kurumsal verİlerİn yapay zekÂ modellerİlefatihg/kurumsalg.pdf · i kurumsal verİlerİn yapay...

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

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

i

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

ii

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

iii

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.

iv

İÇİNDEKİLER DİZİNİ

ÖZ ................................................................................................................................. 1

ABSTRACT ................................................................................................................... 2

TEŞEKKÜR ................................................................................................................... 3

İÇİNDEKİLER DİZİNİ ..................................................................................................... 4

SİMGELER VE KISALTMALAR .................................................................................... 8

ŞEKİLLER DİZİNİ .......................................................................................................... 9

ÇİZELGELER DİZİNİ ................................................................................................... 11

1. GİRİŞ ......................................................................................................................... 1

2. KURUMSAL VERİLERİN İŞLENMESİNE İLİŞKİN KAVRAMLAR ............................. 4

2.1. İş Zekâsı .............................................................................................................. 6

2.2. Karar Destek Sistemleri ....................................................................................... 7

2.3. Yöneylem Araştırmaları ....................................................................................... 8

2.3.1. Doğrusal programlama ................................................................................. 9

2.3.2. Tamsayılı programlama ................................................................................ 9

2.3.3. Şebeke eniyilemesi ....................................................................................... 9

2.3.4. Doğrusal olmayan programlama ................................................................... 9

2.3.5. Proje yönetimi teknikleri ................................................................................ 9

2.3.6. Karar analizi teknikleri ................................................................................. 10

2.3.7. Öngörü teknikleri ......................................................................................... 10

2.3.8. Stok yönetimi modelleri ............................................................................... 10

2.3.9. Kuyruk teorisi modelleri ............................................................................... 11

2.4. Veri Madenciliği ................................................................................................. 11

2.4.1. Gürültülü veri sorunu ................................................................................... 12

2.4.2. Null değerler sorunu .................................................................................... 13

2.4.3. Eksik veri sorunu ......................................................................................... 13

2.4.4. Artık veri sorunu .......................................................................................... 14

2.4.5. Dinamik veri sorunu .................................................................................... 14

v

2.5. Veri Ambarı ....................................................................................................... 14

2.5.1. Veri ambarı mimarisi ................................................................................... 15

2.5.2. Genel veri ambarı mimarisi ......................................................................... 16

2.5.3. Bağımsız veri pazarı mimarisi ..................................................................... 16

2.5.4. Bağlantılı veri pazarı mimarisi ..................................................................... 16

2.6. Çevirimiçi Analitik İşleme ................................................................................... 17

3. İŞ ZEKÂSI UYGULAMA TEKNİKLERİ .................................................................... 18

3.1. Doğrusal Programlama ..................................................................................... 18

3.2. Genetik Algoritma .............................................................................................. 19

3.2.1. Evrimsel metotlar ........................................................................................ 20

3.2.2. GA parametreleri ......................................................................................... 21

3.2.3. Algoritmalar ................................................................................................. 22

3.3. İstatistiksel Öngörü (Zaman Serileri) ................................................................. 23

3.3.1. Durağan modeller ....................................................................................... 23

3.3.2. Mevsimsellik ................................................................................................ 24

3.3.3. Eğilim (Trend) modelleri .............................................................................. 26

3.4. Bayes Algoritması ............................................................................................. 27

3.5. Support Vector Machine .................................................................................... 28

3.6. Diğer Teknikler .................................................................................................. 32

4. VERİ İNCELEMEDE KULLANILAN MODELLER .................................................... 33

4.1. Eniyileme Modelleri ........................................................................................... 33

4.1.1. Örnek problem 1 ......................................................................................... 36

4.1.2. Örnek problem 2 ........................................................................................ 37

4.1.3. Örnek problem 3 ........................................................................................ 39

4.2. Ağ Modeli .......................................................................................................... 40

4.3. Proje Yönetimi ................................................................................................... 41

4.3.1. Kritik yol metodu ......................................................................................... 41

4.3.2. Program değerlendirme ve irdeleme tekniği ................................................ 44

4.3.3. PERT ve maliyet analizi .............................................................................. 47

4.3.4. Projenin hızlandırılması .............................................................................. 47

4.4. Stok Yönetimi .................................................................................................... 49

vi

4.5. Diğer Modeller ................................................................................................... 53

4.5.1. Kuyruk Teorisi ............................................................................................. 53

4.5.2. Öngörü ........................................................................................................ 54

4.5.3. Sınıflandırma ve kümeleme ........................................................................ 55

4.6. Modeller ve Tekniklerin Eşleştirilmesi ................................................................ 55

5. TİCARİ İŞ ZEKÂSI UYGULAMALARI ...................................................................... 57

5.1. Cognos .............................................................................................................. 57

5.2. Pentaho ............................................................................................................. 59

5.3. SAP BW ............................................................................................................ 60

5.4. Oracle ................................................................................................................ 63

5.5. Microsoft Business Intelligence ......................................................................... 64

5.6. Diğer Uygulamalar ............................................................................................ 65

5.7. Ticari Uygulamaların Genel Olarak Değerlendirilmesi ....................................... 66

6. UYGULAMA ............................................................................................................ 67

6.1. Tanım ve Amaç ................................................................................................. 67

6.2. Tasarım ............................................................................................................. 68

6.2.1. Modelleme altyapısı .................................................................................... 68

6.2.2. Veri tabanı erişim katmanı .......................................................................... 71

6.2.3. Model altyapısının doğrusal programlama için genişletilmesi ..................... 72

6.2.4. Model altyapısının support vector machine için genişletilmesi .................... 73

6.3. Gerçekleştirim ....................................................................................................... 74

6.3.1. Modelleme altyapısı gerçekleştirimi ............................................................ 74

6.3.2. Veri tabanı erişim katmanı gerçekleştirimi................................................... 76

6.3.3. Modelleme altyapısının doğrusal programlama ile gerçekleştirimi .............. 76

6.3.4. Modelleme altyapısının support vector machine ile gerçekleştirimi ............. 78

6.3.5. Ekran görünümleri ....................................................................................... 80

6.4. Uygulamanın Sınanması ................................................................................... 81

6.4.1. Örnek problemin tanımı .............................................................................. 81

6.4.2. Oracle DM kullanılarak oluşturulan model: .................................................. 83

6.4.3. Tez kapsamında geliştirilen uygulama kullanılarak oluşturulan model ........ 85

6.4.4. Oracle DM ve tez uygulamasının karşılaştırımı ........................................... 86

vii

7. SONUÇ VE ÖNERİLER ......................................................................................... 87

7.1. Sonuç ................................................................................................................ 87

7.2. Öneriler ............................................................................................................. 87

KAYNAKLAR ............................................................................................................... 90

ÖZGEÇMİŞ ................................................................................................................. 93

viii

SİMGELER VE KISALTMALAR

CPM Critical Path Method

CRM Customer Relationship Management

DP Doğrusal Programlama

EB En Erken Başlama Tarihi

ERP Enterprise Resource Planning

ES En Erken Sonlanma Tarihi

ESM Ekonomik Sipariş Miktarı

FS Faaliyet Serbestliği

GB En Geç Bitiş Tarihi

GS En Geç Sonlanma Tarihi

KKP Kurumsal Kaynak Planlama

KYM Kritik Yol Metodu

LDAP Lightweight Directory Access Protocol

LP Lineer Programming

OLAP Online Analytical Processing

OLTP Online Transaction Processing

OR Operational Research

PDİT Program Değerlendirme ve İrdeleme Tekniği

PERT Program Evaluation and Review Technique

SVN Support Vector Machine

ix

ŞEKİLLER DİZİNİ

Şekil 2. 1. İş Zekası Kavramları ..................................................................................... 4

Şekil 2. 2. İş Zekası Kavramları ve Modelleme Yeteneği ............................................... 5

Şekil 3. 1. Toplamsal Mevsimsellik Yapı ...................................................................... 24

Şekil 3. 2. Çarpımsal Mevsimsellik Yapı ...................................................................... 25

Şekil 3. 3. Support Vector Machine – W ve C Vektörleri .............................................. 30

Şekil 3. 4. Support Vector Machine X-C Vektörü ........................................................ 31

Şekil 4. 1. Örnek Ağ Modeli ......................................................................................... 40

Şekil 4. 2. Kritik Yol Metodu ......................................................................................... 42

Şekil 4. 3. Kritik Yol Metodu (EB,ES) ........................................................................... 42

Şekil 4. 4. Kritik Yol Metodu (EB,ES,GS,GB) .............................................................. 43

Şekil 4. 5. Kritik Yol Metodu (Kritik Yollar) ................................................................... 44

Şekil 4. 6. Ekonomik Sipariş Modeli............................................................................. 51

Şekil 5. 1. Analysis Process Designer [26] .................................................................. 61

Şekil 5. 2. Karar Ağacı Süreçleri [26] ........................................................................... 61

Şekil 5. 3. ABC Sınıflandırması [26] ............................................................................ 62

Şekil 6. 1. Model Yapısı ve Parametre Türleri ............................................................. 69

Şekil 6. 2. Veri Tabanı Parametresi ve Veri Tabanından Bağımsızlık ......................... 71

Şekil 6. 3. Doğrusal Programlama Modeli ................................................................... 72

Şekil 6. 4. Support Vector Machine Modeli .................................................................. 73

x

Şekil 6. 5. Modelleme Altypısı Gerçekleştirimi ............................................................. 74

Şekil 6. 6. Modelleme Altyapısı Parametre Yönetimi ................................................... 75

Şekil 6. 7. Veri Tabanı Erişim Katmanı ........................................................................ 76

Şekil 6. 8. Modelleme Altyapısı ve Doğrusal Programlama ......................................... 77

Şekil 6. 9. Modelleme Altyapısı ve Support Vector Machine ....................................... 79

Şekil 6. 10. Doğrusal Programlama Tanımlama Ekranı ............................................... 80

Şekil 6. 11. Doğrusal Programlama Kısıtlar ................................................................. 80

Şekil 6. 12. Oracle SVM Başarımı ............................................................................... 83

Şekil 6. 13. Oracle SVM Başarımı (Ayrıntılı) ................................................................ 84

Şekil 6. 14. Tez Uygulaması SVM Modeli Oluşturulması ............................................. 85

Şekil 6. 15. Tez Uygulaması SVM Eğitimi ................................................................... 85

Şekil 6. 16. Tez Uygulaması SVM Başarımı ................................................................ 86

xi

ÇİZELGELER DİZİNİ

Çizelge 4. 1. Örnek Problem (Zaman-Personel İlişkisi) ............................................... 36

Çizelge 4. 2. Örnek Problem 2 (Makine - Tahlil Grupları İlişkisi) ................................. 38

Çizelge 4. 3. Örnek Problem 2 (Tahlil Grupları ve Değişken Eşleştirmesi) .................. 38

Çizelge 4. 4. PERT Örneği (Süreler) ........................................................................... 45

Çizelge 4. 5. PERT Örneği (Standart Sapma) ............................................................. 46

Çizelge 4. 6. PERT Örneği (EB, ES, GB, GS, FS) ...................................................... 46

Çizelge 4. 7. Proje Hızlandırması ................................................................................ 48

Çizelge 4. 8. Modeller ve Tekniklerin Eşleştirilmesi ..................................................... 56

Çizelge 5. 1. Microsoft Veri Madenciliği Algoritmaları .................................................. 65

Çizelge 6. 1. Sınama Verisi Sütun Tanımları ............................................................... 81

Çizelge 6. 2. Örnek Eğitim Verisi ................................................................................. 82

Çizelge 6. 3. Oracle ve Tez Uygulaması Başarım Karşılaştırması .............................. 86

1

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

2

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.

3

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.

4

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 2. 1. İş Zekası Kavramları

5

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.

İş Zekası Motoru

Genetik Algoritma

Regresyon Analizi

SVM

Doğrusal Programlama

Bayes

Yapay Sinir Ağları

Model Değişkenleri Model Sabitleri

DataBase Query

DataBase Query

Temel Model Yapısı

Model

Model

Model Tabanı

Veri Ambarı

Şekil 2. 2. İş Zekası Kavramları ve Modelleme Yeteneği

6

Yukarıdaki çizimde ayrıntılandırılan kesim, İş Zekasının genel görünümü, veri ambarı

üzerinden alınan verileri işlemek amacıyla tanımlanmış modellerin iş zekası motoru

üzerinden işletilmelerini anlatmaktadır.

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 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

7

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.

2.2. 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]

8

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.

9

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]:

2.3.1. 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]

2.3.2. Tamsayılı programlama Doğrusal programlama kısıtlarına, değişkenlerin değer aralıklarının tamsayı olması

kısıtının eklenmesi ile oluşturulan modeller, tamsayılı programlama teknikleri ile

çözülmektedir.

2.3.3. 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.

2.3.4. Doğrusal olmayan programlama Amaç fonksiyonun ya da kısıtların matematiksel ifadesinin doğrusal olmaması

durumunda kullanılan tekniklerdir.

2.3.5. 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

10

• Proje süresini kısaltmak için harcanması gereken ek maliyet düzeyi

• Projenin istenen bir tarihte bitirilebilme olasılığı

2.3.6. Karar analizi teknikleri Karar analizi yaklaşımında, geleceğe ilişkin belirsizliklerin ortaya çıkması durumunda,

olası değişik kararlar arasından bir kararın seçilmesine yardımcı olmak

hedeflenmektedir.

2.3.7. 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

2.3.8. 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:

11

• 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.

2.3.9. 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.

2.4. 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].

12

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:

2.4.1. 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]:

13

• 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.

2.4.2. Null değerler sorunu Verilerin null ifadesiyle tanımlanması içeriğinin bilinmemesi anlamını taşımaktadır. Null

değerler SQL sorgularında da ele alınması gereken özel değerlerdir. Örneğin (NULL VE

DOĞRU) mantıksal işlemin sonucu 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.

c. Null değerin bulunduğu kayıdın, diğer özelliklerine bakılarak seçilecek o kayda

en yakın değerin ilgili özelliği seçilebilir.

2.4.3. Eksik veri sorunu 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.[33]

14

2.4.4. Artık veri sorunu 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.

2.4.5. Dinamik veri sorunu 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.

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.

15

2.5.1. 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.

• Veri Erişim Katmanı: Veri erişim katmanı, bilgi erişim katmanı ile işletimsel

katmanın birbiri ile konuşmasını sağlayan katmandır.

• Veri Kılavuzu (Üstveri) Katmanı: Tam olarak işlevsel bir veri ambarı için, uç

kullanıcının gördüğü veriler ile işletimsel veri tabanındaki veriler hakkında çeşitli

üstverilerin olması gerekmektedir. İdeal olarak, uç kullanıcılar veri ambarındaki

(ya da işletimsel veri tabanındaki) verilere, verinin nerede ya da nasıl saklandığı

hakkında hiç bir şey bilmeden erişebilmelidir. Üstveri kurum içindeki veriyi

tanımlayan veridir.

• İşlem Yönetim Katmanı: İşlem yönetim katmanı, veri ambarı ve veri kılavuzu

bilgilerinin yönetilmesi ya da oluşturulması için yerine getirilmesi gereken

görevleri planlayan katmandır.

• Uygulama İleti Gönderme Katmanı: Kurum içindeki bilgisayar ağında bilginin

taşınmasını sağlayan katmandır.

16

Veri ambarının gerçekleştiriminde, verilerin bulunduğu kümelerin birbirleri ile

etkileşimine göre değişik mimari seçenekler mevcuttur. Veri kümelerinin birbirleri ile

etkileşimi veri yönetim sistemlerinin aynı ortamda olması ya da fiziksel olarak dağıtık

olmasından bağımsız olarak düşünülmelidir. Fiziksel olarak dağıtık bir yapıda, veriler

birbirleri ile etkileşimli olabileceği gibi, aynı fiziksel ortamı paylaşan sistemler birbirleri ile

doğrudan etkileşim içerisinde olmayabilirler.

