Analitik
Nedir Ve Neden Önemlidir
Analitik, işe dair soruları cevaplamak, ilişkileri keşfetmek, bilinmeyen sonuçları tahmin etmek ve kararları otomatik hâle getirmek için verileri ve matematiği kullanır. Bu çok yönlü bilgisayar bilimi, verilerde anlamlı desenler bulmak ve uygulamalı matematik, istatistik, tahminci modelleme ve makine öğrenme tekniklerine dayanan yeni bilgileri ortaya çıkarmak için kullanılır.
Analitiğin Geçmişi
Geçmişte veri depolama ve işleme hızı analitiği sınırlandırıyordu. Günümüzde bu sınırlamalar ortadan kalktı ve çok geçişli büyük miktarlarda veriyi kullanabilen karmaşık makine öğrenmesinin ve derin öğrenme algoritmalarının kapısı açılmış oldu.
Bunun sonucunda, analitiğin standart açıklayıcı, tahminci veya öngörücü becerileri, öğrenme ve otomasyon aracılığıyla artırıldı ve böylece yapay zekâ çağı başlamış oldu.
Bu, makinelerimize ne olduğunu ve ne olması gerektiğini sormamız yerine, makinelerin veriyi kullanarak otomasyon sağlamaları ve kendi kendilerine öğrenmeleri, hatta hangi soruları sormamız gerektiğini bize söylemeleri olarak değişti.
Günümüzde çoğu organizasyon analitiğe stratejik bir destek olarak yaklaşıyor ve analitik pek çok işlevsel rol ve becerinin merkezinde yer alıyor.
Analitiğin makine öğrenmesi aracılığıyla büyüyen bir alanı da doğal dil işlemedir (NLP). Bilgisayarlar NLP’yi konuşma ve metinleri yorumlamak için kullanıyorlar. Chatbot’lar müşteri hizmetleri sorularını cevaplamak veya çevrim içi sohbet pencerelerinde yatırım tavsiyesi vermek için NLP’yi kullanıyorlar. Canlı çağrı merkezi çalışanlarına hazır öneriler de sunabiliyorlar.
Makine öğrenmesi ve yapay zekâ bize, bizler zevklerimize göre önerilen yeni televizyon dizisinin bölümlerini arka arkaya izlerken bizi gideceğimiz yere götürmeyi taahhüt eden kendi kendini kullanan arabaları ve tavsiye motorlarını da sundu.
Analitik elbette ki boş vakitlerimizi şekillendirmekten daha fazlasını yapıyor. Daha hızlı ve daha güçlü bilgisayarlar sayesinde analitik ve yapay zekâ kullanımına yönelik fırsatlar ortaya çıkıyor. İster kredi riskini belirlemek, yeni ilaçlar geliştirmek, ürün ve hizmetleri sunmanın daha etkili yollarını bulmak, dolandırıcılığı önlemek, siber tehditleri ortaya çıkarmak ister en değerli müşterileri elinizde tutmanızı sağlamak olsun, analitik size kurumunuzun başarısını sağlayan şeyin ne olduğunu ve yaptıklarınızın dış dünya için ne ifade ettiğini anlamanız konusunda yardımcı olabilir.
Bugünün Dünyasında Analitik
Analitik projelerini bu kaynaklarla uygulamaya koyun. Projelerinizi planlamak için ihtiyacınız olan şeyleri bulun, verinize olan güveninizi tazeleyin ve bir analitik stratejisi geliştirin.
Analitik projelerinize başlamanızı sağlayacak 10 soru
Maliyeti nedir? Hangi sorunları çözmeye çalışıyorsunuz? Nerede direnişle karşılaşıyorsunuz? Bunlar analitik projenizin çerçevesini oluşturmak adına sormanız gereken temel sorulardan yalnızca üçü.
