya … ise?: İş zekası sistemleri, gelişmiş istatistiksel analizleri, veri madenciliği ve tahmin modelleri ile işletme analistlerinin farklı eylem ve kararlarının sonuçlarının nasıl etkilenebileceğini görmelerine ve bu şekilde sorunu çözmek ya da karar verebilmek için yeni fikirler de edinmelerine yardımcı olmaktadır.
Sıradaki ne?: İş zekası sistemleri, işletmelere tahmin, planlama ve öngörücü modellerdeki farklı seçenekleri değerlendirme olanağı sağladığından, üst düzey stratejistler olasılıkları ölçerek stratejik kararlar verebilmektedir.
Nasıl?: Üst düzey yöneticiler, örgütsel performanslarda etkinlik sağlayabilecek yaklaşımları değerlendirerek, işletmenin iş yapma biçimini değiştiren işletme stratejilerini uygulayabilmektedirler. 

İş zekası döngüsünün temelde toplama, analiz etme ve yayma olmak üzere toplam üç bileşeni bulunmaktadır. Ayrıca, iş zekası sistemlerinde toplamayı, analiz etmeyi ve yaymayı geliştiren geribildirim döngüsü de yer almaktadır. Bu bileşenler kısaca şöyle açıklanabilir (Gendron, 2014, s. 134).

İş zekası uygulamalarında sıklıkla kullanılan yöntem ve araçlardan başlıcaları bilgi yönetimi, OLAP ve veri madenciliğidir. Ayrıca metin madenciliği ve web madenciliği, öngörücü analizler ve veri görselleştirme de iş zekası uygulamalarında kullanılan diğer araç ve yöntemlerdendir.

Bilgi yönetimi, “bir örgütte amaçlara daha hızlı ulaşabilmek için bilgi yaratma, stoklama, paylaşma ve kullanmalarını sağlayan süreç” şeklinde tanımlanmaktadır (Saruhan ve Yıldız, 2013, s. 398). Bilgi yönetimi; bilginin edinilmesi, depolanması, dağıtımı ve uygulanması süreçlerinde oluşmaktadır.

• Göz önünde bulundurulabilecek seçeneklerin veya alternatiflerin sayısını arttırır,
• Planlanmış etkili kararlarının sayısını arttırır,
• Araştırılan sorunlar ve analizi yapılan alanlar hakkında daha fazla farkındalık ve anlaşılabilirlik sağlar,
• Oluşturulmuş olan matematiksel modellerin ve gelecek senaryolarının analiz edilmesine olanak sağlar,
• Beklenmeyen olaylara ve öngörülemeyen durumlara zamanında tepki verebilme konusunda işletmelere yetenek sağlar,
• Mevcut verilerden katma değerle faydalanılmasını sağlar,
• Çalışanlar ve işletme departmanları arasında daha iyi bir iletişim ve koordinasyon sağlar,
• Ekip çalışmasının gelişimini etkili hale getirir,
• Karar sürecinin anlaşılabilirliğini arttırmasından dolayı kontrol mekanizmasının da güvenilirliği artar.

Türkçe’si “Çevirimiçi Analitik İşleme” olan OLAP’ın açılımı “On-line Analytical Processing”dir. En genel anlamda bir işletmeye bir durumun ne olduğunu ve neden o şekilde olduğunu gösteren yazılımdır. OLAP, “analistler ve yöneticilere işletmenin gerçek boyutlarını yansıtacak ve kullanıcı tarafından anlaşılacak şekilde ham verilerden dönüştürdüğü çok çeşitli ve olası bilgi görüşleri arasından verilere hızlı, tutarlı ve interaktif erişim yoluyla bilgi edinme sağlayan yazılım teknolojisinin bir kategorisidir” (Reinschmidt & Francoise, 2000, s. 12). OLAP, işletmelerde isteğe bağlı veri modellemesini gerçekleştirmek için karmaşık verileri hızlı bir şekilde analiz etmektedir.
OLAP, işletmelere, özetler, araçlar ve diğer istatistiksel veriler üretmek amaçlı çok boyutlu verilerin düzenlenmesi anlamına gelen veri küpleri oluşturma ve büyük bir veri setini parçalara ayırıp analiz etme olanakları sağlamaktadır (Chen vd., 2012, s. 141). OLAP durgun veriler ve hem bugünün hem de geçmişin verileri ile çalışan bir uygulamadır. Bilgi işçilerinin kullandığı bir uygulama olan OLAP’ın işletmelerde kullanım amacı, karmaşık soruları cevaplamak ve işletmelere karar vermede destek sağlamaktır (Vercellis, 2009, s. 49). OLAP, iş zekası sistemleri kapsamında raporlama, analiz, iş optimizasyonu planlaması ve modellemede yararlanılan bir uygulama olarak, işletmede bulunan çok boyutlu verilerin yararlı olabilecek özetler şekline gelmesini sağlamaktadır. Yani OLAP teknikleri ve araçları, işletmelerdeki iş zekası sistemleri için, karmaşık şekilde bulunan veri ambarı veya veri martları ile çalışmak için kullanılmaktadır. OLAP, işletmenin istediği şekilde verilerden yola çıkarak eğilimleri belirlemek ve kritik faktörleri analiz etmek için gereken soruları işlemektedir. Bu raporlama yazılımı, yönetimin işletme durumu hakkında bilgilendirilmesini sağlamak için toplu veri görünümleri üretmektedir (Ranjan, 2009, s. 61). 