2.5.2. Genel veri ambarı mimarisi Veri ambarının genel veri mimarisine uygun olarak tasarlanması, işletmenin geneline

hizmet veren diğer bir ifade ile işletmenin tüm birimlerinin faydalanabildiği bir yapıyı

tanımlamaktadır. Daha açık bir ifade ile işletmede yapılan işlemler karşılığı oluşan eriler

tek bir ortak havuzda toplanmaktadır. Bu yaklaşımın en temel getirisi, veri ambarının

yönetimine ilişkin maliyetlerin tek kalemde düzenlenmesini sağlamasıdır.

2.5.3. Bağımsız veri pazarı mimarisi Bağımsız veri pazarı, işletme içerisinde birden çok birimin kendi verilerini diğerlerinden

bağımsız olarak yönetmesini ifade etmektedir. Bu duruma en güzel örnek,

üniversitemizin lisans seviyesi öğrenci işleri, lisansüstü öğrenci işleri ve personel

verilerinin tamamen ayrık yapıda düzenlenmiş olmasıdır. Yine üniversitemiz üzerinden

konuştuğumuz zaman, bu üç farklı sistemin yönetimi farklı birimler tarafından ele

alınmakla beraber, sistemlerin tümleşim yeteneği olmaması geliştirim ve yönetim ile

bakım maliyetlerini düşürmüştür.

2.5.4. Bağlantılı veri pazarı mimarisi Farklı birimlerin farklı veri pazarına sahip olmasına karşın, bu veri pazarları ilgili diğer

birimlere de hizmet üretmektedir. Üniversitemizin sistemlerini göz önünde

bulundurduğumuz zaman, 2006 Özdeğerlendirme raporunun [17] değişik kesimlerinde,

bu sistemlerin etkileşimli olması gerekliliği ifade edilmektedir. Böylelikle örneğin öğrenci

işleri sistemi, personel sisteminden üniversitemiz akademik personeli bilgisini

alabilecektir. Ancak bu mimari gerçekleştirim, sistemlerin baştan tümleşik kurulmasına

göreli olarak daha maliyetli olabilmektedir. Tümleştirme gereksinimlerinde, farklı veri

tabanlarında saklanan verilerin etkileşimli hale getirilmesindeki güçlükler göz önünde

bulundurulduğunda bu maliyetin sebebi daha net anlaşılmaktadır.

17

2.6. Çevirimiçi Analitik İşleme Yapılan çalışma modelleme yetenekleri ve veri madenciliği ile doğrusal programlama

tekniklerinin tümleşik çalışmasını sağlamayı amaçlamaktadır. Ancak konu bütünlüğü

açısından, karar destek sistemleri içerisinde anlatılan OLAP (Online Analytical

Processing) tekniklerine tez kapsamında deyinmek gerekmektedir.

OLAP, verilerin veri tabanında olduğu gibi satırlar ile sunulmasının ötesinde, pivot

tabloların daha hızlı kurulmasını ve kullanılmasını sağlamaktadır. OLAP veri üzerinde

satırlada etiket vererek, çapraz tabloların oluşturulmasını ve bakımını üstlenmektedir.

OLAP kullanılarak hazırlanacak çapraz tablolar, iki boyuttan n boyuta kadar

gidebilmektedir. Böylelikle hazırlanan rapor, yönteciye daha anlamlı olarak

sunulabilmektedir. OLAP kısaca n boyutlı çapraz tablolar olarak tanımlanabilir.

18

3. İŞ ZEKÂSI UYGULAMA TEKNİKLERİ

Bu kesimde bir önceki bölümde tanımlanan problemlere ilişkin çözüm yolları

tartışılacaktır. Disiplinler arası bir yaklaşımla tez kapsamında incelenen teknikler,

Yöneylem Araştırmaları ve Veri Madenciliği konularının incelemesi sonucu

belirlenmiştir.

Bu kesimde işletmelerde karar verme sürecinde modellenmesi istenen sorunlara ilişkin

çözüm teknikleri anlatılmaktadır. Problemler ile tekniklerin eşleştirilmesi bir sonraki

bölümde ele alınmaktadır.

Tekniklerin farklı birçok modelin çözümünde kullanılabilmesinin yanında, etkileşimli

kullanımları da düşünülmelidir. Tekniklerin etkileşimli kullanımları, bir tekniğin eksik

kaldığı kesimlerinin diğerlerince tamamlanması olarak düşünülebileceği gibi, tekniğin

parametrelerinden bir kısmının başka tekniklerce üretilmesi olarak da düşünülebilir.

Bu bölümde anlatılacak teknikler

1. Doğrusal programlama

2. Genetik algoritmalar

3. Zaman serileri

4. Bayes algoritması

5. Karar ağaçları

6. Kümele algoritmaları

7. Yapay sinir ağları

8. Support vector machine

9. Regresyon algoritmaları

3.1. Doğrusal Programlama Doğrusal programlama, amaç fonksiyonun en iyilenmesine yönelik, doğrusal yapıdaki

kısıtlara uygun olarak karar değişkenlerinin değerlerinin bulunmasına yönelik bir

yaklaşımdır [7]. Yukarıdaki tanımın da ortaya koyduğu gibi, doğrusal programlamanın

üç bileşeni (amaç fonksiyon, karar değişkenleri, kısıtlar) mevcuttur. Karar değişkenleri

problemde değerleri bulunması gereken değişkenlerdir. Amaç fonksiyon ise karar

19

değişkenlerinde oluşan bir formüldür. Amaç fonksiyonda eniyileme (maksimizasyon ya

da minimizasyon) amaçlanmaktadır. Değişkenlerin değer aralıkları ise kısıtlarla

sınırlandırılmıştır.

Doğrusal programlama modellerinin genel görünümü şu şekilde olacaktır:

Doğrusal programlama tanımı gereği bulunmak istenen değişkenler, amaç fonksiyon ve

kısıtlardan oluşmaktadır. Kısıtların, amaç fonksiyon içerisindeki değişken katsayılarının

değişmesinin problemin çözümüne etkisinin incelenmesine duyarlılık analizi

denmektedir.

Bir işletme açısından belirli ürünlerle tanımlanmış problemlerde amaç fonksiyon karı

maksimize etmek olacaktır. Bu yaklaşımda, her ürün için edilecek kar amaç fonksiyonda

üretim miktarlarının katsayıları olarak karşımıza çıkacaktır. Duyarlılık analizi ise

ürünlerin karlarının değişmesi durumunda ürünlerin üretim miktarları olarak bulduğumuz

sonucun ne kadar değişeceğinin gözlemlenmesidir. İşletme açısından ifadesi, ürün

karları ne kadar değişirse verdiğim karar hala doğru olacaktır sorusuna cevap verilmesi

ve böylelikle karar vericinin aldığı riski görmesinin sağlanmasıdır.

3.2. Genetik Algoritma Genetik algoritmalar yapay zekânın gittikçe genişleyen bir kolu olan evrimsel hesaplama

tekniğinin bir parçasını oluşturmaktadır. Evrimsel hesaplama ifadesindende de

çıkarılabileceği gibi, genetik algoritma Darwin’in evrim teorisinden esinlenerek

C sabitleri belirtmek üzere doğrusal programlama tanımı şu şekilde verilebilir.

Karar Değişkenleri : X1,X2,X3, … , Xn

Amaç fonksiyon : Min/Max( C1aX1 + C2aX2 + C3aX3 + … + CnaXn )

Kısıtlar :

Kısıt 1 : C11X1 + C11X2 + C11X3 + … + C1nXn<Karşılaştırma İşleci> C1

Kısıt 2 : C21X1 + C21X2 + C21X3 + … + C2nXn <Karşılaştırma İşleci> C2

Kısıt k : Ck1X1 + Ck1X2 + Ck1X3 + … + CknXn <Karşılaştırma İşleci> Ck

20

oluşturulmuştur. Herhangi bir problemin genetik algoritma ile çözümü, problemi sanal

olarak evrimden geçirmek suretiyle yapılmaktadır.

Genetik algoritma geleneksel yöntemlerle çözümü zor veya imkânsız olan problemlerin

çözümünde kullanılmaktadır. Çok genel anlamda genetik algoritmanın üç uygulama

alanı bulunmaktadır. Bunlar deneysel çalışmalarda optimizasyon, pratik endüstriyel

uygulamalar ve sınıflandırma sistemleridir.

Mühendislik problemlerinde en uygun şekle sokma amaçlı olarak kullanılmaya

başlanmıştır. Özellikle mekanizma tasarımında çok iyi sonuçlar verdiği bilinmektedir[11].

Bunlardan başka otomatik programlama, öğrenme kabiliyetli makineler, ekonomi,

ekoloji, planlama, üretim hattı yerleşimi gibi alanlarda da uygulanmaktadır. Ayrıca dijital

resim işleme tekniğinde de çokça uygulama alanı bulmuştur.

Bu problemlerin hemen hemen hepsi çok geniş bir çözüm havzasının taranmasını

gerektirmektedir. Bu çözüm havzasının geleneksel yöntemlerle taranması çok uzun

sürmekte, genetik algoritmayla ise kısa bir sürede kabul edilebilir sonuçlar

alınabilmektedir.

Algoritma ilk olarak popülâsyon olarak ifade edilen bir çözüm(kromozomlarla ifade edilir)

seti ile başlatılır. Bir popülâsyondan alınan sonuçlar bir öncekinden daha iyi olacağı

beklenen yeni bir popülâsyon oluşturmak için kullanılır. Yeni popülâsyon oluşturulması

için seçilen bireyler, çözüme yakınlık dercelerine göre belirlenirler. Çözüme yakın

bireylerin seçilmesi ve bu seçimden yeni bireylerin oluşturulması ile daha iyi sonuçlar

üretilmesi olasıdır. Bu istenen çözüm sağlanıncaya kadar devam ettirilir.

3.2.1. Evrimsel metotlar Evrimden esinlenerek, evrimsel metotların sınıflandırıcı tasarımları optimal sınıflandırıcı

için sezgisel aramayı kullanılırlar. Genel bir bakış ile

1. Birbirlerinden oldukça faklı olan çeşitli sınıflandırıcılar (population) oluşturulur.

2. Sınıflandırıcılar alınan örnekler üzerinden puanlandırılır. Biyolojik evrime benzer

biçimde bu puanlar fitness olarak adlandırılır.

21

3. Sınıflandırıcılar kendi içinde derecelendirilerek, en iyi sınıflandırıcı elde edilir. Bu

işlem, biyolojik terimlerle survival of fittest olarak adlandırılır.

Sonrasında, sınıflandırıcılar kendi soylarını (döllerini - offspring) oluşturacak biçimde

değişime uğratılır. Bu değişim sonucu ortaya çıkan nesil kendi ebeveynlerinden daha

yüksek puan alabilecekleri gibi, daha düşük puan da alabilirler. Tüm bu işlemler (

sınıflandırıcıların derecelendirilmesi – en iyisinin elde edilmesi – rastgele değişimler ile

yeni bir neslin oluşturulması), nesil içindeki en yüksek puanlı sınıflandırıcının istenen

eşik değeri puana sahip olmasına değin sürer. Her nesilden en iyinin seçilip, bir sonraki

nesilden bu sınıflandırıcıdan oluşturulması, sınıflandırıcıların puanlarında artışa sebep

olacağı görülecektir.

3.2.2. GA parametreleri GA tekniğinin çaprazlama olasılığı ve mutasyon olasılığı olmak üzere iki basit

parametresi vardır.

Çaprazlama olasılığı çaprazlamanın hangi sıklıkta yapılacağını belirtir. Eğer hiç

çaprazlama yapılmaz ise (çaprazlama olasılığı %0) yeni bireyler eski bireylerin aynısı

olur. Eğer bu oran %100 olursa yeni bireyler tamamıyla çaprazlama ile elde edilir.

Çaprazlama eski bireylerden iyi taraflar alınarak elde edilen yeni bireylerin daha iyi

olması umuduyla yapılır.

Mutasyon olasılığı ise mutasyonun hangi sıklıkta yapılacağını belirtir. Mutasyon olmaz

ise yeni birey çaprazlama veya kopyalama sonrasında olduğu gibi kalır. Eğer mutasyon

olur ise yeni bireyin bir kısmı değiştirilmiş olur. Eğer bu oran %100 olursa kuşak içindeki

bireyler tamamen değişir, %0 olursa hiç değişmeden kalır.

GA tekniği başka parametreler de içerir. Bunların en önemlilerinden birisi de popülâsyon

büyüklüğüdür.

Bu parametre popülâsyon içinde (yalnızca bir kuşakta) kaç adet kromozom yani birey

olduğunu söyler. Eğer kromozom sayısı az olursa GA çözüm aranan uzayın ancak bir

kısmını gezebilir ve çaprazlama için fazla bir seçeneği yoktur. Kromozom sayısı çok

22

fazla olursa GA çok yavaş çalışır. Araştırmalar belli bir noktadan sonra popülâsyon

sayısını artırmanın bir yararı olmadığını göstermiştir.

Yeni bireyler uyumluluğa göre veya rastgele olarak seçilebilir. Yeni bireylerin tamamen

rastgele seçilme durumunda yakınsama zorlaşabilir. Tüm bireyler uyumluluğa göre

seçildiğinde ise yeni kuşak içinde bölgesel yakınsamalar olabilir. Bu sorunların

üstesinden gelmek için belli bir oranda uyumluluk seçimi belli bir oranda da rastgele

seçim yapılabilir. Bu oran Kuşak Farkı (Generation Gap) ile ifade edilir. Kuşak farkı

%100 olduğunda yeni bireylerin tamamı uyumluluğa göre seçilir.

3.2.3. Algoritmalar Genetik algoritmalarda, sınıflandırıcılar kromozom olarak adlandırılan ikil bit dizileri ile

temsil edilir. Kromozomlar ile özelliliklerin ilişkileri probleme bağlı olmak üzere,

tasarımcıya geniş bir çalışma alanı sağlar.

1. begin initialize θ, Pco, Pmut, L N-bit chromosomes

2. do Determine fitness of each chromosome, fi, i = 1, . . . , L

3. Rank the chromosomes

4. do Select two chromosomes with highest score

5. if Rand[0, 1] < Pco

then crossover the pair at a randomly chosen bit

6. else change each bit with probability Pmut

7. Remove the parent chromosomes

8. until N offspring have been created

9. until Any chromosome’s score f exceeds .

10. return Highest fitness chromosome (best classifier)

11. end

23

3.3. İstatistiksel Öngörü (Zaman Serileri) Zaman serilerinin kullanımı, geçmişteki verilerin geleceğe ışık tuttuğu varsayımına

dayanmaktadır. Bu yaklaşımla zaman serileri ile öngörüyü şu şekilde ifade edebiliriz:

, , , (3.1)

Zaman serilerinin kullanımına ilişkin değişik metotların bulunması, bu metotlara ilişkin

karşılaştırma ölçütlerinin belirlenmesini gerekli kılmaktadır. Bu amaca yönelik, serinin

ortalama mutlak sapması, ortalama mutlak yüzde hata, ortalama hata karesi gibi

istatistiksel formüller uygulanabilir[7].

Ortalama Mutlak Sapma:

∑ | | (3.2)

Ortalama Mutlak Yüzde Hata:

∑ – (3.3)

Ortalama Hata Karesi:

∑ (3.4)

Ortalama Hata Karesi Karekökü:

√ (3.5)

3.3.1. Durağan modeller Zaman serisinin grafiksel olarak zaman içerisinde anlamlı bir seyri yoksa, zaman serisi

durağan olarak isimlendirilir. Durağan modeller için hareketli ortalama, ağırlıklı hareketli

ortalama ve üstsel düzeleme teknikleri uygulanabilmektedir.

