COVID-19 Pandemisi ile normallerin yerini yeni normallere bıraktığı,bırakacağı yaşam döngümüzde bugünlerden öncede büyük veri, veri bilimi, makine öğrenmesi, yapay zeka ,nesnelerin interneti, nesnelerin yapay zekası, bulut, sınır bilişim, 5G, yüz tanıma vb. bilişim teknolojileri bizi geleceğe hazırlayan ve hatta gelecek bugün konseptiyle geleceği bugüne taşıyan teknolojiler olarak sağlıkta, tarımda, siber güvenlikte hayatımızın içindeydiler ve olmaya devamda edecekler ve Dijital dünya bizleri yeni yaşam şekillerinde bütün bu teknolojilerin kullanılacağı Akıllı Şehir yapılarının içinde sürdürülebilir yaşamların içine çekecek.

Bizlerde, yaşam döngümüze COVID – 19’la yaşamak olarak baktığımız bu günlerde yukarıda sayılan bilişim teknolojilerini çok daha fazla bu döngünün içine sokacak, aşı, ilaç araştırmalarında, yüz tanıma, uzaktan vücut ısısı ölçme vb. sistemlerde büyük veriyi, veri bilimi ve analitiği, bunların arkasındaki makine öğrenmesi, yapay zeka gücünü ileri seviye algoritmalarda çok daha hızlı çalışan bilgisayar sistemlerinin yapısında, sanal dünyanın bize yardımcı olan ve olacak gücünü yeni normallerle Akıllı Şehirlerde yaşamaya devam edeceğiz.

Bitirdiğimiz hafta içinde Dijitalleşmenin’de içinde olduğu Akıllı Şehir yapılanmasının önemini orta koyan etkinlikler oldu.

İçeriklerin yanı sıra bu konunun süper ligdeki sunum yapanlarıyla ve izleyicilerle birlikte olmaktan mutluluk duyduk.

İlki ; Çevre ve Şehircilik Bakanlığı-Sanayi Bakanlığı ve Esenler Belediyesi Organizasyonu ile gerçekleşen “Akıllı Şehirler Çalıştayı” bir hafta sürdü. Akıllı Şehir tüm bileşenlerinin Ülkemizin kültürel yapısı da dikkate alınarak, en teknik en ekonomik uygulamalar örneklemelerinin dillendirildiği etkinlik çok verimli idi. Bu çalışmanın istenilen düzeyde yol almasıyla sadece Ülkemizin diğer kentlerinin değil, Dünya kentlerinin de gelip gözlemleyeceği müthiş bir proje .

İkinci etkinlik ; “IoT Kahve Sohbetleri Organizasyonuyla “ Akıllı Şehirler “ konulu çalışmaya tanık olduk. Özellikle İBB’nin gerçekleştirdiği ve planlanan projelerini Bilgi işlem Daire Başkanından dinlemek güzeldi.

Üçüncü etkinlik ;Management Plus ve BTHaber işbirliği ile organize edilen “Dijital Dönüşüm Sürecinde Akıllı Şehirlerin Geleceği” gerçekleştirildi.

Akıllı Şehirlerin geleceği ile ilgili regülasyonun, stratejinin, vizyonun, uygulamanın ve finansmanın sağlanması açısından ele alınan webinarların konuları, konuşmacıları ve ana çıktıları için referans olarak son bahsettiğimiz etkinlik çıktıları alınabilir:

Öncelikle sağlıklı bir adres veri sistemine ihtiyacımızın olması

Belediyeler tarafından (yerel akıllı şehir ve yol haritalarını ) hazırlanması gerekliliği

Akıllı teknolojilerin daha verimli ve işlevsel şehircilik hizmetlerinin ortaya çıkmasını sağlayacağı

Akıllı Şehir uygulamalarının geliştirilmesi için 5 G teknolojisinin geliştirilmesi gerektiği

Dijital dönüşüm sürecinde, akıllı şehir uygulamalarında IOT platformunun düzgün bir şekilde işletilmesi ve büyük verinin öne çıktığı görülmekte

Açık veriye ihtiyacın çok olduğu yoksa çalışmaların tıkandığı

Akıllı şehirlerin önceliğinin insan olduğu ve insana dönük bir entegrasyon yapılması gerektiği

Akıllı şehirlerin önceliğinin insanların hayat standardının ve yaşam koşullarına olumlu etkiler sağlayacak projelere dönük olması gerektiği

Bu ana çıktıları doğru değerlendirdiğimizde bunların başarılı uygulamalar haline gelmesinin yolunun “veri”den , “büyük veri”den faydalanmak olduğunu görürüz.

