KURUMSAL VERİLERİN YAPAY ZEKÂ MODELLERİ İLE İŞLENMESİ İÇİN MODELLEME ARACI ALT YAPI TASARIM VE GERÇEKLEŞTİRİMİ

Transkript

1 KURUMSAL VERİLERİN YAPAY ZEKÂ MODELLERİ İLE İŞLENMESİ İÇİN MODELLEME ARACI ALT YAPI TASARIM VE GERÇEKLEŞTİRİMİ DESIGN AND IMPLEMENTATION OF MODELLING TOOL FOR PROCESSING ENTERPRISE DATA BY ARTIFICIAL INTELLIGENCE MODELS FATİH MEHMET GÜLEÇ Hacettepe Üniversitesi Fen Bilimleri Enstitüsü Yönetmeliğinin BİLGİSAYAR MÜHENDİSLİĞİ Anabilim Dalı İçin Öngördüğü YÜKSEK LİSANS TEZİ olarak hazırlanmıştır 2007

2 Fen Bilimleri Enstitüsü Müdürlüğü'ne, Bu çalışma jürimiz tarafından BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI'nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir. Başkan :... Prof. Dr. Ünal YARIMAĞAN Üye (Danışman) :.... Yrd. Doç. Dr. Harun ARTUNER Üye :... Yrd. Doç. Dr. İbrahim ZOR ONAY Bu tez.../.../... tarihinde Enstitü Yönetim Kurulunca belirlenen yukarıdaki jüri üyeleri tarafından kabul edilmiştir..../.../... Prof.Dr. Erdem YAZGAN FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRÜ

3 KURUMSAL VERİLERİN YAPAY ZEKA MODELLERİ İLE İŞLENMESİ İÇİN MODELLEME KÜTÜPHANESİ ALT YAPI TASARIM VE GERÇEKLEŞTİRİMİ FATİH MEHMET GÜLEÇ ÖZ Kurumsal Kaynak Yönetimi ürünlerinin gelişmesi ve yaygınlaşması ile beraber işletmelerin veri tabanlarında sakladıkları veri türleri de paralel olarak genişlemektedir. İşletmelerin iş süreçlerinden temin ettikleri verilerin karar verme aşamasında bilgiye dönüştürülmesi işi her geçen gün önem kazanmaktadır. Bu tez kapsamında, işletmelerin mevcut verilerinden anlamlı bilgilerin üretilmesine yönelik modelleme aracı tasarlanmıştır. Hazırlanan bu araç ile veri madenciliğinde kullanılan farklı tekniklerin ortak bir modelleme ortamında toplanması sağlanmıştır. Tekniklerin bir araya toparlanması yaklaşımı ile işletmelerin kurumsal verilerden ilgilenen bilgileri daha hızlı ve daha az uzmanlık bilgisiyle elde edebilmeleri amaçlanmıştır. Hazırlanan bu araç ile modellerin ortak bir yapı içerisinde tanımlanmasına ve çalıştırılmasına olanak verecek alt yapı kütüphanesi tanımlanmıştır. İşletim ortamı içerisinde modellerin birbirleri ile etkileşimli çalışması yeteneği kazandırılmıştır. Modeller için ortak veri kaynakları, veri tabanları, kullanıcılar, diğer modeller olabilecek şekilde genişletilmiştir. Yine bu tez kapsamında, yukarıda sıralanan özellikler gözetilerek, Doğrusal Programlama ve Support Vector Machine uygulamaları örneklenmiştir. Anahtar Sözcükler: Yöneylem Araştırması, İş Zekâsı, Veri Madenciliği Danışman: Yrd. Doç. Dr. Harun ARTUNER, Hacettepe Üniversitesi, Bilgisayar Mühendisliği Bölümü i

4 DESIGN AND IMPLEMENTATION OF MODELLING LIBRARY FOR PROCESSING ENTERPRISE DATA BY ARTIFICIAL INTELLIGENCE MODELS FATİH MEHMET GÜLEÇ ABSTRACT In a parallel way to the extended usage of Enterprise Resource Planning Softwares; types of data stored on the company databases improve. Transformation of data that is provided by companies during their working processes into information while decision making becomes more important day by day. In the scope the thesis, a modelling tool is designed, which aims to generete information from exsisting data of the companies. Designing this modelling tool, provides assembling different techniques used in data mining into a common modelling environment. The goal of assembling approach of the techniques is to make them easily reached by the companies interested in any information in the instutional data with a less expertise knowledge. A Substructure library is defined by this tool, which enables defining and operating the models in the same composition. In the execution environment, the models gained the ability of working interactively with each other. The common data sources for models are extended to data bases, users and the other models. Also in the scope of the thesis, Linear Programming and Support Vector Machine applications are exemplificated by considering the features listed below. Key Words: Operational Research, Business Intelligence, Data Mining Advisor: Asst. Prof. Dr. Harun ARTUNER, Hacettepe Üniversitesi, Bilgisayar Mühendisliği Bölümü ii