Hareketli Ortalama:

… (3.6)

Ağırlıklı Hareketli Ortalama:

24

… (3.7)

∑ 1 (3.8)

ai değerleri, OHK’yı minimum yapacak şekilde doğrusal olmayan programlama modeli

çözülebilir.

Üstel düzleme, en yakın seri elemanın, sonuca daha çok etkisi olması gerekliliğini

sağlar.

Üstsel Düzleme:

1 (3.9)

1 1 … 1 (3.10)

α değerleri, OHK’yı minimum yapacak şekilde doğrusal olmayan programlama modeli

çözülebilir.

3.3.2. Mevsimsellik Mevsimsellik, zaman serisinin grafiksel görünümde belirgin ve düzgün bir dalgalanmayı

ifade etmektedir.

3.3.2.1. Toplamsal Mevsimsellik Yapı

Şekil 3. 1. Toplamsal Mevsimsellik Yapı

Yukarıdaki çizimde göründüğü gibi toplamsal mevsimsellik yapıda zaman serisi belirli bir

frekansta benzer örüntüyü göstermektedir.

01020304050607080

1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536

Satışlar

Aylar

25

1 (3.11)

1 (3.12)

(3.13)

Yukarıdaki formüllerde St t dönemindeki mevsimsellik faktörünü gösterirken, Et zaman

serisinin t dönemindeki düzeyini ifade etmektedir. α ve β, [0,1] aralığında değer alan

sabitlerdir. p ise mevsimsellik sabiti olarak, haftalık veri için 7, aylık veri için 12, üç aylık

veri için 4 olarak alınır. Diğer bir ifade ile p frekansı göstermektedir.

3.3.2.2. Çarpımsal Mevsimsellik Yapı

Şekil 3. 2. Çarpımsal Mevsimsellik Yapı

Toplamsal Mevsimsellik Yapı başlığı altında verilen tanımlar ışığında, Çarpımsal

Mevsimsellik Yapının biçimsel tanımı şu şekilde verilebilir:

(3.14)

1 (3.15)

1 (3.16)

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536

Satışlar

Aylar

26

3.3.3. Eğilim (Trend) modelleri Zaman serilerinin grafik üzerinde belirli bir yönde hareketinin gözlenmesi, serinin

durağan olmaması anlamına gelmektedir. Zaman serilerinin belirli bir yönde eğilim

göstermesi durumu trend modelleri ile ele alınır.

3.3.3.1. Doğrusal Regresyon Modeli Eğilimin doğrusal olduğu durumlarda zaman serisi şu formülle ifade edilmelidir:

. (3.17)

Yukarıdaki formül, bağımlı değişken olan Y’t, t bağımsız değişkeninin doğrusal bir

fonksiyonu olarak ifade edilebilir. . İfadesi sistematik hareketi gösterirken,

hareketin sistematik olmayan yapısını uyarlamaktadır. Ancak ’nin seri üzerinden

değerlerinin ortalaması alındığı zaman 0 yaklaşması beklenir.

3.3.3.2. Kuadretik Regresyon Modeli Zaman serisi üzerindeki eğilimin doğrusal olmayıp, t bağımsız değişkenin ikinci derecen

bir denklemle ifade edilmesi durumunda, model kuadretik regresyon modeli olarak

isimlendirilir.

. . (3.18)

Doğrusal regresyon modeline benzer şekilde ifadesi sistematik yapıyı ifade ederken,

ifadesi problemin sistematik olmayan kesimi uyarlamaktadır.

3.3.3.3. Holt Metodu Et : Zaman serisinin t dönemindeki beklenen düzeyi

Tt : Zaman serisinin t dönemindeki beklenen trendi

α ve β : 0 ve 1 aralığında değer alabilen sabitler (Ortalama hata karesi minimum

olacak şekilde doğrusal olmayan eniyileme modelleri ile değerleri bulunabilir.)

Yukarıdaki açıklamalar ışığında holt metodunun biçimsel tanımı şu şekilde olacaktır:

(3.19)

1 (3.20)

1 (3.21)

27

3.3.3.4. Toplumsal Mevsimsellik Yapıda Holt-Winter Metodu Zaman serisinin trend modellerinin yanında mevsimsellik özelliklerini de barındırması

durumunda Holt-Winter modelleri uygulanır.

St : Mevsimsellik etkiyi göstermektedir.

(3.22)

1 (3.23)

1 (3.24)

1 (3.25)

3.3.3.5. Çarpımsal Mevsimsellik Yapıda Holt-Winter Metodu

(3.26)

1 (3.27)

1 (3.28)

/ 1 (3.29)

3.4. Bayes Algoritması İş dünyasında verilen kararlar çoğu durumda belirsizliklerin analiz edilmesi ile ortaya

çıkar. Verilen kararlar içersinde mevcut belirsizliklerin matematiksel bir dille ifade

edilmesi, olasılıklarının belirlenmesi, verilen kararın niteliğini doğrudan etkilemektedir.

Bayes karar verme algoritması, ortaya çıkması olasılığı birbirinden bağımsız olayların,

birleşerek incelenmesine olanak tanımaktadır. Bir karar probleminde H tane doğra

durumuna karşılık gelen H tane birbiriyle bağdaşmaz ve bütünü kapsayıcı olayı s1, s2,

s3, ... , sH ile gösterilsin. A başka bir olay olsun. A gerçekleştiğinde si’nin

gerçekleşmesinin koşullu olasılığını P(si | A) ile ve si veriyken A’nın olasılığını da P(A |

si) ile gösterilsin.

A veriyken si’nin koşullu olasılığı şöyle yazılabilir [23] :

28

s | A | (3.30)

s | A | | | … |

(3.31)

3.5. Support Vector Machine

X örüntü kümesi,

x örüntü kümesinin bir elemanı,

y ikil sınıf kümesinde x’in sınıfını belirtecek şekilde 1 veya 0 olmak üzere, (x,y) ikili

eğitim verisini oluşturmaktadır. [25]

(x1, y1), (x1, y1), ….., (x1, y1) Є X x {+1, -1}

Yukarıdaki tanımda X ‘in bir küme olmasının dışında bir varsayım bulunmamaktadır.

SVM’de amaç, eğitim verileri dışındaki verileri sınıflandırabilmektir. Örüntü tanıma

bağlamında x Є X olmak üzere, x ilgili y sınıfı ile ilişkilendirilir. Bu amaca yönelik

seçilen y ile yeni verilmiş x’den oluşan (x , y) ikilisi eğitim kümesindeki ikililere benzer

olmalıdır.[24] Bu benzerleğin incelenebilmesi için bir benzerlik ölçütü oluşturulması

gerekmektedir. Benzerlik ölçütünü k olarak isimlendirirsek,

k : X x X R

(x , x’ ) k(x , x’ )

x ve x’ üzerinden, k fonksiyonu ile benzerliklerini ifade eden gerçek bir sayı elde edilmiş

olur. Benzerlik ölçütünü, x’i bir verktör olarak düşündüğümüzde, matamatiksel olarak

vectörler üzerinde skaler çarpım ile elde edebiliriz.

. ∑ . (3.32)

Skaler çarpımın geometric anlamı, normalize edilmiş x ve x’ vektörlerinin arasındaki

açının kosinüs değeridir.

29

cos .

(3.33)

Ancak örüntülerin skaler çarpım uzayında olmasına ilişkin bir varsayım yapılması ya da

gerekli fonksiyonların tanımlanması gerekmektedir. H özellik uzayı olmak üzere,

tanımlanacak bir Ф işlevi ile gerekli dönüşüm yapılabilir.

Ф : X H

x x

Eşleştirme işlevi ile benzer ölçütü birlikte şu şekilde tanımlanabilir:

k(x , x’ ) = (x . x’) = (Ф(x) . Ф(x’))

Eşleştirme işlevi kullanılarak, skaler çarpım uzayına geçiş sayesinde problem üzerine

doğrusal cebir ve analitik geometri kuralları uyarlanabilir.

Eşleştirme işlevinin varlığı, seçilecek işlevin değişik problem ortamlarına özelleşmesini

de beraberinde getirmektedir. Dolayısıyla değişik problem tanım uzayları için ilgili

eşleştirme işlevinin tanımlanması gerekmektedir.[27,28] Ancak bu aşamada SVM

yapısının anlatılabilmesi için bu kesimin ayrıntısına girilmeyecektir.

Yukarıdaki tanımlar ve varsayımlarla örüntü tanıma problemine yoğunlaşabiliriz.

SVM’de tmel mantık örüntü uzayındaki sınıfların ortalamalarının hesaplanmasına

dayanmaktadır. [25]

c: ortalama

c-: Eksi ile işaretlenen sınıf elemanlarının ortalaması

c+: Artı ile işaretlenen sınıf elemanlarının ortalaması

m: örnek sayısı

m-: Eksi ile işaretlenen sınıf elemanlarının sayısı

m+: Artı ile işaretlenen sınıf elemanlarının sayısı olmak üzere,

∑ : (3.34)

30

∑ : (3.35)

Yukarıdaki tanımlamalarla beraber yeni verilen bir x örüntüsü, ortalamasına yakın

olduğu sınıf içerisine yerleştirilebilir. ( x örüntüsünün sınıfı bulunabilir.) Ortalamaya

yakınlık geometrik olarak skaler çarpım kullanılarak verilebilir.

c: c+ ve c- ortasından geçen vektör

w: c+ ve c- noktalarını birleştiren vektör ise c ve w şu şekilde tanımlanabilir:

(3.36)

(3.37)

Yukarıdaki tanımlar grafik üzerine gösterilebilir:

Şekil 3. 3. Support Vector Machine – W ve C Vektörleri

(x – c ) vektörü ile w vektörü arasındaki açının değerine göre sınıflandırma yapılabilir.

Açının kosinüsü, w vektörüne çizilen dike göreli yönüne göre artı ya da eksi değer

alacaktır. Bu değer sınıfı belirler.

31

Şekil 3. 4. Support Vector Machine X-C Vektörü

Karar ekseni, w vektörü ile c vektörünün kesiştirği noktada w vektörüne dik bir açı ile

geçmektedir. w ile (x – c) vektörünün arasındaki açıya bakılarak yeni verilen x

örüntüsünün sınıfı belirlenebilir. Açısının kosinüs değerinin işareti sınıfı belirleyecektir.

cos θ .

(3.38)

Yukarıdaki denklem iki vektör arasındaki açının kosinüs değerini vermektedir.

Denklemde alt tarafının sonucun işaretine etkisi olmadığından gidilerek sınıflandırma şu

şekilde ifade edilebilir:

cos θ .

. (3.39)

W ve (x – c) vektörleri yukarıda eşitliğe konursa, sınıflandırma işlemi tanımlanmış olur.

[25]

. (3.40)

. (3.41)

. . (3.42)

32

. . (3.43)

Daha önce verilen c+ ve c- değerleri yerine konursa,

∑ .: ∑ . : (3.44)

ve k tanımı formül üzerine konursa,

k(x , x’ ) = (x . x’) = (Ф(x) . Ф(x’)) (3.45)

∑ ,: ∑ ,: (3.46)

Yukarıda elde edilen eşitlikte, sınıflandırma algoritması k benzerlik ölçütü kullanılarak

tanımlanmıştır. K benzerlik ölçütü çoğu durumda çekirdek işlevi olarak ifade

edilmektedir.

SVN’nin önemli bir özelliği de sınıf ortalamasıa uzak değerlerin, eğitim setinden

çıkarılmasını sağlamasıdır. Sınıf ortalamasına uzak değerlerin eğitim setinden

çıkarılması ile genelleştirme hatasının düşürülmesi amaçlanmaktadır. Diğer taraftan bu

değerlerin çıkarılması ile daha küçük veri setleri ile çalışmak mümkün olmaktadır. Bu

şekilde seçilen eğitim verisine “support vector” denmektedir. [24]

3.6. Diğer Teknikler

Tez kapsamında alt yapı üzerinde kullanılabilecek çok sayıda teknik mevcuttur. Bu

tekniklerden ön plana çıkanların bir kısmını anlatmamızın yanında, hepsine yer

vermemiz, tezin amacının ötesine geçmektedir. Ancak burada hangi diğer tekniklerin

olduğuna ilişkin bilgi verilmesi diğer çalışmaları yönlendirici olacaktır.

Diğer önemli Veri Madenciliği Teknikleri:

• K-Means Algoritması • 0-Cluster Algoritması • Apriori Algoritması • Non Negative Matrix Factorization • Karar Ağaçları • Yapay Sinir Ağları

33

4. VERİ İNCELEMEDE KULLANILAN MODELLER

Bu kesimde, işletmelerin karşılaştığı problemlerin modeller başlığı altında kümelenmesi

amaçlanmaktadır. Tanımlanan modellerin çözümleri birden çok teknikle olabileceği gibi,

birden çok bilim dalının ilgi alanına giriyor olabilir. Örneğin eniyileme modelleri, doğrusal

programlama ile çözülebileceği gibi, genetic algoritmalar da eniyileme problemlerine

çözüm oluşturabilir. Ancak bu kesimde sadece modellerin diğer bir ifade ile problemlerin

tanımlaması yapılacak, bir sonraki kesimde çözümlerin/tekniklerin incelenmesinden

sonra, modeller ve çözümler eşleştirilerek, yorumlara yer verilecektir.

Bu bölümde incelenen modeller:

1. Eniyileme Modelleri

2. Şebeke Modeli

3. Proje Yönetimi

4. Stok Yönetimi

5. Kuyruk Teorisi

6. Öngörü

7. Sınıflandırma

8. Kümeleme

9. Karar Analizi

4.1. Eniyileme Modelleri Eniyileme modeli, belirli bir problemde amaç fonksiyonun değerini istenen en iyi değere

atayacak değişkenlerin değerlerinin bulunmasını amaçlamaktadır. Özellikle yöneylem

araştırmasında proje yönetimi, stok yönetimi, karar analizi gibi birçok problem eniyileme

modelleri ile çözülmektedir.

Eniyileme problemleri genelde bir amaç fonksiyon, değişkenler ve değişkenlerin değer

aralıklarını belirleyen kısıtlardan oluşmaktadır. Kısıtlar içerisinde bulunan sabitler ise

problemin doğası gereği veri ambarından çekilebileceği gibi, doğrudan model

işletiminde kullanıcı tarafından da belirlenebilmektedir. Yapılan çalışmanın en önemli

özelliği, sabitlerin değerlerinin veri tabanı ve kullanıcı dışında üçüncü bir alan olarak

mevcut diğer modellerden alınabilmesi sağlanabilmesidir.

36

Daha somut olarak, geleceğe ilişkin bir eniyileme modelinin çalıştırılmasında, kısıtlardan

toplam gelir gider farkının aşılmamasına ilişkin sabitin bir başka model tarafından

tahmin edilmesi gerekmektedir. Model işletimi sırasında öncelikle bu şekilde bulunması

gereken sabitler için gerekli modeller çalıştırılır ve son olarak eniyileme modeli

çalıştırılır.

4.1.1. Örnek problem 1 Vardiya – İş Yükü Personel Dağılımı [7, S89]

Veri tabanının yoğun olarak kullanılacağı bir örnek insan kaynakları yönetimi üzerinden

verilebilir. İşgücü planlamasında genellikle toplam ihtiyaç duyulan personel sayısı en

aza indirilmeye çalışılır. Örnek olarak bir hastane ele alındığı zaman, günün belirli

dilimlerinde gelen hasta sayısına göre gerekecek hemşire miktarından vardiyaları göz

önünde bulundurarak toplam çalıştırılması gereken personel sayısı, her bir vardiyada

ayrı ayrı belirtilmek üzere bulunmak istenecektir.

Problemin Tanımlanması 1. Günün ilişikteki periyotlarla ele alınacak ve hasta sayılarına göre gereken hemşire

sayısı bulunacaktır.