Günümüz dünyasında işlerin doğru sonuç vermesi “veri”den doğru değer elde edilmesi ve “veri”yi keşfetme ve yorumlamak ile gerçeklenmektedir. Bu da veri bilimi ve analitik yoluyla mümkündür.

Bunların hepsi göz önüne alınarak bu haftaki yazımız;

Veri Bilimi nedir ?

Analitik Nedir ? konu başlıklarında detaylarıyla yazıldı.

Veri Bilimi Nedir?

Veri bilimi, verilerden değer elde etmek üzere bilimsel yöntemleri, süreçleri, algoritmaları ve sistemleri kullanan disiplinler arası bir alandır. Veri uzmanları web, akıllı telefonlar, müşteriler, sensörler ve diğer kaynaklardan toplanan verileri analiz etmek üzere istatistik, bilgisayar bilimi ve iş bilgisi dahil olmak üzere bir dizi beceriyi bir araya getirir.

Veri bilimi, işletmelerin daha iyi kararlar almak ve daha inovatif ürünler ve servisler oluşturmak üzere kullanabileceği öngörüleri üretir ve trendleri ortaya çıkarır.

Veri, inovasyonun temel taşıdır. Ancak değeri, veri uzmanlarının verilerden elde edeceği bilgilerden ve bu temelde gerçekleştireceği eylemlerden gelir.

Veri Uzmanlarına Yönelik Araçlar

Veri uzmanları pek çok araç türünden yararlanır ancak en yaygın olarak tamamen aynı ortamda kod yazma ve çalıştırmaya, verileri görselleştirmeye ve sonuçları görmeye yönelik web uygulama yazılımları olan açık kaynak defterlerini tercih ederler. Jupyter, RStudio ve Zepplin en popüler defterler arasında yer alır. Defterler analiz yapmak için çok kullanışlıdır ancak veri uzmanlarının bir ekip olarak çalışmasının gerektirdiği durumlarda çeşitli sınırlamaları söz konusudur. Bu sorunu çözmek üzere veri bilimi platformları ortaya çıktı.

Veri Bilimi ve Veri Büyümesi

Modern teknoloji gittikçe daha fazla miktarda bilginin oluşturulabilmesini ve depolanabilmesini sağladığından mevcut veri hacminde büyük bir artış görüldü. Dünyadaki verilerin yüzde 90'ının son iki yılda oluşturulduğu tahmin ediliyor. Örneğin, Facebook kullanıcıları her saat 10 milyon fotoğraf yüklüyor. Dünya genelinde bağlantı halindeki cihazların sayısının, Internet of Things (IoT), 2025'e dek 75 milyardan fazla büyümesi öngörülüyor.

Bu teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını sağlayabilir. Ancak bu yalnızca bu verileri yorumlamamız sayesinde mümkündür. Veri bilimi bu noktada devreye girer.

Veri uzmanının ortaya çıkışı

Veri bilimi bir uzmanlık olarak henüz gençlik döneminde. İstatistiksel analiz ve veri madenciliği alanlarından ortaya çıktı. İlk kez 2002 yılında International CouncilforScience tarafından Data ScienceJournal yayınlandı: Bilim ve Teknoloji Verileri Komitesi. 2008 yılına gelindiğinde veri uzmanı unvanı ortaya çıktı ve kısa süre içinde alanda büyük ilerlemeler kaydedildi. Gittikçe daha fazla sayıda kolej ve üniversitede veri bilimi dereceleri sunulmaya başlansa da o zamandan bu yana yeterince veri uzmanı bulunamıyor.

Veri uzmanlarının görevleri arasında verileri analiz etmek için strateji geliştirme; verileri analiz için hazırlama; verileri keşfetme, analiz etme ve görselleştirme; Python ve R gibi programlama dillerini kullanarak verilerle birlikte modeller oluşturma ve modelleri uygulama yazılımlarına dağıtma sayılabilir.

Veri uzmanları tek başına çalışmaz. Hatta en etkili veri bilimi, ekipler halinde yapılır. Bu ekip veri uzmanına ek olarak, sorunu tanımlayan bir iş analistinden, verileri ve nasıl erişileceğini hazırlayan bir veri mühendisinden, altta yatan süreçlere ve altyapıya ilişkin gözetim faaliyetlerini yürüten bir BT mimarından ve modelleri veya analiz çıktılarını uygulama yazılımlarına ve ürünlere dağıtan bir uygulama yazılımı geliştiricisinden oluşur.

Veri Bilimi Nasıl İş Dönüşümü Sağlıyor?

Organizasyonlar, ürünleri ve servisleri geliştirerek verileri rekabet avantajına dönüştürmek üzere veri bilimi ekiplerinden yararlanır. Örneğin, şirketler pazarlama departmanının geri kazanabilmesi için şirketi bırakması en olası müşterileri belirlemek üzere çağrı merkezlerinden toplanan verileri analiz eder. Lojistik şirketleri teslimat hızlarını iyileştirmek ve maliyetleri azaltmak için trafik modellerini, hava koşullarını ve diğer faktörleri analiz eder. Sağlık şirketleri, doktorların hastalıkları daha erken teşhis etmesine ve daha etkili şekilde tedavi etmesine yardımcı olmak üzere tıbbi test verilerini ve bildirilen semptomları analiz eder.

Pek çok şirket veri bilimine öncelik veriyor ve buna yatırımlar yapıyor. Gartner'ın kısa süre önce 3.000'den fazla CIO ile birlikte gerçekleştirdiği bir ankete göre katılımcılar, analitik ve iş zekasını organizasyonları için en çok farklılık yaratan teknoloji olarak nitelendirdi. Ankete katılan CIO'lar bu teknolojileri şirketleri açısından en stratejik teknolojiler olarak görüyor ve böylece pek çok yeni yatırımı cezbediyor.

Veri bilimi nasıl yapılır?

Verileri analiz etme ve bu temelde hareket etme süreci doğrusal değil, yinelenen bir süreçtir. Ancak bir veri modelleme projesi için tipik olarak iş akışı şu şekildedir:

Planlama: Bir projeyi ve potansiyel çıktılarını tanımlayın

Hazırlama: Veri uzmanlarının doğru araçlara, doğru verilere ve bilgi işlem gücü gibi diğer kaynaklara erişmesini sağlayarak çalışma ortamını oluşturun

Sindirme: Verileri çalışma ortamına yükleyin

Keşfetme: Verileri analiz edin, keşfedin ve görselleştirin

Modelleme: Gerektiği şekilde çalışmaları için modelleri oluşturun, eğitin ve doğrulayın

Dağıtma: Modelleri kullanıma dağıtma

Veri bilimi sürecini kim yönetiyor?

Veri bilimi süreci tipik olarak üç tür yönetici tarafından yönetilir:

İş yöneticileri: Bu yöneticiler, sorunu tanımlamak ve analiz stratejisi geliştirmek üzere veri bilimi ekibi ile birlikte çalışır. Pazarlama, finans veya satış gibi bir iş kolunun yöneticisi olabilirler ve bu yöneticilere rapor veren bir veri bilimi ekibi bulunur. Projelerin teslim edilmesini sağlamak üzere veri bilimi ve BT yöneticisi ile yakın bir çalışma yürütür.

BT yöneticileri: Üst düzey BT yöneticileri, veri bilimi operasyonlarını destekleyerek altyapı planlamasından ve mimarisinden sorumludur. Veri bilimi ekiplerinin verimli ve güvenli şekilde çalışmasını sağlamak üzere sürekli olarak operasyonları ve kaynak kullanımını izler. Aynı zamanda veri bilimi ekipleri için ortamların oluşturulmasından ve güncellenmesinden sorumlu olabilir.

Veri bilimi yöneticileri: Bu yöneticiler, veri bilimi ekibini ve günlük faaliyetlerini gözetir. Ekip gelişimini proje planlama ve izleme ile dengeleyebilecek ekip kuruculardır.

Veri Bilimini Uygulamanın Zorlukları

Veri biliminin sunduğu vaatler ve veri bilimi ekiplerine yapılan büyük yatırımların aksine pek çok şirket verilerinin tüm değerinden yararlanamıyor. Bazı şirketler yetenekleri işe alma ve veri bilimi programları oluşturma konusunda yarışırken birlikte iyi çalışmayan çeşitli araçları ve süreçleri kullanan farklı çalışanlarla yetersiz ekip iş akışları yaşadı. Yöneticiler, daha disiplinli merkezi bir yönetim olmadan yatırımlarından tam bir dönüş alamayabilir. Bu kaos ortamı beraberinde pek çok zorluğu getirir.

Veri uzmanları verimli çalışamıyor. Veri uzmanları, verilere erişim iznini BT yöneticisinin vermesi gerektiğinden genellikle verileri ve bu verileri analiz etmek için gereken kaynakları uzun süre beklemek zorunda kalıyor. Veri bilimi ekibi verilere eriştikten sonra farklı ve muhtemelen uyumsuz araçları kullanarak verileri analiz edebiliyor. Örneğin, bir uzman R dilini kullanarak model geliştirebilir ancak kullanılacağı uygulama yazılımı farklı bir dilde yazılmış olabilir. Bu nedenle modelleri kullanışlı uygulama yazılımlarına dağıtmak haftalar, hatta aylar sürebilir.

Uygulama yazılımı geliştiricileri kullanılabilir makine öğrenimine erişemiyor. Bazı durumlarda geliştiricilerin aldığı makine öğrenimi modellerinin yeniden kodlanması gerekiyor veya uygulama yazılımlarında dağıtıma hazır olmayabiliyor. Erişim noktaları sabit olabileceğinden modeller tüm senaryolarda dağıtılamıyor ve ölçeklenebilirlik uygulama yazılımı geliştiricisine bırakılıyor.

BT yöneticileri desteğe çok fazla zaman harcıyor. Açık kaynak araçların çoğalması nedeniyle BT'nin desteklemesi gereken araçlar listesi gittikçe daha da büyüyor. Örneğin, pazarlama bölümündeki bir veri uzmanı, finans bölümündeki bir veri uzmanından farklı araçlar kullanabilir. Ekipler de farklı iş akışlarıyla çalışabilir. Dolayısıyla, BT'nin sürekli olarak ortamları yeniden oluşturması ve güncellemesi gerekir.

İş yöneticileri, veri biliminden fazla kopuk. Veri bilimi iş akışları her zaman iş kararlarını alma süreçlerine ve sistemlerine entegre edilmez ve bu durum, iş yöneticilerinin veri uzmanlarıyla bilgiye dayalı bir iş birliği kurmasını zorlaştırır. Daha iyi entegrasyon olmadan, iş yöneticileri neden prototipten üretime kadarki sürecin uzun sürdüğünü anlamakta güçlük çekiyor ve çok yavaş olarak gördükleri projelere yatırım yapılmasını destekleme olasılıkları daha düşük oluyor.

Veri bilimi platformu ortaya çıkıyor

Şirketler entegre platform olmadan veri bilimi çalışmalarının yetersiz, güvensiz ve ölçeklendirilmesi zor olduğunu fark etti. Bu bilinç, veri bilimi platformlarının ortaya çıkmasını sağladı. Bu platformlar, tüm veri bilimi çalışmalarının merkezinde yer alan yazılım merkezleridir. İyi bir platform, veri bilimini uygulamadaki zorlukların büyük bir kısmını hafifletir ve işletmelerin verilerini daha hızlı ve daha verimli bir şekilde öngörülere dönüştürmelerine yardımcı olur.

Veri uzmanları, merkezileştirilmiş bir platform sayesinde bir sürüm kontrol sistemi ile senkronize edilmiş tüm çalışmalarıyla birlikte en sevdikleri açık kaynak araçlarını kullanarak iş birliğine dayalı bir ortamda çalışabilirler.

Veri bilimi platformunun avantajları

Veri bilimi platformu, ekiplerin kodu, sonuçları ve raporları paylaşmasına olanak sağlayarak artıkları azaltır ve inovasyonu destekler. Yönetimi basitleştirerek ve açık kaynak araçlarını, çerçevelerini ve altyapısını kullanarak iş akışındaki darboğazları ortadan kaldırır.

Örneğin, bir veri bilimi platformu veri uzmanlarının modelleri API'ler olarak dağıtmasına olanak sağlayarak farklı uygulama yazılımlarına kolaylıkla entegre etmelerini kolaylaştırabilir. Veri uzmanları BT'yi beklemek zorunda kalmadan araçlara, verilere ve altyapıya erişebilir.

Pazarda veri bilimi platformlarına büyük bir rağbet gösteriliyor. Hatta, geçtiğimiz yıllara göre yüzde 39'dan yüksek bir birleşik yıllık oranla platform pazarının büyümesi ve 2025 yılına dek 385 milyar ABD $ düzeyine ulaşması bekleniyor.

Veri Uzmanının Platformdan İstediği Özellikler

Veri bilimi platformlarının özelliklerini keşfetmeye hazırsanız göz önünde bulundurmanız gereken bazı temel özellikler şu şekildedir:

İş birliğine teşvik eden bir proje tabanlı kullanıcı arayüzü seçin. . Platform, çalışanları tasarımdan son geliştirmeye kadar bir model üzerinde birlikte çalışmak üzere güçlendirmelidir. Her ekip üyesinin veri ve kaynaklara self servis erişim sağlamasına olanak tanımalıdır.

Entegrasyon ve esnekliği önceliklendirin. Platformun en yeni açık kaynak araçlarına yönelik destek sunmasını; GitHub, GitLab ve Bitbucket gibi yaygın sürüm kontrol sağlayıcılarını içermesini ve diğer kaynaklar ile sıkı bir entegrasyon içermesini sağlayın.

Kurumsal sınıf özellikleri dahil edin. Ekibiniz büyüdükçe platformun işletmenizle ölçeklenebilmesini sağlayın. Platform yüksek düzeyde kullanılabilir olmalı, sağlam erişim kontrolleri içermeli ve çok sayıda eşzamanlı kullanıcıyı desteklemelidir.

Veri bilimini daha self servis hale getirin. BT ve mühendisliğin yükünü alan ve veri uzmanlarının ortamları anında hızlandırmasını, tüm çalışmalarını takip etmesini ve kolaylıkla modelleri üretime dağıtmasını kolaylaştırın.

Şirketler Veri Bilimi Yeteneğini Bulmakta Zorlanıyor

Rekabet avantajı elde etmek üzere veri biliminden yararlanmak istediklerinde şirketlerin karşılaştığı en büyük engel, yetenekleri bulma ve işe alma aşamasında ortaya çıkıyor. Kısa süre önce McKinsey&Company tarafından gerçekleştirilen bir ankette, bölgeler ve sektörler genelindeki yöneticilerin yarısı, diğer beceri türlerine kıyasla analitik yetenekleri bulma konusunda çok daha fazla zorluk yaşadığını belirtti. Ankete katılanların yüzde 40'ına göre bu yeteneklerin şirket bünyesinde tutulması da bir sorun yaratıyor.

McKinsey anketine göre, veri uzmanlarına ek olarak diğer analitik kategorilerinde de eksiklikler söz konusu. Özellikle, iş sorunları ve uygun veri bilimi uygulamaları arasında çeviri yapabilen becerikli çalışanlar ve veri görselleştirme alanında becerikli olan çalışanlar açısından eksiklikler bulunuyor.

Indeed.com, Glassdoor ve Bloomberg veri bilimi yetenekleri konusunda önemli bir talep olduğunu kanıtlıyor:

Indeed.com'da veri uzmanları için iş ilanlarında Ocak 2015 – Ocak 2018 döneminde yüzde 75 artış görüldü. Bloomberg'e göre ise veri uzmanı rolleri için iş aramalarında yüzde 65 artış görüldü.

Glassdoor, 2018 yılında veri uzmanı talebinin arza göre yüzde 50 arttığını tahmin ediyor.

Glassdoor, Amerika'da üst üste üçüncü yılda da veri uzmanlığını en üst sırada listeliyor.

Analitik Nedir?

İş analitiği, verilerinizdeki önemli kalıpları keşfetme, yorumlama ve iletme sürecidir. Bu süreçte kuruluşunuzun tümüne herhangi bir ortamdaki herhangi bir cihazda bulunan herhangi bir veri hakkında her soruyu sorma olanağı kazandırmak için araçlar kullanılır. İş analitiği; optimizasyon, maliyet tasarrufu ve müşteri etkileşimi gibi arzu edilen sonuçları elde etmek için daha da fazla fırsat sağlar. Analitikte başarılı olanlar içgüdülerine kulak vermez ve sonuçlarını verilerin açığa çıkardığı sonuçlara dayanarak seçerler. Mükemmel bir senaryoda, işletme liderleri önyargısız bir metodoloji oluştururlar. Böylece önyargılı nosyon veya deneyimler denkleme eklenmeden içgörü sağlanabilir ve keşifler yapılabilir.

Günümüzde her kuruluş, daha fazla insan için daha derin içgörüleri daha hızlı elde etmek amacıyla verileri kullanmak ve bunları daha az maliyetle gerçekleştirmek istiyor. Bu hedeflere ulaşmak için, tüm analitik sürecini beklediğiniz güvenlik, esneklik ve güvenilirlikle destekleyen güçlü bir platforma ihtiyacınız var. Bu platform, kullanıcılarınıza yönetişimden ödün vermeden self servis analiz yapma olanağı tanımanıza yardımcı olmalıdır. Ve yönetimi kolay olmalıdır. Peki kurumsal düzeyde bir sistemin avantajlarını kurumsal düzeyde maliyetler ve altyapı olmaksızın nasıl elde edebilirsiniz? İş analitiği günümüzde her yerde görülür çünkü her şirket daha iyi performans göstermek ister ve daha iyi kararlar almak için verileri analiz eder.

İş analitiği sayesinde; kişiselleştirme, makine öğrenimi ve derin alan bilgisinden yararlanan şirketler uygulama yazılımlarından, veri ambarlarından ve veri havuzlarından ilgili, eyleme dönüştürülebilir içgörüler elde edebilir. İş analitiği, eylem çağrısı içeren eksiksiz bir süreç olmalıdır. İçgörüler elde edildikten sonra, bir işletme süreçlerini yeniden değerlendirebilir, yeniden uygulayabilir ve yeniden yapılandırabilir. Eyleme geçmek her şeyin özüdür.

Analitiğin Temelleri

Veriler kendi başlarına anlamsızdır. Her taşın altına bakabilir ve her olası dersi alabiliriz ama eyleme geçmezsek, yönümüzü yeniden belirlemezsek, düzenleme yapmazsak tüm çalışmalarımız boşa gider. Elimizdeki tüm teknolojilerden yararlanmazsak, yatırımlarımızdan sağlayabileceğimiz maddi karşılığın tamamını edinemeyiz. Bugün dünyamızda, verilerimizle etkili bir şekilde konuşabiliyoruz. Verilerimiz soruları yanıtlıyor, bizim için sonuçları tahmin ediyor ve yeni kalıplar öğreniyorlar. Verilerinizin potansiyeli budur.

Analitiğin Ticari Değeri

Yeni Bir Çalışma Yolu

İş yapmanın doğası değişiyor ve bu değişimle rekabet etmek için yeni bir yol ortaya çıkıyor. Günümüzdeki teknoloji meraklısı iş gücünün taleplerine ayak uydurmak için, değer yaratmanızı ve hızla harekete geçmenizi sağlayacak bir yönteme sahip olmalısınız. Veri kalitesi ve güvenliği açısından en yüksek standartları korurken kullanıcılarınıza hız ve basitlik sunun. BT'nin büyük rol oynadığı merkezi bir analitik platformu, iş analitiği stratejinizin temel parçası olmalıdır. Hem iş hem de BT ekiplerinin öncülük ettiği girişimlerin birleşimi, harika bir inovasyon alanıdır.

Yeni Fırsatları Gün Yüzüne Çıkarın

Analitik teknolojisindeki gelişmeler, verilerinizden gelir elde etmeniz için yeni fırsatlar sunuyor. Modern analitik tahmine dayalı, kendi kendine öğrenebilen ve gizli veri modellerini ortaya çıkarmanıza yardımcı olmak üzere uyarlanabilir niteliktedir. Anlık olarak milyonlarca veri satırını ve sütununu anlamanıza yardımcı olan nefes kesici görselleştirmeleri de içeren sezgisel çözümlerdir. Modern iş analitiği mobildir ve onunla çalışmak kolaydır. Üstelik çok az eğitimle ya da hiç eğitim gerekmeden doğru zamanda doğru verilere bağlanmanızı sağlar.

Verilerinizi Görselleştirin

Veri sinyallerini rakiplerinizden önce görmek istersiniz. Analitik, iş koşullarınızın yüksek çözünürlüklü bir görselini sunar. Kişisel, kurumsal ve büyük verileri bir araya getirerek verilerinizin değerini hızla anlayabilir, veri öykünüzü iş arkadaşlarınızla paylaşabilir ve bunların tümünü dakikalar içinde gerçekleştirebilirsiniz.

Analitik Trendleri

Sürekli gelişen analitik piyasasında, temel bir dönüşüm gerçekleşiyor. BT'nin iş analitiği girişimlerinin öncüsü olduğu dönem geride kalırken kararların iş ve BT ekipleri arasında ortaklaşa alınması artık normal kabul ediliyor. Analitiğin bugün çoğu kuruluş için stratejik hale geldiğine kuşku yok. Bu nedenle hem yeni tüketiciler hem de yeni beklentilerden oluşan yeni bir dalga ortaya çıktı.

Kararların artık gerçek zamanlı olarak alınması ve geniş bir kitleyle paylaşılması gerekiyor. İş gücü değişiyor ve bu değişimle birlikte yeni çalışma yolları geliyor. Eğitim kılavuzlarının ofislerde sıkça görüldüğü günler geride kaldı. Günümüzdeki iş gücü, sezgisel arayüzlerle çalışmaya hızla başlamak istiyor. Ama iş bununla da kalmıyor. Hız ve basitlik temel önemde olmakla birlikte, iş liderleri veri kalitesi ve güvenliği konusunda hala yüksek beklentilere sahip. BT'nin büyük rol oynadığı merkezi bir analitik platformu, her analitik stratejisinin hala temel bir parçası olmalıdır. Hem iş hem de BT ekiplerinin öncülük ettiği girişimlerin birleşimi, harika bir inovasyon alanıdır.

Analitiği buluta yerleştirmenin basit bir dağıtım kararından çok daha fazlası olduğuna inanıyoruz. Bu uygulama kişiler, yerler, veriler ve sistemler arasındaki bariyerleri ortadan kaldırarak insanların ve süreçlerin bilgiler, teknoloji ve birbirleriyle etkileşim kurma yollarını temelden dönüştürüyor.

Geçmiş: Analitiğin Tarihçesi

İstatistikleri karşılaştırmak ve verileri analiz etmek, yazılı tarihten de öncesine dayanır. Ancak analitiğin bugün bildiğimiz sürece dönüşmesini sağlayan bazı önemli kilometre taşları vardır.

1785 yılında William Playfair, temel (ve yaygın olarak kullanılan) veri görselleştirme özelliklerinden biri olan sütunlu grafik kavramını buldu. Birkaç düzine veri noktasını göstermek için sütunlu grafikleri icat ettiği söylenir.

1812'de harita yapımcısı Charles Joseph Minard, Napolyon'un ordusunun Moskova seferinde yaşadığı kayıpları grafikle ortaya koydu. Polonya-Rusya sınırından başlayarak, kayıpların soğuk kışa ve ordunun tedarik hatlarından uzak kaldığı süreye nasıl bağlı olduğunu gösteren kalın ve ince çizgilere sahip doğrusal bir harita oluşturdu.

1890'da HermanHollerith, delikli kartlara veri kaydeden bir "tablolama makinesi" icat etti. Bu, verilerin daha hızlı analiz edilmesini sağlayarak, ABD Nüfus Sayım İdaresi'nin sayma sürecini yedi yıldan 18 aya kadar indirdi. Günümüzde hala geçerli olan, veri toplama ve analiz yollarını sürekli geliştirme yönündeki iş gereksinimi böylece ortaya çıktı.

Şimdi: Günümüzde Analitik

1970'lerde ve 1980'lerde, verileri talep üzerine analiz için sergileyecek ilişkisel veritabanı (RDB) ve Standard Query Language (SQL) yazılımlarının yaratıldığına tanık olduk.

1980'lerin sonunda, William H. Inmon “veri ambarı” kavramını önerdi. Burada bilgiye hızla ve tekrar tekrar erişilebilecekti. Ek olarak, Gartner Analisti HowardDresner, "iş zekası" deyimini üretti. Bu deyimle endüstrinin, iş süreçlerini daha iyi anlamak için verileri analiz etmeye çabalamasının yolunu açtı.

1990'larda, veri madenciliği kavramı, işletmelerin son derece büyük veri kümelerindeki kalıpları analiz etmelerini ve keşfetmelerini sağladı. Veri analistleri ve veri bilimcileri; makine öğrenimi algoritmalarını geliştirmek, büyük veri kümeleriyle çalışmak ve karmaşık veri görselleştirmeleri oluşturmak için R ve Python gibi programlama dillerine akın ettiler.

2000'li yıllarda web arama alanındaki yenilikler, bilginin keşfedilmesine, hazırlanmasına ve sunulmasına yardımcı olan MapReduce, ApacheHadoop ve ApacheCassandra'nın geliştirilmesine olanak tanıdı.

Gelecek: Yeni Nesil Analitik

İşletmeler sadece veri görünürlüğü kazanmaktan ve daha fazla içgörü edinmek zorunda kaldıkları bir sürece geçerken, araçlar ve becerileri de gelişti.

İlk analitik araç setleri, iş zekası yazılımlarından alınan semantik modellere dayanıyordu. Bunlar güçlü yönetişim, veri analizi ve departmanlar arasında uyum sağlama konusunda yardımcı oldu. Bir dezavantajı, raporların hep zamanında oluşturulamamasıydı. İşletmenin karar vericileri bazen sonuçların yaptıkları sorgularla aynı doğrultuda olup olmadığından emin olamıyordu. Teknik açıdan bakıldığında, bu modeller öncelikle şirket içinde kullanılır, bu da maliyetleri düşürür. Ayrıca veriler sık sık silolarda kapalı kalır.

Ardından, self servis araçların evrimi analitiği daha geniş bir kitleye ulaştırdı. Bunlar özel beceriler gerektirmedikleri için analitik kullanımını hızlandırdılar. Bu masaüstü iş analitiği araçları son birkaç yılda özellikle bulutta popülerlik kazandı. İş kullanıcıları çok çeşitli veri varlıklarını keşfetmenin heyecanını yaşıyor. Kullanım kolaylığı çekici olmakla birlikte, verilerin harmanlanması ve "gerçeğin tek bir versiyonunun" oluşturulması giderek daha karmaşık hale geliyor. Masaüstü analitik daha büyük gruplara her zaman ölçeklendirilemez. Tutarsız tanımlara da yol açabilirler.

