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 ZEKÂ MODELLERİ İLE İŞLENMESİ İÇİN MODELLEME KÜTÜPHANESİ ALT YAPI TASARIM VE GERÇEKLEŞTİRİMİ FATİH MEHMET GÜLEÇ ÖZ 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 Key Words: Operational Research, Business Intelligence, Data Mining Advisor : Yrd. Doç. 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... 7 ŞEKİLLER DİZİNİ... 8 ÇİZELGELER DİZİNİ GİRİŞ KURUMSAL VERİLERİN İNCELENMESİNDE KAVRAMLAR İş Zekâsı Karar Destek Sistemleri Yöneylem Araştırmaları Temel doğrusal programlama teknikleri ve uygulama alanları Veri Madenciliği Veri madenciliğinde karşılaşılan sorunlar 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 Duyarlılık Analizi Genetik Algoritma Evrimsel metotlar GA Parametreleri Algoritmalar iv

7 3.3. İstatistiksel Öngörü (Zaman Serileri) Durağan modeller Mevsimsellik Eğilim (Trend) Modelleri Bayes Algoritması Support Vector Machine Diğer Teknikler VERİ İNCELEMEDE KULLANILAN MODELLER Eniyileme Modelleri Örnekler Şebeke Modeli Proje Yönetimi Kritik yol metodu Program değerlendirme ve irdeleme tekniği PERT ve maliyet analizi Projenin hızlandırılması Stok Yönetimi Ekonomik sipariş miktarı ESM Diğer Modeller Kuyruk Teorisi Öngörü Sınıflandırma ve Kümeleme Modeller ve Tekniklerin Eşleştirilmesi TİCARİ İŞ ZEKÂSI UYGULAMALARI Cognos Pentaho SAP BW Oracle Veri hazırlama Microsoft Business Intelligence Diğer Uygulamalar v

8 5.7. Ticari Uygulamaların Genel Olarak Değerlendirilmesi UYGULAMA Tanım ve Amaç Tasarım Değişkenler Parametreler Sabitler Gerçekleştirim Model Yönetim Modülü Veri Tabanı Yönetim Modülü Model İşletim Modülü Ekran Görünümleri Uygulama Örnekleri Etkileşimli modelleme örneği... Error! Bookmark not defined SVM modelinin sınanması... Error! Bookmark not defined. 7. SONUÇ VE ÖNERİLER Sonuç Öneriler KAYNAKLAR vi

9 SİMGELER VE KISALTMALAR vii

10 ŞEKİLLER DİZİNİ viii

11 ÇİZELGELER DİZİNİ ix

12 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 ve yapısal kaliteleri artmıştır. Bu gelişme verilerden anlamlı bilgilerin çekilmesine yönelik çalışmaların ticari işletmelere uyarlanmasını beraberinde getirmiştir. 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 uygulamalarının karar destek sistemlerinde 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 tedraik zincirindeki diğer firmalar da sürece eklenmiştir. Günümüz iş zekâsı uygulamaları veri madenciliği tekniklerinin kurumsal kaynak planlama verilerine uyarlanmasından öteye geçmediği düşünülmektedir. Genel olarak mevcut ürünler incelendiğinde, hemen hepsinin ortak özelliği veri madenciliği ve gelişmiş raporlama özelliklerini destekledikleri görülmüştür. Ancak yaptığımız incelemelerde ortaya çıkan bir diğer gözlem ise işletme ve endüstri mühendisliği bilim dallarının da 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 derslerinin verilmesi, yöneticilerin yöneylem araştırmalarına yakınlığı açıklayan temel 1

13 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 yöntemlerde 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 kalıtılmaktadır. 2

14 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

15 2. KURUMSAL VERİLERİN İNCELENMESİNDE 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 Zekâsı Genel Görünüm 4

16 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 Variable Variable Variable Variable Variable Variable Database Parameter Database Parameter User Parameter Model Parameter Model Parameter Variable Variable Variable Variable Constant Constant Constant Temel Model Yapısı Database Parameter Model Model Model Tabanı DataBase Query DataBase Query İş Zekası Motoru Yapay Sinir Ağları Doğrusal Programlama Regresyon Analizi SVM Genetik Algoritma Bayes Veri Ambarı Yukarıdaki çizimde ayrıntılandırılan kesim, İş Zekasının genel görünümü, veri ambarı üzerinden alınan verileri işlemek amacıyla tanımlanmış modellerin iş zekası motoru üzerinden işletilmelerini anlatmaktadır. 5

17 2.1. 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 verilerden stratejik ve taktiksel 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 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. 6

18 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 dâhilinde 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 dâhilinde 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. 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 7

