Kaçınılmaz Cloud Dönüşümü ve Kurumsal Çözümler Kaan Şen Runibex Teknoloji Grubu, İş Geliştirme Direktörü

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Kaçınılmaz Cloud Dönüşümü ve Kurumsal Çözümler Kaan Şen Runibex Teknoloji Grubu, İş Geliştirme Direktörü"

Transkript

1 Kaçınılmaz Cloud Dönüşümü ve Kurumsal Çözümler Kaan Şen Runibex Teknoloji Grubu, İş Geliştirme Direktörü BİLGİnin Kaçınılmaz Hükümranlığı The Inevitable Sovereignty of INFORMATION Atatürk Mahallesi, Ataşehir Bulvarı Gardenya Plaza 5, Kat:10 Ataşehir - Istanbul T: Kaan şen M:

2 Cloud Management Platform Consulting & Managed Services Commerce Suite Advanced Reach Fraud Engine Cloud BI Real Time Analytics

3 Veri Yönetimi Platformu - EMİRGAN 2 SALONU Kaçınılmaz Cloud Dönüşümü ve Kurumsal Çözümler Bulutta Büyüyen Büyük Veri ve Yönetimi Panel Akıllı Veri; Bulutta Büyüyen Veri ve Verimli Yönetimi Verinizin Büyüklüğü mü, İşlevi mi? Clonera - Solventaş Başarı Hikayesi - Felaket Anında Bulutta Veri Yönetimi 360 Analitik Vizyon Dijitalleşen İletişim Teknollojileri ile Veriyi Akıllandırma, Bulut ve Mobilite Gerçeği Veri Analizi, Dün Bugün Yarın Daha İyi Bir Müşteri Deneyimi İçin Müşteri Yolculuk Haritaları Analitiği Panel Etik Açıdan İş Zekası ve Analitik

4 Veri ile Yükselen Kavramlar Büyük Veri Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

5 Convergence Nedir? Büyük Veri nin, Bulut Altyapıları üzerinde, Servis olarak, Öngörüsel Analitik ve Öğrenen sistemler ile, Karar ve Optimizasyon aracı olarak kullanılması. Tüm bu yapının Anlık Eylem Süreçlerinde kullanılabilmesi.

6 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

7 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

8 Büyük Veri Çok daha FAZLA Klasik veri yönetimi teknikleri yerine yeni teknolojiler, teknikler, araçlar ve mimariler ihtiyacı Büyük veriyi mümkün kılan Depolama kapasitelerinin artışı Işlemci gücünün artışı Verinin ulaşılabilir olması Çok daha HIZLI Çok daha ÇEŞİTLİ

9 Büyük Veri mi Büyük Çöplük mü? Verinin sadece adetsel olarak büyük olması değil, TAM olması amaçlanmalı. TAM veri olunca? Örneklemden çıkarılamayacak patternler çıkarabiliyoruz. Ör: Sumo Güreşçileri TAM veri ile çalışıyorken, Örneklemdeki çok maliyetli ölçüm hassasiyeti; gerekli değil. Örneklem yönteminde örneklemin hatası riskini almak yerine; Ölçüm hassasiyetinden taviz vererek; TAM veriyi toplamanın ve depolamanın ucuzluğunu kullanıyoruz Mikro seviyede kaybedilen veri doğruluğuna rağmen, makro seviyede yeni öngörüler oluşturuyoruz. Büyük Veri

10 Büyük Veri Büyük verideki adetsel değişim, üretilen sonuçlardaki kalitatif değişimin önünü açtı. Saniyede 24 kare fotoğraf ile üretilen ürüne artık Film diyoruz, Fotoğraf değil. Küçük Veri: Küçük, kesin, nedensel. Büyük Veri: Kesin olmamayı tolere edebilen, daha bütünleşik, bağlantısal. Büyük veri nedensellikle değil, bağlantısallıkla alakalı. Amaç, bağıntılara dayanan patternleri çıkarmak. Bu sebeple, büyük veri, daha TAM veri ile, daha iyi algoritma ile olabileceğinden çok daha fazla sonuç türetir. Algoritma geliştirmek için varsayımlara başvurmak yerine, sofistike analizler kullanılması.

