KARAR DESTEK SİSTEMLERİ

Kullanım alanı ve amacına göre ise başlıca analitik sistemler şöyle sıralanabilir; Sağlık (health) analitiği, spor (sport) analitiği, pazarlama (marketing) analitiği, müşteri (customer) analitiği, finansal (financial) analitik, web analitiği ve öneri
(recommender) sistemleri, metin (text) analitiği, görsel (visual) analitik, duygu veya
görüş (sentiment/opinion) analitiği, sosyal veya sosyal ağ (social/social network) analitiği, sosyal medya (social media) analitiği, satış (sales) analitiği, çizge (graph) analitiği, dijital (digital) analitik, işlemler (operations) analitiği, veri (data) analitiği, akım (stream) analitiği, konum (location) analitiği ve insan (people) analitiği.

Karar analitiği en yüksek beceri düzeyini gerektirir.

Öncüllerin hepsi doğrudur.

Telefon mülakatı ayarlanması bu hizmetler içinde değildir.

Çevrimiçi kayıt işleme (online transaction processing-OLTP): İşletme faaliyetlerine
ilişkin gerçek kayıtlarının anında kurumsal veritabanlarına aktarılması ve saklanmasıdır. Kurumsal kaynak planlama sistemleri, POS (Point-of-Sale) sistemler, web
sunucuları, RFID okuyucular OLTP örnekleridir.

Expansion chart dışındakiler bu görselleştirmelerdendir.

Öncüllerin hepsi doğrudur.

Yarı-yapılandırılmış veri madenciliği: Ele alınan problemin çeşitli yöntemlerle sonuçlandırılması mümkün olmakla beraber hiçbirinin sonucunu karar vericinin
değerlendirmesi olmadan uygulamak doğru değildir. Madencilik sürecinde karar
verici, tüm aşamalarda tasarımcı ve denetçi olarak yer alır ancak verilerin işlenmesi aşaması otomatik olarak gerçekleştirilir. Karşılıklı etkileşim vardır. Kanser
hastalarının kalan ömürlerinin tahmininde lojistik regresyon, yapay sinir ağları ve
Weibull analizinden yararlanılması ve sonuçların uzmanlar tarafından değerlendirilmesi yarı-yapılandırılmış veri madenciliğine örnek olarak verilebilir. Ayrıca
karar ağaçları ve kümeleme algoritmaları ile yapılan çalışmalar da genellikle bu
kapsamdaki çalışmalardır. Hipotez yönelimli ve keşif yönelimli veri madenciliği
çalışmalarının her ikisine de yönelik olarak kullanılabilir.

Gürbüzlük: Verilerin kirli ve eksik veriye sahip olması halinde doğru sınıflandırmanın yapılabilmesidir.

Çok genel bir karar ağacı algoritması aşağıdaki şekilde verilebilir:
1. Bir kök düğüm (root node) oluştur ve bir ayrışma özniteliği seç
2. Her bir ayrışma adayı değeri için kök düğüme bir dal ekle ve etiketle
3. Aşağıdaki adımları uygula:
a. Ayrışma değerini uygulayarak verileri sınıfla
b. Ayrışma kalmadığında bir yaprak düğüm oluştur ve etiketle. Aksi halde yeni bir
alt-ağaç oluştur

Karar analizi, bir karar problemi karşısında karar vericileri yönlendirecek her türlü yöntem ve bilginin kullanımına yönelik çabaların bütünüdür.

Analitik sistemler, sundukları işlevlere göre betimsel (descrip­tive), tanısal (diagnostic), buluşsal (discovery), kestirimci (predictive) analitik ve karar (prescriptive) analitiği (bazen çözümsel analitik de denir) olarak beş ana başlıkta ele alınabilir.

Analitik sistemler, işletmedeki bir karar verici, karar problemi veya bir operasyona yönelik raporlama, analiz ve değerlendirme araçlarını, veri ambarı, veri marketi gibi ku­rumsal veri kaynaklarının olanakları ile birlikte ve/veya internet-merkezli veri kaynak ve veri akımlarından yararlanmak üzere tasarlanmış ve kurumsal olarak benimsenmiş sis­temlerdir.

Veri-yönelimli karar destek sistemlerini diğer karar destek sistemlerinden ayıran iki
temel özelliği vardır; veri kaynaklarına erişim ve verilerin uygun yöntemlerle işlenmesi.

Raporların en yaygın kullanım amaçları ara­sında şunlar sayılabilir:

Gösterge-Paneli (Dashboard) Raporları: İşletme analitiği ve karar destek sistemleri için çok tercih edilen raporlama türüdür. Otomobillerin gösterge panellerine veya uçakların kokpitlerine benzer bir görünümde bilgisayar ekranlarında performans göstergelerinin gerçek zamanlı izlenebilmesini sağlar. Performansın düzeyine göre kırmızı turuncu ve yeşil renklerle etkili ve hızlı bir performans takibi ve değerlen­dirmesi gerçekleştirilebilir.

Veri sunumu: İşletme veritabanlarından bilgileri raporlama sistemine aktarmakla yükümlü sistemdir.

Veri madenciliği; istatistiksel, matematiksel, yapay zekâ ve otomatik öğrenme (machine learning) tekniklerinden yararlanarak durumbilgilerini çıkarmak ve/veya yöntembilgileri­ni keşfetmek ve varsa örüntüleri (pattern) tespit etmektir.

Yapılandırılmamış veri madenciliği: Tam bir analitik çalışma olarak karşımıza çıkar. Ağırlıklı olarak keşif-yönelimli veri madenciliği (discovery-driven data mining) çalışmalarını içerir. Genellikle daha önce üzerinde çalışılmamış hipotezlerin test edilmesinde yaşanan süreç buna örnek olarak verilebilir. Doğru hipotezin kulla­nılması, çeşitli yöntemlerle analizin yürütülmesi ve elde edilen sonuçların güveni­lirliği, karar verici veya veri bilim insanının sorumluluğunda gerçekleştirilir. Kural ve algoritma formunda yöntembilgisi çıkarımı yapan madencilik çalışmaları da bu kapsamdadır. Örneğin, hazırlık süreleri toplamının enküçüklendiği bir tek tezgâh çizelgeleme probleminin çözümü için çizelgeleme kuralı türeten genetik program­lama yaklaşımı buna örnek olarak verilebilir.

Yöntemler birbirleri ile karşılaştırılırken şu faktörlere dikkat edilir: