KARAR DESTEK SİSTEMLERİ

Endüstri 4.0 olarak adlandırılan, mekanik ve elektronik teknolojilerin kusursuz entegrasyonunu içeren sanayi devriminin bu dördüncü aşaması Nesnelerin İnterneti’nin (Things of Internet), yaşamlarımıza sunduğu katkıları arttırdıkça, yalnızca verilere değil, doğrudan karmaşık durum ve yöntembilgilerine erişmek de olanaklı hale gelecektir. bu aşamasında, dijital dünyanın olanakları arttıkça, üretim ve servis insan rolü yeniden tanımlanmakta, mavi yakalı işlerden beyaz yakalı işlere, yani insan-gücünden beyin-gücüne bir yönelim ortaya çıkmaktadır

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

Bankacılık sektöründen müşterilerin kredi başvurusunu derecelendiren bir finansal
analitik örneği şu servisleri sunmaktadır:
• Müşterinin kredi notunu hesaplamak,
• Kredi isteğini otomatik olarak kabul veya reddetmek,
• Müşteriye güvenle verilebilecek kredi üst limitini hesaplamak,
• Verilecek kredi için uygun faiz oranı ve ödeme koşullarını belirlemek

Raporların en yaygın kullanım amaçları arasında şunlar sayılabilir:
• Tüm departmanların beklenen performansta çalıştığından emin olmak,
• Durumbilgisi gereksinimini gidermek,
• Analiz ve araştırmaların sonuçlarını sunmak,
• Yetkilileri bir konuda harekete geçmeye ikna etmek,
• Kurumsal bir bellek oluşturmak.

Görsel analitik araçlarının sunduğu olanaklardan bazıları şunlardır:
(i) Her düzeydeki karar vericileri veri keşfetme yöntemlerinden ve analitik olanaklardan yararlandırmak üzere, kullanımı kolay ve web üzerinden karşılıklı etkileşimli olarak gerçek verilerle buluşturmak,
(ii) Karmaşık soruların yanıtları ile analitik çalışanların yeteneklerini buluşturmak,
(iii) Her türlü elektronik cihazdan (tabletler, akıllı telefonlar ve amaca yönelik tüm sayısal ortamlar) erişilebilir ve gerçek verileri kullanan analitik araçlar üzerinden işletme içi bilgi paylaşımı ve işbirliğini genişletmek,
(iv) Bilgi-işlem departmanlarından beklenen analizlerin çok daha kısa sürede gerçekleştirilmesini sağlayarak bilgi-işlem personelinin iş yükünü azaltmak.

Hedef yönetimleri ve ait oldukları sektörler farklı olsa da performans gösterge panellerinin ortak özelliklerinden bazıları şunlardır:
• Görselleştirme araçlarından yararlanmaları,
• Kullanımının çok kolay olması ve olabildiğince bak-ve-hisset (look-and-feel) özelliği taşımaları,
• Farklı veri kaynaklarından gelen bilgilerden yararlanabilmeleri,
• Paneldeki bilgilerin ayrıntılarına inebilmeyi (drill-down) desteklemeleri.

Sınıflandırma yöntemleri birbirleri ile karşılaştırılırken şu faktörlere dikkat edilir:
• Sınıflama doğruluğu: Kabaca örnek test veri setlerindeki doğru sınıflanmış veri yüzdesidir. Yapılan yanlış sınıflamaların sapma yüzdeleri de bu ölçüye yansıtılabilir.
• Hız: Sınıflandırma modeli veya algoritmasının çalışma süresidir.
• Gürbüzlük: Verilerin kirli ve eksik veriye sahip olması halinde doğru sınıflandırmanın yapılabilmesidir.
• Ölçeklenebilirlik: Farklı boyutlardaki veri setleri için benzer etkinlikle kullanılabilir olmasıdır.
• Yorumlanabilirlik: Yöntemin önerdiği sınıflamanın veya sınıflama modelinin anlaşılır olmasıdır.

Karar ağaçları oluşturmada yararlanılan diğer bir kavram entropidir. Entropi, bir veri setindeki rassallığı ve belirsizliği ölçer. Eğer bir alt kümedeki tüm veriler yalnızca bir sınıfa aitse entropisi sıfır demektir. Çünkü bu durumda belirsizlik sıfırdır. Bu yaklaşımın amacı, tüm alt kümelerin entropilerinin sıfır olduğu alt ağaçlar yaratmaktır. Karar ağaçları eksiksiz bilgilerle çalıştığından karar otomasyonlarında en çok başvurulan sınıflama yöntemlerinden biridir. Karar kurallarına dönüştürülerek uzman sistemlerde de kullanılmaktadır. Uzman sistemler için kullanılan karar kuralları setinin eksiksiz olması gerekmez.