11 Büyük Veri Büyük Veri Senaryolarında Kullanılan Bazı Araçlar NoSQL DatabasesMongoDB, CouchDB, Cassandra, Redis, BigTable, Hbase, Hypertable, Voldemort, Riak, ZooKeeper MapReduce Hadoop, Hive, Pig, Cascading, Cascalog, mrjob, Caffeine, S4, MapR, Acunu, Flume, Kafka, Azkaban, Oozie, Greenplum Storage S3, Hadoop Distributed File System Servers EC2, Google App Engine, Elastic Beanstalk, Heroku Processing R, Python, Yahoo! Pipes, Mechanical Turk, Solr/Lucene, ElasticSearch, Datameer, BigSheets, Tinkerpop

12 Büyük Veri Büyük Veri Uzamı İlişkisel Veritabanları, NOSql Arşivler, Taranmış dokümanlar, ler, tıbbi kayıtlar, faturalar, irsaliyeler, Doküman tipleri: xls, pdf, csv, html, json.. Iş uygulamaları: Crm, Erp, Hr, Pm.. Media: İmaj, Video, Ses.. Sosyal Ağlar: Twitter, Facebook, Google, Linkedin.. Açık Web: Wikipedia, haberler,.. Veri Barındırma: RDBMS, NoSql, Hadoop, File Systems.. Log verisi: Application logları, event logları, server verisi, tıklama log verisi.. Sensor verisi: smart elektrik ölçer, tıbbi cihazlar, sensörler, smart phones..

13 Büyük Veri Büyük Verinin Kararlarda Sezgi nin önemini azaltması Kararların, yapısal bir yaklaşımla, veri ile yönetilen kavrama ve öngörü sistemleri aracılığı ile alınması; örneğin: Davranış analizleri Ürün ve Müşteri karlılığı stratejileri Müşteri edinme ve elde tutma stratejileri Operasyon ve performans yönetimi Tedarik zinciri ve teslimat kanalı stratejileri

14 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

15 Büyük Veri Analitiği Öngörüsel Analitik GELENEKSEL VERİ BÜYÜK VERİ Örneklem Veri Toplu İşleme (Batch) Veri ve ölçüm kesinliği ihtiyacı Daha iyi sonuç için Daha iyi algoritmalar Örneklem Hatası ile önkabul Neden-Sonuç ilişkisi Hipotez Testi Kompleks algortimalar Sadece Büyük değil, Bütün Veri Gerçez zamanlı işleme (Streaming) Daha az kesin daha fazla veri ihtiyacı Daha iyi sonuç için Daha çok veri Ölçüm hatası için marj ile pattern çıkarımı Bağlantı - korelasyon Pattern Çıkarımı Daha basit modelleme teknikleri Öğrenen, İdrak eden sistemler (Yapay Öğrenme, Derin öğrenme) Öngörüsel Analitik

16 Öngörüsel Analitik Analitik Uygulamalar Tanımlayıcı Takip Teşhis edici Analiz Tanımlayıcı (Descriptive) Teşhis Edici (Diagnostic) Ne oldu? Neden oldu? Öngörüsel (Predictive) Yönergesel (Prescriptive) Karar Verici (Decisive) Yönergesel Tavsiye Ne yapılabilir? Gelecekte ne olabilir? Öngörüsel Çıkarım

17 Öngörüsel Analitik Kullanım Örnekleri Data Discovery Real Time Intelligence Business Reporting

18 Öngörüsel Analitik Katma Değer Zinciri Yetenek Seviyeleri, Karmaşıklık ve Katma Değer Diagnostics Analysis Predictive Prescriptive Bilgi Geçmiş Veri Bügün Öngörü Optimizasyon Amaç, her kararın ve aksiyonun (optimizasyon noktasının) verimliliğini ve efektifliğini arttırmak.

19 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

20 Yapay Öğrenme Yapay Öğrenme Geçmiş veri üzerinden, bir performans kriterini optimize etmek üzere model geliştirilmesi Otomasyon inşasını otomatikleştirilmesi Programın, kendi çıktılarının ya da yeni girdilerin, programı, modeli kendi kendisine değiştirmesi Kendi çıktılarından veya yeni, büyük veriden öğrenmesi Verinin bütün işi yapmasını sağlamak. Verinin hükümranlığını ilan etmesi

21 Yapay Öğrenme (Fraud Puanı) Manuel müdahale ile değiştirilir Değerleme Kuralları Yeni Veri Puan / Sınıf Doğru Karar Verdik mi? Evet Hayır MODEL Geçmiş Veri