Veri madenciliği “verilerden anlaşılır bilgi elde edebilmek ve bu bilgileri işletme kararlarında kullanabilmek için daha önceden bilinmeyen verilerin ortaya çıkartılması, geçerliliğinin sağlanması ve yararlı bir bilgi haline getirilmesidir” (Reinschmidt & Francoise, 2000, s. 15). Veri madenciliği, çok çeşitli sektörlerde ve çok çeşitli amaçlarla uygulanabilen bir yöntemdir. Veri madenciliği uygulamalarından ilişkisel pazarlama, dolandırıcılık algılama, metin madenciliği, görüntü tanıma, web madenciliği ve tıbbi teşhis gibi çok çeşitli alanlarda yararlanılmaktadır (Vercellis, 2009, ss. 81-82).
Veri madenciliği, OLAP’ı tamamlayıcı nitelikte bir uygulama olarak veriler arasındaki gizli ilişkileri keşfetmek ve bu ilişkileri önceden tahmin etmek amaçlı olarak kullanılmaktadır. Veri madenciliği işletmelere veriler arasındaki ilişkilerin ve sıralamalarının keşfedilmesi, kümelenmesi ve sınıflandırılması açısından fayda sağlamaktadır (Chen vd., 2012, s. 141).
Veri madenciliğinin en önemli özelliği verileri derinlemesine analiz etme olanağı sağlamasıdır (Chaudhuri, Dayal, & Narasayya, 2011, s. 90). İşletmeler, uzun süreler boyunca çok çeşitli alanlarda ve çok çeşitli şekillerde veriler elde etmektedir. Elde ettikleri bu verilerden işletmeleri için faydalı bilgiler elde edebilmeleri için, bu veriler içerisinden gereksiz olanları ayıklamaları ve birbiriyle ilişkilendirilebilecek olanları bir araya getirmeleri gerekmektedir. Veri madenciliği bu noktada işletmelere eldeki mevcut veriden yararlı bilgi elde etme olanağı sağlamaktadır. Böylece işletme veriler arasındaki ilişkileri belirleyebilecek, istatistiksel anlamda yorumlayabilecek ve gelecek için çıkarımlarda bulunabilecektir.                                                                                    OLAP, veriden ayrıntıların çıkartılması ve bir araya getirilmesini sağlarken, veri madenciliği, modellerin tanımlanmasını ve verilerin yinelenmesini sağlamaktadır.

Veri madenciliği süreci, verilerin seçilmesi, verilerin dönüşümü, veri madenciliği ve sonuçları yorumlama şeklindedir (Reinschmidt & Francoise, 2000, s. 114). Sayfa 229'da yer alan Şekil 7.8'de bu süreç görülebilir.

1.Verilerin seçimi: İşletmelerdeki veri ambarlarının içerisinde çok çeşitli veriler bulunmaktadır. Veri madenciliğinde ilk aşama olarak, çok çeşitli veriler içerisinden amaca uygun olarak kullanılacak veri türü seçilmektedir. ne bu aşamada karar verilmektedir. Yani veriler bir araya
getirilerek istenen şekilde veri tabloları oluşturulmaktadır.
2.Verilerin dönüşümü: Veri tabloları oluşturulduktan ve kullanılacak verilerin seçimi tanımlandıktan sonra, bu aşamada veriler üzerinde çeşitli dönüşümler yapılmaktadır. Dönüşümlerin türü, gerçekleştirilen veri madenciliği işleminin türüne ve kullanılan veri madenciliği tekniğine göre belirlenmektedir. Burada örneğin, cinsiyet gibi nominal değerler, sinir ağları tarafından işlenebilecek şekilde sayısal değerlere dönüştürebilmektedir.                                                                                      3.Veri madenciliği: Bu aşamada işletme amaçlarına uygun olarak bilgi elde edebilmek için dönüştürülen veriler çeşitli teknikler yardımıyla analiz edilmekte ve ortaya çıkartılmaktadır.                                                                                    4.Tanımlayıcı raporlama: Veri madenciliğinin son aşamasıdır. Çeşitli teknikler sonucu ortaya çıkarılan bilgiler, bu aşamada kullanıcıların karar verebilmelerini en iyi şekilde destekleyecek şekilde hazırlanır ve karar vericilere sunulur. Veri madenciliği işleminde sonuçlar yorumlanmaktadır. Bunun nedeni hem eldeki bilgileri grafiksel veya mantıksal olarak görselleştirmek hem de karar destek sistemi aracılığıyla bilgileri filtreleyerek karar vericilere yalnızca faydalı olabilecek bilgileri sunmaktır. 