Periyot Gerekli Personel (Veri tabanından hesaplanacak değişkenler)

1 00:00 – 04:00 VT1

2 04:00 – 08:00 VT2

3 08:00 – 12:00 VT3

4 12:00 – 16:00 VT4

5 19:00 – 20:00 VT5

6 20:00 – 24:00 VT6

Çizelge 4. 1. Örnek Problem (Zaman-Personel İlişkisi)

2. Bir hemşire 8 saat çalışmaktadır ve vardiyaların başlangıç saatleri aşağıdaki gibi

olacaktır.

37

Problemin Modellenmesi 1. Karar değişkenleri

X1 = 00:00’da işe başlayacak personel sayısı






2. Amaç fonksiyon = Min( X1 + X2 + X3 + X4 + X5 + X6 )

3. Problemin kısıtları : Problemdeki temel kısıt grubu, her vardiyada o zaman aralığında

gerekli personeli işte olmasını sağlayan aşağıdaki 6 kısıttır.

Kısıt1. X6 + X1 >= VT1






4.1.2. Örnek problem 2 Makine – İş Dağılımı [7, S93]

Hastane içerisinde kan tahlilleri yapan mevcut üç makine üzerine gün içerisinde gelen

değişik tipteki kan tahlillerinin dağılımı çözülmeye çalışılacaktır. Problemin temelinde

mevcut makinelerin değişik tahlil tiplerinde değişik zamanlamalara sahip olmaları

yatmaktadır.

38

Problemin Tanımlanması 1. Gerekli Tahlil Süreleri : Tahlil grupları her makinenin gruplardaki tahlilleri

tamamlaması için gereken süreler

Makine / Tahlil

Grupları

G1 G2 G3 G4 G5

Makine A 6 8 9 12 7

Makine B 12 7 12 9 10

Makine C 5 12 7 7 9

Çizelge 4. 2. Örnek Problem 2 (Makine - Tahlil Grupları İlişkisi)

2. Yapılması gereken tahlil sayıları

Yapılması gereken tahlil sayıları her bir grup için, modelin işletildiği anda yapılmamış

tahlillerin veri tabanında gruplanması sonucu elde edilecektir.

Tahlil Gruplar Yapılacak Tahliller (Veri tabanından hesaplanacak

değişkenler)

1 G1 VT1

2 G2 VT2

3 G3 VT3

4 G4 VT4

5 G5 VT5

Çizelge 4. 3. Örnek Problem 2 (Tahlil Grupları ve Değişken Eşleştirmesi)

Problemin Modellenmesi 1. Karar Değişkenleri : Xij j makinesine atanan kan örneği sayısı

2. Amaç Fonksiyon = Min( ∑ Xij Tij )

3. Problemin Kısıtları

İlk kısıt gurubu makinelerin toplam çalışma sürelerine ilişkindir.

Kısıt1. ∑ XiA TiA 1200 Kısıt2. ∑ XiB TiB 1200

Kısıt3. ∑ XjC TjC 1200

İkinci kısıt grubu ise tahlil gruplarının hepsinin tamamlanmasını sağlamaya ilişkindir.

Kısıt4. ∑ X1j VT1

39





4.1.3. Örnek problem 3 Dinamik Doğrusal Programlama Modelleri, Çok Dönemli Üretim Planlaması

İş dünyasında verilen kararlar genelde periyodik verilerin analizi ile incelenmektedir.

Periyodik verilerin analizinde geçmiş verilere bakılarak yapılan çıkarımlarla ortaya çıkan

tahmini sonuçlar bir arada dinamik doğrusal programlama modellerinin girdilerini

oluşturur. Üretim planlaması yapmak isteyen bir firmanın, geleceğe ilişkin tahmini satış

oranları ve önceden kararı verilmiş minimum stok miktarları üzerinden her ürün ne

kadar üretilmesi gerektiği hesaplanmalıdır. Bu modelde dikkat çekici iki özellik,

öncesinde bir tahmin modelinin çalışması ve sonrasında yapılan tahminlere ilişkin

üretim miktarları çözülebilmesidir.

40

4.2. Ağ Modeli Ağ bir malın gittiği nokta ya da geldiği nokta olarak tanımlanabilecek düğümlerden ve

otobanlara ya da benzer fiziksel akışa karşılık gelecek yaylardan oluşmaktadır.

Şekil 4. 1. Örnek Ağ Modeli

Yukarıdaki şekilde, düğümler arası akışlar yönlü yaylarla gösterilmiştir. Problemin

çözümü, yolları temsil eden yaylar üzerindeki akış miktarının belirlenmesidir, bu açıdan

yaylar üzerindeki akış miktarları, problemin karar değişkenlerini oluşturmaktadır. (Xij; I

düğümünden j düğümüne akış miktarı.) Yayların üzerindeki değerler, problemde o yay

üzerinde birim ürün akışının maliyeti olarak belirlenmektedir.

Arz Düğümü: Sadece dışarıya doğru akış olan düğümlerdir. Düğümlerde arz edilen ürün

miktarı eksi işaretle belirtilirler.

Talep Düğümü: Dışarıya akış olmaksızın sadece içeri doğru akış olan düğümlerdir.

Düğümlerde talep edilen miktarlar pozitif işaretle belirtilirler.

41

Aktarma Düğümü: Hem dışarıya akış gönderen, hem içeri akış kabul eden düğümlerdir.

4.3. Proje Yönetimi İşletmeler açısından proje, birbiriyle ilişkili işlemlerin belirli bir hedefe yönelik

eşgüdümlenmesi ve planlanması demektir. Bu plan dâhilinde proje planının incelenmesi

süre ve maliyet açısında işletmeler açısından önemlidir. Eş anlı projeler üretmekte olan

bir işletmede, projelerin üzerinde çalışıldığı birimlerde çakışmamasının sağlanması,

dolayısıyla en az bekleme sürelerinin dışında, minimum sürede minimum maliyetle

projenin tamamlanması bu başlık altında ele alınacaktır.

Proje Yönetimi İş zekâsı uygulamalarından yöneticilerin elde edebileceği faydaları

Ulucan[7] şu şekilde sıralamaktadır.

1. Projenin tamamlanabileceği minimum beklenen süre belirlenebilir.

2. Projeyi oluşturan faaliyetlerden kritik olanlar ve olmayanlar belirlenebilir.

3. Projeyi oluşturan tüm faaliyetlerin en erken ve en geç başlangıç ve bitiş

tarihleri bulunabilir.

4. Faaliyetler üzerindeki serbestlik miktarı incelenebilir.

5. Projeyi en düşük maliyetle tamamlama olanağı bulunabilir.

6. Proje süresini kısaltmak için harcanması gereken ekstra maliyet düzeyi

belirlenebilir.

7. Projenin istenen bir tarihte bitirilme olasılığı incelenebilir.

Projelerin planlanmasına yönelik Kritik Yol Metodu (CPM) ve Program Değerlendirme

ve İrdeleme Tekniği (PERT) olmak üzere iki farklı süreç öngörülmüştür[7].

4.3.1. Kritik yol metodu Kritik yol metodunun ilk adımı proje şebekesinin oluşturulmasıdır. Proje şebekesinde

projenin alt adımları, alt adımların bitirilme süreleri ve ve süreç içerisinde alt adımların

birbirlerini izlemeleri gereken sıralar belirlenir. Örnek bir proje şebekesi şu şekilde

verilebilir (kutular içerisinde alt sürecin adı ve bitirilme süreleri verilmiştir):

42

Şekil 4. 2. Kritik Yol Metodu

Bir sonraki aşamada her adım için en erken başlangıç ve en erken sonlanma tarihleri

bulunacaktır. Bu değerlerin bulunabilmesi için başlangıç süreçlerinin en erken başlangıç

tarihi 0 olarak, en erken sonlanma tarihleri ise sürecin tamamlanma süresi olarak atanır.

Ve diğerleri için şu formüller uygulanır:

En Erken Başlama Tarihi (EB) Ö ş

En Erken Sonlanma Tarihi (ES) ş ü

Şekil 4. 3. Kritik Yol Metodu (EB,ES)

En erken başlama ve en erken sonlanma tarihleri kullanılarak, uç düğümden başlanarak

geriye doğru En Geç Başlama ve En Geç Sonlanma tarihleri bulunur. Uç düğünümün

43

GB ve GS tarihleri EB ve ES tarihleri olarak atandıktan sonra diğer düğümler için şu

formüller uygulanır:

En Geç Sonlanma Tarihi (GS) ı ş

En Geç Bitiş Tarihi (GB) ç ş ü

Şekil 4. 4. Kritik Yol Metodu (EB,ES,GS,GB)

Ortaya çıkan proje şebekesi, faaliyetlerin serbestliklerinin hesaplanmasında

kullanılabilir.

Faaliyet Serbestliği ç ş ü

FSA = 0 FSB = 0 FSC = 7 FSD = 0

FSE = 7 FSF = 6 FSG = 0

Faaliyet serbestliği alt adımın esnekliğini ifade etmektedir. Faaliyet serbestliği sıfır olan

adımlar kritik adımlar olarak nitelendirilir. Kritik faaliyetler arası çizgede çift okla

gösterimi ile kritik yol belirlenmiş olur.

44

A30

C5

F9

D12

E8

B8

G5

EB ES

0 30

30 38

30 35 35 44

35 43

38 50

50 55

GB GS

8 30

30 38

38 50

42 50

50 55

37 42 41 50

Şekil 4. 5. Kritik Yol Metodu (Kritik Yollar)

4.3.2. Program değerlendirme ve irdeleme tekniği CPM yaklaşımında faaliyetlerin sürelerinin bilinmesi gerekmektedir. Ancak gerçek

hayatta faaliyet süreleri belirli kestirimler sonucu ortaya çıkabilir. Yapılan kestirimlerin

kesin bir değer gibi modele dâhil edilmesi, karar vericiyi yanıltabilecektir. Faaliyet

sürelerinin kesin olmadığı ve kestirimlerle belirlendiği durumlarda Program

Değerlendirme ve İrdeleme Tekniği (PERT) kullanılır. PERT’de faaliyet süresi için en

iyimser, olasılığı en yüksek ve en kötümser olmak üzere üç değer belirlenir.

ai : Faaliyeti gerçekleştirmek için gereken iyimser süre

mi : Faaliyeti gerçekleştirmek için gereken olası süre

bA : Faaliyeti gerçekleştirmek için gereken kötümser süre

Faaliyet süre değerlerinden ortalama ve standart sapma değerleri Beta dağılımı ile

bulunabilir[7]:

Ortalama Tamamlanma Süresi:

μ (4.1)

45

Standart Sapma:

(4.2)

Varyans:

(4.3)

Yukarıdaki tanımlamaların yanı sıra PERT içerisinde önemli üç varsayım mevcuttur[7]:

Varsayım 1: Kritik yol kullanımında CPM tekniğine benzer şekilde ortalama

tamamlanma süreleri kullanılır ve proje bitirme süresi kritik yol üzerindeki faaliyetlere

göre belirlenebilir.

Varsayım 2: Faaliyetlerin tamamlanma süreleri birbirinden bağımsızdır. Bağımlılık

ardıllık ve öncüllük ilişkilerindedir.

Varsayım 3: Kullanılan normal dağılım için projede yeteri sayıda faaliyet bulunmaktadır.

CPM modelinde yer verilen örneği PERT için uyarlaması şu şekilde olacaktır:

Faaliyet

Önceki

Faaliyetler İyimser Süre Olası Süre

Kötümser

Süre

A ‐ 28 30 35

B A 5 8 10

C A 4 5 6

D B 10 12 13

E B,C 4 8 12

F C 8 9 10

G D,E,F 3 5 7

Çizelge 4. 4. PERT Örneği (Süreler)

46

Faaliyet Ortalama Süre Standart Sapma Varyans

A 30,50 1,17 0,07

B 7,83 0,83 0,06

C 5,00 0,33 0,04

D 11,83 0,50 0,05

E 8,00 1,33 0,08

F 9,00 0,33 0,04

G 5,00 0,67 0,06

Çizelge 4. 5. PERT Örneği (Standart Sapma)

Ortalama sürelere göre yeniden hazırlanmış proje şemasının çizelgesi :

Faaliyet Öncelik Süre EB ES GB GS FS

A ‐ 30,50 0,00 30,50 0,00 30,50 0,00

B A 7,83 30,50 38,33 30,50 38,33 0,00

C A 5,00 30,50 35,50 36,16 41,16 5,66

D B 11,83 38,33 50,16 38,33 50,16 0,00

E B,C 8,00 38,33 46,33 42,16 50,16 3,83

F C 9,00 35,50 44,50 41,16 50,16 5,66

G D,E,F 5,00 50,16 55,16 50,16 55,16 0,00

Çizelge 4. 6. PERT Örneği (EB, ES, GB, GS, FS)

Projenin çizelgesinde faaliyet serbestliği (fs) incelendiği zaman kritik yolun değişmediği

ortaya çıkar. Projenin beklene süresi A-B-D-G üzerinden hesaplandığı zaman 55,16 gün

olarak belirlenebilir.

Proje süresinin varyansı, kritik yol üzerindeki faaliyetlerin varyansları toplamına eşittir :

0,07 0,06 0,05 0,06 0,24

Proje süresinin standart sapması ise, kritik yol üzerindeki varyansların karekökü ile

hesaplanır:

0,24 0,49

47

Tüm bu hesaplamalar sonucu, proje yöneticisi basit istatistiksel hesaplamalar

yapabilecektir. Örnek olarak aşağıdaki sorulara matematiksel cevaplar verilebilecektir:

1. Projenin %99 olasılıkla bitirileceği süre nedir?

2. Projenin normal dağılıma uygun olarak %97,5 olasılıkla bitirileceği günler

nelerdir?

3. Projenin ortalama süresi olan 55,16 gün içerisinde tamamlanma olasılığı nedir?

4. Projenin 60 gün içerisinde bitmesi olasılığı nedir?

5. Projenin 40 günden uzun sürmesi olasılığı nedir?

4.3.3. PERT ve maliyet analizi Projelerin kimi faaliyetlerinin süreleri kesin çizgilerle belirlenmişken (örneğin inşaatlarda

betonun kuruması için geçen süre gibi) bazı faaliyetlerde ise iş alt yüklenicilere verilerek

işletmenin imkânlarından kaynaklı daralmalar ortadan kaldırılabilir. Ancak işletmenin

ilgili faaliyeti kendisinin yapması ile bir başka firmaya alt yüklenici olarak devretmesi

arasında sürede kısalma yaşanmasının yanında maliyette de bir artış olacaktır.

Diğer taraftan işletme proje çalışmasında sürede belirli kıstaslara göre anlaşma

yapabilir. Örneğin müşteri işletmenin 55 hafta ortalama süreyle hesapladığı bir projede

50 hafta içerisinde bitirmesi durumunda ek ücret ödemeyi teklif ederken, geç teslim

ettiği her hafta için artan oranlarda ceza ödenmesini karara bağlamak isteyebilir.

Müşterinin bu teklifi uygun şekilde cevap üretilebilmesi için bu yeni durumun işletmeye

getirdiği maliyetin hesaplanması ve proje yöneticisi açısından ölçülebilmesi

gerekmektedir.

Projenin ödül ve ceza süreleri ös ve cs ve x’de proje tamamlanma süre değişkeni olmak

üzere maliyet analizi şu şekilde verilebilir.

Beklenen net ilave kar = P(x<ös)(ödül) + P(ös<x<cs)(0) + P(x>cs)(ceza)

4.3.4. Projenin hızlandırılması Projenin hesaplanan zamandan önce bitirilmesi kimi durumda işletmeye kar sağlarken

kimi durumda ise gelebilecek maddi zararların önüne geçilmesini sağlayabilir. Projenin

alt adımları olan faaliyetlerden sürelerinin kısaltılmasının belirli maliyetleri vardır. Bu

48

durumda proje yöneticisi hangi faaliyetin süresini kısaltarak istenen günde projenin

tamamlanabileceğini öğrenmek isteyebilir, ya da belirli bir mali yükle, projenin

kısalabileceği en kısa sürede bitirilmesi istenebilir.