Analitik konusunda güven neden önemlidir
Analitik ve yapay zekâ gibi gelişen teknolojilerden daha fazla değer elde edilmesi için önce güven duyulması gerekir. Analitik liderleri veri ve analitik konusundaki güveni nasıl sağlıyorlar? MIT Sloan bu sorunun cevabını öğrenmek için 2.400 iş liderini içeren bir anket yaptı.
Analitik stratejinizi oluşturmak
Baş veri ve analitik yetkililerinin gündeminde ne var? Bir analitik stratejisini tanımlamak. Bilgi güvenilirliğini sağlamak. Veriye dayalı kararları desteklemek. Ve daha fazlası. Analitik stratejinizi oluşturmanıza yardımcı olması adına bu e-kitabı indirin.
Analitik 101
Küçük ve orta ölçekli işletmenizin analitikten nasıl yararlanabileceğini merak ediyor ancak nereden başlayacağınızı bilemiyorsanız, bu web semineri tam size göre. Bu giriş, her ölçekten işletmenin analitiğe nasıl başlayacağını açıklıyor.
Analitiği demokratikleştirmek
Dijital dünyanın baskıları hepimizi etkiliyor ve aşırı veri yüklemesi artık sadece kurum içinde “sayılarla uğraşan insanlar”la sınırlı değil. Herhangi bir kurumda hız, çeviklik, esneklik ve inovasyon ihtiyacı duymayan herhangi birini söyleyebilir misiniz? Bu da analitiği sadece istatistikçiler ve veri bilimcileri için değil, neredeyse herkes için bir öncelik hâline getiriyor.
Bunun sonucunda kurumlar; kolay anlaşılan bilgileri daha fazla çalışana sunarak, bilgileri doğrudan ileri hat uygulamalarının içine yerleştirerek veya bunlara yönelik kararların otomasyonunu sağlayarak analitiğin daha fazla kullanıcı tarafından kullanılabilmesinin yollarını arıyorlar.
Dinamik, otomatik modellerin inşası için işaretleme ve tıklamaya dayalı süreçler sunan teknolojiler, analitiğin daha fazla kullanıcıya ulaşmasını sağlıyor. Bir veri kaynağının seçilip amacınızın belirtilmesi ve aynı anda arka planda bir ana model oluşturulurken bir yandan da oluşturulan bu modelin doğal dille açıklanması yoluyla karmaşık sorular bile cevaplanabilir.
Analitiğe dayalı şekilde yürütülen kurumlar belirgin düzeyde bir farklılaşmayı, büyük miktarda gelir elde etmeyi ve bazen de uzun süre ayakta kalmayı bekleyebilirler.
Her açıdan uygun birliktelik
Ürünlerini seven insanlarla bağlantı kurmak adına analitiğe dayalı, karar odaklı bir kültür oluşturan Levi Strauss & Co.’nun SAS® ile birlikte çıktığı yolculuğa bakalım.
Bu popüler perakendeci, ürün planlama, dağıtım ve envanter yönetimi aracılığıyla planlarını optimize etmek ve fırsatları tespit etmek amacıyla analikten yararlanıyor.
Analitik Nasıl İşliyor
Her işletme bir analitik işletmesidir. Her süreç, gelişime açık bir analitik süreçtir. Ve her çalışan bir şekilde bir analitik kullanıcısı olabilir. Analitikle başarmayı planladığınız şeyin ne olduğu fark etmeksizin, her analitik projesinin ilk gerekliliği veridir. Veriye sahip olduğunuzda, bu veriyi analiz etmeniz gerekir. Ardından da analizinizin sonuçları üzerinden karar mekanizmasını oluşturmanız gerekir. Daha hızlı kurumlar analitik hayat döngüsü içerisinde hareket edebilir ve analitik yatırımları üzerinden somut değerlere daha çabuk ulaşabilirler.
SAS olarak; veri, bulgu ve uygulama şeklindeki bu üç kategoriyi analitik hayat döngüsünün tekrarlayan adımları olarak görüyoruz. Kapsamı ve ölçeğinden bağımsız olarak, projeniz bu adımların üçünü de içermelidir. Gelin her adıma daha yakından bakalım.
