Veri Yönetimi ve İş Zekâsı

Veri; deney, gözlem, araştırma, işlem ve deneyim sonucunda elde edilen, nicelik ya da nitelik belirten yapılardır. Çoğu zaman ham, işlenmemiş enformasyon parçacığı olarak da tanımlanır. 

Verinin özü, ölçmeye dayanır. Ölçü, verilerin belli ilkeler çerçevesinde sembollere ya da sayılara dönüştürülme işlemidir. Veri ölçümünde kullanılan ölçü skalaları; isimsel(nominal), sıralı (ordinal), aralıklı (interval) ve oransal (ratio) ölçektir.

"Binary" veri tipi, ikili kod metin dizilerini saklamak için kullanılır. Özellikle dosyaların veritabanlarında metin dizisi biçiminde saklanması için tercih edilir ve kapladığı alan n Byte'dır. 

Zaman damgası (timestamp), herhangi bir olayın ne zaman meydana geldiğini, genellikle saniyenin küçük bir kısmına yakın bir doğrulukta, tarih ve zaman olarak tanımlayan bir kodlanmış bilgi dizisidir. 

Metaveri(metadata), yapılandırılmamış verileri tanımlamak, sorgulamak ve ilişkilendirmek için kullanılan bir betimleme yapısıdır.

Optik Karakter Tanıma (OCR – Optical Character Recognition), taranan basılı bir belgedeki ya da görseldeki metinleri ve el yazılarını dijital karakterlere dökmeyi sağlayan bir yazılım teknolojisidir.

Veri yönetimi, işletme hedefleri temel alınarak geliştirilen belli başlı stratejiler çerçevesinde yerine getirilir. Güncel bir veri yönetim stratejisi; başta yöneticiler olmak üzere kullanıcıların faaliyetlerini, işletmenin teknolojik gereksinimlerini, yasal yükümlülüklerini ve veriden değer elde edebilmesi için gerekli ihtiyaçları kapsamalıdır.

SQL’i kullanarak bir veritabanı yönetim sisteminde; 
• Yeni bir veritabanı yaratabilirsiniz.
• Varolan bir veritabanına yeni kayıtlar ekleyebilirsiniz.
• Veritabanındaki veri kayıtlarını sorgulayarak listeleme, arama, sıralama, filtreleme ve benzeri pek çok işlemi yürütebilirsiniz.
• Veritabanındaki kayıtları silebilir ya da güncelleyebilirsiniz.
• Değişkenler, karar ağaçları, döngüler ve benzeri programlama dili komutlarını kullanarak veri yönetim süreçlerinizi otomatikleştirebilirsiniz.

Günümüzde bulut veritabanları, geleneksel ve servis tabanlı olmak üzere iki
farklı yaklaşım çerçevesinde yapılandırılmaktadır:

• Geleneksel bulut veritabanı yaklaşımında bir kurum, bulut sağlayıcısından sanal
makine satın alır ve veritabanını bulutta saklar. Veritabanının yönetimi kurumun
sorumluluğudur.

• Servis olarak veritabanı (DBaaS – Database as a Service) yaklaşımında bir kurum, veritabanı hizmeti almak için bulut sağlayıcıya abone olur. Bulut sağlayıcı, kurum adına veritabanının tüm bakım, yönetim ve güvenlik görevlerini yerine getirir. Veritabanı, bulut altyapısında çalışır ve tüm veritabanı işlemleri bulut sağlayıcının web arayüzleri kullanılarak gerçekleştirilir. 

Tipik bir veri yönetimi projesinde çalışma ekibi aşağıdaki aşamaları takip eder:

1. Planlama

2. Hazırlama

3. Sindirme

4. Keşfetme

5. Modelleme

6. Dağıtma.

İş zekâsı; işletmelerin veri odaklı yönetimini sağlamak üzere özelleştirilmiş tüm stratejileri ve teknolojileri içermektedir. İş zekâsı, özellikle büyük veri gibi yoğun bilgi potansiyeline sahip kaynakların işlenerek yeni stratejik iş fırsatlarının tanımlanmasına ve geliştirilmesine yardımcı olmak için kullanılır. Temel amacı, veri yığınlarını uygulanabilir öngörülere dönüştürerek iş süreçlerine katma değer sağlamaktır.