Bu gibi isteklerde ilk bakılacak kesim, projenin süresine doğrudan etkisi olan kritik yol

üzerindeki faaliyetlerdir. Ancak kritik yol üzerinde bir faaliyetin süresinin azaltılması

projenin kritik yoluna değiştirilebilir.

Bu gibi problemlerin çözülmesi için öncelikle her alt adımın birim zaman kısaltılması için

yüklenilmesi gereken maliyetleri içeren bir çizelge hazırlanmalıdır:

Faaliyet Öncelik

Normal Kısaltılmış Birim

Kısaltma

Maliyeti Süre Maliyet Süre Maliyet

A ‐ 30,00 15.000,00 TL 20 21.000,00 TL 600,00 TL

B A 8,00 3.500,00 TL 5 5.000,00 TL 500,00 TL

C A 5,00 3.000,00 TL 4 5.000,00 TL 2.000,00 TL

D B 12,00 7.000,00 TL 8 8.000,00 TL 250,00 TL

E B,C 8,00 7.000,00 TL 7 11.000,00 TL 4.000,00 TL

F C 9,00 6.000,00 TL 6 10.000,00 TL 1.333,33 TL

G D,E,F 5,00 3.500,00 TL 3 4.000,00 TL 250,00 TL

Çizelge 4. 7. Proje Hızlandırması

Örnek problem üzerinden devam edersek, 55 haftada bitirilmesi öngörülen projenin 50

haftada bitirilmesi için hangi adımlarda iyileştirilmesi yapılması gerektiği sorusu

modellenmelidir.

Ti : i faaliyetinin başlangıç süresi

hi : i faaliyetinin süresindeki kısaltma miktarı (karar değişkeni)

mi : i faaliyetinin birim kısaltma maliyeti

msi : i faaliyetinin en çok kısalabileceği süre

Si : i faaliyetinin normal bitirilme süresi

49

olmak üzere, hedeflenen toplam ek maliyeti en düşük çözümün bulunması için karar

değişkenlerinin belirlenmesi, amaç fonksiyonun kurulması ve kısıtların düzenlenmesi ile

modelleme çalışması yapılması gerekmektedir:

4.4. Stok Yönetimi İşletmelerin stok politikaları karlılıklarını belirleyen en önemli etkenlerdendir. Stok

politikası ile işletme, ürün taleplerine etkin cevap verebilme yeteneği ile stokta mal

bulundurma maliyeti arasında denge kurmak zorundadır. Değişik talep, üretim ya da

satın alma durumlarına ilişkin modellerin oluşturulması bu başlık altında irdelenecektir.

Stok hesaplamalarında sipariş (üretim) miktarı değişkeni Q ile belirtilir, benzer şekilde

yeniden üretilen miktar değişkeni de R ile belirtilmektedir. C üretim ya da satın alma

maliyetini ifade etmektedir. [7]

Stok problemleri modellenirken, göz önünde bulundurulması gereken diğer değişkenler

ise,

Elde bulundurma maliyeti : CH = H.C

Elde bulundurma maliyeti, ürünün değeri (C) ile belirli bir yüzdesi (H) değişkenlerinin bir

fonksiyonudur. Elde bulundurma maliyeti, ürüne bağlanan sermaye, depolama elektrik

su gibi giderler, sigorta, işgücü, vergiler gibi sabit giderler ve ürünün eksilmesi,

bozulması gibi fiziksel giderlerin toplamıdır.

Karar Değişkenleri : hi (I faaliyet numaraları olmak üzere)

Amaç fonksiyon : ∑

Kısıtlar:

1. Öncüllük, ardıllık kısıtları Ti > Max(Tö+Sö-hö, ö: i’nin öncülü olan faliyetler)

2. Karar değişkenlerinin ilgili faaliyetin en çok kısalabileceği miktardan düşük olmamasına ilişkin kısıtlar hi < msi 3. Bitirilmesi istenen süre Ts + Ss – hs < Bitirilmesi istenen süre (s son faliyet olmak üzere)

50

Sipariş verme maliyeti : CO

Siparişin işletmeye getirdiği ek maliyetler sipariş verme maliyeti olarak belirlenir. Sipariş

vermede temel maliyet kalemi nakliye işlemidir. Her bir sipariş kalemi ürün sayısına

doğrudan bağlı olmaksızın sabit maliyetler getirmektedir. Üretim yapan işletmelerde ise

sipariş verme maliyeti, personelin ve üretim hattının hazırlanmasına ilişkin zaman

maliyeti olarak düşünülebilir.

Elde bulundurmama maliyeti : CS

Elde bulundurmama maliyeti, işletmenin gelen istekleri karşılayamaması sonucu dolaylı

olarak müşteri ve itibar kaybı ile karşılaşacağı maliyetlerdir.

İşletmede stok politikası düzenli bir takibi gerektirmektedir. ULUCAN [7], düzenli takip

sürecini iki farklı yolla yapılabileceğini belirtmiştir:

Sürekli Takip Yaklaşımı: Stoktaki ürünler sürekli kontrol edilir. Herhangi biri ürünün stok

düzeyi kritik bir düzeye indiğinde sabit bir miktar sipariş verilir. Bu kritik düzey, yeniden

sipariş noktası, R, olarak adlandırılır.

Periyodik Takip Yaklaşımı: Sipariş verme 1 gün, 1 hafta ya da 1 ay gibi sabit periyotlarla

yapılır. Her periyot sonunda stok düzeyleri gözden geçirilir. Ne kadar sipariş verileceği

belirlenir. Sipariş miktarı sabit değildir.

Ekonomik sipariş modeli, birçok varsayımla modelleme sürecinin basitleştirilmesi ile

sipariş ve stok problemlerinde temel modeldir. ULUCAN [7] bu varsayımları şu şekilde

sıralamaktadır:

• Ürüne olan talep, D, tüm periyot boyunca sabit ve düzgündür.

• Sipariş miktarı, Q, sabittir.

• Ürün fiyatı tüm periyot boyunca sabittir.

• Tedarik süresi (sipariş verilmesi ile teslimat arasında geçen süre) sabittir.

• Elde bulundurma maliyeti hesaplanırken, ortalama stok miktarı göz önünde

bulundurulur.

• Sipariş verme maliyeti sabit ve sipariş miktarından bağımsızdır.

51

• Tüm sipariş aynı anda teslim edilir.

• Aynı sipariş ve talep döngüsü sürekli tekrarlar.

Ekonomik Sipariş Modeli grafik üzerinden daha rahat incelenebilir:

L : sipariş süresi

R : Minimum stok düzeyi

Q : Minimum sipariş miktarı

Şekil 4. 6. Ekonomik Sipariş Modeli

R minimum stok seviyesi, L teslim süresi boyunca gelecek talebe cevap verilebilecek

miktarı belirtmektedir. Yukarıda verilen varsayımlar gereği, her defasında stokta Q

seviyesi kadar sipariş verilmektedir. Ve model T zaman içerisinde düzenli olarak kendini

tekrarlamaktadır. Çizgede gösterilmemiş D değişkeni ise, yıllık toplam sipariş miktarını

göstermektedir.

Yukarıdaki tanımlarla Elde bulundurma maliyeti (CH), Sipariş verme maliyeti (CO), Elde

bulundurmama maliyeti (CS) tanımlarını bir araya getirerek işletmenin yıllık toplam

siparişleri üzerine bilgi sahibi olabiliriz.

Toplam Yıllık Sipariş Maliyeti: (Maliyet/Sipariş)*(sipariş sayısı/yıl)

. (4.4)

52

Toplam Yıllık Elde Bulundurma Maliyeti: (Birim başına stok maliyeti / yıl) * (ortalama

stok)

. (4.5)

Toplam Yıllık Satın Alma Maliyeti: (birim başına satın alma maliyeti) * (toplam yıllık

talep)

. (4.6)

Yıllık Toplam Değişken Maliyet: (toplam sipariş verme maliyeti) + (toplam elde

bulundurma maliyeti)

. . (4.7)

Yıllık Toplam Maliyet: (toplam sabit maliyet) + (toplam değişken maliyet)

. . . (4.8)

En son verilen yıllık toplam maliyet tanımında, eğimi sıfır olan noktada Q değişkeni en

küçük değerini alır. İfadenin eğimi ise türevle bulunur ve sıfıra eşlenirse, Q değişkenin

en küçük değeri bulunmuş olur.

0 0 (4.9)

(4.10)

(4.11)

53

4.5. Diğer Modeller Veri Madenciliği ve Yöneylem Araştırması alanları içerisinde çok sayıda farklı model

tanımlanabilmektedir. Tez kapsamında hepsine ayrıntısı ile yer vermemiz mümkün

olmadığı için bazı önemli modelleme problemlerini bu kesimde sadece tanımlarını

vererek geçeceğiz.

4.5.1. Kuyruk Teorisi Kuyruk teorisi, bekleme hatlarının analizi ve yönetimi ile uğraşır. Kuyruk modellerini

kullanarak, kuyruk sistemlerinin davranışını tanımlayıp, servis düzeyini belirleyip,

alternatif kuyruk sistemlerini değerlendirebiliriz.[7] Kuyruk modellerini kullanan yönetici,

• Ne kadar servis birimi kullanacağını

• Müşterilerin bekleme olasılığını

• Müşterilerin ortalama bekleme süresini

• Sırada bekleyen ortalama müşteri sayısını

• Hizmet veren birimlerin boşta kalma olasılıklarını

belirleyebilir.

Kuyruk sisteminin ana bileşenlerini Aydın ULUCAN şu şekilde tanımlamaktadır [7]:

Geliş Süresi: Geliş süreci, hizmet almak üzere sisteme gelen birimlerin geliş yapısını

tanımlar. Gelişler genelde aşağıda fonksiyonu verilen, Poisson tesadüfî değişkeni olarak

tanımlanır.

!

(4.12)

Servis Süreci: Birimlerin servis alırken geçirdikleri süre servis süresi olarak adlandırılır.

Bu süre kuyrukta geçirilen süreyi kapsamaz.

Servis Birimi Sayısı: Kuyruk sistemlerinde zaman zaman tek bir servis veren birim

yerine birden fazla sayıda servis birimi olabilir. Örneğin, süper marketteki kasalar,

fabrikalardaki paralel üretim hatları, sinema gişeleri birden fazla sayıda eş servis birimi

ile hizmet verirler.

54

Kanal Sayısı: Kuyruk sistemindeki bekleme hatları kuyruk kanalları olarak

adlandırılırlar. Sistemde birden fazla sayıda servis birimi olması durumunda kanallar iki

farklı yapıda kurulabilir. Klasik olarak her servis birimi önüne bir kuyruk kanalı

olabileceği gibi, sadece bir kuyruk kanalı olabilir ve harhangi bir servis birimi

boşaldığında bu kanaldan o birime müşteri gidebilir.

Kaynak Popülâsyon Yapısı: Kuyruk sisteminden hizmet alma potansiyeli taşıyan

müşteriler kaynak popülâsyonunu oluştururlar. Kaynak popülâsyonu sonsuz ya da sonlu

sayıda birimden oluşabilir. Sonsuz kaynak popülâsyonu ifadesi ile kastedilen,

popülâsyonun her an hizmet almak için gelebilecek sayıda birim içermesidir.

Kuyruk Disiplini: Kuruk disiplini, müşterilerin hizmet alma sıralarının belirlenmesinde

uyulan kuraldır. Kuyruk disiplinine ilişkin 3 farklı kural tanımlanabilir:

• İlk gelen ilk servis alır.

• Son gelen ilk servis alır.

• Önemli olan ilk servis alır.

4.5.2. Öngörü Birçok bilim dalınca incelenen öngörü modelleri, genelde mevcut verilere bakılarak yeni

olası verilerin durumlarının incelenmesini temel alır. Öngörü modellerinin başarımı

problemin durumuna göre aşığdaki koşullara bağlı olarak değişmektedir:

• Mevcut verilerin doğruluğu

• Mevcut verilerin biçimsel yapısı

• Kullanılan öğrenme metodu

• Kullanılan tahmin metodu

Öğrenme sürecinin başlangıcı, verilerin özelliklerinden hangilerinin önemli olduğunun

belirlenmesi ile başlar. Öngörü sürecinde önemli olduğu belirlenen özellikler, öğrenme

algoritmasına uygun şekilde yeniden düzenlenmesi gerekebilir. Öğrenme süresi, genel

olarak verinin özellikleri üzerinde istatistiksel çıkrımların yapılmasıdır. Öğrenme

sürecinin başarımı, test verileri ile sınanması ile ortaya çıkarılır.

55

Döngüsel olarak, öğrenme ve test işleminin istenen düzeye gelmesine değin, özelliklerin

belirlenmesi ve dönüşümü, öğrenme algoritmasının seçimi işlemi yeniden yapılabilir.

Test verisi ile modelin başarımı istenen düzeye gelmesinin sağlanması ile model yeni

verilere uygulanmaya hazır hale getirilmesi ile öngörü modeli tamamlanmış olur.

4.5.3. Sınıflandırma ve kümeleme Sınıflandırma, eğitim verisinde ilgili her verinin hangi sınıflarda yer aldığı bilgisinin

verilmesi ile yeni verilerin hangi sınıfta yer aldığının bulunmasıdır. Kümeleme de ise,

verilerin kümeleri eğitim verisi ile verilmez. Modelden kümelerin bulunması

beklenmektedir.

4.6. Modeller ve Tekniklerin Eşleştirilmesi Problemin biçimsel olarak tanımlanması ile elde edilen modeller, yine problemin

doğasına uygun tekniklerle çözülmeleri gerekmektedir. Tez kapsamında tanımlanmış

modeller ve teknikler bu başlık altında eşleştirilmiştir.

56

Ano

maly Detecetion

Association

Rules

Attribu

te Im

portan

ce

Classification

Clustering

Feature Extraction

Regression

Estimation

Proje Yö

netimi

Şebe

ke M

odelleri

(Ulaştırma, Atama, Aktarma, En kısa yol)

Stok

Yön

etim

i

Ekon

omik Sipariş M

iktarı

Karar Ana

lizi

Kuyruk

Teo

risi

Support Vector Machine x x x Apriori x

Minimum Description Length x Adaptive Bayes Network x Decision Tree x Naive Bayes x K‐Means x O‐Cluster x

Non Negative Matrix Factorization x Artificial Neural Network x x Doğrusal Programlama x x x x

Doğrusal Olmayan Programlama x x x xGenetik Algoritma x x x xZaman Serileri x İstatistik / Analitik x x

Çizelge 4. 8. Modeller ve Tekniklerin Eşleştirilmesi

57

5. TİCARİ İŞ ZEKÂSI UYGULAMALARI

İş zekâsı üzerine hazırlanmış birçok ticari ürün bulunmaktadır. Bu ürünler

incelendiğinde iş zekâsı olarak sunulan yapıların gelişmiş raporlama olmaktan öteye

geçmediği görülmektedir. Genel olarak verilen hizmetler data-drilling olarak ifade edilen

SQL ve OLAP sorguları ve bu tekniklerin yan ürünleri olarak çıkarılan Dash Board,

Score Card ve Business Event Management olarak gösterilebilir.

Karşılaştırma yapabilme amacıyla tez kapsamında bu ürünlerden açık kaynak kodlu

olan Pentaho ve ticari ürünler arasında en çok referansa sahip Cognos incelenmiştir.

Ticari ürünlerden ise ön plana çıkanlar:

• Syncsort http://www.syncsort.com/

• Information Builders http://www.informationbuilders.com

• Noetix http://www.noetix.com

• Scentric http://www.scentric.com

• Sirana http://www.sirana.com

Yine tez kapsamında veri ambarı uygulaması olarak ön plana çıkan SAP BW (Business

Information Warehouse), Oracle Data Warehousing, Microsoft BI (Business Intelligence)

uygulamaları incelenmiştir.