Kümeleme, sınıfların önceden bilinmediği veya tanımlanmadığı sınıflama problemi olarak tanımlanabilir.

Kümelemede kullanılabilecek yöntemler aşağıdaki temel yöntemlerden bir veya birkaçının üzerine inşa edilmiş olabilir.
• Sezgisel ve meta-sezgisel yöntemler,
• İstatistiksel yöntemler (k-ortalamalar, k-medoids, k-mod vb)
• Optimal yöntemler,
• Yapay sinir ağları,
• Bulanık mantık,
• Genetik algoritmalar

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. Bununla birlikte beceri düzeyi ve işletmeye katkısı en yüksek olan analitik sistem karar analitiğidir. Dolayısıyla doğru cevap C'dir.

Finansal analitik, veri analitiği, dijital analitik ve metin analitiği kullanım alanı ve amçlarına göre nalitik sistemler arasında yer almaktadır. Bununla birlikte 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. Dolayısıyla doğru cevap D'dir.

Analitik sistem; veri arama, göstergeler, hesaplama, görselleştirme, raporlama vb. analiz araçları ile geniş anlamıyla veri kaynaklarının olabildiğince kusursuz bir entegrasyonudur. Bununla birlikte kurumsal benimseme ve akreditasyon yönüyle kişisel karar destek ve karar analitiği sistemlerinden ayrılırlar fakat akreditasyon süreci analiz araçları kapsamında yer almamaktadır. Dolayısyla doğru cevap C'dir.

Kurumsal raporlama sistemlerinin bileşenleri, her işletme için farklılık göstermekle beraber en yaygın olanları şunlardır:

Dolayısıyla doğru cevap A'dır.

Görselleştirmede yararlanılan temel bileşenler arasında çizgi grafiği (line chart), çubuk grafiği (bar chart), pasta grafiği (pie chart), dağılım grafiği (scatter plot) ve kabarcık grafiği (bubble chart) ilk gelenlerdir. Özel amaçlı bazı grafikler arasında ise histogram (histogram), gantt diyagramı (gantt chart), pert diyagramı (pert chart), haritalar (maps), kurşun grafiği (bullet graphics), ısı haritaları (heat map), vurgu tablosu (highlight table), radar grafiği (radar graphics) ve ağaç haritası (tree map) sayılabilir. Dolayısıyla doğru cevap E'dir.

Ünitede paylaşılan örnek incelendiğinde:

Yapılandırılmış veri madenciliği yaygın olarak sorgular ve istatistiksel analizlerle ele alınabilen veri madenciliği problemleridir. Hangi veri setlerinin hangi yöntemlerle işleneceği bellidir. Karar vericinin tasarım aşaması dışında sistemle ilişkisi yoktur. Süreç otomatikleştirilmeye uygun olarak tasarlanabilir. Ağırlıklı olarak nispeten basit hipotez yönelimli veri madenciliği çalışmalarına yöneliktir. Bununla birlikte doğru hipotezin kullanılması karar verici veya veri bilim insanının sorumluluğunda gerçekleştirilmesi yapılandırılmamış veri madenciliğine özgü bir durumdur. Dolayısıyla doğru cevap B' dir.

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. Dolayısıyla doğru cevap A'dır.

Karar ağaçları sınıflandırma yaparken öznitelikleri (attributes) değerlendirirler. Karar ağaçlarının ana fikri, bir eğitim setini özyinelemeli olarak her bir bölüm yalnızca bir sınıf içerecek şekilde bölmektir. Başlangıç aşamsında bir kök düğüm oluşturulur ve bir ayrışma özelliği seçilir. Ağacın her ara düğümü bir ayrışma noktasıdır. Başlangıç ağaç oluşturulduktan sonra doğruluğu arttırmak üzere budama da yapılabilir. Bununla birlikte bu yaklaşımın amacı tüm alt kümelerin entropilerinin sıfır olduğu alt ağaçlar yaratmaktır. Dolayısıyla doğru cevap C'dir.

Veri-yönelimli karar destek sistemleri için değerli model ve veri yönetimi araçlarına sahiptir. Bu araçlardan en yaygın olanları şunlardır: Sınıflama (classification), kümeleme (clustering), ilişkilendirme (association), dizi keşfi (sequence discovery). Bununla birlikte kümeleme sınıfların önceden bilinmediği veya tanımlanmadığı sınıflama problemi olarak tanımlanabilir. Kümelemede amaç, nesneleri öyle gruplara ayırmaktır ki nesnelerin, ait olduğu gruptaki bireylerle arasındaki benzerlik düzeyi yüksek iken, ait olmadığı gruplardaki bireylere benzerlik düzeyi düşük olsun. Dolayısıyla doğru cevap A'dır.