Daha fazla bilgi almak için infografiğe tıklayın.
Veri
Günümüzde veri hızlı, büyük ve karmaşıktır. Analitik çözümlerin, geleneksel şekilde yapılandırılmış verileri ve sensör veri akışı, görseller ve video gibi gelişmekte olan formatları da içeren her tür veriyi analiz etmesi gerekir.
Bu veriye erişmek, onu hazırlamak, temizlemek ve yönetişimini sağlamak için bir veri yönetimi stratejisine de ihtiyacınız vardır.
Verinizi nasıl toplayacak, temizleyecek ve saklayacaksınız? Veri hazırlığının bir analitik projesine harcanan zamanın %80’ini kapladığı tahmin edilir. Bu süre modeller oluşturmaya yönelik olarak daha iyi kullanılabilir mi?
Zeki bir analitik platformu, yapay zekâ aracılığıyla zaman alan görevlerin otomasyonunu sağlayan yerel erişim motorları, entegre veri özelliği ve veri hazırlama araçlarıyla veri hazırlığını kolaylaştırır.
Son olarak veri yönetişimi; kaynağını ve içeriğini bildiğiniz, veri kalitesini. takip edebildiğiniz için verilerinizin güvenilir olmasını sağlar. Veri yönetişimi gerektiğinde verinin korunmasını da kolaylaştırır.
Bulgu
Bulgu; araştırmaya, görselleştirmeye ve model inşasına dayanır. Doğru algoritmayı bulmak genelde deneme yanılma yöntemiyle olur. Bu denemeleri belgelemek, kaydetmek ve kıyaslamak kolay olduğunda, süreç daha başarılı şekilde ilerleyebilir.
Doğru algoritmanın seçilmesi; veri büyüklüğü, iş ihtiyaçları, eğitim süresi, parametreler, veri noktaları ve daha pek çok başlığı daha içeren faktörlere bağlıdır. En deneyimli veri bilimcileri bile birden fazla yaklaşımı kullanarak denemeler yapmadan size hangi algoritmanın en iyi işleyeceğini söyleyemez.
Dahası, bulgu aşamasında farklı veri özelliklerine sahip farklı programlama dilleriyle yazılmış farklı modelleri karşılaştırmak sıkça başvurulan bir yöntemdir.
Örneğin, karaciğer taramalarında tümörleri belirlemek için nesne tespiti kullanan yakın tarihli bir analitik projesi, bazı sinir ağlarının araştırılması, sonuçların birkaç hafta boyunca belgelenmesi ve farklı modellerle karşılaştırılmasıyla başlamıştı.
Bu ortak süreç, en başarılı sonuçları, farklı becerileri olan veri bilimcileri istedikleri dilde kod yazabildiği ve programlama yapmayanların da farklı analitik yaklaşımların sonuçlarını araştırmak için görsel bir işaretleme ve tıklama arayüzü kullanabildiği durumlarda veriyor.
Uygulama
Analitik çabalarınızın karşılığını almak istiyorsanız, bulgularınızın sonuçlarını uygulamanız ve kullanıma sunmanız gerekir. Makine öğrenmesi ve diğer modeller öylece durmaları için oluşturulmazlar; iş konusunda bir değer elde etmek için onları kullanmalısınız. Yine de kurumların çoğu en çok uygulama aşamasında sıkıntı yaşar.
İster tek bir model ister binlerce model oluşturun, model seçiminden modellerin kullanımına geçmek, model yönetimini gerektirir. Model yönetimi sürüm kontrolü sağlar ve modellerinizi kayda geçirmenize, doğrulamanıza ve merkezî olarak yönetmenize yardım eder. Model uygulaması ve takibi için prosedürler ve kurallar belirlemenizi sağlar. Bunun yanında veri ve model kullanımına ilişkin şeffaflık da sağlamış olursunuz.