5.1. Cognos Cognos BI uygulamaları içerisinde referanslarının sayısı ve işlem kapasiteleri göz

önünde bulundurulduğunda lider konumdadır. BI uygulamalarının genelinde görülen ve

aslında “intelligence” ifadesini sadece dikkat çekmek üzere kullanılması durumu sonucu

cognos’da gelişmiş bir raporlama aracı olarak sınıflandırılabilir. Ancak raporlama

yetenekleri açısından klasik anlayışın ötesinde işlevselliğe sahip olması sebebiyle

incelenmesinde fayda vardır.

Cognos, belirli ERP ürünleri üzerinde çalışmaktadır. Veri tabanı ya da uygulama

bağımsızlığı öngörülmemiştir. Bu seçim işlevselliği ilgili ürünler üzerinde artırırken,

uygulamanın kullanım alanını daraltmaktadır. Özellikle ülkemizde, ERP ürünlerinin hali

hazırda durağan bir yapıya kavuşmaması ve lider bir ERP üreticisinden

58

bahsedilememesi, bu şekilde belirli ERP ürünleri üzerine çalışmayı imkânsız

kılmaktadır. Zira ülkemizde en yoğun kullanılan ERP ürünlerinde dahi çekirdek yapı hala

durağan bir yapıya kavuşmamıştır ve durağan olmayan bir çekirdeğe göre sabit bir araç

geliştirmek, sık günleme maliyeti açısından ekonomik olmayacaktır.

Cognos’un yetenekleri:

1. Raporlama: Kullanılan ERP’ye özel çözümler ürettiği için verilerin bulunduğu tablolar

nesneler olarak ifade edilmiş ve bu nesneler üzerinde tümleşik sorgulamalar veri

tabanı bilgisi gerektirmeden üretebilmektedir.

2. Pivot tablo kullanım özelliği bulunmaktadır.

3. OLAP küpleri kullanım özelliği bulunmaktadır.

4. Metrikler: Veri nesneleri üzerinden tanımlanacak ve kontrol edilecek değerleri ifade

etmektedir. Metriklerin kaynağı veri nesneleri olabileceği gibi, bir metrik diğer

metriklerin bir formülü olarak da bulunabilmektedir.

5. Eylemler: Elektronik posta göndermek, metrikleri günlemek, raporları çalıştırıp

sonucunun saklanması gibi eylemler tanımlanmıştır. Raporların çalıştırıp sonucun

saklanması günlenen veriler üzerinde elde edilecek raporlarla değişimin

gözlenmesini amaçlamaktadır.

6. Zamanlanmış görevler: Zamanlanmış görevler eylemlerin belirlenen bir zamanda ya

da belirli bir periyot içerisinde çalıştırılmasını sağlamaktadır. Örneğin rapor alma

eylemi belirli bir periyoda bağlanarak veri değişimi daha etkin bir şekilde

gözlemlenebilmektedir. Diğer işlevsel bir örnek ise metrikler üzerinde verilebilir.

Metriğin belirli bir eşiği (artı ya da eski yönde) aşması durumunda ileti gönderme

eylemi tetiklenebilir. Böylelikle işletme kendi için önemli değerleri yakından takip

edebilir.

59

5.2. Pentaho Pentaho açık kaynak kodlu, BI uygulama kümesi tanımlamaktadır. Pentaho BI

kavramını gelişmiş raporlama mantığı içerisinde sunar. Pentaho ile işletmelere ilişikteki

yetenekler sağlanmaktadır:

1. SQL tabanlı raporlama: Rapor formatları BIRT ve Jasper Reports gibi araçlarla ya da

Pentaho’nun kendi rapor uygulaması ile geliştirilebilir. Raporların geliştirilmesi

masaüstü uygulaması ile sağlanırken, raporların sunulması WEB tabanlı

yapılabilmektedir.

2. OLAP: JPivot Kütüphanesi kullanılarak MDX sorguları desteklenmiştir. Böylelikle

kullanıcılara kolaylıkla Pivot tablo kullanma yeteneği sağlanmıştır.

3. SVG: Scable Vector Graphics kullanılarak coğrafik konumlandırmalar Google Maps

aracı ile kullanıcılara sunulmuştur.

4. Grafiksel Raporlar: Pentaho JReport kütüphanesini kullanarak grafiksel rapor

geliştirme yeteneğini genişletmiştir. HTML, Excel ve PDF olarak raporlar

üretebilmektedir.

5. Dashboard: Pentaho işletme için önemli olan verilerin çevirim içi izlenebilmesini

sağlamaktadır. Temelde dashboard raporların tek bir ekranda tümleşik olarak

sunumudur.

6. Raporların yayınlanması: Pentaho üretilen tüm raporları ve veri analizi sonuçlarını

HTML, XML, Excel ya da PDF olarak WEB üzerinden yayınlanmasına olanak

sağladığı gibi ilgili raporların e-posta ile dağıtılmasını da destekler.

Pentaho incelediği verileri değişik kaynaklardan elde edebilmektedir. Bu amaçla

RDBMS ve LDAP sunucuları yanında XML ve WEB servisleri de veri kaynağı olarak

kullanılabilmektedir.

60

5.3. SAP BW SAP (Systems Analysis and Program Development), sektörde yer alan en güçlü ERP

ürünüdür. Standart ERP hizmetleri olarak finansal kaynakların, insan kaynaklarının,

kurumsal hizmetlerin yönetilmesinde, müşteri ilişkileri yönetiminde, ürün ömrü yönetimi,

tedarik zinciri yönetimi gibi uç noktalarda çözümler sunar.

SAP'ın ürünleri kurumsal kaynak planlama sektöründe yer almaktadırlar. Şirketin ana

ürünü olan SAP R/3'deki "R" gerçek zamanlı ("Realtime") veri işleme özelliğini, 3 rakamı

ise veritabanı, uygulama sunucusu ve istemciden oluşan üç seviyeli uygulama

mimarisini simgeler. R/3, R/2'nin ardılıdır. Şirket tarafından geliştirilen diğer ürünler APO

(Advanced Planner and Optimizer), BW (Business Information Warehouse), CRM

(Customer Relationship Management), SRM (Supplier Relationship Management)

olarak özetlenebilir.

Tezin içeriği açısından SAP’ın iş zekası yeteneklerinin incelenmesi karşılaştırma

olanağı açısından önemlidir.

SAP business intelligence uygulamalarını NetWear ürünü içerisinde veri madenciliği

olarak tanımlamaktadır. Veri madenciliğini örüntü tanıma, istatistiksel ve matematiksel

yöntemler kullanılarak büyük veriler üzerinde ilişkilerin, örüntülerin ve eğilimlerin (trend)

“madencilikle” keşfedilmesi işlemi olarak tanımlamaktadır. SAP OLAP tekniklerini veri

madenciliğinde ham veri kaynaklarından biri olarak görmektedir.

1. Analysis Process Designer: Verinin sorgulanması, satırların seçilmesi, istenen

alanların izdüşümü, birden çok tablonun birleşimi ve ortaya çıkan sonuçların

gruplanmasına yönelik bir araçtır. Araç aşağıda sayılan maddeleri de gerekli adımlarda

kullanabilmektedir.

61

Şekil 5. 1. Analysis Process Designer [26]

2. Karar Ağaçları: Mevcut veriler üzerinde istenilen soruya cevap verecek şekilde karar

ağacının eğitilmesi ve yeni veriler üzerinde çalıştırılmasına olanak vermektedir. Karar

ağacı süreçleri şu şekilde verilmektedir.

1. Karar ağacı mevcut verilerle eğitilir.

2. Mevcut veriler üzerinde karar ağacı başarımı değerlendirir.

3. Yeni veriler üzerinde karar ağacı kullanılarak tahminlerde bulunulur.

Şekil 5. 2. Karar Ağacı Süreçleri [26]

62

3. Doğrusal ve Doğrusal Olmayan Regresyon: SAP regresyonu bir değişkenin diğer

değişkenlerin kullanılması ile açığa çıkarılması ve değerinin ölçülmesini sağlayan bir

tahmin yöntemi olarak tanımlamaktadır.

SAP kullanılarak müşterilerin, personelin, ürünlerin gruplaması, değerlendirilmesi

yapılabilmektedir. Bununla beraber regresyon, yeni verilere ilişkin tahminlerde

bulunmak amacıyla kullanılabilmektedir.

4. Kümeleme (Clustering): Sınıflandırma kayıtlardan belirli bir grup içerisindeki diğer

kayıtlarda olanlar ve tüm gruplardan ayrı olanlar göz önünde bulundurularak yeni

grupların oluşturulması olarak tanımlanmıştır.

5. ABC Sınıflandırması: ABC sınıflandırması belirli nesneleri (müşteriler, personel ya da

ürünler gibi) belirli ölçümlere göre (gelir ve fayda gibi ) sınıflandırılmasını sağlar.

Şekil 5. 3. ABC Sınıflandırması [26]

6. Birleşim Analizi (Association Analysis): Birleşim analizi tüm iş süreçleri içerisinde

düzenliliklerin (regularity) bulunmasını ve düzenliliklerin kurallar olarak (örn. “Eğer bir

kullanıcı A’yı alıyorsa, B ve C ürünleri de alıyor demektir.”) ifade edilmesini sağlar.

63

5.4. Oracle Oracle veri tabanı yönetim sistemine tümleşik olarak Veri Ambarı uygulamalarına yer

vermektedir. Veri Madenciliği ve gelişmiş OLAP teknikleri Data Warehousing

uygulamalarını oluşturmaktadır. Oracle içerisinde Data mining işlevleri supervised ve

unsupervised olmak üzere iki farklı kümede ele alınabilecekleri gibi başka bir yaklaşımla

predictive ve descriptive olarak da ele alınabilirler.

ODM tekniklerinin etkili çalışabilmesi için veriler üzerinde ön çalışma yapılması gerektiği

öngörülmüştür. Veri hazırlama işlemi tabloların ve görünümlerin SQL sorgulama

tümceleri ile düzenlenmesinin yanında,

• Uç değerler üzerinde trimming (uç değerlerin yok sayılması, tıraşlanması) ya da

winsorizing (uç değerin en yakın makul değere dönüştürülmesi) işlemlerinin

uygulanması

• Farklı değer sayısının azaltılması

o Top N most frequent algoritması

o Equi-Width Bining algoritması

• Normalleştirme (Normalization)

işlemlerini de gerektirmektedir.

Oracle veri madenciliği teknikleri iki temel grup içerisinde şu şekilde sıralamaktadır.

1. Supervised data mining • Classification

o Decision Tree Algoritması o Naive Bayes Algoritması o Adaptive Bayes Algoritması (Oracle tescillidir.) o Support Vector Machine Algoritması

• Regression o Support Vector Machine

• Attribute Importance o Minimum Desription Length Algoritması

• Anomaly Detection o Naïve Bayes Algoritması o Support Vector Machine Algoritması

2. Unsupervised data mining • Clustering

64

o Enhanced k-Means Algoritması o Orthogonal Partitioning Clustering (O-Cluster) algoritması

• Association Model o Apriori Algoritması

• Feature Extraction o Non-negative Matrix nFactorization algoritması

5.5. Microsoft Business Intelligence Microsoft veri madenciliği, OLAP, raporlama araçlarını iş zekâsı platformu olarak

sunmaktadır. Microsoft BI ortamı bir uygulamalar bütünü olarak tarif edilebilir. BI

platformu içerisinde

• Microsoft Office Excel 2007

• Microsoft Office PerformancePoint Server 2007

• Microsoft Office SharePoint Server 2007

• Microsoft SQL Server 2005

• Microsoft Visual Studio 2005

• Business Intelligence Development Studio

uygulamaları sayılabilir.

Uygulamalar, sıradan raporların üretilmesinden gelişmiş veri madenciliğine kadar birçok

iş zekâsı uygulamasını desteklemektedir. Veri tabanından bağımsız veri madenciliği

uygulamaları geliştirme ortamına sahip olmasının yanında Microsoft Visual Studio 2005

ile entegrasyonu ile güçlü geliştirme ortamı desteği verilmiştir. Ancak bu güçlü geliştirme

ortamının bir dezavantajı olarak, veri madenciliği uygulamalarını geliştirmek için uzman

programcı iş gücüne sahip olunması gerekmektedir.

Microsoft BI kapsamında Veri Madenciliği için kullanılan algoritma türleri:

• Sınıflandırma algoritmaları (Classification Algorithms)

• Regresyon algoritmaları (Regression Algorithms)

• Segmentation algoritmaları (Segmentation Algorithms)

• Birleşim algoritmaları (Association Algorithms)

• Sıralama İnceleme Algoritmaları (Sequence Analysis Algorithms)

Veri Madenciliğinde kullanılabilen algoritmalar :

• Microsoft Decision Trees Algorithm

65

• Microsoft Clustering Algorithm

• Microsoft Naive Bayes Algorithm

• Microsoft Association Algorithm

• Microsoft Sequence Clustering Algorithm

• Microsoft Time Series Algorithm

• Microsoft Neural Network Algorithm (SSAS)

• Microsoft Logistic Regression Algorithm

• Microsoft Linear Regression Algorithm

İş Zekâsı ve Veri Madenciliğinde kullanılabilen algoritma matrisi

Classification Segmentation Estimation Association Forecasting Text

Analysis

Advanced

Data

Exploration

Association

Rules

X X X

Clustering X

Decision

Tree

X X X X

Linear

Regression

X

Logistic

Regression

X X X

Naïve Bayes X X X

Neural Nets X X X

Sequence

Clustering

X X

Time Series X

Çizelge 5. 1. Microsoft Veri Madenciliği Algoritmaları

5.6. Diğer Uygulamalar Tez kapsamında yapılan çalışmada, diğer ürünlerin yeteneklerini göstermek üzere

yukarıda anlatılan ürünlerin yanında, önemli özellikleri ve yetenekleri ile ön plana çıkan

diğer bazı ürünlerinde isimlerinin verilmesi, ileriki çalışmalar için anlamlı olacaktır.

Veri Madenciliğinde önemli diğer ürünler:

DBMiner, Weka 3, YALE, SPSS Clementine

66

5.7. Ticari Uygulamaların Genel Olarak Değerlendirilmesi Sektörün lider ürünleri üzerinde yaptığımız çalışmalarda görülen eksik noktalar temel

olarak şu şekilde sıralanabilir:

1. Yöneylem Araştırması teknikleri hiç bir veri madenciliği uygulamasında doğrudan

bulunmamaktadır. Bazı cılız third party uygulamaları ile ele alınmışlardır.

2. İstatistiksel yöntemler, yapay zekâ algoritmalarının gerisinde kalmıştır. Hatta

birçok uygulamada istatistiksel karar verme süreçleri ele alınmamıştır. Benzer

şekilde verilen kararların istatistiksel değerlendirmesi alınamamaktadır.

3. Model tanımlama tüm ürünlerin ortak özellikleri olmasının yanında, modellere veri

girişleri sadece veri tabanı ya da xml gibi veri kütüklerinden olmaktadır.

Modellerin birbirleri ile etkileşimi, diğer bir ifade ile birinin sonucunun diğerine

doğrudan girdi olması sağlanamamaktadır. Ancak çalışılması durumunda XML

üzerinden veri aktarımı söz konusu olabilmektedir, yine de bu yönde de gelişmiş

araçlar mevcut değildir.

67

6. UYGULAMA

Yüksek Lisans Tezi çalışması kapsamında önceki bölümlerde anlatılan yöntemlerin

kullanılması ile etkileşimli modeller oluşturulmasına yönelik modelleme kütüphanesi alt

yapısı gerçekleştirimi yapılmıştır.