5 TEŞEKKÜR Yazar, bu çalışmasının gerçekleşmesinde katkılarından dolayı, aşağıda adı geçen kişi ve kuruluşlara içtenlikle teşekkür eder. Sayın Prof. Dr. Ünal Yarımağan, tez metnini inceleyerek biçim ve içerik bakımından son şeklini almasını sağlamıştır. Sayın Yrd. Doç Dr. Harun Artuner (tez danışmanı), çalışmanın sonuca ulaştırılmasında ve karşılaşılan güçlüklerin aşılmasında yön gösterici olmuştur. Sayın Dr. İbrahim Sinir, tez metnini inceleyerek biçim ve içerik bakımından son şeklini almasını sağlamıştır. Sayın Dr. Ebru Sezer, tez metnini inceleyerek biçim ve içerik bakımından son şeklini almasını sağlamştır. Bilgisayar Mühendisliği Bölümü, tez çalışmasının ortaya konmasında gerekli kaynakları sağlamıştır. Desteklerini her zaman hissettiğim aileme teşekkür ederim. iii

6 İÇİNDEKİLER DİZİNİ ÖZ... 1 ABSTRACT... 2 TEŞEKKÜR... 3 İÇİNDEKİLER DİZİNİ... 4 SİMGELER VE KISALTMALAR... 8 ŞEKİLLER DİZİNİ... 9 ÇİZELGELER DİZİNİ GİRİŞ KURUMSAL VERİLERİN İŞLENMESİNE İLİŞKİN KAVRAMLAR İş Zekâsı Karar Destek Sistemleri Yöneylem Araştırmaları Doğrusal programlama Tamsayılı programlama Şebeke eniyilemesi Doğrusal olmayan programlama Proje yönetimi teknikleri Karar analizi teknikleri Öngörü teknikleri Stok yönetimi modelleri Kuyruk teorisi modelleri Veri Madenciliği Gürültülü veri sorunu Null değerler sorunu Eksik veri sorunu Artık veri sorunu Dinamik veri sorunu iv

7 2.5. Veri Ambarı Veri ambarı mimarisi Genel veri ambarı mimarisi Bağımsız veri pazarı mimarisi Bağlantılı veri pazarı mimarisi Çevirimiçi Analitik İşleme İŞ ZEKÂSI UYGULAMA TEKNİKLERİ Doğrusal Programlama Genetik Algoritma Evrimsel metotlar GA parametreleri Algoritmalar İstatistiksel Öngörü (Zaman Serileri) Durağan modeller Mevsimsellik Eğilim (Trend) modelleri Bayes Algoritması Support Vector Machine Diğer Teknikler VERİ İNCELEMEDE KULLANILAN MODELLER Eniyileme Modelleri Örnek problem Örnek problem Örnek problem Ağ Modeli Proje Yönetimi Kritik yol metodu Program değerlendirme ve irdeleme tekniği PERT ve maliyet analizi Projenin hızlandırılması Stok Yönetimi v

8 4.5. Diğer Modeller Kuyruk Teorisi Öngörü Sınıflandırma ve kümeleme Modeller ve Tekniklerin Eşleştirilmesi TİCARİ İŞ ZEKÂSI UYGULAMALARI Cognos Pentaho SAP BW Oracle Microsoft Business Intelligence Diğer Uygulamalar Ticari Uygulamaların Genel Olarak Değerlendirilmesi UYGULAMA Tanım ve Amaç Tasarım Modelleme altyapısı Veri tabanı erişim katmanı Model altyapısının doğrusal programlama için genişletilmesi Model altyapısının support vector machine için genişletilmesi Gerçekleştirim Modelleme altyapısı gerçekleştirimi Veri tabanı erişim katmanı gerçekleştirimi Modelleme altyapısının doğrusal programlama ile gerçekleştirimi Modelleme altyapısının support vector machine ile gerçekleştirimi Ekran görünümleri Uygulamanın Sınanması Örnek problemin tanımı Oracle DM kullanılarak oluşturulan model: Tez kapsamında geliştirilen uygulama kullanılarak oluşturulan model Oracle DM ve tez uygulamasının karşılaştırımı vi

9 7. SONUÇ VE ÖNERİLER Sonuç Öneriler KAYNAKLAR ÖZGEÇMİŞ vii

10 SİMGELER VE KISALTMALAR CPM CRM DP EB ERP ES ESM FS GB GS KKP KYM LDAP LP OLAP OLTP OR PDİT PERT SVN Critical Path Method Customer Relationship Management Doğrusal Programlama En Erken Başlama Tarihi Enterprise Resource Planning En Erken Sonlanma Tarihi Ekonomik Sipariş Miktarı Faaliyet Serbestliği En Geç Bitiş Tarihi En Geç Sonlanma Tarihi Kurumsal Kaynak Planlama Kritik Yol Metodu Lightweight Directory Access Protocol Lineer Programming Online Analytical Processing Online Transaction Processing Operational Research Program Değerlendirme ve İrdeleme Tekniği Program Evaluation and Review Technique Support Vector Machine viii