19 sistemlerinin karar sürecinde, insan zekâsının kavrama yeteneğinin ötesine geçmesini sağlamaktadır 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

20 Temel doğrusal programlama teknikleri ve uygulama alanları Yöneylem araştırmasında kullanılan teknikler çalışmamızın ilerleyen bölümlerinde ayrıntılarıyla incelenmesine karşın, yöneylem araştırmasının mahiyetinin anlaşılması amacıyla bu aşamada bir liste verilmesi uygun görülmüştür. Temel yöneylem araştırması teknikleri aşağıda listelenmiştir[7]: 1. Doğrusal Programlama Doğrusal programlama yaklaşımı, doğrusal bir yapıdaki kısıtları ihlal etmeden, doğrusal formdaki amaç fonksiyonunu en iyilemeyi (maksimize ya da minimize etmeyi) sağlayan, bu eniyileme sonucunda karar değişkenlerinin aldıkları değerleri bulan yaklaşımdır. 2. Tamsayılı Programlama Doğrusal programlama kısıtlarına, değişkenlerin değer aralıklarının tamsayı olması kısıtının eklenmesi ile oluşturulan modeller, tamsayılı programlama teknikleri işe çözülmektedir. 3. 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. 5. Doğrusal Olmayan Programlama Amaç fonksiyonun ya da kısıtların matematiksel ifadesinin doğrusal olmaması durumunda kullanılan tekniklerdir. 6. 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 9

21 Projeyi en düşük maliyetle tamamlama seçeneği Proje süresini kısaltmak için harcanması gereken ek maliyet düzeyi Projenin istenen bir tarihte bitirilebilme olasılığı 7. Karar Analizi Teknikleri Karar analizi yaklaşımında, geleceğe ilişkin belirsizliklerin ortaya çıkması durumunda, olası değişik kararlar arasından bir kararın seçilmesine yardımcı olmak hedeflenmektedir. 8. 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:,,, 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 9. 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 10

22 yönetiminin matematiksel olarak modellenmesinin faydalarını şu şekilde sıralamaktadır : 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 ıskontoları avantajı yaratır. Fiyat artışlarına karşı korur. 10. Kuyruk Teorisi Modelleri Kuyruk teorisi, bekleme hatlarının analizi ve yönetimi ile ilgilenmektedir. Kuyruk teorisi, sistemlerinin davranışlarının tanımlanması diğer bir ifade 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 gözlemlenmesi, 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 11

23 çalışmaktadır, ve bu verilerde çalışma öncesi ve sonrası bazı düzenlemeler ve değişiklikler yapılması gerekir[15]. 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 Veri madenciliğinde karşılaşılan sorunlar şu şekilde sıralanabilir: Gürültülü Veri 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. 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. 12

24 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]: Top N most frequent algoritması: Algoritmanın temel mantığı küme sayısının azaltılmasını sağlamaktır. En kalabalık N adet kümenin elemanları alınırken, diğerleri N+1 kümesine aktarılır. Equi-Width Bining algoritması: Sayısal değerlerde kullanılan bu algoritma, veri sayısının azaltılmasında kullanılır. Bu amaca yönelik N adet veri isteniyorsa, veriler N küme olacak şekilde baştan sona doğru bölünürler, her kümenin problem uygun olarak ortalaması alınır ve küme tek bir değerle olmak üzere bu ortalamayla temsil edilir. 3. Değerler tahmini bir normalizasyona göre düzenlenebilir. Böylelikle istenen standart sapmaya uygun şekilde, verilen aralığa değerler alınarak veriler düzenlenmektedir Null Değerler Verilerin null ifadesiyle tanımlanması içeriğinin bilinmemesi anlamını taşımaktadır. Null değerler SQL sorgularında da ele alınması gereken özel değerlerdir. Örneğin aşağıda verilen mantıksal işlemin sonucu, (NULL VE DOĞRU) beklenenin tersine doğru ya da yanlış değil, null olacaktır. Veri madenciliğinde null değerler iki yolla ele alınabilir: 1. Null değerli veriler yok varsayılır, algoritma içinde ihmal edilirler. 2. Null değerler diğer verilere göreli olarak en uygun değerle değiştirilirler. a. Veri kümesinde en sık karşılaşılan değer seçilebilir. b. Problemin doğasında bulunan varsayılan bir değer seçilebilir. 13