6.1. Tanım ve Amaç İşletmelerde her geçen gün yaygınlaşmakta olan Kurumsal Kaynak Yönetimi (KKY)

sistemler ile işletmelerin günlük süreçlerine ilişkin veriler elektronik ortamlara

aktarılmaktadır. Ülkemizde de KOBİ’lere geri ödemesiz çok sayıda destek verilerek,

küçük ve orta ölçekli işletmelerinde bu sürece dâhil edilmesi sağlanmaktadır[19].

İşletmelerin günlük süreçleri dışında, politikalarını belirlemek amacıyla karar alma

süreçlerinde bu verilerden faydalanarak Karar Destek Sistemlerinin oluşturulması KKY

gelişimiyle paralel bir gelişim izlemektedir.

Hazırlanan uygulamanın amacı, işletmelerde toplanmakta olan verilerden karar alma

sürecine destek verebilecek raporların üretilmesidir. Genel olarak SQL tümceleri ile

rapor almanın ötesinde, verilerden bilgilerin üretilmesine yönelik bir uygulama

geliştirilmiştir.

Ticari ürünlerin incelemesinde ortaya çıkan Yöneylem Araştırması’na ilişkin desteğin az

oluşu durumu, uygulamanın geliştiriminde esas dayanak noktasını oluşturmaktadır.

Uygulama aracılığı ile Yöneylem Araştırmasında incelenen problemler

modellenebilmektedir.

Uygulamanın önemli bir özelliği de, modellerin birbirleri ile etkileşimli çalışabilmeleridir.

Böylelikle hazırlanan model için gerekli bir parametre bir başka modelin çıktısı

olabilmektedir. Örnekle açıklamak gerekirse, gelecek döneme ilişkin bütçeleme yapmak

amacıyla kurulacak bir modelde, tahmini satış oranları parametresi, veri madenciliği

teknikleri kullanılarak tahmin edilebilmektedir.

68

6.2. Tasarım Yapılan çalışmanın temel tasarımı temel modelleme alt yapısı ve parametrelerin

belirlenmesine yönelik sınıf kütüphanesinden oluşmaktadır. Bununla beraber

modelleme alt yapısının Doğrusal Programlama ve Support Vector Machine algoritması

için genişletilmesi de verilmiştir.

6.2.1. Modelleme altyapısı Temel model altyapısı, modellerin oluşturulması, veri tabanında saklanması,

düzenlenmesi ve işletiminden sorumludur. Model işletimi, modelin parametrelerinin

işletilmesi, değerlerinin ilgili değişkenlere aktarılması ve modelin bu değerlerle

çalıştırılmasını sağlamaktadır.

69

Varia

ble

Varia

ble

Varia

ble

Varia

ble

Varia

ble

Varia

ble

Dat

abas

e P

aram

eter

Mod

el P

aram

eter

Mod

el P

aram

eter

Use

r Par

amet

er

Dat

abas

e P

aram

eter

Varia

ble

Varia

ble

Varia

ble

Varia

ble

Model Variables

Con

stan

t

Con

stan

t

Con

stan

t

Model Constants

Database

Dat

abas

e P

aram

eter

Database

DataBase Query

DataBase Query

DataBase Query

Temel Model Yapısı

Model

Model

Şekil 6. 1. Model Yapısı ve Parametre Türleri

Yukarıdaki şekilde Temel Model Yapısı anlatılmaktadır. Temel Model yapısı diğer

modellerin kalıtımda esas aldıkları soyut sınıflar kütüphanesini tanımlamaktadır. Bu

kütüphane, modelin işletiminden önce değeri belirlenmesi gereken değişkenlerin, ön

işletim ile değer atamasını sağlayacak yapıları da içermektedir.

70

Ön çalıştırma işlemi, modelin esas işletiminde sabit olarak görülebilecek ancak, esas

itibariyle bir başka modelden gelen, ya da veri tabanından gelen değerlerin alınmasını,

dolayısıyla bir başka modelin işletilmesini ya da veri tabanı sorgusunun çalıştırılmasını

sağlamaktadır.

Temel model yapısında üç temel nitelik ele alınmıştır:

Değişkenler Modelin işletimine ilişkin değişkenlerden farklı olarak, temel model yapısı içerisindeki

değişkenler, model işletilmeden önce değerleri belirlenecek yapılardır.

Parametreler Modelin işletiminden önce temel model değişkenlerinin değerleri temel model yapısı

içerisindeki parametrelerin işletilmesi ile elde edilir. Üç farklı parametre türü

belirlenmiştir:

a. Öncül Model Parametreleri: Modellerin girdilerinden bir kısmı bir başka modelin

sonucu olabilir. Bu durumda model işletiminden önce öncül modellerin işletimi ve

sonuçlarının esas modelin temel model değişkenlerine aktarılması gerekmektedir. Bu

işlem Öncül Model Parametreleri ile gerçekleştirilir.

b. Kullanıcı Değer Girişi Parametreleri: Kullanıcıdan değer alınmasına yönelik

parametrelerdir.

c. Veri Tabanı Parametreleri: Veri tabanında elde edilecek sonuçları ilgili değişkenlere

aktarılmasını sağlayan parametrelerdir.

Parametreler değişkenlerin eşleştirilmesi işleminde 4 farklı yöntem kullanılabilir.

Parametrenin sonucunun tek bir değer olması durumunda bu değer doğrudan değişken

ya da değişkenlere aktarılabilir. Parametrenin sonucunun iki boyutlu bir matris olması

durumunda ise, kolonlarla ya da satırlarla parametreler arası eşleştirme yapılabileceği

gibi, iki boyutlu matris doğrudan değişkene aktarılabilir. Sütunların ya da satırların

değişkenlere aktarılması durumunda değişkenlerin veri yapısı tek boyutlu dizi olması

gerekirken, matrisin doğrudan aktarılabilmesi için değişken veri yapısının iki boyutlu dizi

olması gerekmektedir.

71

Sabitler Modeller için sabitlerin ele alınması temel model alt yapısı seviyesinde ele alınmıştır.

Böylelikle geliştirilecek diğer model türleri için kalıtımla sabitlerin yönetimi yeteneği

aktarılmış olacaktır.

6.2.2. Veri tabanı erişim katmanı Model alt yapısı içerisinde veri tabanlarından bağımsızlık gereksinimi, tanımlanan soyut

sınıflarla ele alınmıştır. Sorgu soyut sınıfı, gerçekleştirimine bağlı olmak üzere, veri

tabanında ilgili sorgunun çalıştırılmasını sağlamaktadır.

Database

DataBase Query

DataBase Query

PostGreSQL

Query

Query

Query

PostGreSQLDriver

ORACLE

Query

Query

Query

OracleDriver

Şekil 6. 2. Veri Tabanı Parametresi ve Veri Tabanından Bağımsızlık

Yukarıdaki şekil, temel model alt yapısında yer verilen veri tabanı parametre türünün alt

yapısını anlatmaktadır. Temel model yapısı içersindeki veri tabanı parametre yapıları,

veri tabanı sorgu nesneleri ile veri tabanından verilerin çekilmesini sağlamaktadır. Veri

72

tabanı sorgu nesneleri ise, önceden sistem yöneticisi tarafından tanımlanmış veri tabanı

bağlantı nesneleri ile ilişkilendirilmiştir. Böylelikle esas olan veri sorgu nesnesi içerisinde

sadece sorgunun tanımı değil, hangi kaynaktan çekileceği bilgisini de içermektedir.

Bağlantı nesneleri ise, sistemde ön tanımlı veri tabanı sürücülerini kullanmaktadır.

Bağlantı nesnelerinin oluşturulması, model kütüphanesinin ilgili işletmeye uyarlanması

aşamasında ele alınmaktadır. Bağlantı nesnesi, hangi sunucuya hangi sürücünün

kullanılarak bağlanılacağı bilgisinin yanında, veri tabanı kullanıcı tanımlamasının

kullanıcı adı ve parola bilgilerini de içermektedir.

6.2.3. Model altyapısının doğrusal programlama için genişletilmesi Temel model yapısından kalıtımla üretilen doğrusal programlama modeli temel çizimi

ise aşağıda verilmiştir.

Şekil 6. 3. Doğrusal Programlama Modeli

73

Doğrusal Programlama içerisinde tanımlanan amaç fonksiyon ve kısıtların formülleri

içerisinde kullanılan sayılar, temel model altyapısı içerisinde tanımlanan parametrelerle

belirlenebilmektedir. Doğrusal Programlama model kütüphanesi, temel model

yapısındaki değişkenler ve değişmezler ile kendine özel LP Değişkenleri ve sabitlerini

eşleştirme işlemini gerçekleştirmektedir.

6.2.4. Model altyapısının support vector machine için genişletilmesi Doğrusal Programlama benzer şekilde modelleme kütüphanesi Support Vector Machine

algoritması için genişletilebilir. Ancak Support Vector Machine alogoritması kendine özel

değişkenler algoritmanın işletimine ilişkin değerler olması sebebiyle modelleme alt

yapısını kullanmamaktadır. Bu açıdan temel modelleme kütüphanesine ek olarak

gerçekleştirim ve işletim sınıflarını genişletmektedir. Ancak doğrusal programlamadan

farklı olarak modelin eğitilmesi gerektiği için model içerisinde eğitim ve test verilerinin

elde edileceği sorgu nesnelerine yer verilmiştir.

Şekil 6. 4. Support Vector Machine Modeli

74

6.3. Gerçekleştirim

6.3.1. Modelleme altyapısı gerçekleştirimi Uygulamanın gerçekleştiriminde önce tasarıma uygun olarak model alt yapısı

oluşturuldu. Model alt yapısına ilişkin temel sınıfların sınıf çizeneği aşağıda verilmiştir.

Şekil 6. 5. Modelleme Altypısı Gerçekleştirimi

75

Model altyapısı parametreler ve değişkenler ile değişmezleri eşleştirmek üzere üç farklı veri kaynağı tanımlamaktadır. Bu sınıflara ilişlin sınıf çizeneği aşağıda verilmiştir.

Şekil 6. 6. Modelleme Altyapısı Parametre Yönetimi

76

6.3.2. Veri tabanı erişim katmanı gerçekleştirimi Modelleme alt yapısının bir diğer paketi ise veri tabanından verilerin çekilmesine ilişkin

gerçekleştirimden sorumludur.

Şekil 6. 7. Veri Tabanı Erişim Katmanı

6.3.3. Modelleme altyapısının doğrusal programlama ile gerçekleştirimi Temel model paketini kullanarak geliştirilen doğrusal programlama paketinde, doğrusal

programlama kütüphanesi olarak hazır kullanılan açık kaynak kodlu DRA System’e ait

OR-Objects kütüphanesi adaptör kullanılarak uygulamanın model yapısına

uyarlanmıştır.

Şekil 6.7’de gösterildiği gibi, Modellerin işletiminden sorumlu motor sınıf, ilgili

algoritmayı kendi gerçekleştirebileceği gibi adaptör olarak bir başka kütüphaneden bu

hizmeti alarak, temel model alt yapısına uygun olarak genişletebilir. LPModelBuilder

sınıfı ise, modelin oluşturulması aşamasında kullanılmaktadır.

77

Şekil 6. 8. Modelleme Altyapısı ve Doğrusal Programlama

78

6.3.4. Modelleme altyapısının support vector machine ile gerçekleştirimi Modelleme altyapısının Support Vector Machine algoritması için genişletilmesi temelde

Doğrusal Programlama için genişletilmesinden farklı değildir. Ancak modellerin farklı

yapıları gereği, doğrusal programala modelleri eğitilmeksizin çalıştırılabilirken, Support

Vector Machine modelleri oluşturulmaları aşamasında eğitilmeleri gerekmektedir.

Şekil 6.7 ile Şekil 6.8 arasında temel fark SVMModelTrainer sınıfının oluşturulması

gereğidir. IModelTrainer sınıfı soyut sınıf olarak modelleme altyapısının eğitilmesi

gereken modellerin oluşturulmasında eğitim işlemlerini tetiklemek amacıyla

tasarlanmıştır.

79

Şekil 6. 9. Modelleme Altyapısı ve Support Vector Machine

80

6.3.5. Ekran görünümleri Son olarak sisteme ilişkin tamamlayıcı bilgi veren bir kaç ekran görüntüsü verilmiştir.

Şekil 6. 10. Doğrusal Programlama Tanımlama Ekranı

Yukarıdaki ekran görüntüsünde Doğrusal Programlama (Linear Programming –LP) modelinin oluşturulmasına ilişkin DP’ye özel tanımların yapıldığı ekran görüntüsü verilmiştir.

Şekil 6. 11. Doğrusal Programlama Kısıtlar

81

6.4. Uygulamanın Sınanması Tez kapsamında hazırlanan uygulama kullanılarak oluşturulacak svm modeli, aynı veri

kümesi ve benzer parametreler ile Oracle Data Mining API kullanılarak yeniden

oluşturulacak ve böylelikle sistemin başarımı test edilebilecektir.

6.4.1. Örnek problemin tanımı Müşterilerin alışveriş alışkanlıkları üzerinden, değerli müşterilerin belirlenmesi

sağlanacaktır. Bu amaca yönelik veri tabanında müşterilerin alışverişlerini saklayan bir

görünüm oluşturulmuştur. Görünümün veri alanları şu şekildedir:

Sutun Açıklama

CUST_ID Müşteri numarası

CUST_GENDER Cinsiyeti

AGE Yaşı

CUST_MARITAL_STATUS Evlilik durumu

COUNTRY_NAME Ülkesi

CUST_INCOME_LEVEL Geliri

EDUCATION Eğitim durumu

OCCUPATION Mesleği

HOUSEHOLD_SIZE Ev halkı sayısı

AFFINITY_CARD Hedef alan, Affinity Card verilecek mi? (Model

ile bulunmak istenen bilgi burada saklanıyor.)

FLAT_PANEL_MONITOR Flat panel monitor kullanıyor mu? HOME_THEATER_PACKAGE Home Theater sahibi mi? BOOKKEEPING_APPLICATION Muhasebe uygulamasına sahip mi?

Çizelge 6. 1. Sınama Verisi Sütun Tanımları

İşletme içerisinde müşteriye ilişkin özel bilgiler ile müşteriye özel kredi kart verilmesi

ilişkilendirilmiş. Modelle amaçlanan, daha önce şirketin reklam amaçlı bir banka ile

anlaşmalı hazırladığı kredi kartının kimlere verilebileceğinin bulunması. Bu amaca

yönelik mevcut bilgilerle model eğitiliyor ve yeni müşteriler için uygulanıyor.

Model için kullanılan veri Oracle SVM için hazırladığı örnek uyguladan edinilmiştir.[34]

Veri kümesinin bir kısmı modelin eğitimi için kullanılırken, bir kısmı da modelin test

82

edilmesi için kullanılmıştır. Model amaç kolonun, diğer kolonlara bakarak modelin ilgili

değeri tahmin etmesi ve bu değerin bulunması beklenen değerle karşılaştırıması ile test

edilmektedir.

Örnek problem için kullanılan veri kümesinden bir kesit Çizelge verilmiştir. cust_id

cust_gen

der

age

cust_m

arital_status

cust_incom

e_level

education

occupa

tion

househ

old_

size

yrs_reside

nce

affin

ity_card

bulk_p

ack_diskettes

flat_pa

nel_mon

itor

home_theater_pa

ckage

book

keep

ing_ap

plication

printer_supp

lies

y_bo

x_games

os_d

oc_set_kan

ji

101501 1 41 1 1 5 5 5 4 0 1 1 1 1 1 0 0 101502 2 27 1 2 1 13 5 3 0 1 1 0 1 1 1 0 101503 1 20 1 4 10 6 5 2 0 1 0 0 1 1 1 0 101504 2 45 2 12 1 11 2 5 1 0 0 1 1 1 0 0 101505 2 34 1 5 5 13 3 5 1 1 1 0 1 1 0 0 101506 2 38 2 5 10 7 2 4 0 1 1 1 1 1 0 0 101507 2 28 2 1 2 13 2 3 0 1 1 0 1 1 1 0 101508 2 19 1 5 10 13 5 2 0 1 1 0 1 1 1 0 101509 2 52 2 5 1 7 2 5 0 1 1 1 1 1 0 0

Çizelge 6. 2. Örnek Eğitim Verisi

83

6.4.2. Oracle DM kullanılarak oluşturulan model:

Oracle örnek şeması içerisinde SUPPLEMENTARY_DEMOGRAPHICS tablosu modelin

eğitilmesi ve test edilmesi için kullanılmıştır. Bu amaca yönelik, tablo içerisindeki

verilerin 900 satırı modelin oluşturulması için kullanılmıştır. Modelin test edilmesi için,

oluşturulmasında kullanılanların dışında geriye kalan 600 satır kullanılmıştır.