11 ŞEKİLLER DİZİNİ Şekil İş Zekası Kavramları... 4 Şekil İş Zekası Kavramları ve Modelleme Yeteneği... 5 Şekil Toplamsal Mevsimsellik Yapı Şekil Çarpımsal Mevsimsellik Yapı Şekil Support Vector Machine W ve C Vektörleri Şekil Support Vector Machine X-C Vektörü Şekil Örnek Ağ Modeli Şekil Kritik Yol Metodu Şekil Kritik Yol Metodu (EB,ES) Şekil Kritik Yol Metodu (EB,ES,GS,GB) Şekil Kritik Yol Metodu (Kritik Yollar) Şekil Ekonomik Sipariş Modeli Şekil Analysis Process Designer [26] Şekil Karar Ağacı Süreçleri [26] Şekil ABC Sınıflandırması [26] Şekil Model Yapısı ve Parametre Türleri Şekil Veri Tabanı Parametresi ve Veri Tabanından Bağımsızlık Şekil Doğrusal Programlama Modeli Şekil Support Vector Machine Modeli ix

12 Şekil Modelleme Altypısı Gerçekleştirimi Şekil Modelleme Altyapısı Parametre Yönetimi Şekil Veri Tabanı Erişim Katmanı Şekil Modelleme Altyapısı ve Doğrusal Programlama Şekil Modelleme Altyapısı ve Support Vector Machine Şekil Doğrusal Programlama Tanımlama Ekranı Şekil Doğrusal Programlama Kısıtlar Şekil Oracle SVM Başarımı Şekil Oracle SVM Başarımı (Ayrıntılı) Şekil Tez Uygulaması SVM Modeli Oluşturulması Şekil Tez Uygulaması SVM Eğitimi Şekil Tez Uygulaması SVM Başarımı x

13 ÇİZELGELER DİZİNİ Çizelge Örnek Problem (Zaman-Personel İlişkisi) Çizelge Örnek Problem 2 (Makine - Tahlil Grupları İlişkisi) Çizelge Örnek Problem 2 (Tahlil Grupları ve Değişken Eşleştirmesi) Çizelge PERT Örneği (Süreler) Çizelge PERT Örneği (Standart Sapma) Çizelge PERT Örneği (EB, ES, GB, GS, FS) Çizelge Proje Hızlandırması Çizelge Modeller ve Tekniklerin Eşleştirilmesi Çizelge Microsoft Veri Madenciliği Algoritmaları Çizelge Sınama Verisi Sütun Tanımları Çizelge Örnek Eğitim Verisi Çizelge Oracle ve Tez Uygulaması Başarım Karşılaştırması xi

14 1. GİRİŞ İşletmelerde kurumsal kaynak yönetimi (enterprise resource planning) uygulamalarının daha geniş yer bulması ile diğer bir ifadeyle günlük süreçlerin elektronik ortamda takip edilmesi sonucu işletimsel veriler çoğalmış, mevcut verilerin biçimsel kaliteleri artmıştır. Bu gelişme verilerden anlamlı bilgilerin çekilmesine yönelik çalışmaların ticari işletmelere uyarlanmasını beraberinde getirmiştir. Doğrusal Programlamanın ikinci dünya savaşı dönemi askeri planlamaların gerçekleştirimi için ortaya çıkmış olması gibi, hemen hepsi askeri ihtiyaçlardan ortaya çıkan birçok uygulama alanı, işletmelerin mevcut verilerden alınacak kararlara destek olacak bilgilerin elde edilmesine yönelik uyarlanmaya başlanmıştır. Değişik disiplinlerin ilgilendiği ve genel olarak iş zekâsı olarak adlandırabileceğimiz bu sektörde, yakın zamanda birçok büyük firma (örn: HP) çalışmalar başlatmıştır. İş zekâsı, alınacak kararlara destek olmak üzere iş dinamikleri üzerinde kesin ve belirgin bir anlayış geliştirmek üzere kullanılan yöntem ve süreçler bütünüdür. İş zekâsı uygulamalarını karar destek sistemlerinden ayıran temel özellik ise, iş zekâsının tüm paydaşlara yönelik bilgi aktarımı sağlayabilmesidir. Böylelikle karar destek sistemleri sadece işletme içerisindeki yöneticilere yönelik geliştirilirken, iş zekâsı uygulamalarında müşteriler ve tedarik zincirindeki diğer firmalar da sürece eklenmiştir. Günümüz iş zekâsı uygulamalarının, veri madenciliği tekniklerinin kurumsal kaynak planlama verilerine uyarlanmasından öteye geçmediği düşünülmektedir. Genel olarak mevcut ürünler incelendiğinde, birçoğunun veri madenciliği ve gelişmiş raporlama özelliklerini destekledikleri görülmüştür. Ancak yaptığımız incelemelerde ortaya çıkan bir diğer gözlem ise işletme ve endüstri mühendisliği bilim dallarının ilgi alanına giren yöneylem araştırması (operational research) tekniklerine gereken önemin verilmiyor olmasıdır. Yöneylem araştırmasının, eğitimli birçok yönetici tarafından az çok biliniyor olması, daha çabuk kavrayabilecekleri gerçeğini de beraberinde getirmektedir. Yöneylem araştırmasının ticari işletmeler üzerine veri madenciliği uygulamalarından daha önce uyarlanmış olması ve lisans seviyesi yönetici eğitiminde yöneylem araştırması 1