25 c. Null değerin bulunduğu kayıdın, diğer özelliklerine bakılarak seçilecek o kayda en yakın değerin ilgili özelliği seçilebilir Eksik Veri Eksik veri genelde verilerden alınan örneklemlerin yanlış seçilmesi sonucu ortaya çıkar. Örnek alınırken, izdüşümü uygulanabileceği gibi, satır seçme işlemi de yapılabilmektedir. Bu açıdan izdüşümü alınırken, problemin doğasında küme belirlemede etken olan bir alanın izdüşümüne dâhil edilmemesi durumu doğru sonuca ulaşılması engelleyecektir. Satır seçiminde ise, örneklemde bilinmeyen kümelerin çıkarılmasında, kümelenmelerin yanlış oluşmasına sebep olabilir Artık Veri Artık veri, problemin sonuca ulaşmasında kullanılacak verilerde kullanılmaması gereken nitelikleri ifade etmektedir. Artık niteliklerin elenmesi, problemin çözümünde daha kesin bilgi edilmesini sağlayacağı gibi, çalışma zamanında gözle görünür farklar oluşturur Dinamik Veri Modelin çalıştırılması sırasında veriler genelde veri tabanından elde edilmektedir. Ancak veri tabanından elde edilen veriler, gün içerisinde sürekli günleniyor olması sebebiyle güncellik sıkıntıları yaşanabilmektedir. Güncelleme sıkıntısı veri tabanı ile veri madenciliği uygulamasının aynı üreticiden olduğu durumlarda, veride oluşan değişiklikler eş anlı olarak modelin sonucuna da yansıtılmaktadır. (Bkz. Microsoft BI ve Oracle DM). Diğer bir çözüm yolu ise modelin gerektiği zamanlarda yeniden çalıştırılmasıdır. Dinamik verinin ortaya çıkardığı bir diğer problem ise, modelin çalışması esnasında veri tabanında ilgili satırların kilitlenmesi gerekliliğidir. Modellerin çalışma süreleri alışıldık SQL sorgularına göreli olarak çok daha uzun sürdüğü düşünüldüğünde, modelin çalıştırılması işletmenin günlük işlemlerinde ERP sistemlerinin başarımında gözle görünür bir düşüşün ortaya çıkmasına sebep olabilir. 14

26 2.5. Veri Ambarı Bir işletme içerisinde değişik amaçlara yönelik farklı uygulamalar çalıştırılabilmektedir. Müşteri hizmetleri için gelişmiş bir Müşteri İlişkileri Yönetimi (Customer Relationship Management) uygulamasına ihtiyaç duyan bir firma, muhasebe otomasyonunu farklı bir üreticinin ürününü kullanıyor olabilir. Bu her iki gereksinimin veri kümeleri Data Mart olarak adlandırılır[16]. Data Mart üzerine örnekleri artırabiliriz. Örneğin LDAP sunucusunda saklanan kullanıcı bilgisi ve organizasyon şeması Data Mart olarak adlandırabilir. LDAP üzerinde saklanan bu veriler, bir başka Data Mart olarak tarif edilebilecek Evrak Yönetim Otomasyonuna veri girişi sağlayabilir. Veri ambarı, data martların birleşimi olarak ifade edilir. Diğer bir ifade ile veri ambarı, işletimsel sistemlerin günlük işlemleri ele alırken ürettiği verilerin yönetildiği ve kalıcılığının sağlandığı ortamlardır Veri ambarı mimarisi Veri ambarı olarak ifade edilen sistemler çok sayıda farklı mimari seçeneği uygulamasının yanında, bir sistemin veri ambarı olarak ifade edilebilmesi için mutlaka taşıması gereken özellikler vardır. Bu açıdan tek bir veri ambarı mimari tanımı vermek mümkün olmasa da, veri ambarlarının mutlaka sahip olması beklenen mimari özellikleri sıralanabilir. Veri ambarı mimarisi ifadesi ile uç kullanıcıya sunulmak üzere hazırlanan bilgilerin geçtiği sürecin, yani veriler ile verileri üreten ya da kullanılan sistemler arasındaki iletişim ve gerçekleştirilen işlemlerin tamamının yapısı anlatılmaktadır. Bu yapı, birbiriyle ilişkili birkaç bölümden oluşmaktadır. Bu yapıları AYDOĞAN [8] şu şekilde tanımlamaktadır: Bilgi Erişim Katmanı : Uç kullanıcıyla doğrudan iletişime geçen katmandır. Uç kullanıcının her gün kullandığı Excel, Lotus, Focus, Access,... gibi araçlar bilgi erişim katmanında yer almakla birlikte çözümleme ya da sunum amacıyla kullanılacak olan rapor, çizelge, grafik ya da tabloların görüntülenmesi ya da çıktıların alınması gibi işlemler için kullanılan yazılım ve donanım da bu katmanda bulunmaktadır. 15