Amacınız modelleri bir kez oluşturmak ve onları her yerde kullanmak olmalıdır; onlarla kontrol panellerini işletim sistemleri içerisinde yönetebilir veya API’ler aracılığıyla diğer uygulamaların içine yerleştirebilirsiniz.
Analitik Ekosistemi
Analitik şu an hızla yükseliyor. Analitik ekosistemi içerisindeki yüzlerce firma, kurumların veriyi saklamasına, veriye erişmesine, veriyi analiz etmesine ve sunmasına yönelik teknoloji ve hizmetler üretiyor. Bunlar veri yönetimi ve görselleştirmeden ileri analitiğe ve pek çok açık kaynak analitik seçeneği de dâhil olmak üzere önceden oluşturulmuş analitik çözümlerine kadar geniş bir bütünü kapsıyor.
SAS, ekosistemdeki herkesle entegre olacak şekilde eşsiz bir konuma sahip. SAS Platform her tür tedarikçi tarafından sunulan donanımlarla çalışıyor, her tür veriyi işliyor, farklı dillerden modelleri karşılaştırıyor ve analitik ekosisteminin veri, bulgu ve uygulama aşamalarına yönelik tutarlı yönetişim sunuyor.
AWS veya Hadoop içerisinde veri mi saklıyorsunuz? Twitter veya Google Analytics’ten veri mi elde ediyorsunuz? Python ve SAS aracılığıyla veri analizi mi yapıyorsunuz? Intel veya NVIDIA çiplerini kullanarak programlar mı çalıştırıyorsunuz? Sonuçları masa üstü bilgisayarlarda veya nesnelerin internetini kullanan cihazlarda mı uyguluyorsunuz?
SAS Platform bunların tümünü yapabilir, ayrıca hâlihazırda kullandığınız geleneksel çözümleri de kullanabilir. Sonuç? Veri bilimcilerinden BT çalışanlarına ve karar vericilere kadar herkes aynı analitik sistemi üzerinde uyum içerisinde çalışabilirler. Üstelik model yönetiminden, model takibinden, model şeffaflığından, veri kökeninden ve analitik projeleri ile paketleri arası entegrasyondan da yararlanmış olursunuz.
Analitik ekosistemindeki tüm unsurları uyum içinde kullanan bir analitik platformu, analitik hayat döngüsünün hızlanmasına yardımcı olarak veri aracılığıyla somut sonuçlar almanızı sağlar. Sonuç olarak bu süreç sizin veri, teknoloji ve insan odaklı analitiğe yönelik tüm yatırımlarınızın yatırım dönüşünü artırır ve sizi başarıya ulaştırır.
Yapay Zekâ Çözümleri
Öğrenme, modellerin içine yerleştirildiğinde ve öğrenme becerilerinin otomasyonu sağlandığında, analitik yapay zekâya evrilir. SAS yapay zekâkonusunda güçlü bir temele sahiptir ve ileri analitik, makine öğrenmesi, derin öğrenme, doğal dil işleme ve bilgisayar görüşü. konularında çözümler sunar. Kurumunuzu yapay zekâ odaklı bir geleceğe hazırlamak adına ihtiyacınız olan teknoloji, beceriler ve destek sayesinde, iş liderlerini ve veri bilimcilerini yapay zekânın geleceğine nasıl hazırlayacağınızı öğrenin.
Recommended reading
-
Kullanım Örneği
Thwarting disruption with strategic investments in innovationNational Australia Bank turns to innovative strategies, like hackathons, to find new solutions to emerging challenges.
-
Makale
Keeping an open mind about open analyticsSome of the smartest data science teams are using SAS alongside open source analytics. Find out how you can use both and deploy all models consistently.
-
Makale
#Data4Good: Treating cancer, one patient at a timeDrawing on her experience as a cancer patient, Susan Weidner devotes her career to helping oncologists identify personalized treatments based on massive amounts of data.
Since 1976, companies worldwide have trusted SAS.