22 Veritabanlarında Bilgi Keşfi (Knowledge Discovery) KDD Knowledge Discovery in Databases Veri içerisindeki, geçerli, kullanışlı, yeni, potensiyel olarak faydalı ve nihai olarak anlaşılabilir patternleri tespit etme. Perakende: Sepet Analizi, Müşteri davranışları, ilişkileri, Çapraz Satış, indirim miktar ve zamanları Finans: Kredi skoru, Dolandırıcılık tespiti, Risk Yönetimi Üretim: Optimizasyon (Satınalma, Üretim planlama, Sevkiyat) Tıp: Teşhis (Hastalık henüz ortaya çıkmadan) Telekomünikasyon: İçerik özelleştirme Sigortacılık: Underwriting Casino: Ödül sistemleri, direkt pazarlama Elektrik, Su, vb.: Kayıp kaçak tespiti, tahsilat analizi Büyük Veri Öngörüsel Analitik Yapay Öğrenme

23 Yapay Öğrenme Hepsi Keşif için Yenilik Keşfi Yeni şablonlar, ender olaylar, istisnalar, eğilim değişimleri Sınıf Keşfi Yeni müşteri sınıfı, yeni davranış sınıfı, Sınıf sınırlarını çizen kuralların ve değişimlerinin keşfi İlinti ve Bağıntı keşfi Aynı anda olması pek olası olmayan olayların keşfi Yeni patternler ve bağımlılıkların keşfi, yeni kural setlerinin ortaya çıkması

24 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

25 SaaS Servis Modelleri SaaS PaaS Software Platform Infrastructure Platform Infrastructure Software / Application Platform IaaS Infrastructure Infrastructure

26 SaaS SaaS

27 Büyük Veri Anlık Eylemler için Karar ve Optimizasyon Öngörüsel Analitik Yapay Öğrenme SaaS Bulut Bilişim

28 Bulut Bilişim Bulut Bilişim Kabaca; Barındırılmış Servisleri Internet Üzerinden Sunma Ne Sunar? Paylaştırılan hizmetler. Herşey Servis Internete erişilebilir her noktadan erişebilme Ölçeklendirebilme Talep anında, self servis Yüksek esneklik Ölçülebilir hizmetler Kaynak Havuzları Yüksek kullanım oranı, düşük birim maliyet Kullandıkça Öde Elde etme süresinin kısaltılması

29 Bulut Bilişim Servis olarak Herşey (Everything as a Service) Media Paylaşım İş Uygulamaları Backup Yönetim Uygulamaları Arama Mobil Servisler Üretkenlik Uygulamaları Lokasyon Bazlı Servisler Sosyal Ağlar On Demand Platform On Demand Altyapı On Demand Barındırma

30 Anlık Eylemler için Karar ve Büyük Veri Öngörüsel Analitik ÖRNEKLERi Yapay Öğrenme SaaS Optimizasyon Anlık Eylemler için Karar ve Optimizasyon Bulut Bilişim

31 How Germany s Otto uses artificial intelligence Tespit: 2 gün içerisinde teslim edilen siparişlerin iade ihtimali çok düşüyor.2 günden uzun siparişler için müşteriler direkt satın alıma dönüyor ve siparişi iptal ediyor. Siparişi bölüp çoklu kargo maliyetine katlanmak gerekiyor. Aynı zamanda müşteriler çoklu kargoyu sevmiyorlar. Çözüm: Kaynak:

32 How Germany s Otto uses artificial intelligence Derin Öğrenme Algoritması: 200 değişkenli 3 milyar geçmiş kayıt üzerinden ürün için 30 gün içerisinde hangi ürünün, ne zaman ve ne kadar satılacağını, insan müdahalesi olmadan %90 doğrulukla tahmin ediyor ve bunlara ait tüm satınalma kararlarını yine insansız olarak veriyor. Zorunlu tutulan emniyet stoğu %20 azaldı. Ürün iadelerinde yılda 2 milyon civarı bir azaltım sağlandı. Ürün teslim süresi azaldı.

33 Diğer örnekler FareCast: Uçak bileti fiyatlama: Hangi hat için, uçuşa kaç gün kala en ucuz bilet alınır. Sunexpress: Uçuş doluluk oranı tahmini. Harrah s Casino: odalar için talep tahmini, müşteri segmentasyonu, oda fiyatlama ve yerleştirme, ödül sistemi tasarımı

34 Teşekkürler!