Modelin test verileri ile incelenmesinin sonucu aşağıdaki grafiklerde görülebilir.

Şekil 6. 12. Oracle SVM Başarımı

Tahmin Güvenliği: Yaklaşık %76 başarılı olarak ölçülmüştür. (İki sınıflıda doğruluk

olasılığı %50’dir. Yukarıdaki grafik, rastgele tahmin yapan bir modele göreli başarıyı

vermektedir.)

84

Şekil 6. 13. Oracle SVM Başarımı (Ayrıntılı)

Doğruluk: Bir(1), AFFINITY CARD verilmesi gerekenleri göstermektedir. 0 olarak

işaretlenen 435 kişiden 95’i test verisinde 1 olarak görülmüştür. 0 işaretlemede başarı

oranı %77,93 olarak hesaplanmıştır. 1 olarak işaretlenen 167 kişinin 27’si test verisinde

0 olduğu belirlenmiştir. 1 işaretlemede başarı oranı %74,85 olarak hesaplanmıştır.

85

6.4.3. Tez kapsamında geliştirilen uygulama kullanılarak oluşturulan model Tez kapsamında hazırlanan uygulama kullanılarak, Oracle DM kullanılarak hazırlanan

model benzer biçimde tanımlanmıştır. Aynı eğitim verisi kullanılarak hazırlanan modelin

çalışmasına ilişkin ekran görüntüleri aşağıda verilmiştir.

Şekil 6. 14. Tez Uygulaması SVM Modeli Oluşturulması

Yukarıdaki ekran görüntüsünde modelin eğitim ve test parametreleri verilmiştir.

Şekil 6. 15. Tez Uygulaması SVM Eğitimi

Modelin eğitimi ve testi için gerekli veri kümesini hazırlayacak ilgili veri tabanı sorguları

belirlenmiştir.

86

Şekil 6. 16. Tez Uygulaması SVM Başarımı

Eğitim verisinin hazırlanmasını sağlayan sorgu sonucu 900 satır ile sistem eğitilmiş, test

versinin hazırlanmasını sağlayan sorgu sonucu 600 satır ile sistem test edilmiştir.

Yapılan test sonucu 1500 satırdan 455’ine modelin verdiği sınıf bilgisi ile mevcut sınıf

bilgisi örtüşmüştür. Dolayısıyla modelin başarımı %75.83 olarak ölçülmüştür.

6.4.4. Oracle DM ve tez uygulamasının karşılaştırımı

Oracle ile tez uygulamasında aynı model, aynı veri kümesi ile çalıştırılmıştır. Oracle

başarımı %76.30 olarak ölçülürken, tez uygulamasının doğruluğu %75.83 olarak

ölçülmüştür. Tez uygulamasında kullanılan SVM algoritmasının sonucunun Oracle ile

yakın olduğu tesbit edilmiştir.

Tez uygulamasında modelin kurulması için gerekli parametreler ile Oracle üzerinde

modelin kurulması için gerekli parametreler karşılaştırıldığı zaman, tez uygulamasında

model tanımlayan kişiye modelini daha özgür oluşturma olanağı sağlandığı

görülmektedir.

Eğitim Veri Büyüklüğü

Test Veri Büyüklüğü

Test Başarımı

(Doğru Cevap Oranı)

Oracle 900 600 %76.30

Tez Uygulaması 900 600 %75.83

Çizelge 6. 3. Oracle ve Tez Uygulaması Başarım Karşılaştırması

87

7. SONUÇ VE ÖNERİLER

7.1. Sonuç Değişik disiplinlerin işletmelerin karar verme aşamasında verilerinden bilgi üretmesine

yönelik kullandığı birçok yöntem bulunmaktadır. Bu yöntemler genelde kullanıldıkları

disiplinlerle eşletirilmiş araçlarla işletmelerin kullanımına sunulmaktadır. Ancak değişik

disiplinlerden yöntemleri bir arada işletme olanağı tez kapsamında incelenen araçlarda

bulunamamıştır. Karar verme sürecine ilişkin tek bir araç kullanımıyor olması, işletmeler

için birden çok araç için katlanılan maliyeti ve daha uzman personel gereksinimi ve iş

gücü kaybını beraberinde getirmektedir.

Tez kapsamında geliştirilen modelleme kütüphanesinin, farklı disiplinlerde incelenilen

tekniklerin tek bir ortamda tanımlanmasına izin vermesinin yanında modellerin

etkileşimli çalışmalarıda sağlanmıştır. Modellerin etkileşimli çalıştırılabilmesi, kullanım

kolaylığı yanında, veri incelemede değişik modellerin çıktılarının bir modele

aktarılabilmesi sonucu, farklı yaklaşımların ürettiği sonuçların incelenmesini de

kolaylaştırmıştır.

Modellerin veri kaynakları, yukarıda da anlatıldığı gibi bir başka model olabileceği gibi,

sürücüsü sistemde tanımlanmış herhangi bir veri tabanı da olabilir. Veri kaynağı olarak

kullanıcı ve kütüklerde kullanılabilmektedir.

7.2. Öneriler 1. Modelleme Kütüphanesi temel olarak karar destek sürecinde işletmelere faydalı

olmak amacıyla hazırlanmıştır. Ancak alınan modelleme ile elde edilen özellikle ileriye

dönük öngörüleri içeren kararlarda, kesinlikten söz edilemez. İstatistik ve Yöneylem

araştırmalarında karar analizinde alınan kararın riski olasılıksal olarak ifade edilebiliyor

olmasına karşın, modelleme alt yapısının bu bağlamda temel eksiği olasılıksal karar

değerlendirmelerden yoksun oluşudur. Diğer bir ifade ile modeller arası etkileşimlerde

geçirilen parametrelerin doğruluk ihtimalleri de aktarılmalı ve uç model (en son çalışan

model) verdiği kararı öncüllerinden gelen olasılıkları da göz önünde bulundurarak

kullanıcıya sunmalıdır. Bu amaca yönelik kullanılan birçok algoritmanın bulanık mantıkla

yeniden ele alınması ve modelleme kütüphanesinin bulanık mantıkla yeniden

88

düzenlenmesi, verilen kararın kullanıcı açısından riskinin belirlenmesinde faydalı

olacaktır[20,21].

2. Tez çalışması kapsamında Uzman sistemler ve veri yönetimi konuları işlenmemiştir.

Ancak her türlü teknolojiyi içeren bir İş Zekâsı uygulamasında uzman sistemlerin

tümleşik olarak sunulması karar destek sürecine işletmenin geliştirdiği işine yönelik

tecrübesinin daha yoğun katılımını sağlayacaktır[22].

3. Uygulamanın veri tabanından bağımsızlığı gerek bir özellik olmasının yanında,

verilerin veri tabanından çekilmesine ilişkin tanımlamaların yapılmasında gerekli

kullanım kolaylığını sağlamaya yeterli değildir. Bu amaca yönelik veri tabanında gerçek

varlıkların belirlenmesine ve diğer ilişkilerin (örneğin n-n’lik ilişkilerden ortaya çıkan veri

tabanı tablolarının) kullanıcıdan soyutlanmasını sağlayan sorgulama aracı eklenmelidir.

Böylelikle kullanıcının günlük iş hayatında kullandığı varlıklar üzerinden veri hazırlama

işlemini yapması sağlanabilir. Bu yapının geliştirilmesi ile verilere vekil (proxy)

tanımlama olanağı ile verinin sadece veri tabanından değil XML kütükleri gibi diğer

kaynaklardan da elde edilmesi sağlanabilir.

4. Uygulamada modeller hem problem hem çözüm için gerekli algoritmayı içerir şekilde

tasarlanmıştır. Diğer bir ifade ile problem tanımlanırken, çözüleceği algoritma

belirlenmelidir. Ancak problem ile algoritma modelleme aşamasında da birbirinden

ayrılması böylelikle aynı problemin bir başka algoritma ile çözülmesinde problemin

yeniden tanımlanmasına gerek kalmaması sağlanabilir.

5. İşletmelerin günlük verileri kimi durumlarda akan zaman içerisinde günlenmektedir.

Bu durum ise günlene veri ile anlık karar durumunun kaybolmasına sebep olmaktadır.

Bu olumsuz durumun ortadan kaldırılması için iki çözüm önerilebilir. Modeller belirli

periyotlarla çalıştırılır ve sonuçları kaydedilir, ya da modeller ilgili oldukları veri

değiştikçe yeniden çalıştırıl ve sonuçları kaydedilir. Belirli periyotlarla verilerin

kaydedilmesi işlemi Veri Tabanı Yönetim Sisteminden ve veriyi değiştiren uygulamadan

(çoğu durumda Kurumsal Kaynak Yönetim Sistemi) bağımsız yürütülebilirken, ikinci

çözümde modelin çalıştırılmasına yönelik tetikleme işi için Veri Tabanı Yönetim Sistemi

ya da KKY ile etkileşimli çalışılması gerekmektedir.

89

6. Uygulamada veri tabanı sorgularından ve çalıştırılan modellerin sonuçlarından rapor

üretilmesi sağlanmıştır. Ancak birçok durum için açıklayıcı bir görünüm sergileyen

OLAP küplerinin uygulamaya eklenmesi işlevselliği ve kullanım kolaylığını olumlu yönde

geliştirecektir.

90

KAYNAKLAR

[1] Michael H. Brackett, Business Intelligence Value Chain, DM Review, 1999

[2] BI: What is Business Intelligence? DM Review, 1999

[3] Xie Wei, Xu Xiaofei, Sha Lei, Business Intelligence Based Group Decision

Support System, IEEE 2001

[4] The Challenge of Business Intelligence Access for Insurance Industry, SQLiaison

Inc. 1999

[5] Sid Adelman, Larissa Moss, ve Les Barbusinski, “I found several definitions of

BI”, DM Review, Ağustos 2002

[6] Topçu, İlker, Dr., İstanbul Teknik Üniversitesi, İşletme Fakültesi Yöneylem

Araştırması Ders Notları, 2007

[7] ULUCAN, Aydın, Yöneylem Araştırması, Siyasal Kitapevi, 2004

[8] AYDOĞAN, Fatih, E-Ticarette Veri Madenciliği Yaklaşımlarıyla Müşteriye Hizmet

Sunan Akıllı Modüllerin Tasarımı ve Gerçekleştirimi, Hacettepe Üniversitesi Fen

Bilimleri Enstitüsü Bilgisayar Mühendisliği anabilim Dalı, Yüksek Lisans Tezi, 2004

[9] Holsheimer, M. and Siebes, A.P. J. M, Data Mining:The search for knowledge in

databases., Technical Report CS-R9406, CWJ, P .0. Bo x 94079, 1090 BG Amsterdam,

The Netherlands, 1994

[10] Frawley, W. J., Piatetsky-Shapire, G., Matheus, c. J., 1991, Knowledge discovery

databases: An overview, In Knowledge Discovery In Databases (G. Piatetsky-Shapiro

and W. J. Frawley, eds.), Cambridge, MA: AAAI/M1T pp. 1-27

[11] I. Erkmen, A.M. Erkmen, H. Günver: Robot Hand Preshaping and Regrasping

Using Genetic Algorithms

[12] Deb, Kalyanmony: Multi-objective Genetic Algorithms, Evolutinary computation

91

[13] Farhad, Azadivar and John (Jian), Wang: Facility layout optimization using

simulation and genetic algorithms

[14] Data Mining Q&A with Dr. Kudyba DM Review, 2004

[15] Oracle Data Mining Concepts, 10g Release 2 (10.2) B14339-01, June 2005

[16] Data Mart Does Not Equal Data Warehouse, Bill Inmon , DM Review, Published

in DM Direct in November 1999

[17] Hacettepe Üniversitesi, 2006 yılı Özdeğerlendirme Raporu

[18] BROCKWELL Peter, DAVIS Richard, Introduction to Time Series and

Forecasting, Second Edition, Springer, 2002

[19] KOSGEB, www.kosgeb.gov.tr

[20] Oliver Thomas, Otmar Adam, Katrina Leyking, Peter Loos, A Fuzzy Paradigm

Approach for Business Process Intelligence, Proceedings of the 8th IEEE International

Conference on E-Commerce Technology and the 3rd IEEE International Conference on

Enterprise Computing, E-Commerce, and E-Services (CEC/EEE’06)

[21] Janusz Kacprzyk Fellow ofIEEE, IFSA, Web Intelligence, Business Intelligence

and Decision Support Systems: A Challenge for Fuzzy Logic and Soft Computing, 1-

4244-0195-X/06/$20.00 t2006 IEEE

[22] Luan Ou, Hong Peng, Knowledge and Process Based Decision Support in

Business Intelligence System, Proceedings of the First International Multi-Symposiums

on Computer and Computational Sciences (IMSCCS'06), 2006

[23] İşletme ve İktisat için İstatistik; Newbold, Paul; 1998 Prentice-Hall, Inc.

[24] A Tutorial on v-Support Vector Machines, Pai-Hsuen Chen, chih-Jen Lin, and

Bernhard Scholkopf

[25] A Tutorial on Support Vector Machines for Pattern Recognation, Christopher J.C.

BURGES, Bell Laboratories, Lucent Technologies

92

[26] SAP WEB Sayfası – http://www.sap.com

[27] A statistical learning framework for data mining of large-scale systems: Algorithms, implementation, and applications by Tsou, Ching-Huei, Ph.D., Massachusetts Institute of Technology, 2007

[28] Enhancing supervised learning by coalescing data into groups by Cao, Dongwei, Ph.D., University of Minnesota, 2007

[29] Error control for support vector machines by Davenport, Mark A., M.S., Rice University, 2007

[30] Autonomous anomaly detection and fault diagnosis by Liu, Jianbo, Ph.D., University of Michigan, 2007

[31] Decision support system for form verification of manufactured parts by Aguirre Cruz, Juan Antonio, Ph.D., The University of Oklahoma, 2007

[32] Optimal control of production and distribution in a supply chain system operating under a JIT delivery policy by Biswas, Pablo, Ph.D., Louisiana State University and Agricultural & Mechanical College, 2007

[33] Evaluating performance information for mapping algorithms to advanced architectures by Santiago Santiago, Nayda G., Ph.D., Michigan State University, 2003

[34] Oracle DM. http://www.oracle.com/technology/products/bi/odm/index.html

93

ÖZGEÇMİŞ

Adı Soyadı : Fatih Mehmet GÜLEÇ

Doğum Yeri : Ankara

Doğum Yılı : 1982

Medeni Hali : Evli

Eğitim ve Akademik Durumu :

Lise 1993-2000 Gazi Anadolu Lisesi, ANKARA

Lisans 2000-2004 Hacettepe Üniversitesi Bilgisayar Mühendisliği Bölümü, ANKARA

Yabancı Dil : 2007 Mart ÜDS- İngilizce 87,5

İş Tecrübesi :

2004-… Hacettepe Üniversitesi Bilgisayar Mühendisliği Bölümü, Araştırma Görevlisi

kurumsal verİlerİn yapay zekÂ modellerİlefatihg/kurumsalg.pdf · i kurumsal verİlerİn yapay...

Documents