İş zekâsı kapsamında veriden bilgi üretme süreci verinin entegrasyonu, verinin depolanması ve iş zekâsı uygulamaları aşamalarından oluşur. 

İş zekâsı uygulamaları veri entegrasyonu ile başlar. Bu süreçte farklı kaynaklardan gelen veriler, tek bir merkezde birleştirilir. 
Veri depolama süreci, farklı kaynaklardan derlenen verilerin merkezi bir veri yönetim sisteminde birleştirilmesi için gerekli tüm teknikleri ve araçları kapsar.

İş zekâsı uygulamalarında çoğunlukla analitik sorguları daha performanslı çalıştırmak üzerine özelleştirilmiş veri ambarı isimli veri yönetim sistemleri tercih edilir. Büyük veri, veri bilimi, kontrol panelleri ve raporlama işlemlerinin tamamında ihtiyaç duyulan veriler veri ambarından çekilerek kullanılır.

Bir verinin kaliteli olarak nitelendirilebilmesi için temiz, tutarlı, uyumlu, güncel ve kapsamlı olması gerekir.

Veri sanallaştırmayla konum, yapı veya erişim dili gibi teknik detaylar gerekmeksizin verilere erişilebilir. ETL ve veri ambarı kullanımı ile kıyaslandığında, veriden bilgi elde etme süreci daha hızlı ve çeviktir. Çünkü sanallaştırılan veriler, bir yerden başka bir yere taşınmaz, kaynağında kalır. Veriler, doğrudan kaynağında sorgulanabilir. Bu da pek çok olası hatayı ve güvenlik riskini ortadan kaldırır.

Veri sanallaştırma araçları, sanal bir katman oluşturur ve veri tüketicileri ile veri kaynakları arasında veri akışını sağlar. Var olan veri altyapısı temel işlevlerini yerine getirmeye devam ederken yeni veri kaynakları eklenebilir. Bu yönüyle veri sanallaştırma, tüm veri kaynakları için tamamlayıcı bir yapı sunar ve verilerin kullanılabilirliğini artırır.

İş zekâsı uygulamalarında veri akışının en önemli bileşeni veri ambarıdır. Veri ambarı, iş zekâsı uygulamalarında, özellikle yoğun veri analitiği sorgularını desteklemek üzere tasarlanmış bir veri yönetim sistemidir. Veri ambarları, çok sayıda kaynaktan gelen büyük miktardaki veriyi merkezi hâle getirerek ve tek bir çatı altında birleştirir.

Bulut tabanlı veri ambarları, son dönemde işletmeler tarafından daha çok tercih edilmektedir. Geleneksel veri ambarı uygulamaları ile kıyaslandığından bulut veri ambarları; esneklik, ölçeklenebilirlik, çeviklik, güvenlik ve düşük maliyet gibi pek çok avantaja sahiptir. Bulut veri ambarları, işletmelerin donanım, yazılım ve yönetim maliyetlerinden tasarruf ederek, iş zekâsı uygulamalarına daha çok odaklanabilmelerini sağlar.

OLAP iş yükü açısından özel sorgular ve veri analizi için uygunken, OLTP yalnızca önceden tanımlanmış operasyonları destekler.

Tipik bir iş zekâsı kontrol paneli; özelleştirilebilir bir arayüze, etkileşimli veri görselleştirme bileşenlerine ve birden fazla kaynaktan gerçek zamanlı olarak veri alabilme yeteneğine sahip olmalıdır.

Büyük verinin niteliği çoğunlukla hacim (volume), çeşitlilik (variety) ve hız (velocity) kavramları çerçevesinde açıklanır.

Makine öğrenmesi, kendi kendine öğrenebilen bilgisayar sistemlerinin geliştirilmesi üzerine yoğunlaşmış bir disiplin olarak ifade edilmektedir. Çoğu zaman yapay zekâ ile karıştırılan makine öğrenmesi model tanıma ve hesaplamalı öğrenme teorisi çalışmalarından evrilmiş, yapay zekâ altında indekslenen bir alt çalışma alanıdır.