İş zekası sistemlerinin karmaşık yapıları nedeniyle bu sistemler içerisinde analiz yapabilmek üzere birçok işletme içi araçtan yararlanılmaktadır. Verilerin analizinde kullanılan diğer yöntemler metin madenciliği ve web madenciliği, öngörücü analizler ve veri görselleştirmedir.                                                                                          Metin Madenciliği ve Web Madenciliği: İşletmelerde yapılandırılmamış verilerin analizi kapsamında metin madenciliği ve web madenciliğinden söz edilebilmektedir (Gendron, 2014, s. 143). Metin madenciliği, akıllı metin analizi, metin veri madenciliği veya metin içerisindeki bilginin keşfi olarak da tanımlanmaktadır. İşletmelerde çoğu bilgi metin olarak saklandığından, metin madenciliğinin ticari potansiyel değerinin yüksek olduğu düşünülmektedir (Herschel & Jones, 2005, s. 45). Metin madenciliğinde kullanılan verilere harfler, e-postalar, müşteri hizmetleri günlükleri veya sosyal medya hizmetlerinden gelen yayınlar gibi metin belgeleri örnek verilebilir. Web madenciliği ise “bir veya daha fazla web sitesinden web kaynaklarıyla kullanıcı etkileşimleri ve tıklama davranışları sonucunda toplanan veya üretilen ilişkili verilerden otomatik olarak desenlerin bulunması ve analiz edilmesi” anlamına gelmektedir (Srivastava, Cooley, Deshpande, & Tan, 2000, s. 1; Mobasher, 2005, s. 1216).
Öngörücü Analizler: Genellikle tüketici davranışlarını tahmin etmek amaçlı kullanılan bu analizler, özellikle finans ve pazarlama olmak üzere işletmenin tüm çalışanlarına karar vermede yardımcı olmaktadır (Gendron, 2014, s. 143 ve Laudon & Laudon, 2011, s. 466). Öngörücü analizlerin amacı, gelecekteki bir davranışı öngörebilen bir model oluşturmak için geçmiş verilerini, yani geçmişle ilgili verileri yansıtan veritabanının içeriğini kullanmaktır (Reinschmidt & Francoise, 2000, s. 118). Öngörücü analizler kapsamında açıklayıcı analizler, regresyon analizleri ve zaman serisi analizleri gibi analizlerden söz edilebilmektedir (Vercellis, 2009, s. 71).
Veri Görselleştirme: Veri görselleştirme, karmaşık verileri tasvir etmek için kullanılmakta ve böylece veriler daha kolay anlaşılabilmekte ve analiz edilebilmektedir (Gendron, 2014, s. 143). Veri görselleştirmede Coğrafi Bilgi Sistemleri ve Gösterge Paneli en sık kullanılan tekniklerdir. Coğrafi Bilgi Sistemleri, karar vericiler için gerekli olan coğrafya ile ilgili kaynakların dağılımlarını görsel olarak edinme imkanı sunan yazılımlardır. Örneğin, bankalar Coğrafi Bilgi Sistemlerinden ATM kurmak için en iyi yerleşim yerini tespit etmek amaçlı yararlanabilmektedirler (Laudon & Laudon, 2011, s. 466). Gösterge Paneli ise örgütsel performansla ilişkili büyük miktarda veriyi görsel olarak özetleyen araçtır (Watson & Wixom, 2007, s. 98). Gösterge panelleri kullanıcılara çoğu kez bir göstergeyi seçip daha fazla ayrıntı elde etme olanağı sağlamaktadır. Örneğin, coğrafi bölgelere göre satış verilerinin haritasına bakan bir yönetici, hangi mağazada sorun olduğunu görmek için kötü performans gösteren bir bölgeyi seçebilmektedir (Gendron, 2014, s. 144).