Bilişim Sistemleri - Kitabı

Bilişim Sistemleri 6 Tablo 6.1 Bilgi Yönetim Sistemi Türleri Kurumsal Bilgi Yönetim Sis- Bilgi Çalışma Sistemleri Akıllı Teknikler temleri Kullanım Dijital içerik ve bilgileri Bilim insanlarının, mühendislerin Örüntüleri keşfetme ve Amacı toplamak, depolamak, yaymak ve diğer bilgi çalışanlarının bilgiyi farklı kararlara ve ve kullanmak için genel amaçlı, yeni bilgi yaratmalarını ve bilgi alanlarına uygulama entegre, kurumsal çerçevedeki keşfetmelerini sağlayan özel iş araçları. çabalar. istasyonları ve sistemler. Sistem ve • Kurumsal içerik yönetim • Bilgisayar destekli tasarım • Veri madenciliği Yöntemler sistemleri (CAD) • Yapay sinir ağları • Uzman sistemler • İşbirliği ve sosyal araçlar • Sanal gerçeklik • Vaka tabanlı akıl yürütme • Öğrenme yönetim sistemleri • Bulanık mantık • Genetik algoritmalar • Akıllı ajanlar Kaynak: Laudon ve Laudon, 2017 Kurumsal bilgi yönetim sistemleri, dijital içerik ve bilgileri toplamak, depolamak, dağıtmak ve uygu- lamak için genel amaçlı örgüt çapında çabalardır. Bu sistemler, bilgi arama, hem yapılandırılmış hem de yapılandırılmamış verileri depolama ve işletme içindeki çalışanın uzmanlığını bulma yeteneklerini kapsar. Ayrıca portallar, arama motorları, işbirliği ve sosyal işletme araçları ve öğrenme yönetim sistemleri gibi destekleyici teknolojileri de içerir. Mühendisler ve bilim insanlarına yeni bilgilerin keşfedilmesinde yardımcı olmak için güçlü ağ bağlantı- lı iş istasyonları ve yazılımların geliştirilmesi, bilgisayar destekli tasarım (CAD), görselleştirme, simülasyon (benzetim) ve sanal gerçeklik sistemleri gibi bilgi çalışma sistemlerinin oluşturulmasına yol açmıştır. Bilgi çalışma sistemleri, mühendisler, bilim adamları ve bir işletme için yeni bilgiler keşfetmek ve yaratmakla görevli diğer bilgi çalışanları için oluşturulmuş özel sistemlerdir. Bilgi yönetimi ayrıca veri madenciliği, uzman sistemler, sinir ağları, bulanık mantık, genetik algoritma- lar ve akıllı ajanlar gibi çok çeşitli akıllı teknikler içerir. Bu teknikler, bilgiyi (veri madenciliği ve sinir ağları) keşfetmeye odaklanmaktan, bir bilgisayar programı (uzman sistemler ve bulanık mantık) için kurallar hâlinde bilgiyi damıtmaya, problemler için en uygun çözümleri (genetik algoritmalar) keşfetmeye kadar farklı amaçlara sahiptir. İzleyen kısımlarda bu sistemler ayrıntılı olarak ele alınacaktır. Öğrenme Çıktısı 1 Bilgi, bilgi yönetimi ve bilgi yönetiminin işletmelerdeki rolünü anlayabilme Araştır 1 İlişkilendir Anlat/Paylaş Veri, enformasyon, bilgi Farklı sektörlerde bilgi yö- İşletmelerde bilgi yönetimi- ve bilgelik kavramlarını ve netimi uygulamaları nasıl nin rolünü ve önemini de- aralarındaki ilişkileri açık- değişiklik gösterebilir, kar- ğerlendiriniz. layınız. şılaştırınız. 143

6 Bilgiyi Yönetme KURUMSAL BİLGİ YÖNETİM Kurumsal bilgi sistemleri yapılandırılırken, ge- SİSTEMLERİ lişen teknolojik olanaklar, kurumun örgütsel ya- pısındaki farklılaşmalar, kurum kültürü ve hizmet Kurumlar en az üç tür bilgi ile ilgilenmek zo- verilen kullanıcı grubundaki değişimler göz önüne rundadır. Kurumlarda bazı bilgiler, yapılandırılmış alınmalıdır. Kurumsal bilginin yönetimi konusun- metin belgeleri (raporlar ve sunumlar) şeklinde tu- da çalışan uzmanlar, bütün bu değişim ve gelişme- tulmaktadır. Karar vericilerin ayrıca e-posta, sesli leri göz önünde bulundurarak bilginin yönetimi mesaj, sohbet odası görüşmeleri, videolar, dijital re- konusunda birtakım sistemler geliştirilmiştir. Bu simler, broşürler veya bülten gibi yarı yapılandırıl- sistemler izleyen kısımlarda açıklanmaktadır. mış bilgilere de ihtiyacı vardır. Ayrıca biçimlenmesi ve ifade edilmesi oldukça güç olan ve çalışanların Kurumsal İçerik Yönetim Sistemleri zihninde tutulan bilgi de ilgilenilmesi gereken en Günümüzde işletmelerin hem “yapılandırılmış” önemli bilgi kaynağıdır. Bu bilginin çoğu, nadiren yazılan örtük (tacit) bilgidir. Örtük bilgi, açık bil- hem de “yarı yapılandırılmış” bilgi varlıklarını orga- ginin tersine uzun süreli bir birikim ve tecrübe ile nize etmesi ve yönetmesi gerekmektedir. Yapılandı- kazanılmakta ve çoğu zaman farkında olunmadığı rılmış bilgi, resmî belgelerin yanı sıra İşletmelerdeki için sözlü veya yazılı olmanın dışında bir eylemle uzman personeli ve karar alma davranışlarını göz- veya davranışla açığa çıkmaktadır. Kurumsal bilgi lemleyerek elde ettikleri resmî kurallarda bulunan yönetim sistemleri her üç bilgi türünü de ele alır. açık bilgidir. Ancak, uzmanlara göre, bir kuruluşun iş içeriğinin en az yüzde 80’i yarı yapılandırılmış dikkat veya yapılandırılmamıştır. Bu tür bilgiler klasörler- Örtük bilgi tümüyle bireylere has özellikler taşı- de, mesajlarda, notlarda, tekliflerde, e-postalarda, maktadır bu nedenle biçimlenmesi, paylaşılması çizimlerde, elektronik slayt sunumlarında ve hatta ve ifade edilmesi oldukça güçtür ve bu zorluklar farklı formatlarda oluşturulan birçok yerde bulu- sebebiyle örtük bilgi önemli bir stratejik rekabet nabilir. Kurumsal İçerik Yönetimi araçları ve strate- faktörü hâline gelmiştir. jiler, bir kurumun yapılanmamış bilgisini (bu bilgi nerede olursa olsun) yönetmeye olanak tanır. Kurumsal bilgi yönetiminin amacı, kurumun sahip olduğu açık ve örtülü bilgiyi tespit etmek, Kurumsal İçerik Yönetimi (Enterprise Con- düzenlenmek ve kullanımını kontrol altına almak- tent Management) sistemleri, kuruluşların her iki tır. Kurumsal bilginin kayıtlı hâle getirilmesi, ku- tür bilgiyi yönetmesine yardımcı olur. İşletmelerin rum içinde gerekli yerlere iletilmesi ve bir sonraki iş süreçlerini ve kararlarını geliştirmelerine yardım- çalışanlara devredilmesi, yapılan çalışmaların yine- cı olmak için bilgi yakalama, depolama, erişim, lenmesini önleyeceği gibi atılacak adımlarda hata dağıtım ve koruma yeteneklerine sahiptir. Bu tür oranının azalmasını da sağlayacaktır. sistemler arasında belge, rapor, sunum ve en iyi uygulamaların kurumsal havuzlarının yanı sıra Bilgi yönetimi ile işletmenin zihinsel birikimi, e-posta gibi yarı yapılandırılmış bilgileri toplama başarı ya da başarısızlıkta belirleyici rol oynayan ve ve düzenleme yetenekleri bulunmaktadır. Şekil 6.3; günlük kararları alan bilgi çalışanlarına aktarılır. başlıca kurumsal içerik yönetim sistemleri, kullanı- Bu nedenle bilgi yönetimi, bilgi çalışanlarını ku- cıların haber akışları ve araştırma gibi harici bilgi rumsal bilgi tabanına bağlayarak birbirinin yerini kaynaklarına erişmelerini ve e-posta, sohbet/anlık alabilecek bileşenlere dönüştürmeyi ve dolayısıyla mesajlaşma, tartışma grupları ve video konferans çalışanları başarılı oldukları alanlara yöneltmeyi de yoluyla iletişim kurmalarını da sağlar. hedeflemektedir. Bu açıdan bakıldığında ise bilgi yönetimi, çalışanlara fırsat ve rekabet ortamı sağ- Kurumsal İçerik Yönetimi, kurumsal süreç- layarak kurumun başarısına ivme kazandıracak bir lerle ilgili içerik ve dokümanların bulunması, sistemdir. tanımlanması, yönetilmesi, depolanması, ko- runması ve kullanıma sunulması için kullanı- lan araçlar, yöntemler ve stratejiler bütünüdür. 144

Bilişim Sistemleri 6 Kullanıcılar Yaratma/Yakalama Birleşik Depo Etiketleme Rapor ve sunumlar, En iyi deneyimler, Saklama/Erişim Notlar, Yansılar Yönetim/Gözetim e-Postalar, Videolar, Dağıtım/Yayınlama Gra k ve çizimler, Haber akışları, Blog ve Viki sayfaları, Çalışan pro lleri. Şekil 6.3 Kurumsal İçerik Yönetim Sistemi Kaynak: Laudon ve Laudon, (2017) Bilgiyi yönetmedeki önemli bir sorun, bilgiye ko- dikkat layca erişilebilmesi için anlamlı kategoriler hâlinde or- Ülkemizde kullanılan içerik yönetim sistemle- ganize etmek üzere uygun bir sınıflandırma şemasının rine; Evrak Yönetim Sistemi (EYS), Doküman veya taksonominin oluşturulmasıdır. Bilgiyi sınıflan- Yönetim Sistemi (DYS), Belge Yönetim Sistemi dırmak için kategoriler oluşturulduktan sonra, her bilgi (BYS) veya bu kavramların başına “elektronik” nesnesinin “etiketlenmesi” veya tasnifi gerekir, böylece ifadesi ilave edilmiş e-EYS, e-DYS, e-BYS gibi bilgi kolayca elde edilebilir hâle gelecektir. Kurumsal isimler verilmekte ve çoğunlukla da bu ifadeler içerik yönetim sistemleri; etiketleme, kurumsal verita- birbirinin yerine kullanılabilmektedir. banları ve içerik havuzlarıyla arayüz oluşturma ve bilgi kaynaklarına tek bir erişim noktası sağlayan kurumsal Uzmanlığı Bulma ve Bilgi Paylaşma bilgi portalları oluşturma yeteneklerine sahiptir. Sistemleri Kurumlarda belgeler; resmî iletişimi ve kurum İşletmelerin ihtiyaç duyduğu bazı bilgiler diji- içi bilgi alışverişini sağlayan, geriye dönük uygula- tal bir belge biçiminde değil, işletmedeki bireysel malara ışık tutan, idari - yasal denetim ve doğru- uzmanların hafızasında saklanmaktadır. Çağdaş lama uygulamaları için kanıt niteliği taşıyan, yö- kurumsal içerik yönetim sistemleri ile işbirliği ve netimin kararları için gerekli bilgiyi bulunduran, sosyal iş sistemleri, uzmanları bulma ve bilgileri- içeriği ve form yapıları önceden belirlenmiş dokü- ni kullanma yeteneklerine sahiptir. Bunlar, şirket manter kaynaklardır. Bu kaynakların etkin yöneti- uzmanlarının çevrimiçi dizinlerini ve profillerini iş mi kurumsal uygulamalarda başarı için gereklidir. deneyimleri, projeleri, yayınları ve eğitim derecele- ri ve uzman tarafından oluşturulan içerik havuzları İçerik yönetimi, kurumların faaliyetleri ile ilgili ayrıntıları içerir. Özel arama araçları, ça- sonucunda ortaya çıkan, üretim öncesi ta- lışanların bir işletmede uygun uzmanı bulmaları- sarımdan arşivlerde depolamaya kadar geçen nı kolaylaştırır. İşletme dışındaki bilgi kaynakları bütün evreler boyunca her türlü belgenin ya- sal düzenlemelere uygun, verimli, ekonomik ve düzenli bir sistem üzerinde işletilmesidir. 145

6 Bilgiyi Yönetme için, sosyal ağ oluşturma ve sosyal işletme araçları, yaklaşım tipik olarak e-posta trafiğine dayanır ancak kullanıcıların ilgilenilen web sayfalarına yer işareti Twitter, Facebook ve Linkedin gibi diğer sosyal ağ koymalarını, bu yer işaretlerini anahtar kelimelerle iletişimlerini de içerebilir. Sorguları uzmanlıkla eş- etiketlemelerini ve etiketleri ve web sayfası bağlan- leştirmek için çeşitli ticari yazılım paketleri de mev- tılarını başkalarıyla paylaşmalarını sağlar. cuttur. Bu tür sistemler genellikle, talepte bulunan kişinin isteği öncelikli olarak işaretleyebileceği ve Bilgi Paylaşım Sistemleri, açık veya örtük bil- daha sonra sistemin yüksek uzmanlık derecesiyle eş- ginin diğer kişilere iletildiği süreçleri destekler. Bu leştirebileceği bir özelliğe sahiptir. sistemler aynı zamanda bilgi havuzları olarak da adlandırılır. Bilgi paylaşım sistemlerini niteliklerine internet göre aşağıdaki başlıklarda özetlemek mümkündür: LinkedIn (www.linkedin.com), iş dünyasındaki kişilerin diğer kişilerle iletişim kurmasını ve bilgi • Olay raporu veritabanları, olaylar veya so- alışverişi yapmasını amaçlayan profesyonel sosyal runlarla ilgili bilgileri yaymak için kulla- iş ağı ve sosyal paylaşım platformudur. Esas ola- nılır. Olay raporları, herhangi bir çözüm rak işverenler ve CV’lerini gönderen iş arayanlar önermese de tipik olarak olayı, olayın açık- dâhil olmak üzere profesyonel çalışanlar arasın- lamalarıyla birlikte yansıtır. da ağ oluşturma amacıyla kullanılır. LinkedIn, üyelerin (hem çalışanların hem de işverenlerin) • Uyarı sistemleri, meydana gelen veya ger- çevrimiçi bir sosyal ağda profiller ve birbirleriyle çekleşmesi beklenen olumsuz bir deneyim “bağlantılar” oluşturmasına olanak tanır. Lin- hakkında bilgi yaymayı hedefler. kedIn, bu hâliyle uzmanları bulma konusunda önemli bir araç olarak nitelendirilebilir. • En iyi uygulama veritabanları, tipik olarak kurumsal süreçlere uygulanabilecek iş sü- Öğrenilen Dersler Sistemi reçlerinin yeniden yapılandırılmasından Öğrenilen Dersler Sistemi, operasyonel olarak elde edilen başarılı çabaları tanımlar. elde edilmiş ve normalde açık bir şekilde yakalan- • Derslerle öğrenilen sistemlerin amacı, ben- mayacak olan, tipik olarak “Nasıl yapılır?” bilgisi- zer bir durumda önceki bir deneyime çok ni yakalamaya ve erişilebilir hâle getirmeye çalışan benzeyen durumlarla karşılaşan çalışanlara veritabanlarıdır. Bilgi yönetimi hareketinin başla- fayda sağlayabilecek dersleri yakalamaktır. rında, “en iyi uygulamalar” olarak ifade edilen bu sistem kısa süre sonra “öğrenilen dersler” ya da “alı- • Uzmanlık konum belirleme sistemleri, be- nan dersler” olarak değiştirilmiştir. lirli bilgiye sahip uzmanları belirleyerek bilgiyi organize etmeye çalışan bilgi havuz- Öğrenilen Dersler, neyin doğru neyin larıdır. Uzmanlık bulma sistemleri aynı za- yanlış gittiğini analiz etmek amacıyla ha- manda uzman dizinleri, uzmanlık dizinleri, zırlanan kayıtlardır. beceri dizinleri, beceri katalogları, beyaz sayfalar veya sarı sayfalar olarak da bilinir. dikkat Öğrenilen ders uygulamalarının çoğu, böyle bir sis- Bilgi insanlarda bulunduğundan, ihtiyaç duy- temin izlenmesi gerektiği ve öğrenilen dersler olarak duğunuz uzmanlığı edinmenin en iyi yolu genellik- gönderilen ögeler için bir inceleme ve onay meka- le bir uzmanla konuşmaktır. Bununla birlikte, ih- nizmasının olması gerektiği sonucuna varmıştır. tiyacınız olan bilgiye sahip doğru uzmanı bulmak, özellikle de uzman başka bir ülkedeyse sorun ola- bilir. Bir uzmanlık yer belirleme sisteminin temel işlevi açıktır: Belirli bir alanda uzmanlığı olan bir organizasyon içindeki kişileri belirlemek ve bul- maktır. Bu sistemler artık genellikle uzman konum sistemleri olarak bilinmektedir. Bir uzmanlık bulma sistemine veri sağlamak için tipik olarak üç kaynak vardır: (1) çalışan özgeçmiş- leri, (2) çalışanın uzmanlık alanlarını kendi kendine tanımlaması (tipik olarak çevrimiçi bir form dol- durması istenerek) ve (3) çalışandan gelen ve çalı- şan elektronik iletişimin algoritmik analizi. İkinci 146

Bilişim Sistemleri 6 Çoğu başarılı öğrenilen dersler sistemi, aktif bir nim tasarlamanın ve sunmanın yeni bir yolu olarak ayıklama sürecine de sahiptir. Ayıklama için açıkça görmeye başlamıştır. Yakın gelecekte bu tür eğitim tasarlanmış bir mekanizma olmadan, yeni ve gün- portallarının dünya çapında kurumsal eğitimde cel derslerin oranı kaçınılmaz olarak düşer. Sistem daha büyük bir rol oynayacakları düşünülmektedir. güncelliğini yitirerek eskimeye başlar ve kullanımı azalır. Dikkatlice tasarlanmış ayıklama ilkeleri kul- internet lanılarak, ön plandan kaldırılan ögeler arşivlenebi- Udemy.com profesyonel yetişkinlere ve öğren- lir ve arka plana taşınabilir ancak istendiğinde yine cilere yönelik eğitim teknolojisi, kitlesel çevri- kullanılabilir hâle de getirilebilir. miçi açık ders ve bir çevrimiçi öğrenme sistemi- dir. Udemy, eğitmenlerin seçtikleri konularda Öğrenme Yönetim Sistemleri çevrimiçi kurslar oluşturmalarına izin veren bir Öğrenme Yönetim Sistemi (Learning Manage- platform görevi görür. Udemy’nin kurs geliş- tirme araçlarını kullanarak kurslar oluşturmak ment System), eğitim içeriklerinin yönetimine ve için video, sunumlar, PDF belgeleri, ses dosya- katılımcıların izlenmesine olanak sağlayan bütün- ları, zip dosyaları (sıkıştırılmış dosyalar) ve can- leşik bir sistemdir. Öğrenme yönetim sistemlerinin lı dersler yüklenebilir. Udemy’ye www.udemy. amacı, uzaktan öğrenim faaliyetlerini kolaylaştır- com adresinden ulaşabilirsiniz. mak ve daha sistematik, planlı bir şekilde gerçek- leştirmektir. Bu sistemler aracılığıyla öğrenim faa- Uygulama Toplulukları liyetleri değerlendirildiği ve izlendiği için, öğrenim Uygulama Toplulukları (Communities of Practi- şekli sürekli olarak geliştirilebilmektedir. ce), bir konu veya bir alanda ortak ilgisi olan kişilerin Kurumlar, çalışanların öğrenmelerini takip etme, uzun süre boyunca işbirliği yaptığı, fikir ve stratejileri yönetme ve bunları bilgi yönetimi ve diğer kurumsal paylaştığı, çözümleri belirlediği ve yenilikler geliştir- bilişim sistemleriyle bütünleştirme yoluna gitmek- diği bir sosyal öğrenme süreci olarak tanımlanabilir. tedir. Bir öğrenme yönetim sistemi, çalışanların öğ- Öğrenme, çoğu zaman bu sosyal süreçlere eşlik eden renme ve eğitiminin yönetimi, dağıtımı, izlenmesi rastlantısal bir sonuçtur. Ortak hedefleri olan insanlar ve değerlendirilmesi için çeşitli araçlar sağlar. Gü- birbirleriyle etkileşime girdiklerinde ortaya çıkan ve nümüzde kullanılan öğrenme yönetim sistemleri, gelişen sosyal bağlamlarda öğrenme gerçekleşir. video, web semineri, çevrimiçi canlı eğitim ve forum sohbet oturumlarında grup öğrenimi dâhil olmak Uygulama toplulukları, yaptıkları bir şey üzere birçok öğrenme modunu desteklemektedir. için kaygı, ilgi ya da tutku duyan ve düzenli olarak etkileşerek onu daha iyi nasıl yapabi- Öğrenme Yönetim Sistemi eğitsel içeriği leceklerini öğrenen insan gruplarıdır. ileten ve dağıtan, kişisel ve örgütsel öğren- me ve eğitim hedeflerini tanımlayan ve Dijital çağımızda, insanlar bağlantı kurma ihti- değerlendiren, bu hedefler doğrultusunda yaçlarını sosyal medya ve diğer sanal alanlarla kar- süreci takip eden ve bütün olarak organi- şılamaya doğru yöneldikçe sosyal etkileşimler de ve zasyonun öğrenme sürecini denetlemek dolayısıyla öğrenme toplulukları da evrim geçir- için veri toplayan ve sunan bir alt yapıdır. mektedir. Bununla birlikte internetin, başka türlü var olmayacak bağlantılar ve öğrenme için yeni fır- İşletmeler kendi öğrenme yönetim sistemlerini satlar yarattığı da açıktır. Dolayısıyla, sosyal medya kurmakta, aynı zamanda çalışanlarını eğitmek için araçlarını uygulama ve mesleki öğrenme topluluk- kamuya açık kitlesel açık çevrimiçi kurslara da yön- ları oluşturmak için kullanmak, bu toplulukların lendirmektedir. Günümüzde çok sayıda katılımcıya hızla yaygınlaşmasına olanak sağlamaktadır. web üzerinden çevrimiçi dersler sunan halka açık yeni platformlar kurulmuş ve hızla yaygınlaşmıştır. 147 Kurumlar, bu sistemleri katılımcıların birbirleriyle işbirliği yapabileceği, kısa videolar izleyebileceği ve tartışma gruplarına katılabilecekleri çevrimiçi öğre-

6 Bilgiyi Yönetme Öğrenme Çıktısı 2 Kurumsal bilgi yönetimi için kullanılan sistemler ve sağladıkları katkıyı açıklayabilme Araştır 2 İlişkilendir Anlat/Paylaş Bilgi yönetimi nedir? İşlet- Farklı sektörlerde bilgi yö- Üyesi olduğunuz bir uygu- melere ne tür katkı sağlar? netimi uygulamaları nasıl lama topluluğundan bahse- değişiklik gösterebilir, kar- debilir misiniz? Başarılı bir şılaştırınız. topluluk mu? Başarılı olma- sı için gerekenler nelerdir? BİLGİ ÇALIŞMA SİSTEMLERİ Önceki bölümlerde açıklanan kurumsal bilgi sistemleri, bir kuruluştaki tüm çalışanlar ve gruplar olmasa da birçoğu tarafından kullanılabilecek çok çeşitli özellikler sunar. İşletmelerde ayrıca bilgi çalışanlarının yeni bilgi yaratmalarına yardımcı olmak ve bu bilginin işletmeye düzgün bir şekilde aktarılmasını sağlamak için uzmanlaşmış sistemleri bulunur. Bu bölümde bilgi çalışanları için geliştirilen sistemler ele alınmaktadır. Bilgi Çalışanları Bilgi çalışanları, öncelikle kuruluş için bilgi ve bilgi oluş- dikkat turan araştırmacılar, tasarımcılar, mimarlar, bilim adamları Bilgi çalışanları, ana sermayesi bilgi olan çalışan- ve mühendisleri kapsar. Bilgi çalışanlarının genellikle mes- lardır. Örnekler, programcılar, doktorlar, eczacılar, leki kuruluşlarda yüksek düzeyde eğitim ve üyelikleri vardır mimarlar, mühendisler, bilim adamları, tasarım ve genellikle çalışmalarının rutin bir yönü olarak bağımsız düşünürleri, muhasebeciler, avukatlar ve akade- muhakeme yapmaları istenir. Örneğin, bilgi çalışanları yeni misyenler ve çalışma alanı “yaşamak için düşün- ürünler yaratır veya mevcut ürünleri iyileştirmenin yolları- meyi” gerektiren diğer beyaz yakalı işçileri içerir. nı bulurlar. Bilgi çalışanları, kuruluş ve kuruluş içinde çalı- şan yöneticiler için kritik olan üç anahtar rol üstlenir: • Çalıştığı örgüt gelişirken, teknolojide, bilimde, toplumsal düşüncede ve sanatta bilgiyi güncel tutmak, • Bilgi alanları, meydana gelen değişiklikler ve fırsatlar konusunda iç danışman olarak hizmet etmek, • Değişim aracı olarak hareket etmek, değişim projelerini değerlendirmek, başlatma ve teşvik etmek. Bilgi çalışanlarını diğer çalışanlardan ayıran en önemli fark, rutin olmayan işlerde çalışıyor olmaları- dır. Bu tip çalışmalar, basit bir şekilde çalışmanın her aşamasında problem çözümleme için yararlanacağı tümdengelim , tümevarım , yaratıcı düşünme, hayal gücü, analiz ve sentez gibi yetenekleri gerektirir. Çoğu bilgi çalışanı, işletmeler ile farklı zaman dilimlerinde veya farklı binalarda çalışarak ürettikleri bilgiyi işlet- melere transfer etmektedirler. Bilgi Çalışma Sistemlerinin Gereksinimleri Çoğu bilgi çalışanı, ofiste çalışanların verimliliğini artırmak için tasarlanmış kelime işlemciler, sesli pos- ta, e-posta, video konferans ve zamanlama sistemleri gibi ofis sistemlerini yaygın olarak kullanır. Ancak, bilgi çalışanları aynı zamanda güçlü grafikler, analitik araçlar, iletişim ve belge yönetimi yeteneklerine sahip son derece uzmanlaşmış bilgi çalışma sistemlerine ihtiyaç duyarlar. Şekil 6.4’te bir tasarım mühendisinin iş istasyonunda üç boyutlu tasarım ve modelleme çalışması örnek olarak gösterilmektedir. 148

Bilişim Sistemleri 6 Şekil 6.4 Tasarım mühendisinin iş istasyonunda üç boyutlu tasarımı ve modellemesi Şekil 6.4’te gösterilen bu sistemler, bilimsel lu (3D) CAD sistemlerini işlemek için yeterli güce araştırmacılar, ürün tasarımcıları ve finansal ana- sahip grafiklere gereksinimi vardır. Bununla birlik- listler gibi bilgi çalışanları için gerekli olan karma- te, finansal analistler, çok sayıda finansal veriyi ve- şık grafikleri veya karmaşık hesaplamaları işlemek rimli bir şekilde depolamak ve bunlara erişmek için için güçlü bilgi işlem altyapısına ihtiyaç duyar. sayısız harici veri tabanına ve büyük veri tabanına Bilgi çalışanları dış dünyadaki bilgiye daha çok erişim ile daha fazla ilgilenmektedir. odaklandıklarından, bu sistemler aynı zamanda çalışanlara harici veri tabanlarına hızlı ve kolay Bilgi Çalışma Sistemleri Örnekleri erişim olanağı da sağlamalıdır. Genellikle kulla- Başlıca bilgi çalışmaları uygulamaları, simülas- nıcıların sistemi nasıl kullanacaklarını öğrenmek için çok fazla zaman harcamadan gerekli görevleri yon ve modelleme için CAD sistemleri ve sanal gerçekleştirmelerini sağlayan kullanıcı dostu ara- gerçeklik sistemlerini kapsamaktadır. Bilgisayar yüzlere sahiptir. destekli tasarım (CAD-Computer Aided Design), bilgisayarları ve gelişmiş grafik yazılımlarını kulla- İş istasyonu, profesyoneller veya araştır- narak tasarımların oluşturulmasını ve revizyonunu macılar için tasarlanmış en son özellikteki otomatikleştirir. Daha geleneksel bir fiziksel tasa- güçlü bilgisayarla verilen isimdir. İş istas- rım metodolojisi kullanarak, her tasarım değişikli- yonları en zorlu işlerin üstesinden gelebil- ği bir kalıbın yapılmasını ve bir prototipin fiziksel mek üzere özel olarak tasarlanmıştır. olarak test edilmesini gerektirir. Bu işlem birçok kez tekrarlanmalıdır, bu çok pahalı ve zaman alıcı Bilgi iş istasyonları genellikle gerçekleştirilecek bir işlemdir. Bir CAD iş istasyonu kullanarak ta- belirli görevler için tasarlanmış ve optimize edil- sarımcının tasarım sürecinin sonuna doğru fiziksel miştir. Örneğin, bir tasarım mühendisi bir finansal bir prototip yapması gerekir, çünkü tasarım bilgisa- analistten farklı olarak bir iş istasyonu kurulumuna yarda kolayca test edilebilir ve değiştirilebilir. CAD ihtiyaç duyar. Tasarım mühendislerinin, üç boyut- yazılımının üretim süreçleri için tasarım özellikleri sağlama yeteneği, çok daha az sorunlu bir üretim süreci gerçekleştirirken çok fazla zaman ve para ta- sarrufu sağlar. 149

6 Bilgiyi Yönetme Sanal gerçeklik (Virtual Reality, VR) sistemleri, geleneksel CAD sistemlerinin çok ötesine geçen görselleştirme, oluşturma ve simülasyon özelliklerine sahiptir. Kullanıcıların neredeyse gerçek dünya- daki bir duruma katıldıklarına inandıkları gerçekliğe o kadar yakın olan bilgisayar tarafından üretilen simülasyonlar oluşturmak için etkileşimli grafik yazılımı kullanırlar. Birçok sanal gerçeklik sisteminde, kullanıcı uygulamaya bağlı olarak özel kıyafetler, başlıklar ve ekipman kullanır. Giysi, kullanıcının ha- reketlerini kaydeden ve bu bilgileri hemen bilgisayara geri aktaran sensörler içerir. Şekil 6.5’te bir türbin motor prototipinin 3D modelinin sanal gerçeklik ile incelenmesi gösterilmektedir. Şekil 6.5 Sanal gerçeklik ile bir türbin prototipinin 3D modelinin incelenmesi Artırılmış gerçeklik (AR-Augmented Reality), görselleştirmeyi geliştirmek için kullanılan ileri bir teknoloji- dir. Artırılmış gerçeklik, ögeleri sanal bilgisayar tarafından oluşturulan görüntülerle zenginleştirilen fiziksel ger- çek dünya ortamının canlı, doğrudan veya dolaylı bir görünümünü sunar. Kullanıcı, gerçek fiziksel dünyada temellendirilir ve artırılmış ekranı oluşturmak için sanal görüntüler gerçek görünümle birleştirilir. Dijital tekno- loji, gerçekliğin algılanmasını artırmak için ek bilgiler sağlar ve kullanıcının çevresindeki gerçek dünyayı daha etkileşimli ve anlamlı hâle getirir. Bilgisayarlı tomografi ve manyetik rezonans görüntüleme (MR- Magnetic Resonance) taramalarından veya ultrason görüntülemesinden elde edilen verilerin üzerine yerleştirildiği görüntü kılavuzlu cerrahi işlemler gibi tıp alanında artırılmış gerçekliğin kullanıldığı diğer örnekleridir (Şekil 6.6). Şekil 6.6 Artırılmış gerçekliğin bir ameliyat sırasında kullanılması 150

Bilişim Sistemleri 6 Öğrenme Çıktısı 3 Başlıca bilgi çalışma sistemlerini tanıma ve işletmeler için sağladığı değeri anlayabilme Araştır 3 İlişkilendir Anlat/Paylaş Bilgi çalışma sistemlerinde Seçtiğiniz örnek bir sektör Daha önce sanal gerçeklik kullanılan iş istasyonu ile ne ile ilgili ne tür sanal ger- içeren bilgisayar oyunları tür bilgisayarlar ifade edil- çeklik uygulamaları geliş- kullandıysanız tecrübenizi mektedir. İlişkilendir tirilebileceği ile ilgili fikir paylaşınız. yürütün. AKILLI TEKNİKLER Yapay zekâ ve veri tabanı teknolojisi, kuruluşların bireysel ve toplu bilgileri yakalamak ve bilgi tabanla- rını genişletmek için kullanabileceği bir dizi akıllı teknik sağlar. Bu bölümde uzman sistemler, vaka temelli akıl yürütme, bulanık mantık, sinir ağları ve veri madenciliği, genetik algoritmalar ve akıllı aracılar gibi akıllı teknikler incelenmiştir. Uzman sistemler, vaka temelli akıl yürütme ve bulanık mantık, örtük bilgiyi yakalamak için kullanılır. Sinir ağları ve veri madenciliği bilgi keşfi için kullanılır. Yöneticilerin tek başına keşfedemedikleri veya deneyim yoluyla bulamadıkları büyük veri kümelerindeki temel kalıpları, kategorileri ve davranışları bula- bilirler. Veri madenciliği, kuruluşların büyük veri tabanlarında bulunan keşfedilmemiş bilgileri yakalama- larına yardımcı olarak yöneticilere iş performansını iyileştirme konusunda yeni bilgiler sağlamaktadır. Bu, karar verme süreci için önemli bir araç hâline gelmiştir. Genetik algoritmalar, insanların kendi başlarına analiz edemeyecekleri kadar büyük ve karmaşık sorunlara çözüm üretmek için kullanılır. Akıllı aracılar, işletmelerin elektronik ticaret, tedarik zinciri yönetimi ve diğer faaliyetlerde kullanmak üzere bilgileri ara- malarına ve filtrelemelerine yardımcı olmak için rutin görevleri otomatikleştirebilir. Bu bölümde tartışılan akıllı teknikler, insan davranışlarını taklit etmeye çalışan bilgisayar tabanlı sis- temlerden (hem donanım hem de yazılım) oluşan yapay zekâ (Artifical Intellegence, AI) teknolojisine dayanmaktadır. Bu tür sistemler dil öğrenebilir, fiziksel görevleri yerine getirebilir (robotik), fiziksel davra- nışı ve dili bilgilendiren algısal bir aparat kullanabilir ve insan uzmanlığını ve karar vermeyi taklit edebilir. “İnsanın düşünme yöntemlerini analiz dikkat ederek bunların benzeri yapay yönergeleri Akıllı algoritmalar ve makineler geliştiren bir geliştirmeye çalışmak” olarak tanımlanan alan olan Yapay Zekâ, günümüzde sürücüsüz Yapay Zekânın, ileride öğrenebilen ve araçlar, akıllı kameralar ve gözetim sistemleri, gelecekte insan zekasından bağımsız ge- robotik imalat ve üretim, akıllı telefonlar gibi lişebilecek bir kavrama doğru yöneldiği farklı uygulamalarla günlük hayatta çok sayıda görülmektedir. uygulama alanı bulan ve günümüz ekonomisi- nin en önemli itici güçlerinden biridir. 151

6 Bilgiyi Yönetme Yapay zekâ uygulamaları çağdaş bilgi yönetimin- Uzman sistemler, başarılı yapay zekâ uygula- de önemli bir rol oynar, ancak insan zekâsının geniş- malarının ilk örneklerinden birisidir. Uzman bir liği, karmaşıklığı, özgünlüğü ve genelliğini sergile- sistem iki alt sisteme ayrılır: Çıkarım motoru ve mezler. Mevcut yapay zekâ sistemleri sorunlara yeni bilgi tabanı. Bilgi tabanı gerçekleri ve kuralları çözümler getirmez. Yapay zekâ sistemleri insanın temsil eder. Çıkarım motoru, yeni olgular çıkar- sahip olduğu gücünün kapsamını genişletir, ancak mak için kuralları bilinen olgulara uygular. Çıka- hiçbir şekilde onların yerine geçmez veya insan bey- rım motorları ayrıca açıklama ve hata ayıklama ninin tüm yeteneklerine sahip değildir. Kısaca, mev- yeteneklerine de sahip olabilir. Uzman sistem bil- cut sistemler doğal olarak zeki insanların sağduyu ve giye dayalı bir sistem örneğidir. Uzman sistemler, genelliğinden yoksundur. İnsan zekâsı, en gelişmiş bilgiye dayalı mimariyi kullanan ilk ticari sistem- bilgisayar programlarından çok daha karmaşıktır ve lerdir. şu anda zeki cihazlar mümkün olandan çok daha ge- niş bir faaliyet yelpazesini kapsamaktadır. Günümüzde uzman sistemler hâlâ, bilgi de- rinliğinden ve bir insan uzmanın temel ilkelerinin Bilgiyi Yakalamak: Uzman Sistemler anlayışından yoksundur. Genellikle, birkaç dakika Uzman sistemler, belirli bir uzmanlık alanında, veya birkaç saat içinde profesyoneller tarafından gerçekleştirilebilen, arızalı bir makineyi teşhis et- gerçek kişilerden derlenen bilgileri temel alarak, mek veya bir kredi için kredi verilip verilmeyeceğini zamanla kendisini geliştirebilme yeteneği de olan belirlemek gibi çok sınırlı görevleri yerine getirirler. yazılımlardır. Yapay zekâda uzman sistem, bir in- Bununla birlikte, sınırlı alanlarda insan uzmanlığı- san uzmanın karar verme yeteneğini taklit eden bir nı yakalayan uzman sistemler, işletmelerde daha az bilgisayar sistemidir. İlk uzman sistemler 1970’ler- kişiyle yüksek kaliteli kararlar alınmasına yardımcı den itibaren geliştirilmeye başlanmış ve daha sonra olur. Bugün uzman sistemler, iş dünyasında ayrık, 1980’lerde kullanımı artmıştır. yüksek düzeyde yapılandırılmış karar verme du- rumlarında kullanılmaktadır. Uzman davranışını taklit etmek üzere çok farklı metotlar kullanılmakla birlikte, en yaygın kullanı- dikkat lanlar 1) bilgi temsili yöntemleri ve 2) bilgi mühen- Aynı kısa sürede insan uzmanlar tarafından çö- disliği yöntemleridir. Her uzman sistemde öğren- zülemeyen sorunlar, uzman bir sistem için çok me davranışı olmayabilir fakat her uzman sistem daha zordur. geliştirildikten sonra gerçek problemler karşısında insan uzmanla aynı sonuca varmalıdır. İnsan bilgisi, bir bilgisayarın işleyebileceği şe- kilde modellenmeli veya temsil edilmelidir. Uzman Kural tabanlı bir yapay zekâ sisteminde, kulla- sistemler insan bilgisini topluca bilgi tabanı olarak nılan kurallar bir uzmanın görüşü ya da deneyimi- adlandırılan bir dizi kural olarak modellemektedir. ne dayandırılarak oluşturulur. Oluşturulan kural- Kurallar, sistem için bilgi tabanına tam hâkim olan lardan, uzmanın neden-sonuç ilişkileri ile karara bir veya birkaç “uzmanla” dikkatlice görüşerek veya varmada kullandığı mantıksal işlemler konusunda el kitaplarında, kitaplarda veya raporlarda bulunan çıkarımlar yapılır. Belirtilen sistemlerin oluşturul- iş kurallarını belgeleyerek elde edilir. Uzman sis- masında, sırasıyla tanımlama, kavramsallaştırma, temler, sorunun karmaşıklığına bağlı olarak binler- formüle etme, test etme ve değerlendirme aşama- ce kuralı içerebilir. ları uygulanır. Bilgi tabanında arama yapmak için kullanılan Uzman sistem, çok özel ve sınırlı bir insan uz- stratejiye çıkarım motoru denir. İki strateji yaygın manlığı alanındaki örtük bilgiyi yakalamak için olarak kullanılır: ileri zincirleme ve geri zincirleme. kullanılan akıllı bir tekniktir. Bu sistemler, vasıflı İleri zincirlemede, çıkarım motoru kullanıcı tara- çalışanların bilgilerini, kuruluştaki diğer çalışanla- fından girilen bilgilerle başlar ve bir sonuca varmak rın da kullanabileceği şekilde bir dizi kural şeklinde için kural tabanını arar. Strateji, bir koşul doğru yakalayan bir yazılım sistemidir. Uzman sistemde- ki kurallar kümesi, sistemin belleğine depolanarak bilgilerin işletmedeki diğer çalışanlar tarafından da kullanabilmesini sağlar. 152

Bilişim Sistemleri 6 olduğunda kuralın eylemini başlatmak veya uygu- Her ne kadar uzman sistemler insanların sağlam lamaktır. Geri zincirlemede, kural tabanını arama ve genel zekâsına sahip olmasalar da sınırlılıkları iyi stratejisi bir hipotezle başlar ve hipotez onaylanana anlaşılırsa kuruluşlara fayda sağlayabilirler. Uzman veya reddedilene kadar kullanıcıya seçilen gerçekler sistemler kullanılarak sadece belirli sınıf problem- hakkında sorular sorarak ilerler. leri çözebilir. Hemen hemen tüm başarılı uzman sistemler, nispeten az sayıda alternatif sonucun ol- dikkat duğu ve bu olası sonuçların önceden bilindiği sınır- Uzman sistemler, işletmelere geliştirilmiş karar- lı bilgi alanlarındaki sınıflandırma problemleri ile lar, azaltılmış hatalar, maliyetler ve eğitim süresi ilgilenmektedir. Uzman sistemler, genellikle yöne- ve daha yüksek kalite ve hizmet seviyeleri gibi ticiler tarafından karşılaşılan yapılandırılmamış so- bir dizi avantaj sağlar. runlarla başa çıkmak konusunda yetersizdir. Şekil 6.7’de bir uzman sistemin geliştirme ve kullanım ortamları birlikte gösterilmiştir. GeliOştrirtmameı Uzman Diğer Bilgi İnsan Kaynakları DanOışrmtaamı Bilgi Bilgi Tabanı Çıkarım Bilgi (Uzun Dönem) Kazanım Kural Bilgi İptali Mühendisi Bilgi Kuralları Çıkarım Kuralları Arayüz Motoru Soru / Açıklama Bilgi Cevap Tesisi İyileştirme Kullanıcı Kullanıcı Çalışma Alanı (Karatahta) Arayüzü İyileştirilmiş Kurallar Gerçekler Gerçekler Veri Enformasyon Çalışma Belleği Dışsal Veri (Kısa Dönem) Kaynakları Şekil 6.7 Uzman Sistem geliştirme aşaması ve kullanımı Kaynak: Sharda, Delen, and Turban, 2020. Birçok uzman sistem büyük, uzun ve pahalı geliştirme çabaları gerektirir. Daha fazla uzmanı işe almak veya eğitmek, uzman bir sistem oluşturmaktan daha ucuz olabilir. Tipik bir uzman sistemden yararlanıl- dığı iş konusu ile ilgili çevre sürekli olarak değişmektedir, böylece uzman sistemin de sürekli olarak değiş- mesi gerekmektedir. Bazı uzman sistemler, özellikle de büyük sistemler, o kadar karmaşıktır ki birkaç yıl içinde bakım maliyetleri geliştirme maliyetlerine eşitlenir. Bazı lojistik firmaları, yük taşıma işi için gecelik sevkiyat rotalarını planlamak, otomatikleştirmek ve optimize etmek için uzman sistemleri kullanmaktadır. 153

6 Bilgiyi Yönetme Örgütsel Zekâ: Vaka Tabanlı Akıl Yürütme Çoğu insan geleneksel IF-THEN (eğer ise) ku- Uzman sistemler öncelikle bireysel uzmanların ralları veya kesin sayılar çerçevesinde düşünmez. İnsanlar, birçok anlam bölgesine sahip olabilecek örtük bilgilerini yakalar, ancak kuruluşlar aynı za- kararlar verirken kuralları kullanarak kesin ol- manda yıllar boyunca oluşturdukları ortak bilgi ve mayan bir şekilde kategorize etme eğilimindedir. uzmanlığa sahiptir. Bu örgütsel bilgi, vaka temelli Örneğin, bir erkek ya da kadın güçlü ya da zeki muhakeme kullanılarak yakalanabilir ve saklanabi- olabilir. Bir şirket büyük, orta veya küçük boyutlu lir. Vaka Temelli Akıl Yürütmede (CBR- Case-Ba- olabilir. Sıcaklık sıcak, soğuk, serin veya ılık olabi- sed Reasoning), vaka olarak temsil edilen insan uz- lir. Bu kategoriler bir dizi değeri temsil eder. manlarının geçmiş deneyimleri ile ilgili açıklamalar belgelenir ve kullanıcı benzer parametrelerle yeni Bulanık küme teorisi, gerçek hayatta karşılaşılan bir vaka ile karşılaştığında, yeniden kullanılmak bu tür belirsizliklerin matematiksel olarak açıklan- üzere bir veri tabanında saklanır. Sistem, karşılaşı- masını ve bir fonksiyon yardımı ile ifade edilmesini lan yeni soruna benzer özelliklere sahip depolanmış öngörür. Klasik mantık, problemlerde kesin sayı- vakaları arar, en yakın uyuma sahip olan vakanın larla çalışır ve bir belirlilik söz konusudur. Halbuki çözümünü bulur ve eski vakanın çözümlerini yeni uygulamada, modeli oluşturan parametrelere iliş- vakaya uygular. Başarılı çözümler yeni vakaya eti- kin net değerlere ulaşmak çoğu zaman mümkün ketlenir ve her ikisi de bilgi tabanındaki diğer va- olmamaktadır. Bu belirsizlik durumu Lotfi A. Za- kalarla birlikte saklanır. Çözümlerin neden işe ya- deh (1965) tarafından önerilen bulanık küme teo- ramadığına ilişkin açıklamalarla birlikte, başarısız risi ile dilsel olarak az, çok, biraz vb. şeklinde ifade çözümler de vaka veri tabanına eklenir. edilebilir hâle gelmiştir. Kuruluşlar, bulanık man- tığı dilbilimsel belirsizliğin olduğu yerlerde örtük Uzman sistemler, insan uzmanlardan çıkarılan bilgiyi yakalayan yazılım sistemleri oluşturmak için bir dizi IF-THEN-ELSE kuralını uygulayarak çalı- kullanabilirler. şır. Vaka temelli akıl yürütme ise aksine bilgiyi bir dizi vaka olarak temsil eder ve bu bilgi tabanı, kul- Bulanık mantık sistemlerine bilindik bir ör- lanıcılar tarafından sürekli genişletilir ve geliştirilir. nek olarak oda sıcaklığını otomatik olarak kont- Tıp alanında hastalık teşhisinde; sistem, hastalığın rol eden bir bilgisayar uygulamasındaki çeşitli özelliklerine benzerlik gösteren geçmiş vakalarla sıcaklıkların nasıl temsil edilebileceğine bakalım. karşılaştırarak en uyumlu vakayı temel alan bir çö- Üyelik işlevleri yani terimler, serinlik 18 derece ile züm veya tanı önermektedir. 27 derece arasında olacak, ancak sıcaklık en fazla 23 derece ile 25 derece arasında serin olacak gibi Bulanık Mantık Sistemleri tanımlanabilir. Bu mantığı kullanarak oda orta- Karmaşık bir sistemde eksik bilgi ve olaylardan mını kontrol etmek için, programcı nem ve açık hava rüzgârı, sıcaklık ve benzeri diğer faktörler dolayı kesin matematik yeterli olmamaktadır. Örne- için tanımlar geliştirir. Örnek uygulamalar şunla- ğin bir meyve elmadır ya da değildir. Bu durumda rı içerebilir: “Dışarısı çok rüzgârlı ve hava sıcaklığı kesin matematik, sınırları açıkça tanımlanabilen iyi düşükken sıcaklık, serin veya soğuk. Nem düşük- bir yaklaşımdır. Fakat bir elma kırmızı ya da kırmı- se, odadaki sıcaklığı ve nemi yükseltin.” Bilgisayar zımsı bir renkte olabilir. Kırmızı ya da kırmızı renk- üyelik fonksiyonu okumalarını birleştirir ve tüm lerin kümesini tanımlamak oldukça zordur. Bulanık kuralları kullanarak sıcaklığı ve nemi yükseltir ya küme teorisi, tanımlamayı ve kesin sınırları gerektir- da düşürür. meyen bu tür problemleri çözmek için geliştirilmiş- tir ve kısmi üyelik işlemini göz önüne alır. Bulanık mantık, yaklaşık veya öznel değerler dikkat kullanan kurallar oluşturarak böyle bir belir- Bulanık mantık, keskin IF-THEN kuralları şek- sizliği temsil edebilen kural tabanlı bir tekno- linde temsil edilmesi zor olan uzmanlık gerekti- lojidir. Belirli bir olayı veya süreci dilsel olarak ren sorunlara çözümler sunar. tanımlayabilir ve daha sonra bu tanımlamayı az sayıda esnek kuralda temsil edebilir. 154

Bilişim Sistemleri 6 Günümüzde görülmeye değer örnek bir bu- Bu tür algoritmalar statik program talimatlarını lanık sistem Japonya’da Sendai şehrindeki metro harfiyen takip etmek yerine örnek girişlerden veri sistemidir. 1987’den beri, bulanık kontrol sistem tabanlı tahminleri ve kararları gerçekleştirebilmek trenlerin rotalarında hızla yol almasını, yumu- amacıyla bir model inşa ederek çalışırlar. Öğrenen şak bir şekilde hızlanmalarını ve frenlemelerini, bir makine, tıpkı bir insan gibi, verilerdeki kalıp- istasyona girişlerini, hassas bir şekilde durmala- ları tanıyabilen ve kalıpları, deneyimi veya önceki rını, saniye kaybetmeden ve yolcuları sarsmadan öğrenmeleri (bir veritabanı) tanımasına bağlı ola- gerçekleştirmektedir. Matsushia ve Nissan gibi rak davranışını değiştirebilen bir makinedir. Ma- dev Japon şirketleri, bulanıklık yöntemiyle bu kine öğrenmesi yöntemleri geçmiş verilere bakarak durumlara ulaşmışlardır. Matsushia’nın bulanık onlar arasındaki örüntüyü bulacak en iyi modeli elektrikli süpürgesi ve çamaşır makinesi pek çok uygulayarak tahmin eder. Önceki verilere bakarak Japon evinde bulunmaktadır. Çamaşır makine- örüntüyü nasıl bulacağını öğrenmiş olur ve sonraki si yıkanacakları değerlendirir ve gerekli olan de- verilere bu öğrendiği modeli uygular. Örneğin, bir terjanı, su sıcaklığını ve yıkama şeklini ayarlar. araba süren robot diğer araçların ve nesnelerin (in- Matsushia’nın on binlerce video kamerası, kendini sanlar) varlığını tanıyabilmeli ve davranışını buna tutan elin titremesini, mercekleri otomatik olarak göre değiştirebilmelidir (dur, git, yavaşla, hızlandır ayarlayarak net görüntü üretir. Sony’nin bulanık veya dön). TV seti kontrastı, parlaklığı, rengi ve netliği oto- matik olarak ayarlar. Nissan’ın bulanık otomatik Makine öğrenmesi yapay zekânın bir alt şanzımanlar ve bulanık ABS fren sistemleri, üret- dalıdır. Veriler arasındaki karmaşık örün- tikleri otomobillerde bulunmaktadır. Mitsubishi tülerin çıkarılması için bilgisayar tabanlı Heavy Industries, aynı anda asansöre binmek iste- matematiksel modellerden faydalanılır. yen kalabalığı taşıyacak asansörün verimini artır- mak için bir bulanık kontrol sistemi tasarlamıştır. dikkat Tokyo’daki Mitsubishi Heavy Industries, bulanık Kendi kendini yetiştirmiş, kendi kendini düzel- mantıkta kontrol programları uygulayarak klima- ten bir bilgisayar programı fikri yeni değildir ve larının güç tüketimini yüzde 20 azaltabilmiştir. en azından 1970’lerden beri yapay zekâ alanının Kameralardaki otomatik odaklama cihazı yalnızca bir parçası olmuştur. Bununla birlikte, 1990’lara bulanık mantık ile mümkündür. kadar, makine öğrenimi, yararlı cihazlar üretme veya ilginç iş sorunlarını çözme konusunda çok Geniş bir yelpazede birbirinden çok farklı ilgi yetenekli değildi. alanlarında ortaya konan çeşitli uygulamalar bula- nık mantığı gittikçe artan bir hızda günlük yaşama Son 10 yılda makine öğrenimi, bilim adam- dâhil etmektedir. larının ve işletmelerin kullanabileceği hesaplama gücünün büyümesi ve algoritmaların, veri taban- İşletmeler için de bulanık mantık karar verme ve larının ve robotların tasarımındaki ilerlemelerle örgütsel kontrol için yararlı bir tekniktir. Örneğin birlikte düşen maliyet nedeniyle büyük ölçüde ge- Wall Street’de yer alan işletmeler, bulanık mantığı lişti. Ayrıca internet ve internette sunulan büyük ve hisse senedi yatırımcılarının anladığı dili kulla- verilerin makine öğreniminin gelişmesinde büyük narak potansiyel satın alma için seçen bir sistem katkısı olmuştur. Şekil 6.8’de bir depodaki güven- oluşturmuştur. Amerika Birleşik Devletleri’nde lik kamerası görüntüsünün makine öğrenmesi ile sağlık çalışanlarına hastalardan gelen sağlık nesne tanıma uygulaması gösterilmektedir. şikâyetlerindeki olası sahtekârlığı tespit etmek için de bulanık mantık sistemi geliştirilmiştir. Makine Öğrenmesi Makine öğrenmesi, yapısal işlev olarak öğrene- bilen ve veriler üzerinden tahmin yapabilen algorit- maların çalışma ve inşalarını araştıran bir sistemdir. 155

6 Bilgiyi Yönetme Şekil 6.8 Bir depodaki güvenlik kamerası görüntüsünden makine öğrenmesi ile nesne tanıma Günümüzde pek çok makine öğrenmesi uygulaması kullanıyor ancak farkına varamıyoruz. Örneğin Google’da yaptığımız her arama, milyarlarca web sayfasını sorgumuza göre sıralayan ve sonuçları, aramamız- da yaptığımız değişikliklere göre, birkaç milisaniyede değiştiren algoritmalar kullanılarak çözülür. Arama so- nuçları önceki aramalarımıza ve tıkladığımız ögelere göre de değişir. Amazon’da satın alma işleminde, tavsiye motoru, önceki tüketim davranışına, diğer web sitelerindeki davranışlara bakarak kullanıcıya “benzer” ürün- lerin satın alınmasına dayalı olarak ilgi çekebilecek başka ögeleri önerecektir. Benzer şekilde Netflix’in tavsiye sistemi geçmişte izlenenleri analiz ederek öğrenilen faktörlere dayanarak ilgi çekebilecek filmleri sunacaktır. Araştırmalarla liştirmeyi amaçlayan tüm girdi türleri üzerinde İlişkilendir yer alan çok sayıda tarafsız veriye. Ancak bugün, çoğu veri, temel “veriler doğru olmalı” standart- Verileriniz Kötüyse Makine Öğrenimi Araçla- larına uymuyor. Sebepler ise, neyin beklendiği- rınız İşe Yaramaz ni anlamayan veri yaratıcılarından kötü kalibre edilmiş ölçüm donanımlarına, aşırı karmaşık iş- Veri kalitesinin kötü olması, makine öğreni- lemlerden insan hatasına kadar değişiyor. Bunları minin yaygın ve kârlı kullanımı karşısında duran telafi etmek için, veri bilimciler tahmin / öngö- bir numaralı düşmandır. Bir tahmin modelini rü modelini eğitmeden önce ellerindeki verileri doğru bir şekilde eğitmek için geçmiş verilerin temizliyor. Bu, zaman alıcı ve can sıkıcı bir iştir olağanüstü bir kapsamda ve kalitede olması ge- veri bilimcilerin zamanının yaklaşık yüzde 80’ini rekir. İlk olarak, veriler doğru olmalıdır: Uygun, düzgün etiketlenmiş, ayrıştırılmış ve benzeri özelliklerde. Fakat aynı zamanda, doğru verilere de sahip olmanız gerekir: Tahmin modelini ge- 156

Bilişim Sistemleri 6 almaktadır. Bu kaygılar, gündelik bir iş için ge- larda kullanmanız için gereken süreç iyileştirme- rekli olandan çok daha agresif ve iyi yürütülen bir lerini yapmanıza yardımcı olabilir. kalite programı ile karşılanmalıdır. Dördüncü olarak, modelinizi gevşek hâle Öncelikle, hedeflerinizi netleştirin ve bu he- getirdiğinizde, veri kalitesi için belirli bir bireyi defleri desteklemek için doğru verilere sahip olup (veya ekibi) sorumlu tutun. Bu kişi, güçlü ve za- olmadığınızı değerlendirin. Makine öğrenimini yıf yönleri de dâhil olmak üzere, veri hakkında kullanmaktaki olası hedefler şunlardır: Mevcut samimi bilgiye ve iki odak noktasına sahip olma- karar sürecinin maliyetini düşürmek, mevcut lıdır. İlk olarak, gün içinde gelen verilerin kalite- karar sürecinden önyargıların kaldırılması, karar si için standartlar belirler ve uygularlar. İkincisi, verme sürecinin iyileştirilmesi. Verilerin hedefler hataların temel nedenlerini bulmak ve ortadan için yetersiz kalması durumunda, başvurulacak kaldırmak için sürekli çaba sarf ederler. en iyi şey, yeni verileri bulmak, hedefleri ölçekle- mek ya da her ikisini birden elde etmektir. Son olarak, bağımsız ve sıkı bir kalite gü- vencesi elde edin. Burada kullanıldığı gibi kalite İkinci olarak, genelde proje planınızdaki veri ka- güvencesi, kalite programının istenen sonuçları litesi temellerini düzenlemek için bolca zaman ayırın. vermesini sağlama sürecidir. Eğitim için bu, her bir ay için dört kişinin temizlik yapması anlamına gelir çünkü herhangi bir önemli Bu beş adımı attıktan sonra bile verilerini- analiz için yaptığınız gibi; kalite seviyelerini ölçmeniz, zin mükemmel olmadığını göreceksiniz. Bu alanı kaynakları değerlendirmeniz, ayıklamanız ve eğitim araştırmak için verileri hazırlarken ve ortaya çıkan verilerinizi temizlemeniz gerekir. Uygulamalar için, modeli eğitirken, veri bilimcileri ile en deneyimli hatanın ana nedenlerini ortadan kaldırmak ve böyle- iş adamlarınızı eşleştirin. Yapacak çok iş var gibi ce devam eden temizliği minimize etmek en iyisidir. görünüyor. Fakat makine öğrenimi inanılmaz bir Bu çalışmayı mümkün olan en kısa sürede başlatın güce sahiptir ve bu güce erişmeyi öğrenmeniz ge- ve öngörücü modelinizin daha serbest kalmasını sağ- rekir. Zayıf veri kalitesi ise bu gücün zamanında lamak için en az altı ay bekleyin. kullanılamamasına, engellenmesine veya yanlış kullanılmasına neden olacağı için bu uğurda ve- Üçüncüsü, eğitim verilerini hazırlarken bir receğiniz çabanın her bir gramına değecektir. denetim takibi yapın. Özgün eğitim verilerinizin bir kopyasını, eğitimde kullandığınız verileri ve Kaynak: Thomas C. Redman. https://hbrturki- ilkinden ikincisine geçişte kullanılan adımları de- ye.com/blog/verileriniz-kotuyse-makine-ogre- vam ettirin. Bunu yapmak gayet basit ve iyi bir nimi-araclariniz-ise-yaramaz , (24 Nisan 2018) uygulamadır ve tahmin modelinizi gelecek karar- Erişim Tarihi: 28.8.2020. Yapay Sinir Ağları Yapay sinir ağları, büyük miktarlarda verinin toplan- İnsan beyninin çalışma ilkesinden esinle- dığı karmaşık, tam anlaşılmamış problemleri çözmek için nerek geliştirilmiş her biri belirli ağırlık- kullanılır. Biyolojik sinir ağlarını taklit eden bilgisayar lara sahip bağlantılar aracılığı ile birbirine programı oldukları da söylenebilir. bağlanan ve yine her biri kendi belleğine sahip işlem elemanlarından oluşan paralel Bir insan için analiz etmesi çok zor ve çok karmaşık olabi- ve dağıtılmış bilgi işleme yapılarına yapay lecek büyük miktarda veride kalıplar ve ilişkiler bulurlar. Sinir sinir ağları denir. ağları, biyolojik veya insan beyninin işleme modellerine paralel olan donanım ve yazılımları kullanarak bu bilgiyi keşfeder. Si- nir ağları, verileri gözden geçirerek, ilişkiler arayarak, modeller oluşturarak ve modelin kendi hatalarını tekrar tekrar düzelte- rek büyük miktarlardaki verilerden örüntüleri “öğrenir”. Tıp, bilim ve iş dünyasındaki sinir ağı uygulamaları örüntü sınıflandırma, tahmin, finansal analiz ve opti- mizasyon problemlerini ele almaktadır. Tıpta, nöral ağ uygulamaları, koroner arter hastalığını taramak, epilepsi ve Alzheimer hastalığı olan hastaları teşhis etmek ve patoloji görüntülerinin örüntü tanımasını gerçekleştirmek 157

6 Bilgiyi Yönetme için kullanılır. Finans endüstrisi, hisse senetlerinin, Genetik algoritmalar, yüzlerce veya binler- kurumsal tahvil derecelendirmelerinin veya kurum- ce değişken veya formülü içeren çok dinamik ve sal iflasların performansını tahmin etmeye yardımcı karmaşık sorunları çözmek için kullanılır. Çözüm olabilecek büyük veri havuzlarındaki örüntüleri ayırt aranan problem, olası çözüm yelpazesinin genetik etmek için yapay sinir ağlarını kullanır. olarak temsil edilebileceği ve uygunluğun değerlen- dirilmesi için kriterler oluşturulabileceği bir sorun dikkat olmalıdır. Bir diğer özelliği de bir grup çözümle Uzman sistemler, bir insan uzmanın problem uğraşmasıdır. Bu sayede çok sayıda çözümün için- çözme yolunu taklit etmeye ya da modellemeye den en iyileri seçip kötüleri elenebilir. Genetik al- çalışırken, sinir ağı üreticileri, çözümleri prog- goritmaları diğer algoritmalardan ayıran en önemli ramlamadıklarını ve belirli sorunları çözmeyi özelliklerinden biri de “seçme”dir. amaçlamadıklarını iddia ederler. Bunun yeri- ne, sinir ağı tasarımcıları, istihbaratı genel bir dikkat öğrenme yeteneği şeklinde donanıma koymaya Genetik algoritmalar çözümü hızlandırır çünkü çalışırlar. Bunun aksine, uzman sistem belirli bir en iyi çözümü bulmak için birçok çözüm alter- soruna özgüdür ve yeniden eğitilmesi zordur. natifini hızlı bir şekilde değerlendirebilirler. Her zaman tamamen belirli bir çözümü garan- Günümüzde çok sayıda işletme tedarik zinciri ti edemez, aynı giriş verileriyle aynı çözüme tekrar yönetim yazılımı, müşteri siparişleri, malzeme ve ulaşamazlar veya en iyi çözümü garanti edemezler. kaynak kullanılabilirliği, üretim ve dağıtım kapasi- Çok hassastırlar ve çok az veya çok fazla veri ile kar- tesi ve teslimat tarihleri hakkında yüz binlerce ay- şılaştıklarında iyi performans göstermeyebilirler. rıntı içeren üretim planlama modellerini optimize Mevcut uygulamaların çoğunda, sinir ağları en iyi etmek, üretim hattı yerleşimi için genetik algorit- insan karar vericilerin yardımcısı olarak kullanılır. malar kullanılmaktadır. dikkat Akıllı Ajanlar Yapay sinir ağlarının öğrenebilme kabiliyetinin ol- Akıllı ajanlar, iş süreci veya yazılım uygu- ması ve farklı öğrenme algoritmaları ile çalışabil- meleri güçlü yanları iken sistemin çalışma mantı- laması için belirli görevleri yerine getirmek üzere ğının analiz edilememesi ve öğrenme sonucunda doğrudan insan müdahalesi olmadan çalışan yazı- başarılı olamama riski, zayıf yanları arasındadır. lım programlarıdır. Akıllı ajan teknolojisi, önem- li olarak nitelendirilen enformasyonu bulmak ve Genetik Algoritmalar bunlara göre hareket etmek için işletmelerin bü- Genetik algoritmalar, belirli bir problem için yük miktarda verilerde gezinmesine yardımcı olur. Akıllı ajanlar ayrıca hedeflerine ulaşmak için bilgiyi çok sayıda olası çözümü inceleyerek o probleme öğrenebilir veya kullanabilirler. Çok basit veya çok en uygun çözümü bulmak için yararlanılan bir karmaşık olabilirler. tekniktir. Kalıtım, mutasyon, seleksiyon ve çap- razlama (rekombinasyon) gibi evrimsel biyolojiden Yapay zekâda akıllı bir ajan, faaliyetlerini he- esinlenen tekniklere dayanmaktadır. deflere ulaşmaya, sensörler ve ardından gelen aktüatörler (bir mekanizmayı veya sistemi Genetik algoritma, doğada geçerli olan en iyi- kontrol eden veya hareket ettiren bir tür mo- nin yaşaması kuralına dayanarak sürekli iyileşen tor) aracılığıyla gözlem kullanan bir ortama çözümler üretir. Çözümler değiştikçe ve birleştikçe, yönlendiren otonom bir varlığı ifade eder. en kötüler atılır ve daha iyi çözümler daha da iyi çözümler üretmek için hayatta kalır. 158

Bilişim Sistemleri 6 Ajan, gereksiz e-postaları silme, randevuları Akıllı ajanlar, bireyselleştirilmiş müşteri hizmet- planlama veya belirli ülkeye en ucuz uçak bileti- leri gerçekleştirmek için müşterilerin ihtiyaçlarını ni bulmak için bağlantılı ağlar üzerinden seyahat algılamak için işlev gördükleri otomatik çevrimiçi etme gibi görevleri yerine getirmek veya kullanı- asistanlar olarak uygulanır. Böyle bir ajan temel cının adına kararlar vermek için sisteme gömülü olarak bir diyalog sistemi, bir avatar (sanal dünyada veya öğrenilen bir bilgi tabanı kullanır. Günümüz- sizin profilinizi temsil eden ve sizi diğer kullanıcı- de işletim sistemlerinde, uygulama yazılımlarında, lardan ayırt edilebilir kılmaya yardımcı olan profil e-posta sistemlerinde, mobil bilgisayar yazılımla- resimleri) ve kullanıcıya özel uzmanlık sağlamak rında ve ağ araçlarında birçok akıllı ajan uygulaması için bir uzman sisteminden oluşabilir. Ayrıca, çev- bulunmaktadır. Örneğin, Microsoft Office yazılım rimiçi insan gruplarının koordinasyonunu optimi- araçlarında bulunan sihirbazlar, kullanıcılara belge- ze etmek için de kullanılabilirler. leri biçimlendirme veya grafik oluşturma gibi çe- şitli görevleri nasıl gerçekleştireceklerini göstermek Şekil 6.9’da çalışma düzeni verilen Chatbot’lar ve kullanıcıların yardıma ihtiyaç duyduklarını tah- genellikle müşteri hizmetleri veya bilgi edinme min etmek için gömülü yeteneklere sahiptir. Akıllı sistemlerinde kullanılır. Örneğin, Facebook, Face- ajanlar, alışveriş botlarının tüketicilerin istedikleri book marka sayfasına sahip bir dış şirketin sohbet ürünleri bulmalarında ve fiyatları ve diğer özellikle- programı aracılığıyla Facebook kullanıcılarıyla et- ri karşılaştırmalarında onlara yardımcı olabilir. kileşime girebilmesi için sohbet botlarını Messen- ger mesajlaşma uygulamasına entegre etti. Mesela, Bazı akıllı ajanlar basit bir kurallar dizisine bir Facebook kullanıcısı, mobil bir alışveriş uygu- uymak üzere programlanmış olsa da diğerleri, de- laması olan Spring ile görüşmeye başlamak için bir neyimlerden öğrenme ve davranışlarını ayarlama mesaj yazarak Messenger’da bir çift hafif koşu ayak- yeteneğine sahiptir. Apple’ın iPhone ve iPad için kabısına göz atabilir. Spring, kullanıcıdan ayakkabı iOS işletim sistemindeki bir uygulama olan “Siri” için tercih ettiği fiyat aralığını soracak ve kullanı- buna bir örnektir. Siri, soruları yanıtlamak, öneri- cının beğenebileceğini düşündüğü küçük seçimler lerde bulunmak ve eylemler gerçekleştirmek için gösterecektir. ses tanıma teknolojisini kullanan akıllı bir kişisel asistandır. Yazılım, zaman içinde kullanıcının bi- Chatbot’lar, bir veya daha fazla insan kul- reysel tercihlerine uyum sağlar ve sonuçları kişisel- lanıcıyla metin veya işitsel yöntemlerle bir leştirir, yakındaki restoranları bulma, sinema bileti görüşmeyi simüle etmek için tasarlanmış satın alma, yol tarifleri alma, randevuları planlama yazılım aracılarıdır. Soruları cevaplayarak ve mesaj gönderme gibi görevleri gerçekleştirir. Siri veya görevleri yerine getirerek yazdıklarını- doğal konuşmayı anlar ve kullanıcıya bir görevi zı veya söylediklerinizi anlamaya çalışırlar. tamamlamak için daha fazla bilgiye ihtiyaç duyup duymadığını sorar. Google Asistan, Microsoft’un Cortana ve Amazon’un Alexa, benzer özelliklere sa- hip tüketiciler için diğer akıllı aracı araçlarıdır. 159

6 Bilgiyi Yönetme Platformlar İletişim Sorular Mesaj Ses Sipariş Menü Web sayfası Metin Mobil Video Doğal Dil Türetme İnsan- Bulut Servisleri Makine Arayüzü NLP Analitik Veri Bilgi Yanıt Robot Chatbot Şekil 6.9 Chatbot ile sohbet süreci Kaynak: Sharda, Delen, and Turban, 2020. Birçok karmaşık olay, etkileşim için nispeten basit kuralları izleyen otonom ajan sistemleri olarak mo- dellenebilir. Tüketici tabanlı modelleme uygulamaları, tüketicilerin, borsaların ve tedarik zincirlerinin dav- ranışlarını modellemek ve salgın hastalıkların yayılmasını tahmin etmek için geliştirilmiştir. Öğrenme Çıktısı 4 Bilgi yönetiminde kullanılan akıllı teknikleri ve faydalarını açıklayabilme Araştır 4 İlişkilendir Anlat/Paylaş Bilgi yönetimi için akıllı İlgi duyduğunuz bir sektör- Daha önce bilgi yönetimin- tekniklerin kullanılmasının de anlatılan akıllı teknikle- de de kullanılan akıllı tek- işletmeye sağladığı yararları rin bilgi yönetiminde nasıl niklerden birini kullandıy- değerlendiriniz. kullanılabileceğine örnekler sanız tecrübenizi paylaşınız. veriniz. 160

Bilişim Sistemleri 6 1 Bilgi, bilgi yönetimi ve bilgi öğrenme çıktıları ve bölüm özeti yönetiminin işletmelerdeki rolünü anlayabilme Bilgi Yönetimi ve İşletmelerdeki Rolü Bilgi yönetimi, örgütte bilgi oluşturmak, depolamak, aktarmak ve uygulamak için bir dizi süreçten oluş- maktadır. Bir işletmenin değerinin çoğu, bilgi yaratma ve yönetme yeteneğine bağlıdır. Bilgi yönetimi, kuruluşun çevresinden öğrenme ve bilgiyi iş süreçlerine dâhil etme yeteneğini artırarak örgütsel öğrenme- yi teşvik eder. Üç ana bilgi yönetim sistemi türü vardır: kurumsal bilgi yönetim sistemleri, bilgi çalışma sistemleri ve akıllı teknikler. Bilgi yönetiminin en önemli amacı, örgütte var olan kayıtlı ya da potansiyel bilgi kaynaklarını ortaya çıkarmak ve iş süreçlerine dâhil etmektir. Bilgi yönetiminin diğer bir amacı ise çalışanların var olan enformasyona erişimini mümkün kılarak enformasyon kaynaklarından yeni bilgilerin üretilmesini sağlamaktır. 2 Kurumsal bilgi yönetimi için kullanılan sistemler ve sağladıkları katkıyı açıklayabilme Kurumsal Bilgi Yönetim Sistemleri Kurumsal bilgi yönetimi sistemleri, dijital içerik ve bilgiyi toplamak, depolamak, dağıtmak ve uygulamak için örgüt çapında bir çabadır. Kurumsal içerik yönetim sistemleri, yapılandırılmış belgeleri düzenlemek ve depolamak için veri tabanları ve araçları ve e-posta veya zengin medya gibi yarı yapılandırılmış bilgileri düzenlemek ve depolamak için araçlar sağlar. Genellikle bu sistemler, grup işbirliği araçlarını, bilgi erişimini basitleştiren portalları, arama araçlarını, uzmanları bulma araçlarını ve kuruluş için uygun bir sınıflandır- maya göre bilgileri sınıflandırma araçlarını içerir. Öğrenme yönetim sistemleri, çeşitli çalışan öğrenme ve eğitim türlerinin yönetimi, dağıtımı, izlenmesi ve değerlendirilmesi için araçlar sağlar. 3 Başlıca bilgi çalışma sistemlerini tanıma ve işletmeler için sağladığı değeri anlayabilme Bilgi Çalışma Sistemleri Bilgi çalışma sistemleri, yeni bilgilerin oluşturulmasını ve kuruluşa entegrasyonunu destekler. Bilgi çalışma sistemleri harici bir bilgi tabanına kolay erişim gerektirir; yoğun grafik, analiz, doküman yönetimi ve ileti- şim yeteneklerine sahip yazılımları destekleyebilen güçlü bilgisayar donanımı ve kullanıcı dostu bir arayüz bulunmalıdır. Gerçek dünya gibi davranan etkileşimli simülasyonlar oluşturan bilgisayar destekli tasarım (CAD) sistemleri, artırılmış gerçeklik uygulamaları ve sanal gerçeklik sistemleri, grafik ve güçlü modelleme yetenekleri gerektirir. 161

6 Bilgiyi Yönetme öğrenme çıktıları ve bölüm özeti 4 Bilgi yönetiminde kullanılan akıllı teknikleri ve faydalarını açıklayabilme Akıllı Teknikler Yapay zekâ, insan zekâsının esnekliği, genişliği ve genelliğinden yoksundur, ancak örgütsel bilgiyi yakala- mak, kodlamak ve genişletmek için kullanılabilir. Uzman sistemler, sınırlı bir insan uzmanlığı alanından örtük bilgiyi yakalar ve bu bilgiyi kurallar şeklinde ifade eder. Uzman sistemler, sınıflandırma veya teşhis problemleri için en kullanışlıdır. Vaka temelli akıl yürütme, sürekli olarak genişletilebilen ve geliştirilebi- len vakaların bir veri tabanı olarak örgütsel bilgiyi temsil eder. Bulanık mantık, bilgiyi yaklaşık veya öznel değerler kullanan kurallar şeklinde ifade etmek için kullanılan bir yazılım teknolojisidir. Bulanık mantık, fiziksel cihazları kontrol etmek ve sınırlı karar verme uygulamaları için kullanılmaya başlanmıştır. Makine öğrenimi, bilgisayar programlarının deneyimle otomatik olarak öğrenme ve geliştirme yeteneğini ifade eder. Sinir ağları, insan beyninin düşünce süreçlerini taklit etmeye çalışan donanım ve yazılımlardan oluşur. Sinir ağları, programlama olmadan öğrenme ve insanlar tarafından kolayca tarif edilemeyen örüntüleri tanıma yetenekleri nedeniyle dikkat çekicidir. Bilim, tıp ve iş dünyasında örüntü kalıplarını büyük miktarlarda veri- yi analiz etmek için kullanılmaktadır. Genetik algoritmalar, uygunluk, çaprazlama ve mutasyon gibi genetik tabanlı süreçleri kullanarak belirli sorunlara çözümler geliştirir. Optimal bir çözüm üretmek için birçok alternatifin veya değişkenin değerlendirilmesi gereken endüstriyel sistemlerin optimizasyonu, ürün tasarımı ve izlenmesini içeren problemlere genetik algoritmalar uygulanmaya başlanmaktadır. Akıllı ajanlar, tek bir kullanıcı, iş süreci veya yazılım uygulaması için belirli görevleri yerine getiren gömülü veya öğrenilen bilgi tabanlı yazılım programlarıdır. Akıllı ajanlar, yararlı bilgileri bulmak için büyük miktarlarda veriler arasında gezinmek üzere programlanabilir ve bazı durumlarda kullanıcı adına bu bilgilere göre hareket edebilir. 162

Bilişim Sistemleri 6 1 Bilgi yönetimiyle ilgili aşağıdaki ifadelerden 4 Bilgi Paylaşım Sistemleriyle ilgili aşağıdaki neler öğrendik? hangisi yanlıştır? ifadelerden hangisi doğrudur? A. Bir kurumun en değerli kaynağının çalışanları- A. Uyarı sistemleri, olaylar veya sorunlarla ilgili nın sahip olduğu bilgi olduğu fikrine dayanır. bilgileri yaymak için kullanılır. B. Belirli kurumsal hedeflere ulaşmak için işgücü- B. Olay raporu veri tabanları, meydana gelen veya nün ortak bilgisini hayata geçirmek konusuyla gerçekleşmesi beklenen olumsuz bir deneyim ilgilenir. hakkında bilgi yaymayı hedefler. C. Bilgi yönetiminin amacı tüm bilgileri yönet- C. Derslerle öğrenilen sistemler, tipik olarak ku- mektir. rumsal süreçlere uygulanabilecek iş süreçlerinin yeniden yapılandırılmasından elde edilen başa- D. Çalışanlarının bilgiyi kuruluş içinde ne kadar rılı çabaları tanımlar. etkili paylaşabildiği kuruluşun bilgi yönetimi performansının ölçülmesinde bir etmendir. D. En iyi uygulama veri tabanlarının amacı, ben- zer bir durumda önceki bir deneyime çok ben- E. Dijitalleşme ile bilgi çalışanları ve yöneticiler zeyen durumlarla karşılaşan çalışanlara fayda liderlik, yenilikçilik, bilgi ve öğrenme süreç ve sağlayabilecek dersleri yakalamaktır. uygulamalarını yeniden oluşturmak zorunda kalacaklardır. E. Uzmanlık konum belirleme sistemleri, belirli bilgiye sahip uzmanları belirleyerek bilgiyi or- 2 Örtük ya da örtülü (tacit) bilgiyle ilgili aşağı- ganize etmeye çalışan bilgi havuzlarıdır. daki ifadelerden hangisi doğrudur? 5 Ana bilgi yönetim sistemi türleri aşağıdakiler- A. Yazı, çizim, resim ve diğer araçlarla ifade edile- den hangisinde birlikte ve doğru olarak verilmiştir? bilen bilgi türüdür. A. Yönetim bilişim sistemleri - karar destek sis- B. Kişilerin zihinlerinde bulunan ya da eylem ve temleri - yönetici destek sistemleri süreçlerin içinde yer alan henüz kodlanmamış, söylenmemiş, yazılmamış ve iletilmemiş bilgi B. Kurumsal sistemler - müşteri destek sistemleri türüdür. - tedarik zinciri yönetim sistemleri C. Resmî belgelerin yanı sıra kuruluşların uzman- C. Veritabanı yönetim sistemleri - uzman sistem- ları ve karar alma davranışlarını gözlemleyerek ler - bilgi çalışma sistemleri elde ettikleri resmî kurallarda bulunan bilgidir. D. Kurumsal bilgi yönetim sistemleri - bilgi çalış- D. Belirli bir kurala göre düzenli bir şekilde tekrar ma sistemleri - akıllı teknikler eden veya genişleyen şekil ya da sayı dizisine denir. E. Evrak yönetim sistemi - doküman yönetim sis- E. Yaklaşık veya öznel değerler kullanan kurallar temi - belge yönetim sistemi oluşturarak böyle bir belirsizliği temsil edebilen kural tabanlı bir bilgidir. 6 Aşağıdakilerden hangisi çeşitli çalışan öğren- 3 Bilgi Yönetimi Değer Zincirinin son aşaması me türlerinin yönetimi, teslimi, takibi ve değerlen- dirilmesi için kullanılan sistemlerden biridir? aşağıdakilerden hangisidir? A. Çalışan Gelişim Sistemi A. Bilgi edinim B. Örgütsel Öğrenme Sistemi B. Depolama C. Öğrenme Yönetim Sistemi C. Dağıtma D. Çalışan Yönetim Sistemi D. Uygulama E. Bilgi Çalışma Sistemi E. Geribesleme 163

6 Bilgiyi Yönetme neler öğrendik? 7 CAD iş istasyonlarıyla ilgili aşağıdaki ifade- 10 Akıllı ajanların tanımı aşağıdakilerden han- lerden hangisi doğrudur? gisidir? A. Mühendislere, tasarımcılara ve fabrika yöneti- A. Yaklaşık veya öznel değerler kullanan kurallar cilerine endüstriyel tasarım ve üretim üzerinde oluşturarak böyle bir belirsizliği temsil edebilen hassas kontrol sağlar. kural tabanlı bir teknolojidir. B. Kuruluşlar için önemli bir uzmanlık kaynağı B. Her biri belirli ağırlıklara sahip bağlantılar aracı- sağlar. lığı ile birbirine bağlanan ve yine her biri kendi belleğine sahip işlem elemanlarından oluşan pa- C. Grupların belgeler üzerinde birlikte çalışmasına ralel ve dağıtılmış bilgi işleme yapılarına denir. izin verir. C. Sorun için mümkün olan en iyi çözümü tem- D. Finans sektöründe alım satım durumlarını sil eden doğru dizeyi tanımlamak için rastgele anında analiz etmek ve portföy yönetimini ko- oluşturulan ikili basamak dizelerinden oluşan laylaştırmak için kullanılan üst düzey bilgisa- bir popülasyonu araştıran algoritmalardır. yarlardır. D. Bir veya daha fazla kullanıcıyla metin veya işit- E. Çalışanın öğrenmesini kolaylaştırır. sel yöntemlerle bir görüşmeyi simüle etmek için tasarlanmış yazılım aracılarıdır. 8 Uzman sistemler ile ilgili aşağıdaki ifadeler- E. Faaliyetlerini hedeflere ulaşmaya, sensörler ve den hangisi doğrudur? ardından gelen aktüatörler aracılığıyla gözlem kullanan bir ortama yönlendiren otonom bir A. İnsan uzmanlar için çok zor olan problemleri varlığı ifade eder. çözebilir. B. DO WHILE kurallarına dayanmaktadır. C. Çok sınırlı alanlarda çalışmaktadır. D. Eğitim için uzun bir sürenin gerekmesine ne- den olur. E. Bilgi keşfi için kullanılır. 9 İleri zincirlemenin tanımı aşağıdakilerden hangisidir? A. Kullanıcı tarafından girilen bilgilerle başlayan bir uzman sistemde kural tabanını aramak için bir stratejidir. B. Bir uzman sistemin programlama ortamıdır. C. Uzman sistem bilgisini parçalara ayırma yönte- midir. D. Bir hipotezle başlayan bir uzman sistemde kural temelini araştırmak için bir stratejidir. E. Sanal bir dünya oluşturmak için kullanılan bir programlama algoritmasıdır. 164

Bilişim Sistemleri 6 1. C Yanıtınız yanlış ise “Giriş” konusunu yeni- 6. C Yanıtınız yanlış ise “Öğrenme Yönetim Sis- den gözden geçiriniz. temleri” konusunu yeniden gözden geçiriniz. 2. B Yanıtınız yanlış ise “Bilginin Önemli Boyut- 7. A Yanıtınız yanlış ise “Bilgi Çalışma Sistemleri neler öğrendik yanıt anahtarı 3. D ları” konusunu yeniden gözden geçiriniz. Örnekleri” konusunu yeniden gözden geçi- 4. E Yanıtınız yanlış ise “Bilgi Yönetimi Değer riniz. 5. D Zinciri” konusunu yeniden gözden geçiriniz. Yanıtınız yanlış ise “Uzmanlığı Bulma ve Bil- 8. C Yanıtınız yanlış ise “Bilgiyi Yakalamak: Uz- gi Paylaşma Sistemleri” konusunu yeniden man Sistemler” konusunu yeniden gözden gözden geçiriniz. geçiriniz. Yanıtınız yanlış ise “Bilgi Yönetim Sistemi Türleri” konusunu yeniden gözden geçiriniz. 9. C Yanıtınız yanlış ise “Bilgiyi Yakalamak: Uz- man Sistemler” konusunu yeniden gözden geçiriniz. 10. E Yanıtınız yanlış ise “Akıllı Ajanlar” konusunu yeniden gözden geçiriniz. 165

6 Bilgiyi Yönetme 6 Araştır Yanıt Anahtarı Araştır 1 Herhangi bir olay sonucunda elde edilen ve bir anlam ifade etmeyen sayılar, semboller, harfler ve grafikler veri olarak nitelendirilmektedir. Verilerden her- hangi bir kişi ya da bilgisayar teknolojisi tarafından herhangi bir anlam çıka- rıldığında enformasyon oluşmaktadır. Enformasyon, kişinin veya kişilerin görüş ve deneyimleri ile birleşerek eylemlere olanak veren bilgi hâline gelmektedir. Bir başka ifadeyle bilgi, verilerden üretilen enformasyonun, anlamlı biçimde bir araya getirilerek ihtiyaç duyulan zamanlarda kullanılabilecek biçime dönüştü- rülmesi sonrası elde edilen anlamlandırılmış enformasyondur. Eğer enformas- yon birey tarafından anlaşılmaz ya da hiç kullanılmazsa bilgiye dönüşmeden de enformasyon olarak kalmaktadır. Genel bir ifade ile bilgi, “bilinen her şeydir” ve örgüt içinde iletişim, takım çalışmaları, deneyimler, paylaşım grupları, basılı malzemeler eğitimler vb. ile yayılmaktadır. Bilginin zihinsel bir süreçten geçerek yargıya dönüşmüş şekli ise bilgelik kavramını oluşturmaktadır. Araştır 2 Bilgi yönetimi, bireylerin, ekiplerin ve tüm kuruluşların stratejik ve operas- yonel hedeflerine ulaşmak için toplu ve sistematik olarak bilgi yaratmalarını, paylaşmalarını ve uygulamalarını sağlar. Bilgi yönetimi, bir yandan operas- yonların verimliliğinin ve etkinliğinin artırılmasına, diğer yandan rekabetin kalitesinin değişmesine katkıda bulunur. Bilgi odaklı yönetimin amacı, en- formasyondan bilgi üretmek ve bu bilgiyi iş dünyasında başarılı bir şekilde ölçülebilecek sürdürülebilir bir rekabet avantajına dönüştürmektir. Araştır 3 İş istasyonu en hızlı, en fazla genişleyebilen ve en güvenilir bilgisayarlardır. Büyük veri hacimleri, karmaşık veri yapıları ve en zorlu 3D modellerle çalışan profesyonellerin ihtiyacını karşılamak üzere tasarlanmış ürünlerdir. Ürünler, ge- liştirme aşamasında en zorlu yazılım testlerine tabi tutularak 3D, CAD, render, analiz, grafik, animasyon ve benzeri alanlardaki yazılımlardan sertifikasyon ala- rak piyasaya sürülür. Bu sertifikasyon iş istasyonlarının uzun yıllar problemsiz olarak kullanılabileceğinin bir göstergesidir. Böylece iş istasyonları, uzun emek harcanmış çalışmaların tam ortasında kilitlenen bir bilgisayarın dezavantajlarını ortadan kaldırır. İşletmeler iş istasyonlarını genelde özel yazılımlarını çalıştırmak için kullanıyorlar. Bu yazılımlar, tasarım veya analiz ağırlıklı yüksek grafik detay- lı, yüksek veri işleme ve depolama yoğunluğu gerektiren yazılımlardır. Araştır 4 Akıllı teknikler, insan davranışlarını taklit etmeye çalışan yapay zekâ teknolo- jisine dayanmaktadır. Bu tür sistemler dil öğrenebilir, fiziksel görevleri yerine getirebilir (robotik), fiziksel davranışı ve dili bilgilendiren algısal bir aparat kul- lanabilir ve insan uzmanlığını ve karar vermeyi taklit edebilirler. Yapay zekâ uy- gulamaları çağdaş bilgi yönetiminde önemli bir rol oynar, ancak insan zekâsının genişliği, karmaşıklığı, özgünlüğü ve genelliğini sergilemezler. Mevcut yapay zekâ sistemleri sorunlara yeni çözümler getirmez. Yapay zekâ sistemleri insanın sahip olduğu gücünün kapsamını genişletir, ancak hiçbir şekilde onların yerine geçmez veya insan beyninin tüm yeteneklerine sahip değildir. Bununla birlikte, işletmelerde daha az kişiyle yüksek kaliteli kararlar alınmasına yardımcı olur. İşletmelere geliştirilmiş kararlar, azaltılmış hatalar, maliyetler, eğitim süresi ve daha yüksek kalite ve hizmet seviyeleri gibi birçok avantaj sağlar. 166

Bilişim Sistemleri 6 Kaynakça Adolf, M. ve Stehr, N. (2016). Knowledge. London: Gaol, L. F., Filimonova, N., Hutagalung, F. Routledge, https://doi.org/10.4324/9781315543093 (2017). Managing Service, Education and Knowledge Management in the Knowledge Ahmed, P., Lim, K. ve Loh, A. (2002). Learning Through Economic Era. London: CRC Press, https://doi. Knowledge Management. London: Routledge, org/10.1201/9781315269146. https://doi.org/10.4324/9780080523132 McElroy, M. (2002). The New Knowledge Barutçugil, İ. (2002). Bilgi Yönetimi. Kariyer Management. London: Routledge, https://doi. Yayıncılık, İstanbul. org/10.4324/9780080512655. Becerra-Fernandez, I. ve Sabherwal, R. (2015). McNabb, D. (2007). Knowledge Management in the Knowledge Management. New York: Routledge, Public Sector. New York: Routledge, https://doi. https://doi.org/10.4324/9781315715117 org/10.4324/9781315703053. Aktan, C. C. ve Vural, İ. Y. (2005). Bilgi Çağında Nakamori, Y. (2012). Knowledge Science. Boca Raton: Bilgi Yönetimi. Bilgi Çağı, Bilgi Yönetimi ve Bilgi CRC Press, https://doi.org/10.1201/b11054. Sistemleri, Çizgi Kitabevi, 1.Baskı, Konya, s. 6. Nakamori, Y. (2014). Knowledge and Systems Science. Dalkir, K. (2005). Knowledge Management in Theory New York: Chapman and Hall/CRC, https://doi. and Practice. London: Routledge, https://doi. org/10.1201/b15155. org/10.4324/9780080547367. Natalicchio, A., Ardito, L., Savino, T. ve Albino, V. (2017), Evans, C. (2003). Managing for Knowledge - HR’s Managing knowledge assets for open innovation: Strategic Role. London: Routledge, https://doi. a systematic literature review. Journal of Knowledge org/10.4324/9780080479125. Management, Vol. 21 No. 6, pp. 1362-1383. Firestone, J. ve McElroy, M. (2003). Key Issues in the Nonaka I. veTakeuchi, H. (1995). The Knowledge Creating New Knowledge Management. London: Routledge, Company. Oxford University Press, New York. https://doi.org/10.4324/9780080495972. North K. ve Kumta G. (2014). Knowledge in Garcia-Perez, A., Ghio, A., Occhipinti, Z. ve Verona, R Organisations. Knowledge Management. Springer (2020). Knowledge management and intellectual Texts in Business and Economics. Springer, Cham. capital in knowledge-based organisations: a review and theoretical perspectives”, Journal of Knowledge North K. ve Kumta G. (2014). Organisational Forms to Management, Vol. ahead-of-print No. ahead-of-print. Leverage Knowledge. Knowledge Management. Springer Texts in Business and Economics. Springer, Cham. Halis, B. (2012). Tüketimin değişen yüzü: Elektronik ticaret uygulamaları ve sosyal paylaşım ağlarının Sharda, R., Delen, D. ve Turban, E. (2020). Analytics, rolü. Tarih Kültür ve Sanat Araştırmaları Dergisi. Data Science, & Artificial Intelligence. Systems for 1(4), ss. 149-160. doi: 10.7596/taksad.v1i4. Decision Support (11th Edition), Pearson. Hawamdeh, S. ve Chang, H.C. (2018). Analytics and Skyrme, D. (1999). Knowledge Networking. Creating the Knowledge Management. New York: Auerbach Collaborative Enterprise, Oxford: Butterworth Heinemann. Publications, https://doi.org/10.1201/9781315209555. Skyrme, D. (2001). Capitalizing on Knowledge: From Kaygısız, E. G. (2019). Örgütsel Bilgelik. Eğitim E-Business to K-Business. Yayınevi. Pathak S. ve Nigam S. (2017) Literature Review on Liebowitz, J. (Ed.). (2011). Beyond Knowledge Knowledge Harvesting and Management System. Management. New York: Auerbach Publications, In: Bhatia S., Mishra K., Tiwari S., Singh V. https://doi.org/10.1201/b11511Love, P. (Ed.), (eds) Advances in Computer and Computational Fong, P. (Ed.), Irani, Z. (Ed.). (2005). Management Sciences. Advances in Intelligent Systems and of Knowledge in Project Environments. London: Computing, vol 553. Springer, Singapore. Routledge, https://doi.org/10.4324/9780080455358 167

6 Bilgiyi Yönetme Pauleen, D. ve Gorman, G. (2011). Personal Knowledge Rooney, D., McKenna, B. ve Liesch, P. (2010). Management. London: Routledge, https://doi. Wisdom and Management in the Knowledge org/10.4324/9781315600154. Economy. New York: Routledge, https://doi. org/10.4324/9780203852798. Rao, M. (2005). Knowledge Management Tools and Techniques. London: Routledge, https://doi. Tryon, J. (2012). Managing Organizational Knowledge. org/10.4324/9780080478869. Boca Raton: CRC Press, https://doi.org/10.1201/ b11714. Rhem, A. (2017). Knowledge Management in Practice. New York: Auerbach Publications, https://doi. Weiler, B. (2008). Who Owns Knowledge? New York: org/10.1201/9781315374376. Routledge,https://doi.org/10.4324/9781351321600. Ricceri, F. (2008). Intellectual Capital and Knowledge Zipperer, L. (2014). Knowledge Management in Management. London: Routledge, https://doi. Healthcare. London: Routledge, https://doi. org/10.4324/9780203929308. org/10.4324/9781315591179. İnternet Kaynakları Alkan, M. A. Türkiye’nin Endüstri 4.0 Platformu https://www.endustri40.com/makine-ogrenimi-nedir/ Erişim Tarihi: 4.09.2020 168

Bilişim Sistemleri 6 169

Bölüm 7 Karar Vermeyi Güçlendirme öğrenme çıktıları 1 Karar Türleri ve Karar Verme Süreci Yönetsel Kararların Bilişim Sistemleri ile 1 Farklı karar türlerini ve karar verme sürecinin işleyişini anlayabilme 2 Desteklenmesi 2 Bilişim sistemlerinin, yöneticilerin 3 İş Zekası ve İşletme Analitiği Teknikleri karar vermesini nasıl desteklediğini 3 İş zekası ve işletme analitiği tekniklerinin açıklayabilme karar vermeyi nasıl desteklediğini açıklayabilme Farklı Karar Verme Düzeylerinde İş 4 Zekasının Kullanımı 4 Karar verme düzeylerinde iş zekası kullanımını ve grup kararlarında bilişim sistemlerinin rolünü anlayabilme Anahtar Sözcükler: • Bilişim Sistemleri • Karar Verme • Karar Destek Sistemleri • Karar Türleri • İş Zekası • İşletme Analitiği • Kurum Karnesi • Kurumsal Performans Yönetimi • Grup Karar Destek Sistemleri 170

Bilişim Sistemleri 7 GİRİŞ Yöneticiler örgütlerde kilit rol oynamaktadır. Sorumlulukları, rapor yazmaktan karar vermeye, toplantı- lara katılmaya ve çalışanları motive etmeye kadar çok farklı alanlara yayılır. İşletmelerde karar verme süreci eskiden üst yönetim ile sınırlıyken günümüzde, bilişim sistemlerinin, örgütlerin her düzeyine sağladığı olanaklar sayesinde, işletmelerde karar verme yapısı değişmekte ve daha genele yayılmaktadır. Yönetimin bütün fonksiyonları karar verme etkinliğine katılır. Herhangi bir kararın iyileştirilmesinin değeri küçük olsa da yüz binlerce küçük kararın iyileştirilmesi işletmeye toplamda büyük değer katar. Günümüzde iş dünyasında başarılı olmak için yöneticilerin, çeşitli bilgi alma ve karar verme ihtiyaçla- rını destekleyebilecek bilişim sistemlerine ihtiyaçları vardır. İşletmeler, gelişmiş e-iş modellerine geçtikçe, değişen pazar koşullarına ve müşteri ihtiyaçlarına daha hızlı yanıt vermelerine yardımcı olan, karar destek uygulamalarına yapılan yatırımlar da artmaktadır. Bu bölümde, internet ve diğer web etkin bilişim teknolojilerinin ve sistemlerinin, iş dünyasındaki yöneticilerin karar verme faaliyetlerini destekleme ve güçlendirme konusunda oynadığı rol incelenmiştir. KARAR TÜRLERİ VE KARAR VERME SÜRECİ İşletme içinde yöneticiler ve alınan kararlar çeşitli düzeylerdedir. Karar vermeyi anlamak için öncelikle işletmelerde ne tür kararlar verildiği ve karar verme sürecinin yapısı incelenmelidir. Karar Türleri İşletmelerde farklı yönetim düzeyleri vardır. Bu düzeylerin her birinin karar desteği için farklı bilgi gereksinimleri ve farklı karar türleri için sorumlulukları bulunmaktadır. Kararlar yapılandırılmış, yarı yapı- landırılmış ve yapılandırılmamış olmak üzere üç gruba ayrılır. Karar türleri ve yönetim düzeyleri arasındaki ilişki Şekil 7.1’de gösterilmektedir. Karar Türleri Enformasyon/Bilgi Özellikleri Anlık Yapılandırılmamış Stratejik Programsız Yönetim Özetlenmiş Üst Yönetim ve Seyrek Direktörler İleriye Dönük Dışsal Geniş Açılı Enformasyon/Bilgi Yarıyapılandırılmış Kararlar Orta Düzey Yönetim İş Birimi Yöneticileri, Kendilerini Yöneten Takımlar Ön tanımlı Programlı Yapılandırılmış Operasyonel Yönetim Ayrıntılı Operasyon Yöneticileri, Kendilerini Yöneten Takımlar Sık sık Geçmiş İçsel Dar odaklı Şekil 7.1 Karar türleri, enformasyon/bilgi özellikleri ve yönetim düzeyleri arasındaki ilişki Kaynak: O’Brien ve Marakas, 2011 Yöneticilerin üstlendikleri yetki ve sorumluluklar birbirinden oldukça farklı ancak birbirini tamam- layan düzendedir. Üst yönetim, işletmenin uzun dönem stratejik planları, üreteceği ürünler ve sunacağı 171

7 Karar Vermeyi Güçlendirme hizmetler konusundaki kararlardan sorumludur. mansını izler. Bu yönetim düzeyinde alınan kararlar Orta yönetim, üst yönetimin ortaya koyduğu plan operasyonel yönetime göre daha az yapılandırılmış ve programların uygulanmasından sorumludur. Alt olma eğilimindedir. Birçok kararın hem yapılandı- yönetim ise operasyonel düzeyde işletmenin gün- rılmış hem de yapılandırılmamış unsurları vardır. lük faaliyetlerinin izlenmesinden sorumludur. Yarı yapılandırılmış kararlarda problemin sadece bir kısmının, kabul edilen bir prosedürle açıklana- Örgütlerde, enformasyon/bilgi kullanımı çe- bilen bir cevabı vardır. şitli kademelere göre farklılıklar gösterse de her düzey için gereken enformasyonun/bilginin nite- Üst düzey yönetim veya stratejik yönetim genel liği farklıdır. Operasyonel yönetim düzeyinde alı- olarak, bir yönetim kurulu ile üst düzey yönetici- nan kararlar yapılandırılmış kararlar iken, taktik lerin de yer aldığı bir yürütme kurulundan oluşur. düzeydeki kararlar daha çok yarı yapılandırılmış Stratejik planlama sürecinin bir parçası olarak genel kararlar olma eğilimindedir. Stratejik yönetim dü- örgütsel hedefler, stratejiler, politikalar ve amaçlar zeyindeki kararlar ise çoğunlukla yapılandırılma- geliştirir, uzun vadeli kararlar verilir. Uzun vadeli mış kararlardır. stratejik kararların çoğu yapılandırılmamış olarak düşünülebilir. Yapılandırılmamış kararlar, karar Yapısal kararlar, bir karara ihtiyaç duyul- vericinin sorunu çözmek için değerlendirme ve iç- duğunda izlenecek prosedürlerin önceden görü sağlaması gereken kararlardır. Bu kararların belirlenebileceği durumları içerir. her biri yeni, özgün ve önemlidir. Bu tür kararlar rutin değildir ve üzerinde anlaşmaya varılmış bir çözüm prosedürü yoktur. dikkat Yapılandırılmamış kararlar, karar veri- Genel olarak, yapılandırılmış kararlar örgütün cileri doğru karara yönlendirecek hiçbir alt kademelerinde daha yaygın iken, yapılandı- prosedür veya kuralın olmadığı kararlardır. rılmamış kararlar işletmenin üst seviyelerinde daha yaygındır. Karar Verme Süreci Karar vermek çok aşamalı bir süreçtir. Herbert Alt kademe yöneticileri veya bir başka ifadeyle operasyonel yöneticiler haftalık üretim programla- A. Simon, karar vermede bilgi toplama, tasarım, rı gibi kısa vadeli planlar geliştirir. Bu yöneticiler seçme ve uygulama olmak üzere dört farklı aşamayı kaynakların etkin kullanımını ve çalışanların per- tanımlamıştır: formansını, işletmenin oluşturduğu prosedürler, bütçe ve programlar dâhilinde yönlendirirler. Bu • Bilgi Toplama: İşletmede meydana gelen yönetim birimlerinde verilen kararlar çoğunlukla sorunları keşfetme, anlama ve tanımlama- yapılandırılmıştır. Önceden tanımlanmış bir pro- dan oluşur. Bir problemin neden oluştuğu, sedürü izledikleri için kararların, her seferinde yeni sorunun nerede çıktığı ve işletme üzerinde bir problem gibi ele alınmaları gerekmez. Yapılan- ne gibi etkileri olduğu sorularına cevap ara- dırılmış kararlar tekrarlayıcı ve rutindir. nır. Problemin çözümüne esas teşkil edecek bilgilerin derlenmesini içerir. Orta düzey yöneticiler ise kısa ve orta vadeli planlar, programlar ve bütçeler geliştirir ve işletme • Tasarım: Problemin çeşitli çözümlerinin alt birimleri için politikaları, prosedürleri ve iş he- tanımlanmasını ve araştırılmasını içerir. deflerini belirler. Ayrıca kaynakları tahsis eder ve Mümkün olan hareket yollarının analizi, bölümler, proje ekipleri ve diğer çalışma grupları modellerin geliştirilmesi ve keşfedilmesi bu dâhil olmak üzere işletme alt birimlerinin perfor- aşamada gerçekleştirilir. • Seçim: Tasarım aşamasında saptanan olası yollardan birinin seçilmesi aşamasıdır. Çö- züm alternatifleri arasından bir seçim yap- mak, karar vermeyi de ifade eder. 172

Bilişim Sistemleri 7 • Uygulama: Belirli bir çözümün geliştirilmesi üzerine, kararın etkisinin ortaya konulması aşaması- dır. Karar iyi olsa bile uygulamada hatalar olabilir. Çözüm olarak seçilen alternatifin hayata geçiril- diği ve çözümün ne kadar iyi çalıştığının izlendiği aşamadır. Problemi tanımlama: Bilgi Karar verme, karar birimlerinin belirlenmiş bir Problem nedir? Toplama ya da daha fazla amaca ulaşmak için var olan çeşitli seçenekler arasında seçim yapmalarına Çözüm arama: Tasarım yönelik davranış biçimidir. Seçenekler neler? Şekil 7.2’de verilen karar verme sürecinde, geri Çözümün seçimi: Seçim besleme düzeniyle, önceki aşamaya geri dönülebil- Hangi seçenek mekte ve gerektiğinde aşamaların tekrarlayabileceği seçilmeli? gösterilmektedir. Örneğin, bir işletmenin satışları- nın azalması durumunda, pazarlama yönetimi sa- Çözümü izleme: Uygulama tışları arttırmak için satış ekibine daha yüksek prim Çözüm işliyor mu? ödenmesine karar verebilir. Bu karar, satışlarda bir Daha iyisi olabilir mi? artış yaratmadığı takdirde yöneticilerin, sorunun kötü ürün tasarımı, yetersiz müşteri hizmetleri veya Şekil 7.2 Karar verme süreci farklı bir problemden kaynaklanıp kaynaklanmadı- Kaynak: Laudon ve Laudon, 2017 ğını araştırması gerekir. Öğrenme Çıktısı 1 Farklı karar türlerini ve karar verme sürecinin işleyişini anlayabilme Araştır 1 İlişkilendir Anlat/Paylaş Karar türlerini tanımlamak Örnek bir problem için ka- Günlük hayattan yapılandı- neden önemlidir? rar verme sürecinin aşama- rılmış ve yapılandırlmamış larını uygulayın. karar örnekleri verin. YÖNETSEL KARARLARIN BİLİŞİM SİSTEMLERİ İLE DESTEKLENMESİ Yöneticilerin karar vermek, rapor yazmak, toplantılara katılmak gibi çeşitli sorumlulukları olduğu ve örgütlerde önemli rol oynadıklarından bahsetmiştik. Yöneticilerin sorumluluklarını ve bu sorumlu- luklar karşısındaki tutumlarını anlamak için geçmişten günümüze çeşitli teoriler geliştirilmiştir. Klasik ve çağdaş yönetsel davranış modellerini, yönetsel işlevleri ve rolleri inceleyerek konunun daha iyi anla- şılmasını sağlayabiliriz. 173

7 Karar Vermeyi Güçlendirme Yönetsel Roller Bilgiye ilişkin rollerde yöneticiler, işletmelerinin Klasik yönetim teorisinde yönetimin işlevleri bilgi merkezi olarak hareket eder, en somut, güncel bilgileri alır (bilgiyi toplama rolü) ve farkında ol- Henri Fayol tarafından planlama, organize etme, ması gereken kişilere yeniden dağıtırlar. Yöneticiler koordine etme, komuta etme ve kontrol etme ola- bu nedenle kuruluşları için bilgi dağıtıcıları (bilgiyi rak belirlenmiştir. Yöneticilerin ne yaptığını açık- dağıtma rolü) ve sözcüleridir (sözcü rolü). Bilgile- layan klasik yönetim teorisi, 1920’lerde ortaya rin farkında olmak, gerekli durumlarda bilgiyi açığa atılmıştır. Klasik teori, yönetim işlevlerini açıkla- çıkarabilmek, öğrenebilmek ve üretebilmek, aynı makta, ancak yöneticilerin planlama, karar verme zamanda elde ettiği bilgiyi en iyi şekilde kullanabil- ve başkalarının çalışmalarını kontrol etme konu- mek yöneticilerin taşıması gereken özelliklerdendir. sunda ne yaptığını tam olarak ele almamaktadır. Bunun için çağdaş davranış bilimciler, yöneticiler Kararlara ilişkin rollerinde ise yeni faaliyetler ve diğer çalışanların davranışlarını incelemişlerdir. başlatarak girişimci olarak hareket ederler (girişim- ci rolü), işletmede ortaya çıkan krizleri çözer (so- Davranışsal teoriler, yöneticilerin gerçek dav- run çözme rolü), ihtiyaç duyan personele, bölüme ranışının, klasik teoride açıklanandan daha farklı kaynak tahsisi yapar (kaynak dağıtma rolü) ve ça- göründüğünü, yönetsel davranışın aslında klasik tışmaları müzakere ederek çatışan gruplar arasında tanımdan çok farklı özelliklere sahip olduğunu arabuluculuk yaparlar (arabulucu rolü). Kararlara savunmaktadır. Davranış bilimciler, yöneticilerin ilişkin roller kapsamında yönetici, bilgiyi edinir, çoğunlukla ara vermeden çok iş yaptıklarını, hız- değerlendirir ve böylece karara ulaşır. Çünkü yö- lı bir tempo ile çok sayıda etkinliğe katıldıklarını neticileri diğer personelden ayıran önemli işlev ya ve yönetsel faaliyetlerin kısa süreli etkinliklerden da görev karar vermedir. Doğal olarak yöneticiler, oluştuğunu gözlemlemişlerdir. Bundan dolayı yö- topladıkları bilgilere dayanarak karar verirler. Bu neticilerin, yazılı iletişim yerine sözlü iletişim orta- grupların hepsi yöneticinin karşılaştığı farklı du- mını tercih ettiklerini belirtmişlerdir. Sözlü iletişim rumlarda, sonucu etkileyici kararlar üzerine kuru- ortamı, diğer ortamlara göre daha fazla esneklik ludur. Yöneticinin hatası daha büyük sorunlara se- sunmakta, daha az çaba gerektirmekte ve daha hız- bep olurken yöneticinin doğru kararları işletmeye lı tepki verme olanağı sağlamaktadır. Yöneticiler, fayda sağlamaktadır. faaliyetlerini gerçekleştirmek için geliştirdikleri ve kullandıkları bu karmaşık iletişim ortamını koru- Bilişim teknolojileri, yöneticilere hem gelenek- maya önem vermektedir. sel hem de yeni rolleri yerine getirmeleri için yeni araçlar sunar. Böylece daha önce hiç olmadığı ka- İşletmelerde yöneticiler çeşitli roller üstlenmek- dar hassas ve hızlı bir şekilde izleme, planlama, tah- tedir ve bu roller yöneticinin işinin ne olduğunu min yapma ve değişen iş ortamına daha hızlı yanıt anlamada bize yol gösterir. Yöneticilerin günlük verme olanağı elde ederler. Gelişen uygulamalar, davranışlarını analiz eden Henry Mintzberg, on kişiselleştirilmiş karar desteği, veri depolama, mo- adet yönetsel rolü gözlemlemiş ve bu yönetsel rol- delleme, bilgi alma, eğer-olursa analizlere ve rapor- leri “kişiler arası roller”, “bilgiye ilişkin roller” ve lamaya odaklanmaktadır. “kararlara ilişkin roller” olarak üç gruba ayırmıştır. Her bir rol, yöneticilerin üstlendiği ve eninde so- Bilişim sistemleri, örgüt kademeleri arasında nunda yerine getirmesi gereken planlama, organize irtibat sağlayarak ve kaynakları tahsis ederek daha etme, yöneltme ve kontrol fonksiyonları gibi faali- çok, yöneticilerin bilgilendirme rolleri için önemli yetleri temsil eder. düzeyde yerine getirmelerini sağladığı söylenebilir. Yapılandırılmamış kararları destekleme konusunda Yöneticiler; işletmelerini örgüt dışında temsil ise çok önemli gelişmeler sağlanmış olmasına rağ- ettiklerinde (temsil rolü), astlarını motive eden, men henüz işletmelerde kullanımı konusunda hak danışmanlık yapan ve destekleyen bir lider (lider ettiği düzeyde yaygın olmadığı gözlemlenmektedir. rolü) olarak hareket ettiklerinde ve örgüt kademe- Ayrıca yöneticilerin karar verme rolleri altındaki leri arasında irtibat kurduklarında (bağlantı kurma girişimcilik ve arabuluculuk gibi rolleri yerine ge- rolü) kişiler arası rollerini gerçekleştirirler. Kişiler tirirken destek alabilecekleri sistemler henüz geliş- arası roller, bir yöneticinin çalışanları ile kurumsal tirilmemiştir. Tablo 7.1’de bu bölümde sözü edilen hedeflere ulaşmak için etkileşim kurmasına izin ve- yöneticilerin rolleri ve bu rolleri destekleyen bili- ren rollerdir. şim sistemleri örnekleri verilmiştir. 174

Bilişim Sistemleri 7 Tablo 7.1 Yöneticilerin Rolleri ve Destekleyici Bilişim Sistemleri ROLLER ETKİNLİK ÖRNEKLERİ DESTEK SİSTEMLERİ Kişilerarası Roller:   Temsil rolü Törensel ve sembolik görevleri yerine Sanal katılım (Telepresence) Lider rolü getirme, resmî evrakları imzalama sistemleri, e-imza Bağlantı kurma Sanal katılım sistemleri, sosyal Astların yönlendirilmesi ve motive ağlar, Twitter edilmesi, doğru kişilerin seçilmesi Akıllı telefon, sosyal ağlar Organizasyon içerisinde ve dışarısında irtibat kurulması Bilgiye İlişkin Roller:   Bilgi toplama rolü İş ortamı ile ilgili enformasyonu izleme YBS, ÜYDS Bilgi dağıtma rolü SMS, e-posta, sosyal ağlar Sözcü rolü Örgüt içi iletişim kurulması ve gerekli Webinar, Sanal katılım enformasyonun iletilmesi Dış dünya ile iletişim kurulması Kararlara İlişkin Roller:   Girişimcilik Yeni fikirler geliştirme, projeleri başlatma Yok Sorun çözme rolü Anlaşmazlıklarla uğraşma ve düzeltici Yok eylemlerde bulma Kaynak dağıtma rolü Program bütçe ve öncelikleri belirleme, İZ, KDS bütçe taleplerini gözden geçirme ve düzeltme Arabulucu Diğer gruplarla ya da örgütlerle anlaşma Yok yapma çabaları Kaynak: Laudon ve Laudon, 2017 Sanal katılım (Telepresence), amaca Bilişim sistemlerinin kararlarını iyileştirebileceği uygun bir sistem ile kişiye bulunduğu or- yönetsel rollerde, bilişim teknolojisine yapılan ya- tamdan uzakta veya farklı bir ortam içinde tırımlar her zaman olumlu sonuçlar üretmeyebilir. bulunabilme imkânının sağlanmasıdır. Yüksek kaliteli kararlar yüksek kalitede bilgi gerek- tirir. Bilişim sistemlerinin faydalı olduğu yerlerde, dikkat bilgi kalitesi, yönetim filtreleri ve örgüt kültürü Günümüzde, bilişim sistemleri yönetsel faaliyet- karar vermeyi etkiler. Farklı faaliyet alanındaki yö- lerin tümünü olmasa da çoğunu desteklemekte- neticiler, kendi birimleriyle ilgili bilgiyi ne az ne dir. Tablo 7.1’de verilen bazı roller için destekle- de fazla sadece ihtiyaç duydukları miktarda temin yici bir bilişim sisteminin henüz bulunmadığına etme eğilimindedir. Bilginin filtrelenmesi sonucu dikkat ediniz. doğru bilginin doğru karar vericiye doğru formda ulaşması mümkündür. Kaliteli bilişim sistemleri ge- liştirmenin anahtarı, bilginin amaca uygun şekilde filtrelenmesidir. Bilişim sistemlerinin çıktısı uygun kriterleri karşılamıyorsa, karar verme süreci zarar görecektir. 175

7 Karar Vermeyi Güçlendirme dikkat dikkat Bilişim sistemleri yöneticilere faydalı bilgi sağ- Örgüt kültürü; bir kurumun yapısını belli ku- lamak için gerekli çaba ve zamanın azaltılması rallarla devam ettirerek kuruma bir kişilik ka- bakımından kritik verileri özetler ve filtreler. zandırır. Çalışma tarzından hiyerarşik sisteme, Güncel olmayan, yanlış veya anlaşılması zor törenlerden kutlamalara ve ödül-ceza sistemine bilgi, yöneticiler için çok anlamlı, yararlı veya kadar geniş bir alanı kapsar. değerli değildir. Bilişim sistemlerinin çıktısı bu kalite kriterlerini karşılamıyorsa, karar verme Yönetim Bilişim Sistemleri ve Karar süreci aksar. Destek Sistemleri Güncel olmayan, yanlış veya anlaşılması zor bil- İş dünyasında, yöneticilerin karar vermesini ko- gi, iş profesyonelleri için çok anlamlı, yararlı veya laylaştırmak için bilişim sistemlerinin kullanılması, değerli değildir. İnsanlar yüksek kalitede bilgiye, bilişim teknolojilerinin kullanımının yaygınlaşma- yani özellikleri veya nitelikleri ile kendileri için sında başlıca itici güçlerden biri olmuştur. Bununla daha değerli bilgiye ihtiyaç duyarlar. birlikte, hem akademik hem de iş çevresinde, Yö- netim Bilişim Sistemleri (YBS), Karar Destek Sis- Yöneticiler, kaliteli ve doğru bilgilerle bile kötü temleri (KDS) ve Üst Yönetim Destek Sistemleri kararlar alabilirler. Önceden de bahsedildiği gibi (ÜYDS) sayesinde geleneksel yönetim odağının yönetim filtreleri karar vermeyi olumsuz yönde et- genişlediği gözlemlenmektedir. kileyebilir. Yöneticiler, tüm insanlar gibi çevrelerin- deki dünyayı anlamak için hızla akan yoğun bilgiyi Yeni bilişim teknolojilerinin hızlı gelişimi, alt bir dizi filtreden geçirirler. Bilişsel bilim insanları, kademe yönetimin yanı sıra yönetici olmayan davranışsal iktisatçılar ve son zamanlarda nöro-ik- bireyler ve kendi kendini yöneten iş profesyo- tisatçılar, diğer insanlar gibi çoğu yöneticinin risk nellerinden oluşan ekipler için de karar desteğini değerlendirmede zayıf olduğunu, risk almaktan ka- mümkün kılmıştır. Bu eğilim, internetin yanı sıra çındığını ve somut veriler yerine sezgisel, duygusal internet şirketlerinin ve paydaşlarının, intranet ve deneysel kararlar verdiklerini ifade etmişlerdir. ve ekstranetlerinin çarpıcı büyümesiyle daha da Ayrıca çalışmalar, işletmelerin dış faktörler tarafın- hızlanmıştır. Birçok işletme tarafından uygulanan dan tehdit edilinceye kadar düşük performansı göz e-ticaret girişimleri ile birlikte, işletme çalışanla- ardı etme eğiliminde olduğunu ortaya koymak- rı, yöneticileri, müşterileri, tedarikçileri ve diğer tadır. İşletmeler zayıf performanslarının suçunu, iş ortaklarının bilgi ve karar destek kullanımlarını kötü yargıda bulunan üst veya orta yönetimi suç- ve beklentilerini de genişletmektedir. Özetle gü- lamak yerine devamlı olarak ekonomi, rekabet ve nümüz işletmeleri, tüm bileşenlerinin karar alma artan fiyatlar gibi kontrolün olmadığı, müdahale gereksinimlerini desteklemek için çeşitli kişiselleş- edemedikleri dış güçlere atmaktadır. tirilmiş ve proaktif web tabanlı analitik teknikler- le yanıt vermektedir. Örgüt kültürünün de karar vermeyi etkilediği bilinmektedir. Örgüt, yeterlilikleri ve kararlı dav- Yönetim Bilişim Sistemleri yöneticilerin ve iş ranma yetenekleri sınırlı olan yapısal bir bütündür. profesyonellerinin günlük karar verme gereksinim- Çevre değiştiğinde ve işletmelerin hayatta kalabil- lerinin çoğunu destekleyen temel enformasyonu mek için yeni iş modellerini benimsemeleri gerek- sağlamaktadır. Önceden tanımlanmış enformas- tiğinde, örgüt içindeki güçler, büyük değişiklik yon, yapılandırılmış karar vermesi gereken operas- gerektiren kararları almaya direnç gösterirler. Bir yonel ve taktik düzeylerindeki karar vericilerin bil- işletmede alınan karar, genellikle sorunun en iyi gi ihtiyaçlarını karşılar. Farklı ortamlarda bulunan çözümü yerine, işletmenin çeşitli çıkar gruplarının veri ve enformasyonu toplayarak, bütün hâlinde üzerinde uzlaştığı farklı amaçların dengelendiği or- yöneticiye sunmak, YBS’nin en önemli görevlerin- tak bir çözümün bileşkesidir. den biridir. 176

Bilişim Sistemleri 7 dikkat dikkat Yönetim Bilişim Sistemleri, karar vermeyi des- Kullanıcıların sistemle etkileşime girmesine, teklemek için ihtiyaç duyulan enformasyonu model oluşturmasına ve tavsiyelerde bulunma- karşılamak üzere yöneticilere istisnai, periyodik, sına olanak tanıyan güçlü bir kullanıcı arayüzü isteğe bağlı veya otomatik raporlama esasına KDS’nin başarısının önemli bir anahtarıdır. göre tanımlanmış raporlar ve yanıtlar sağlar. YBS’den farklı olarak KDS, model tabanı ve Yönetim Bilişim Sistemleri, bir örgütün önemli verileri barındıran veritabanlarına dayanır. yönetiminde kullanılan bilgilerin işlenme- KDS model tabanı, değişkenler arasındaki ilişkile- si, kullanılması ve yönetilmesini sağlayan ri matematiksel olarak ifade eden analitik işlemle- sistemler bütünüdür. ri ve yordamları kullanan modellerden oluşan bir yazılım bileşenidir. KDS model tabanı, çok daha Karar destek sistemleri, karar verme sürecinde karmaşık ilişkileri ifade etmek için çok sayıda karar yöneticilere ve iş profesyonellerine etkileşimli en- modellerini ve analitik teknikleri içerebilir. Örne- formasyon desteği sağlayan bilgisayar tabanlı bili- ğin, doğrusal programlama modelleri, çoklu regres- şim sistemleridir. Karar destek sistemleri (1) ana- yon tahmin modelleri ve sermaye bütçelemesi için litik modeller, (2) özel veri tabanları, (3) bir karar bugünkü değer modelleri yaygın olarak kullanılan vericinin kendi içgörüleri ve kararları ve (4) yarı ya- modellerdir. Bu modeller, elektronik tablo, şablon- pılandırılmış ve yapılandırılmamış kurumsal karar- lar, istatistiksel ve matematiksel yordamlar ve prog- ları desteklemek için etkileşimli, bilgisayar tabanlı ram modülleri şeklinde saklanabilir. bir modelleme süreci kullanır. Belirli bir karara yö- nelik etkileşimli, analitik bir modelleme sürecinde Buna ek olarak, KDS yazılım paketleri model bi- karar vericinin kendi öngörülerini ve yargılarını da leşenlerini birleştirerek belirli karar türlerini destek- dikkate alarak kullanmak üzere tasarlanmıştır. leyen entegre modeller oluşturabilir. KDS yazılımı genellikle yerleşik analitik modelleme araçlarını içe- Karar Destek Sistemleri, yöneticilerin rir ve kullanıcıların kendi modellerini oluşturmasına karşılaştığı yarı yapılandırılmış ve yapılan- da olanak tanır. Artık birçok KDS paketinin mik- dırılmamış kararları destekleyen uyarlan- robilgisayar ve web özellikli sürümleri de mevcuttur. mış bilgiler sağlamak için KDS yazılımı, Elbette Excel gibi elektronik tablo yazılımları, daha model tabanı ve veri tabanı kullanan etki- güçlü KDS yazılımı tarafından sunulan bazı model leşimli, bilgisayar tabanlı sistemlerdir. oluşturma ve analitik modelleme olanaklarını da sağlamaktadır. Günümüz işletmelerinde KDS’nin gücünün farkına varıldıkça pek çok farklı alanda KDS’nin kullanımının yaygınlaştığı gözlenmektedir. YBS ve KDS karşılaştırması Tablo 7.2’de verilmiştir. Tablo 7.2 Yönetim Bilişim Sistemleri ve Karar Destek Sistemlerinin Karşılaştırması Sağlanan karar desteği Yönetim Bilişim Sistemleri (YBS) Karar Destek Sistemleri (KDS) Belirli sorunları veya fırsatları analiz Bilgi formu ve sıklığı Kuruluşun performansı hakkında etmek için bilgi ve karar destek Bilgi formatı bilgi vermek. teknikleri sağlamak. Bilgi işleme metodolojisi Periyodik, istisnai, isteğe bağlı ve Etkileşimli sorular ve yanıtları. otomatik raporlar. Önceden belirlenmiş, sabit format. Özel, esnek ve uyarlanabilir format. İş verilerinin çekilmesi ve İş verilerinin analitik modellenmesi kullanılmasıyla üretilen bilgiler. ile üretilen bilgiler. Kaynak: Laudon and Laudon, 2017 177

7 Karar Vermeyi Güçlendirme dikkat formansı rakamlarını içerir. Bununla birlikte KDS, Karar destek sistemleri, yarı yapılandırılmış ve bir satış yöneticisine çeşitli faktörlerdeki değişiklik- yapılandırılmamış iş kararlarını desteklemek için lerin (örneğin, promosyon gideri ve satış elemanı analitik modeller, özel veritabanları, karar verici- komisyonu vb.) satış performansı üzerindeki et- nin kendi öngörüleri ve kararları ile etkileşimli kilerini etkileşimli olarak gösterecektir. Ardından bilgisayar tabanlı bir modelleme süreci kullanır. KDS, satış performansı faktörlerinin alternatif kombinasyonlarını değerlendirme ve beklenen ge- ÖRNEK: Satış yöneticileri, satış analizi rapor- lir düzeyi, pazar payı gibi kriterlere göre sıralama ları hazırlamak için genellikle yönetim bilişim sis- yapar. Bu nedenle KDS, karar vericilerin kullandığı temlerine güvenir. Bu raporlar, ürün grubu, satış ve kontrol ettiği tek kullanımlık, hızlı yanıt veren görevlisi, satış bölgesi gibi unsurlara göre satış per- sistemler olarak tasarlanmıştır. Karar destek sistem- leri böylece belirli karar türlerini ve yöneticilerin kişisel karar verme tarzlarını ve ihtiyaçlarını doğru- dan destekleyebilir. Öğrenme Çıktısı 2 Bilişim sistemlerinin, yöneticilerin karar vermesini nasıl desteklediğini açıklayabilme Araştır 2 İlişkilendir Anlat/Paylaş Bilişim sistemleri yöneti- Yönetim Bilişim Sistemleri Bir yönetici olsaydınız bili- min her kararını destekleye- ile Karar Destek Sistemlerini şim sistemlerinden beklenti- bilir mi, tartışınız. karşılaştırarak aradaki kulla- niz neler olurdu, paylaşınız. nım farklarını yorumlayınız. İŞ ZEKASI VE İŞLETME ANALİTİĞİ TEKNİKLERİ Karar vermeyi desteklemek üzere farklı bilişim sistemleri kullanılmaktadır. Tüm bu karar destek sis- temlerinin temelinde, karar vermeyi desteklemek için veri ve analitik araçlar sağlayan bir İş Zekâsı (İZ) ve İşletme Analitiği (İA) altyapısı bulunmaktadır. Kurumlar, iş zekâsı ve işletme analitiği uygulamaları ile mevcut verileri, iş süreçleri konusunda öngörülere dönüştürerek verimliliği ve rekabet gücünü artıran stratejik iş kararları oluşturmak için kullanabilir. İş zekâsı ve işletme analitiği yaklaşımları sayesinde birlikte karar alma süresi önemli ölçüde kısalmış ve maliyetler azalmıştır. İş zekâsı sistemlerinin yaygınlaşmasının en önemli nedenlerinden biri, işletmelerin büyüyen veri hacmi ve karmaşık hâle gelen veri yapılarıdır. Genel olarak, kayıtlı veri miktarının her iki yılda bir ikiye katlandığı kabul edilmektedir. Bilgisayarlar artık bordro ve defter tutma işlevlerindeki geleneksel kullanımlardan, otomatik fabrikaların tasarımı ve yönetimi için karmaşık analitik yöntemlerin uygulanmasına kadar değişen çok farklı alanlarda kullanıl- maktadır. Günümüzde hemen hemen tüm yöneticiler bilişim teknolojilerinin işletmeleri için hayati önem taşıdığını bilmekte ve bu teknolojileri yaygın olarak kullanmaktadır. Bilişim teknolojilerinin gelişmesiyle birlikte bilgisayar uygulamaları, kayıt işleme ve izleme faaliyetle- rinden sorun analizi ve çözüm uygulamalarına dönüşmektedir. Yeni geliştirilen sistemlerin çoğu, mobil cihazlardan erişilen bulut tabanlı teknolojilerle yapılmaktadır. Veri ambarı, veri madenciliği, çevrimiçi analitik işleme (OLAP), gösterge panoları ve karar destek için bulut tabanlı sistemlerin kullanımı gibi iş zekâsı ve işletme analitiği araçları günümüzün modern yönetiminin temel taşlarıdır. Yöneticiler, en önemli görevlerinde, yani karar vermede kendilerine yardımcı olmak için yüksek hızlı, ağa bağlı bilişim sistem- 178

Bilişim Sistemleri 7 lerine sahip olmalıdır. Çoğu durumda, bu tür kararlar rutin olarak tamamen otomatik hâle getirilir ve herhangi bir yönetsel müdahale ihtiyacını ortadan kaldırır. İş zekâsı ve işletme analitiği, birçok kurum için önem kazanmaya devam etmektedir. Örneğin; banka- cılık sektöründe toplam krediler, mevduatlar veya müşterilerin işlem geçmişi gibi bilgilere hızlıca ulaşa- bilmek için iş zekâsı sistemlerinden faydalanmak gerekir. Böylece performans hedefleri belirlenerek süreç iyileştirme çalışmaları kolayca yapılabilir. İş zekâsı ile işletme analitiği arasındaki farklılıkları şu şekilde özetleyebiliriz: • İşletme analitiği, iş zekâsına göre konulara daha geniş kapsamlı yaklaşır. • İş zekâsı, işlenmemiş veriyi ölçülebilir anlamlı hâle getiren teknolojiler bütünüyken işletme analiti- ği, analiz süreçlerinde bir metin de kullanabilir. • İş zekâsının bir sonucu olarak “dashboard” denilen gösterge panoları oluşturulur. İşletme analitiği ise bütün bu çıktıları kapsayarak karar sürecini de bünyesine dâhil eder. • İş zekâsı ne oldu, ne olmakta ve neden oldu gibi soruların cevabını görsel olarak grafikler üzerinden verir. Bu sorulara örnek olarak “Satışlar arttı mı, azaldı mı?”, “Azaldıysa neden azaldı, ne zaman azaldı?” gibi sorular verilebilir. İşletme analitiği ise “Ne olabilir?” sorusunu sorar. Örneğin; “Gele- cekte bu ürünün durumu ne olur?”, “Müşterinin ürünü alma ihtimali nedir?”, “Ürünü satmak için ne yapılması gerekir?” gibi ileriye ve optimizasyona yönelik sorulara yanıt arar. Şekil 7.3’te iş zekâsı ve işletme analitiği süreci sonunda elde edilen sonuçları gösterge panosu üzerinde inceleyen bir yönetici görüntülenmektedir. Yöneticiler, ortaya çıkan bilgiler ışığında işletmenin önünü açacak yeni stratejiler belirleyebilir. Şekil 7.3 İş Zekâsı ve İşletme Analiği sonuçlarını gösterge panosu üzerinde inceleyen bir yönetici İş Zekâsı İş Zekâsı (business intelligence, BI), işletmelerin gelecek hakkında daha doğru kararlar alabilmesi için geçmiş ve mevcut zaman verilerini toplayarak çeşitli yazılımlar yardımıyla bu verilerin anlamlı bilgilere dönüşmesini sağlayan veri yönetim süreçleridir. 179

7 Karar Vermeyi Güçlendirme İş zekâsının, 1960’ta başlayan ve 1980’lerin İş zekâsı, büyük veriler de dâhil olmak üzere ortasına kadar gelişen karar destek sistemlerinden işletmenin çevresinden elde ettiği verilerin depo- hareketle geliştirildiği söylenebilir. Howard Dres- lanması, entegre edilmesi, raporlanması ve analiz ner, 1989 yılında İş Zekâsı terimini, “gerçeğe daya- edilmesi için gerekli olan altyapıyı tanımlamak lı destek sistemleri kullanarak ticari karar vermeyi için kullanılan bir terimdir. İşletme altyapısı ilgili iyileştirmeye yönelik kavramlar ve yöntemler” ola- bilgileri toplar, depolar, ayıklar ve yöneticiler için rak tanımlamıştır. Bugün iş zekâsı, bir işletmenin kullanılabilir hâle getirir. stratejisini belirleme ve uygulamada ihtiyaç duyu- lan kritik bir unsur olarak kabul edilmektedir. Büyük üreticilerin sunduğu ve işletmelerin za- man içinde geliştirdiği donanım, yazılım ve yöne- İş zekâsı, işletmenin amaçlarına ulaşması için tim yeteneklerini vurgulayan bir iş zekâsı ortamına elde ettiği verileri anlamlı ve kullanışlı bilgiye genel bir bakış Şekil 7.4’te gösterilmektedir. Bu iş dönüştüren teoriler, metodolojiler, süreçler, zekâsı ortamında “İş çevresinden veriler”, “İş zekâsı mimariler ve teknolojilerin bir kümesidir. altyapısı”, “İşletme analitiği araçları”, “Yöneticiler ve yöntemler”, “Platform” ve “Kullanıcı arayüzü” olmak üzere altı öge yer almaktadır: İş Çevresinden Veriler: İş Zekası Altyapısı: Çağrı merkezleri Web verileri Veritabanları Mobil cihazlar Veri ambarları Sosyal medya verileri Ticari veriler Depolar Analitik platformlar Tedarikçiler Hükümet ve İşletme Analitiği Araçları: Ekonomik veriler Modeller Veri madenciliği Kullanıcı Arayüzü: Çevrimiçi analitik süreçler (OLAP) Raporlar Raporlama ve sorgulama araçları Göstergeler Büyük veri analitiği Karneler Masaüstü Yöneticiler ve Yöntemler: Mobil İş stratejisi Web portalı Performans yönetimi Sosyal medya Kurumsal karne Kestirimler Platform: YBS (MIS) KDS (DSS) UYDS (ESS) Şekil 7.4 İş zekâsı ortamı ve ögeleri Kaynak: Laudon and Laudon, 2017 İş zekâsı ortamının ögeleri daha detaylı bir şekilde aşağıda açıklanmaktadır: 1. İş çevresinden elde edilen veriler: İşletmeler, büyük veriler de dâhil olmak üzere birçok farklı kaynaktan hem yapılandırılmış hem de yapılandırılmamış verilerle ilgilenmelidir. Verilerin karar vericiler tarafından analiz edilebilmesi ve kullanılabilmesi için bir araya getirilmesi ve organize edilmesi gerekir. 180