15 derslerinin verilmesi, yöneticilerin yöneylem araştırmalarına yakınlığını açıklayan temel etkendir. Konuya kullanıcıların bakış açısından yaklaşıldığı zaman, yöneylem araştırması teknikleri veri madenciliği tekniklerinden daha yakın, daha tanıdıktır. İş zekâsı uygulamalarının gelişmiş raporlama ve veri madenciliği uygulamaları olarak ortaya çıkmaları, diğer bir ifade ile yöneylem araştırmasına gereken önemi vermemeleri ve işletmede karar alma yetkisine sahip kullanıcıların/yöneticilerin yöneylem araştırması tekniklerine daha yatkın olmaları, yaptığımız çalışmanın temelini oluşturan iş zekâsında yöneylem araştırması tekniklerinin uyarlanması fikrini ortaya çıkarmıştır. İş zekâsı uygulamalarının yöneylem araştırması tekniklerini içermesi, yöneylem araştırması teknikleri ile veri madenciliği tekniklerinin bir arada işletilmesi gerekliliğini doğurduğu düşünülmektedir. Modellerin bir arada işletilmesi ile modellerin etkileşimli çalışabilmesi ifade edilmektedir. Bir başka değişle veri girişlerinde bir modelin diğerine veri kaynağı olabilmesini anlatılmaktadır. Yapılan çalışmada, işletmelerin yönetimsel problemlerinin değişik disiplinlerle çözümü üzerine yoğunlaşılmıştır. Uygulamanın yetenekleri bir örnek ile açıklanabilir. Eniyileme problemlerinde karşılaşılan en sık sorun, sabit olarak görülen değerlerin bulunamamasıdır. Bu durumda sabitlerin değerleri için tahmin modelleri öngörülmeli, modelin kurulmasında bu sabitleri tahmin edecek alt modellerin de kurulması gerekmektedir[7, s9]. Tahmin modellerinde ise çözüm için, yöneylem araştırması teknikleri kullanılabileceği gibi tez çalışmasında hedeflendiği gibi veri madenciliği yöntemleri ile istatistiksel yöntemler de kullanılabilmektedir. Uygulamanın disiplinler arası yapısı, modellerin karmaşıklığı, kullanılan tekniklerin birbirlerinden çok farklı oluşları, geliştirilen uygulama çatısının tamamen dinamik ve genişleyebilir özellikte olması gerekliliğini doğurmuştur. Uygulama çatısı temel olarak iki farklı alanda tanımlama yapmaktadır. Model tabanı ile tüm problemler için temel bir yapı oluşturulmuştur. Teknik algoritma yapısı ile tüm teknikler için temel bir diğer yapı hazırlanmıştır. Uygulama çatısına yeni eklenecek tüm modeller ve teknikler bu iki temel yapıdan kalıtımla eklenebilmektedir. 2

16 Tez metni çalışmasının bağlamına uygun olarak öncelikle bölüm 2 de iş zekâsı ile ilgili temel kavramlar açıklanmıştır. Bölüm 3 te verilerden bilgi çıkarılmasına yönelik kullanılabilecek teknikler anlatılmıştır. Bölüm 3 te anlatılan teknikler, veri madenciliğinde ve yöneylem araştırmalarında kullanılan tekniklerin bir listesi ve açıklaması biçimindedir. Bölüm 4 te işletmelerde karar verme sürecinde karşılaşılan problemler tanımlanmıştır. Bu bölümde karşılaşılan problemler modellenerek biçimsel tanımları verilmiş ve kurulan modellerin bölüm 3 te anlatılan tekniklerden hangileri ile çözülebileceği üzerinde durulmuştur. Bu kesimde amaçlanan, işletmelerde ortaya çıkan problemlerin biçimsel tanımlarının oluşturulabilmesi ve biçimsel tanımı verilen problemlerin çözüm matrislerinin oluşturulmasıdır. Bölüm 5 te ticari iş zekâsı uygulamaları incelenmiştir. Bu uygulamaların incelenmesinde, uygulamaların işlevsel kısıtları ve yetenekleri belirtilmeye çalışılmıştır. Böylelikle ortaya çıkarılacak çalışmanın başarımı ve karşılaması gereken işlevler belirlenmiştir. Bu bölümün çalışmaya kattığı bir diğer anlam ise, iş zekâsı uygulamaların eksik kalan yönlerinin ortaya çıkarılması ve bu eksiklikler üzerine bir uygulama çatısının geliştirilmesi olmuştur. Bölüm 6 da modelleme kütüphanesi alt yapısının tasarımı ve geliştirilmesi anlatılmıştır. Tezde, yöneylem araştırması, veri madenciği ve veri ambarı uygulamalarını birbirleri ile etkileşimli çalışabilecekleri, karar destek sistemi aracı tasarlanmış, eksileri, artıları ve teknikler arası etkileşimler incelenmiştir. Yapılan çalışma, uygulama geliştirme süreci öncesinde yapılmış araştırmaları temel alsa da, uygulama geliştirme süresinde de devam ettiğimiz araştırmalar sonucu ilk başta tanımlanmayan yeni gereksinimlerin olabileceği görülmüştür. Bu gereksinimler bölüm 7 de, sonuçlar ve öneriler başlığı altında detayları ile anlatılmıştır. 3

17 2. KURUMSAL VERİLERİN İŞLENMESİNE İLİŞKİN KAVRAMLAR Veri Madenciliği tanımının ortaya atıldığı günden bu güne verilerden bir bakışta anlaşılmayan ancak işletme için kimi durumlarda hayati öneme sahip bilgilerin çıkartılmasına ilişkin değişik tanımlar ve algoritmalar geliştirilmiştir. Örneğin Karar Destek Sistemleri, İş Zekâsı gibi kavramları birbirinden kesin sınırlarla ayırmak pek mümkün olmamaktadır. Veri Madenciliği, Karar Destek Sistemleri gibi kavramlar bilişim dünyasında tartışılırken, İşletme biliminde Yöneylem Araştırması bilimi de verilerden anlam çıkarmanın ötesinde, verilerle karar verme sürecine destek olma görevini üstleniyordu. Amaç açısından her iki ilerleme de işletmelere karar verme süreçlerinde yardımcı olmaya çalışmaktadır. Diğer terimlere göre yakın zamanda ortaya atılmış İş Zekâsı kavramı, çalışmamızda Veri Madenciliği ve Yöneylem Araştırmasını kapsayan bir terim olarak kullanılmıştır. Terimlerin anlamları üzerine ayrıntılı bilgi vermeden önce, genel bir görünümü şu şekilde ortaya koyabiliriz. Şekil İş Zekası Kavramları 4

18 Kurumsal sistemler birden çok farklı amaçlı ürünün bir araya gelmesinden oluşurlar. Yukarıdaki şekilde veri ambarı, kurumsal kaynak yönetimi uygulamalarının ve iş zekâsı modüllerinin bir arada çalışması modellenmiştir. Yaptığımız çalışma kapsamında iş zekâsı modülleri incelenmiştir. Bu açıdan yukarıdaki çizimde verilen iş zekâsı kesimini ayrıntılarıyla incelemeliyiz. Model Değişkenleri Model Sabitleri Temel Model Yapısı Model Model Model Tabanı DataBase Query DataBase Query İş Zekası Motoru Yapay Sinir Ağları Doğrusal Programlama Regresyon Analizi SVM Genetik Algoritma Bayes Veri Ambarı Şekil İş Zekası Kavramları ve Modelleme Yeteneği 5

19 Yukarıdaki çizimde ayrıntılandırılan kesim, İş Zekasının genel görünümü, veri ambarı üzerinden alınan verileri işlemek amacıyla tanımlanmış modellerin iş zekası motoru üzerinden işletilmelerini anlatmaktadır İş Zekâsı İş zekâsı, alınacak kararlara destek olmak üzere iş dinamikleri üzerinde kesin ve belirgin bir anlayış geliştirmek için kullanılan metod ve süreçler bütünüdür. Diğer bir ifade ile dağıtık veriler kullanılarak stratejik karar alma durumunda olan kişilere bilgi üretilmesidir [1]. Veri analizi bakış açısı ile kişilere kararlarını belirlemek ve varsayımlarda bulunmalarına yardımcı olabilmek amacıyla anlamlı bilgilerin toplanması sürecidir[2]. Bilgi bakış açısı ile verinin incelenmesi, keşfedilmesi ve dönüştürülmesi ile bilginin elde edilmesidir[3]. Temel olarak iş zekâsı, kurumların karar verme ve yönetim kabiliyetlerinin artırılmasına yardımcı olan; çok sayıda verinin kurumsal bilgiye dönüştürülmesini ve böylelikle kurumların rekabet ortamında avantaj sağlamasına yönelik kavramlar, metotlar, süreçler ve yazılımlar bütünüdür. Kurumsal Bilgi Sistemleri (Enterprise Information Systems) ve Karar Destek Sistemleri (Decision Support System) ile İş Zekâsının temel ayrım noktası, iş zekâsının sadece yöneticilere yönelik olmayıp, süreç içerisine tüm paydaşların (üst-alt düzey yöneticilerin, sistem dışı müşteri ve tedarik zincirinin) dâhil edilmesini sağlamasıdır [3]. İş zekâsının yetenekleri aşağıda verildiği gibi sıralanabilir[4]: 1. Veri Yönetimi: veri kazanımları, veri üretimi, veri dönüşümleri, veri tümleşimi; mevcut verilerden bilgi keşfedilmesi, büyük çaplı verilerin yönetimi ve bakımı 2. Veri Analizi: OLAP (Online Analytical Processing) ve OLTP (Online Transaction Processing) gibi veri işleme yetenekleri, veri sorgulama ve raporlama yetenekleri 3. Karar Destek: Eğilim (trend) tahminleri, karşılaştırmalı analizler 4. Kurumsal Eniyileme: modelleme yetenekleri 6

20 İş zekâsı yukarıda verilen yetenekleri ile, süreçlere destek veren kullanıcı kümelerinin genişletilmesinin yanında karar destek sistemleri ve veri madenciliği konuları üzerine eniyilemeye yönelik modelleme yeteneklerini eklemektedir. İş zekâsı Müşteri İlişkileri Yönetiminde (Customer Relationship Management - CRM), müşteri değerlerinin ve verilen değerin oluşum sebeplerinin belirlenmesine ve böylelikle işletme açısından belirli bir eşik değeri üstünde değer ifade eden müşterilerden elde edilen faydanın artırılmasına yönelik çalışmalara destek verecek araçları içermektedir[5]. Bu araçlar, daha önce de belirtildiği üzere kullanıcı gruplarının genişlemesine örnek olarak, işletmenin arka planında bulunanlar, ön planda müşteri ile etkileşimde bulunan kişilerin bir araya gelerek iş zekâsından hizmet almasını sağlamaktadır. Yapılan çalışma kapsamında eniyileme yetenekleri ön plana çıkarılmaya çalışılmıştır. Ancak eniyileme modelleri için yapılacak veri dönüşümlerinin yapısal veri dönüşümlerinin yanı sıra, sezgisel veri dönüşümlerine de yer verilmesi gerekliliği, çalışma kapsamında mümkün olduğunca veri madenciliği metotlarına bu bakış açısı ile yer verilmiştir Karar Destek Sistemleri Karar verme süreci, iş dünyasında birçok etmenin incelenerek ileriye dönük üretim, pazarlama, personel istihdamı gibi birçok konuda öngörüde bulunmayı gerektirir. Karar, geçmişteki işletme tecrübelerine dayanılarak, günümüzün verileri incelenerek verilmektedir. Bu sürecin başarılı bir karara dönüşmesinde, geçmişteki tecrübelerin bulunması ve anlamlandırılması büyük önem taşımaktadır. İşletmenin tecrübesi bireysel tecrübelerin bir bütünü gibi düşünülebileceği gibi, kurumsal kaynak yönetimi yazılımları ile işletmenin günlük faaliyetlerinden toplanmış verilerinin içerisinde de düşünülebilir. İşletmelerin KKY verilerinin içerisinde gizli kalmış bilgilerin, alınacak karar sürecine faydalı hale getirilmesi, incelenmesi ve işlenmesi süreci Karar Destek Sistemleri tarafından ele alınmaktadır.[30] 7

21 Karar destek sistemleri, basit birçok yöntemi içerdiği gibi, karışık algoritmalarla çalışmak durumundadır. Veri tabanı sorguları ile üretilen ilk aşama raporları, ilk akla gelen karar destek yöntemi olarak düşünülebilir. Bununla beraber, veri üzerinde matematiksel, istatistiksel ve sezgisel yöntemlerin kullanımını, karar destek sistemlerinin karar sürecinde, insan zekâsının kavrama yeteneğinin ötesine geçmesini sağlamaktadır.[31] 2.3. Yöneylem Araştırmaları Yöneylem araştırmasını Dr. İlker Topçu şu şekilde tanımlamaktadır: Yöneylem Araştırması (Yönetim Bilimi) genellikle kıt kaynakların tahsis edilmesi gereken durumlarda en iyi şekilde bir sistemi tasarlamaya ve işletmeye yönelik karar verme sürecine bilimsel bir yaklaşımdır. [6] Yapılacak bir yöneylem araştırmasında şu adımlar izlenmelidir: 1. Problemin Tanımlanması: Bu aşamada problemin tanımı, ve çözüm ile ulaşılacak amaç tanımlanmalıdır. 2. Sistemin İncelenmesi: Sistemin incelenmesi ile problemin girdileri tanımlanmalıdır. 3. Matematiksel Modelin Kurulması: Problemin biçimsel tanımının yapılması sürecidir. 4. Modelin Doğrulanması: Kurulan modelin, problemin tanımı ve ulaşılmak istenen sonuç ile ne derece uyumlu olduğu incelenmelidir. 5. Çözümün Belirlenmesi: Yöneylem araştırmasından birden çok çözüm yöntemi bulunmaktadır. Problemin ve modelin doğasına uygun çözüm yöntemi belirlenmelidir. 6. Çözümün Doğrulanması: Hazırlanan modelin çözümü ile istenen amaca ulaşılıp ulaşılmadığı kontrol edilmeli, model üzerinde gerekli düzeltmeler yapılmalıdır. Yöneylem araştırması modelleri, eniyilenecek (min, max) amaç işlevinden, kısıtlardan ve problemin doğasında bulunan değişkenlerden oluşmaktadır. Değişkenlerin işletmeye uygun değerler alması kısıtlarla sağlanırken, ulaşılmak istenen amaç, amaç fonksiyon olarak ifade edilir ve verilen değişkenlerin aldığı değerlere göre en büyük ya da en küçük sonuca ulaşılmak istenir. 8

22 Yöneylem araştırmasında kullanılan teknikler çalışmamızın ilerleyen bölümlerinde ayrıntılarıyla incelenmesine karşın, yöneylem araştırmasının içeriğinin anlaşılması amacıyla bu aşamada bir liste verilmesi uygun görülmüştür. Temel yöneylem araştırması teknikleri aşağıda listelenmiştir[7]: Doğrusal programlama Doğrusal programlama yaklaşımı, doğrusal bir yapıdaki kısıtları (kuralları) ihlal etmeden, doğrusal formdaki amaç fonksiyonunu en iyilemeyi (maksimize ya da minimize etmeyi) sağlayan, bu eniyileme sonucunda karar değişkenlerinin aldıkları değerleri bulan yaklaşımdır. [32] Tamsayılı programlama Doğrusal programlama kısıtlarına, değişkenlerin değer aralıklarının tamsayı olması kısıtının eklenmesi ile oluşturulan modeller, tamsayılı programlama teknikleri ile çözülmektedir Şebeke eniyilemesi Bir şebeke bir malın gittiği nokta ya da geldiği nokta olarak tanımlanabilecek düğümlerden ve otobanlara ya da benzer fiziksel akışa karşılık gelecek yaylardan oluşmaktadır Doğrusal olmayan programlama Amaç fonksiyonun ya da kısıtların matematiksel ifadesinin doğrusal olmaması durumunda kullanılan tekniklerdir Proje yönetimi teknikleri Proje yönetimi teknikleri ile proje planlamacısına aşağıdaki sorularda cevap arama imkânı verilmektedir[7]: Projenin tamamlanabileceği minimum beklenen süre Projeyi oluşturan faaliyetlerden kritik olanlar ve olmayanlar Projeyi oluşturan tüm faaliyetlerin en erken ve en geç başlangıç ve bitiş tarihleri Faaliyetler üzerinde serbestlik miktarı Projeyi en düşük maliyetle tamamlama seçeneği 9

23 Proje süresini kısaltmak için harcanması gereken ek maliyet düzeyi Projenin istenen bir tarihte bitirilebilme olasılığı Karar analizi teknikleri Karar analizi yaklaşımında, geleceğe ilişkin belirsizliklerin ortaya çıkması durumunda, olası değişik kararlar arasından bir kararın seçilmesine yardımcı olmak hedeflenmektedir Öngörü teknikleri Bir değişkenin zaman içerisinde aldığı değerlere zaman serisi denmektedir. Zaman serileri değişkenin geçmişteki seyrini ifade etmeleri sebebiyle, geleceğe ilişkin öngörülerde bulunulmasında faydalı olmaktadır. Verinin t+1 zamanında alacağı değer, geçmiş değerlerine bakılarak şu şekilde ifade edilebilir:,,, (2.1) Bu noktadan sonra verinin dağılımına uygun şekilde bir çözüm yolu öngörülerek, f fonksiyonu belirlenmektedir. Olası çözüm yöntemleri şu şekilde listelenebilir: Hareketli Ortalama Ağırlıklı Hareketli Ortalama Üstsel Düzleme Doğrusal Regresyon Kuadratik Regresyon Holt Metodu Holt-Winter Metodu Stok yönetimi modelleri İşletmeler anlık arzı karşılayabilmek için belirli stok seviyeleri ile çalışmaktadırlar. Stok seviyesinin belirlenmesi, stok maliyetleri ile doğrudan işletmenin karlılığını etkilemesi sebebiyle oldukça önemli bir problem olarak karşımıza çıkmaktadır. ULUCAN [7], stok yönetiminin matematiksel olarak modellenmesinin faydalarını şu şekilde sıralamaktadır: 10

24 İşletmelerdeki operasyonların birbirlerinden bağımsız yürümesini sağlarlar. Örneğin üretim ve dağıtım yapan bir işletmede, üretim hattında bir duraklama meydana geldiğinde, eğer yeterli stok bulunuyorsa, dağıtım devam edecektir. Ürün talebindeki dalgalanmaları absorbe eder. Üretim planlamasında esneklik sağlar. Hammadde tesliminde meydana gelebilecek gecikmelere karşı güvence sağlar. Sabit maliyetlerde etkinliği artırır. Miktar indirim avantajı yaratır. Fiyat artışlarına karşı korur Kuyruk teorisi modelleri Kuyruk teorisi, bekleme hatlarının analizi ve yönetimi ile ilgilenmektedir. Kuyruk teorisi, sistemlerinin davranışlarının tanımlanması (modellenmesini) ve servis birimlerinin sayılarının, müşterilerin bekleme olasılıklarının, ortalama bekleme süresinin, sırada bekleyen ortalama müşteri sayısının ve hizmet veren birimlerin boşta kalması olasılıklarının belirlenmesidir Veri Madenciliği Günümüzde Kurumsal Kaynak Yönetimi sistemlerinin yaygınlaşması, işletmelerin sistemlerinde mevcut veri üzerinde oldukça büyük artışlara sebep olmuştur. İşletmelerin günlük işleyişlerini düzenleme amacıyla kullanılmakta olan kurumsal kaynak yönetimi sistemleri, verileri günlük işlemlere uygun şekilde veri tabanlarında depolamaktan sorumludur. Depolana verilerin günlük işlemler dışında, işletmenin durumunun gözlenmesi, geleceğe ilişkin analizlerin yapılması kısacası işletmeye ilişkin kararların alınmasında kullanılabilmesi için değişik araçlarla ve algoritmalarla işlenmesi gerekmektedir. Veri madenciliği, veri içerisinde gömülü bilginin elde edilmesine ilişkin yolları tanımlamaktadır[14]. Veri madenciliği projeleri genelde oldukça büyük verilerle çalışmaktadır, ve bu verilerde çalışma öncesi ve sonrası bazı düzenlemeler ve değişiklikler yapılması gerekir[15]. 11

25 Aydoğan [8] ın ifadesi ile, Veri Madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programları kullanarak aranmasıdır. Veri Madenciliği yapılan diğer tanımlardan bazıları ise şu şekildedir [8]: 1. Holsheimer, büyük veri kümesi içinde saklı olan örüntülerin bulunması olarak tanımlamaktadır [9]. 2. Frawlet, önceden bilinmeyen ve potansiyel olarak faydalı olabilecek, veri içindeki gizli bilgilerin çıkarılması olarak ifade etmektedir [10]. Veri madenciliğinde karşılaşılan sorunlar şu şekilde sıralanabilir: Gürültülü veri sorunu Verilerin toparlanması, işletmenin günlük işlemlerinden sorumlu uygulama yazılımı ERP modüllerinin görevidir. Ancak ERP modüllerinin kullanıcı kaynaklı yanlış veri girişlerine karşı koyma yeteneği, tüm ticari yazılımlar için aynı seviyede olmadığı gibi, net bir şekilde hatalı veri girişine de karşı koymak mümkün değildir. Söz gelimi, kullanıcı herhangi bir değer için 100 yerine yanlışlıkla 1000 girmesi durumunda, verinin dağılımı bozulacağından, bu veri kümesinden çıkarılacak bilgide de anlam kayması olacaktır. Değişik sebeplerden kaynaklı veride ortaya çıkan gürültü, verinin ilgili algoritmalarla incelenmesinden önce düzenlenmeli ve düzeltilmelidir.[33] Gürültülü verilerin düzenlenmesinde temelde şu yöntemler kullanılmaktadır: 1. Uç değerlerde budama ya da en yakın değere benzetme işlemi yapılabilir. Budamada, dağılımda uçta kalan değerler yok varsayılması esas alınmaktadır. Diğerlerine benzetme ise, uç dağılımdaki değerlerin, uç dağılım olarak görülmeyen en yakın değere eşitlenmesi sağlamaktadır. 2. Özellikle kümelemede birbirinden çok uzak değerler anlamsız ve küçük örneklere sahip sınıfların oluşmasına sebep olabilmektedir. Bu durumda iki algoritma kullanılmaktadır[14]: 12