Son zamanlarda, analitik araçları veri bulmayı, veri temizlemeyi ve veri yayınlamayı otomatik olarak yükseltip otomatikleştiren araçlar sayesinde işletmelerde daha geniş bir içgörüdönüşümüne olanak tanıyor. İş kullanıcıları, bağlama sahip herhangi bir cihazla iş birliği yapabilir, bilgileri gerçek zamanlı olarak kullanabilir ve sonuç elde edebilir.

Günümüzde işin çoğunu hala insanlar yapıyor, ancak otomasyon giderek daha fazla destek buluyor. Mevcut kaynaklardan gelen veriler kolayca birleştirilebilir. Tüketici sorguları yürüterek çalışır. Ardından verilerin görsel temsilleriyle etkileşim kurarak içgörü kazanır. Gelecekteki trendleri veya sonuçları tahmin etmek için modeller oluşturur. Bunların hepsi insanlar tarafından çok ayrıntılı düzeyde yönetiliyor ve kontrol ediliyor. Veri toplama, veri bulma ve makine öğreniminin dahil edilmesi, son kullanıcıya daha önce hiç olmadığı kadar hızlı bir zaman dilimi içinde daha fazla seçenek sunar.

İş Analitiğini Benimseme

Analitik hayatımızın her yönüne etki ediyor. Neyi sorduğunuzun önemi yok. Çalışanlar veya finans ya da müşterilerin neleri sevip sevmediği ve bunun davranışları nasıl etkilediği gibi konuların hepsi için analitik çalışmaları size yanıtlar üretir ve bilinçli kararlar almanıza yardımcı olur.

Sonuç:

Yaşadıklarımız Dijitalleşmenin yeni normaller dünyasında işleri daha hızlı dönüştüreceğini ve iş yapış şekillerini COVID – 19 ile beraber öncesinde öngörülenlerden çok daha hızlı değiştiren iş dünyası’nın krizlere hazırlıklı olan, çevik, dayanıklı sektörlerinin uzaktan çalışmayı yaygınlaştıracağını, üretim dünyasında insansız üretimin belki de daha fazla konuşulacağı uygulamaların hayata geçirileceği gerçeğinin veri bilimi ve analitik uzmanlarına ihtiyacı artıracağını, yeni iş yapış şekillerine hazırlıklı olmamız gerektiğini bize göstermektedir.

Bu ve benzeri gelişen, gelişmekte olan yapılar dikkate alınarak yeni normaller dünyasının iş dünyasında sürekli yer bulabilmenin yolunun büyük verinin doğru analizi sonuçları ile olacağı gerçeğinden yola çıkarak meslek olarak iş dünyası için daha fazla önem kazanan, kazanmaya devam edecek olan BT uzmanları sağlıktan, tarıma ve bilgi güvenliği çalışmalarına önemli katkılar koyacak, koymaya devam edecek çalışmaların içinde her zaman var olmaya devam edeceklerdir.

Ülkemizde de Dijitalleşme’nin , BT Teknolojileri’nin, Robotik, Yapay Zeka çalışmalarının iyi düzeylere geldiğini, yeni iş yapış şekillerine uyum sağlandığını ve bu çalışmaların sonuçlarının Akıllı ile başlayan ;

Akıllı Enerji

Akıllı Çevre

Akıllı Sağlık

Akıllı Ekonomi

Akıllı Güvenlik

Akıllı Yapılar

Akıllı Afet ve Acil Durum-İnsan

Akıllı Ulaşım

Akıllı İnsan

Akıllı Şehir başlıkları altında doğru yönetim mekanizması ile,sürdürülebilir yaşam döngümüze katkılar sağlayacağı gerçeğini de hiçbir zaman

göz ardı etmemeliyiz.

Sevgiyle ve Sağlıkla Kalın.

ncmozdmr

Kaynak :

Veri Bilimi Nedir?, Analitik Nedir?

(Oracle web sayfası /tr/data-science,business-analytics)

Akıllı Şehirler Çalıştayı Etkinliği

IoT Kahve Sohbetleri Etkinliği

Dijital Dönüşüm Sürecinde Akıllı Şehirlerin Geleceği Etkinliği

Katkıları için Hüsnü Baysal’a teşekkürler