Bilişim Sistemleri 7 2. İş zekâsı altyapısı: İş zekâsının temelini tılı veri içeren bir rapora nazaran verilerin oluşturan, işi yürütmek için ilgili tüm ve- grafik, eğilim çizgileri ve renklerle sunumu rileri yakalayan güçlü bir veri tabanı siste- daha etkili olabilir. Günümüzün iş zekâsı ya- midir. Veriler, işlem veritabanlarında sakla- zılımları, zengin grafikler, tablolar, gösterge nabilir veya bir işletme veri ambarına veya tabloları ve haritalar gibi veri görselleştirme birbiriyle ilişkili veri gruplarına birleştirile- araçlarına sahiptir. Ayrıca akıllı telefon, tab- bilir ve entegre edilebilir. let ve diğer mobil cihazlar ile işletmenin web portalından bilgi ve raporlara erişilebilmek- 3. İşletme analitiği araçları: Verileri analiz tedir. İşletme analitiği yazılımları, yüz yüze etmek ve raporlar oluşturmak, yöneticiler toplantıdan ziyade çevrimiçi grup ortamında tarafından yöneltilen soruları yanıtlamak ve karar almayı desteklemek için Twitter, Face- performansın temel göstergelerini kullana- book gibi sosyal medyada bilgi yayınlama rak işletmenin ilerlemesini izlemek için bir yetenekleri de sunabilmektedir. dizi yazılım seti kullanılır. İşletme Analitiği 4. Yönetsel kullanıcılar ve yöntemler: İş İşletme Analitiği (İA) (business analytics) kesti- zekâsı donanım ve yazılımı, yalnızca bun- ları kullanan insanlar kadar zekidir. Yöne- rim modelleme ve optimizasyon gibi çözümler ile ticiler, stratejik iş hedeflerini tanımlayan ve iş süreçlerini en verimli hâle getirerek işletmelerin ilerlemenin nasıl ölçüleceğini belirleyen çe- performansını keşfetmesini sağlayan bir metodolo- şitli yönetsel araçlar kullanarak veri analizi- jidir. Birçok farklı disiplinden faydalanan İşletme ni düzenler. Bunlar arasında iş performansı Analitiği, veriden bilgiye erişmenin hem sanatı yönetimi ve temel performans göstergeleri- hem de bilimidir. İşletme analitiği, bilgiyi nasıl der- ne odaklanan dengeli puan kartı yaklaşım- lediğimizi ve iş kararlarını nasıl verdiğimizi doğru- ları ve rakiplere özel önem verilerek genel dan etkileyebilmektedir. iş ortamındaki değişikliklere odaklanan en- düstri stratejik analizleri yer almaktadır. Üst İş zekâsı ve işletme analitiği, karar vericilere yönetimin gözetimi olmaksızın; iş analizi, doğru, neredeyse gerçek zamanlı bilgi sunabilmek- yanlış konulara odaklanan ve dikkati gerçek te ve analitik araçlar, bilgileri hızlı bir şekilde anla- sorunlardan uzaklaştıran çok sayıda bilgi, malarına ve harekete geçmelerine yardımcı olmak- rapor ve çevrimiçi ekran oluşturabilir. tadır. İş zekâsı sistemlerinin bu amaçlara ulaşmak için sunduğu altı analitik araç vardır: 5. Dağıtım platformu (YBS, KDS, ÜYDS): İş zekâsı ve iş analitiği sonuçları, işlerini 1. Üretim raporları: Sektöre özgü gereksinim- yapmak için neleri bilmeleri gerektiğine lere dayalı önceden tanımlanmış raporlardır. bağlı olarak yöneticilere ve çalışanlara çeşit- li şekillerde sunulur. YBS, KDS ve ÜYDS, 2. Parametreli raporlar: Kullanıcılar, verileri işletmedeki farklı kişi ve seviyelere yani filtrelemek ve parametrelerin etkilerini izole bölüm başında tanımladığımız operasyo- etmek için özet (pivot) tabloda olduğu gibi nel çalışanlar, orta düzey yöneticiler ve üst birkaç parametre girer. Örneğin, bir ürün düzey yöneticilere bilgi sağlar. Geçmişte satışının bölgeye ve saate göre nasıl değiş- bu sistemler veri paylaşamıyor, bağımsız tiğini anlamak için bölge ve günün saati sistemler olarak işletiliyordu. Bugün, bir iş girilmek istenebilir. Bu bulgu, her bölgede zekâsı ve analiz paketi biçimindeki bir do- farklı pazarlama ve reklam kampanyalarının nanım ve yazılım araçları paketi, tüm bu yapılmasına neden olabilir. bilgileri entegre edebilmekte ve yöneticile- rin masaüstü veya mobil platformlarında 3. Gösterge panosu (dashboards): Kullanıcı- yer alabilmektedir. lar tarafından tanımlanan performans verile- rini sunmak için kullanılan görsel araçlardır. 6. Kullanıcı arayüzü: Mobil cihazların ve in- ternetin sunduğu olanaklar sayesinde çalışan- 4. Özel sorgu / arama / rapor oluşturma: lar artık sadece ofislerinde bilgisayar başında Kullanıcıların sorgulara ve aramalara daya- değiller. Çok sayıda satır ve sütunda ayrın- lı olarak kendi raporlarını oluşturmalarına olanak tanır. 181

7 Karar Vermeyi Güçlendirme 5. Detaylı inceleme (drill down): Yüksek dü- işletme analitiği için önemli bir aşamadır. Klasik zeyli bir özetten daha ayrıntılı bir görünüme istatistik analizinin yapay zekâ dünyasıyla buluş- geçme yeteneğidir. Veri delme, tablo, ilişki- tuğu bir kesişme noktasıdır. Tahmine dayalı ana- sel ve çok boyutlu veriler üzerindeki çeşitli litik, kurumlarda bir dönüşümü gerçekleştirme işlemlerden ve dönüşümlerden herhangi potansiyeli barındırmaktadır. Karar (prescriptive) birini ifade eder. Terimin çeşitli bağlamlar- analitiği bir karar problemi için uygun veya en da yaygın kullanımı vardır, ancak öncelikle iyi karar seçeneğinin belirlenmesine yönelik öne- veri analizi için özel olarak tasarlanmış özel ri içeren yöntem ve yaklaşımlardan oluşmaktadır. yazılımlarla ilişkilidir. Bu kategorideki yöntem ve yaklaşımlar optimizas- yon (eniyileme) içeren karar modelleri, yöneylem 6. Tahminler, senaryolar, modeller: Stan- araştırması ve yönetim bilimi adı altında geliştiril- dart tahmin araçlarını kullanarak doğrusal miş teknikleri içerir. tahmin ve eğer olursa (what if ) senaryo analizi yapma ve verileri analiz etme yete- Kestirimci analitik, gelecekteki veya başka neğini içerir. türlü bilinmeyen olaylar hakkında tahmin- ler yapmak için mevcut ve tarihsel gerçekleri Özet (Pivot) tablo, veri tabanı, iş zekâsı analiz eden veri madenciliği, tahmine dayalı programı ya da veri tablosu gibi, daha geniş modelleme ve makine öğreniminden çeşitli bir tabloyu özetleyen istatistik tablosudur. Bu istatistiksel teknikleri kapsar. özet, pivot tabloyu anlamlı bir şekilde grupla- yan toplamları, ortalamaları veya diğer istatis- İşletme analitiğinin önemli bir yeteneği de bir tikleri içerebilir. müşterinin bir ürün satın alma talebine yanıt ver- me olasılığı gibi gelecekteki olayları ve davranışları Gösterge paneli, belirli bir hedef veya iş sü- modelleyebilmesidir. Kestirimci analitikler, gele- reciyle ilgili temel performans göstergelerinin cekteki eğilimleri ve davranış kalıplarını tahmin genellikle bir bakışta görünümlerini sağlayan etmek için istatistiksel analiz, veri madenciliği bir tür grafik kullanıcı arabirimidir. teknikleri, geçmiş veriler ve gelecekteki koşullarla ilgili varsayımları kullanır. Gelecekteki davranış- Analitik, genel anlamda verilerdeki anlamlı ları tahmin etmek için ölçülebilen değişkenler ta- modellerin keşfi, yorumu ve iletişimi için kullanı- nımlanır. Örneğin, bir sigorta şirketi yaş, cinsiyet lan sistematik hesaplamalardır. Betimsel (descrip- ve sürüş kaydı gibi değişkenleri, otomobil kasko tive), analitik “Ne oluyor?” sorusuna cevap verir. sigortası poliçeleri düzenlerken sürüş güvenliğinin Verilerden bilgi çıkarıp özetleme ve raporlamayı belirleyicisi olarak kullanabilir. Bu tür öngörücüler içerir, geçmiş ve güncel durumlarını gösterir. Kes- toplamı, gelecekteki olasılıkları kabul edilebilir bir tirimci (predictive) analitik ise “Ne olacak?” güvenilirlik düzeyi ile tahmin etmek için öngörücü sorusuna cevap vererek verilerden bilgi çıkararak bir modelde birleştirilir. sınıflandırmayı, eğilimleri ve davranış kalıplarını tahmin etmek için kullanılır. Kestirimci analitik, Kestirimci analitikler, satış, pazarlama, finans, işletmelerin gelecekte karşılaşabilecekleri durum- sahtekârlık tespiti ve sağlık hizmetleri için çok sayı- ları önceden öngörmeyi hedefleyen yöntemlerin da iş zekâsı uygulamasına dâhil edilmektedir. En iyi bütünüdür. Bunun yanında geçmişte olduğu ka- bilinen uygulamalardan biri, finansal hizmetler ala- dar günümüzde veya gelecekte de her tür bilinme- nında kullanılan kredi puanlamasıdır. Yeni bir kre- yene uygulanabilir. Kestirimci (predictive) anali- di kartı başvurusunda bulunduğunuzda, puanlama tik, gerçek zamanlı içgörüleri ortaya çıkarmak modelleri kredi geçmişinizi, kredi başvurunuzu ve ve gelecekteki olayları tahmin etmek için geçmiş satın alma verilerinizi, gelecekteki kredi ödemele- verilerden yararlanan gelişmiş analitik tekniklerin rini zamanında yapma olasılığınızı belirlemek için kullanılmasıdır. Kestirimci analitiğin kullanımı, işletilir. 182

Bilişim Sistemleri 7 Büyük Veri Analitiği başlamıştır. Büyük veri analitiğine giren bu çabalar, Büyük veri analitiği, yöneticilerin, daha önce daha yüksek satış ve müşteri elde tutma oranlarını korumaya dönüşmektedir. erişilemeyen ya da resim, ses ve video gibi işlenmesi zahmetli verileri kullanarak daha iyi ve daha hızlı Gelecek nesil güçlü bilgisayar mimari yapıları karar vermelerini sağlamaktadır. İşletmeler, önce- olan paralel ve dağıtılmış bilgisayar sistemlerinin den kullanılmamış veri kaynaklarından bağımsız en önemli uygulamalarından biri, büyük veri ana- olarak ya da var olan kurumsal verilerle birlikte lizidir. Büyüklüklerinin ötesinde, mevcut veri kü- yeni içgörüler elde etmek için kestirimci analitik, meleri ve ilişkili uygulamalar, yöntem ve yazılım veri madenciliği, makine öğrenimi, metin analitiği geliştirmede önemli zorlukları barındırmaktadır. ve doğal dil işleme gibi gelişmiş analitik teknikleri- Büyük veri, boyutu veya türü, geleneksel ilişkisel ni kullanabilmektedir. veri tabanlarının düşük gecikme süresiyle verileri yakalama, yönetme ve işleme yeteneğinin ötesinde olan veri kümeleri için kullanılan bir terimdir. Büyük veri analitiği, farklı kaynaklardan ve dikkat terabaytlardan zetabaytlara kadar farklı boyut- Büyük veri analitiği için gelişmiş yazılımlar kul- larda yapılandırılmış, yarı yapılandırılmış ve lanılır, ancak büyük veri analitiğinde kullanılan yapılandırılmamış verileri içeren çok büyük, yapısal olmayan veriler, geleneksel veri ambarla- çeşitli veri kümelerine karşı gelişmiş analitik rına çok uygun olmayabilir. Büyük verinin yük- tekniklerin kullanılmasıdır. sek işleme gereksinimleri, geleneksel veri amba- rını da uyumsuz bir hâle getirebilir. Büyük veri analitiği, büyük hacimli verileri ana- liz ederek anlamlı sonuçlar elde etmeye yarar. Bu Veriler genellikle çok çeşitli hesaplama ve ağ büyük veri, sosyal ağlar, videolar, dijital görüntüler, yeteneklerine sahip platformlarda bulunur. Hata sensörler ve satış işlem kayıtları gibi çok çeşitli kay- toleransı, güvenlik ve erişim kontrolü ile ilgili hu- naklardan toplanmaktadır. Tüm bu verileri analiz suslar birçok uygulamada kritik öneme sahiptir. etmenin amacı, normalde görülmeyen örüntüleri Analiz görevlerinin genellikle erken teslim tarihleri ve bağlantıları ortaya çıkarmak, bunu yaratan kul- vardır ve veri kalitesi diğer uygulamalarda olduğu lanıcılar hakkında değerli bilgiler elde edebilmek- gibi büyük bir sorundur. tir. Bu yaklaşım ile işletmeler, rakiplerine karşı üstünlük kazanabilecek kararları alabilirler. Bunun Yeni ortaya çıkan uygulamaların çoğunda, bü- dışında bu analizler yardımıyla eğilimleri, öngörü- yük ölçekte çalışabilen veri odaklı modeller ve yön- leri ve atakları tespit etmek mümkündür. temler henüz tanınmamaktadır. Bilinen yöntemler ölçeklendirilebilse bile, sonuçların doğrulanması Kestirimci analitikler, sosyal medyadan ve müş- hâlâ büyük bir sorundur. Büyük veri analizi, veri teri işlemlerinden gelen veriler, sensörlerden ve ma- bilimcilerin ve diğer çeşitli kullanıcıların, gelenek- kinelerden elde edilen veriler de dâhil olmak üze- sel iş sistemlerinin üstesinden gelemediği büyük re büyük verileri kullanabilmektedir. E-ticarette, hacimli işlem verilerini ve diğer veri kaynaklarını birçok perakendeci, satın alımları teşvik etmek ve değerlendirmelerine olanak tanır. Büyük verinin stoklanacak mallar ile ilgili kararlarını yönlendir- gücünün kestirimci analitik ile birlikte kullanılma- mek için web sitesi ziyaretçilerine kişiselleştirilmiş sı ve geçmiş verilerle işlemsel verilerin karşılaştırıl- ürün önerileri yapma yeteneklerine sahiptir. Bu ması, işletmelerin yasal olmayan işlemleri tahmin ürün önerilerinin çoğu, gelir ve yaş dağılımı ben- etmelerine ve bu tür işlemlerin azalmasına yardım- zeri müşteri gruplarının davranışlarına dayanmak- cı olur. Geleneksel sistemler, çok fazla veri kaynağı tadır. Günümüzde bu önerileri daha bireysel hâle analiz edemediği için yetersiz kalabilir. getirmek için e-ticaret siteleri topladıkları büyük miktardaki çevrimiçi ve mağaza içi müşteri verile- rini sosyal medya verileriyle birlikte analiz etmeye 183

7 Karar Vermeyi Güçlendirme Araştırmalarla Özel analitik araçlar ile işlenmesi gereken İlişkilendir büyük miktarda yapılandırılmış ve yapılandı- rılmamış bilgileri içeren büyük verinin aksine Stratejik Kararlar İçin Küçük Veri küçük veri daha erişilebilir olduğu gibi kolayca Daha fazla veriye sahip olmak daha doğru aksiyon almayı sağlayabilecek hacim ve formatta. kararlar vermeyi de beraberinde getirir mi? CMO Nitekim veri tek bir bilgisayar tarafından işlene- Konseyi raporu Bringing a Human Voice to Cus- bilecek ve bir kişi tarafından anlaşılabilecek ka- tomer Choice’a göre durum pek de öyle değil. Ve- dar küçük. Küçük veri kavramı, belirli soruların riye dayalı olarak müşteri ilişkilerini geliştirmeye cevaplarını arayan pazarlamacılar için de oldukça çalışan şirketler, bunu yaparken müşterilerini ilgi çekici. Küçük veri birçok “Neden” sorusu- kaybedip kaybetmediklerini sorgulamaya baş- na yanıt verebildiği için kritik önem taşımakta. ladılar. Katılımcılar müşterinin sesini gerçekten “Müşteriler bugün neden burada?”, “Neden satın dinlemek yerine veriye dayanan varsayımlar yap- alıyorlar?”, “Neden satın almıyorlar?” gibi. Başka tıklarını ve müşterinin sesinden ziyade bu varsa- bir deyişle küçük veri, şirketlerin müşteri ihtiyaç- yımlara göre karar aldıkları kanısına vardılar. Bu larını nasıl karşılayacaklarına dair zamanında ve sorunun kolay bir çözümü olmasa da kimilerine stratejik kararlar almalarını sağlıyor. göre işe büyük veriyi küçülterek başlamak iyi bir başlangıç noktası. Bununla birlikte şirket liderleri, küçük veri Markaların müşterilerini ne kadar iyi anla- ile değer yaratabileceklerine inandıklarını belirti- dıklarını değerlendirmek gerekirse, şirketlerin yor. CMO Konseyi araştırmasına katılan pazar- düşündükleri ile müşterinin algıladıkları arasında lamacıların neredeyse yarısı (yüzde 45), küçük ciddi farklılıklar olduğunu gözlemliyoruz. veriden daha iyi müşteri içgörüleri çıkarmaya Markaların yüzde 39’u davranışsal sinyal- hazır olduklarını dile getiriyor. Diğer yandan leri ve ipuçlarını anlamada “oldukça iyi” bir iş katılımcıların yüzde 37’si, şirketlerinin küçük yaptıklarını düşünüyor ancak bazı kanallarda iş veriye dayalı gerçek zamanlı müşteri içgörüsünü zekâsını iyi kullanırken bazılarında zorlandıkla- yönetme yetkinliği konusunda şüpheli oldukları- rını kabul ediyor. Yüzde 33’ü sadece “yeteri ka- nı paylaşıyor. dar” iyi yaptıklarını söylüyor. Bu markalar müş- teriyi dinliyor, ancak müşterinin ne istediğini Önümüzdeki dönemde de müşteriler ne is- ya da neye ihtiyacı olduğunu anlamlandırmakta tedikleri ve ne zaman istedikleri hakkında ipucu zorluk çekiyor. Müşteriler bu konuda pek de bırakmaya devam edecekler, dolayısıyla veriye hoşgörülü değiller. Tüketicilerin yalnızca yüzde erişmek markalar için zor olmayacak. Ancak an- 17’si, markaların müşteri ilişkileri kurmada ve ket sonuçlarının da gösterdiği gibi, bu ipuçlarını devam ettirmede olağanüstü iş çıkardığını dü- eyleme geçirilebilir içgörülere ve kararlara dönüş- şünürken yüzde 21’i markaların bu konuda çok türmek için doğru adımları atmak oldukça zor. kötü olduğunu düşünüyor. Diğer araştırma fir- Bu yüzden bazı şirketler müşterileri için önemli malarının da bu konuyla ilgili benzer bulguları olan anları belirleyebilmek amacıyla küçük veriyi var. Forrester’ın 2018 yılındaki raporuna göre kullanmaya devam edecekler. müşteri deneyimi kalitesi son 3 senedir azalı- yor. Şirketlerin doğru veriyi toplayarak müşte- Kaynak: Yavuz Tunç. https://hbrturkiye.com/ rilerine olağanüstü deneyimler yaşatacak fırsat blog/stratejik-kararlar-icin-kucuk-veri, (23 Ni- anlarını belirleyememesi de sorunun bir parçası san 2019) Erişim Tarihi: 28.8.2020. olarak değerlendirilmekte. 184

Bilişim Sistemleri 7 Konum Analizi ve Veri Görselleştirme Coğrafi bilgi sistemi, haritaları oluşturmak Sistemleri ve görüntülemek için coğrafi veri tabanlarının yanı sıra insanların ve diğer kaynakların coğ- Günümüzde alınan kararların önemli bir bölü- rafi dağılımını etkileyen kararları destekleyen mü konum verilerine dayanmaktadır. İş zekâsı ile diğer grafik ekranları kullanan bir KDS’dir. konum analizi, cep telefonlarından konum verileri, sensörlerden veya tarama cihazlarından çıktılar ve Veri görselleştirme sistemleri, çizelgeler, grafik- haritalardan gelen veriler de dâhil olmak üzere, ve- ler ve haritalar gibi etkileşimli, üç boyutlu, grafik rilerin konum (coğrafi) bileşeninden iş bilgisi edin- formları kullanarak karmaşık verileri daha anlaşılır me yeteneğini de kapsar. biçime dönüştürür. Veri görselleştirme araçları, ve- riler grafik formundayken kullanıcıların etkileşimli Coğrafi Bilgi Sistemleri (CBS), karar vericile- olarak sıralamasına, alt bölümlere ayırmasına, bir- rin sorunları görselleştirmelerine yardımcı olacak leştirmesine ve düzenlemesine destek olur. Bu des- haritalamadan yararlanan araçlar sağlar. CBS yazı- tek, kullanıcıların etkileşimli bir bilgi keşfi ve karar lımı, insanların veya diğer kaynakların haritadaki destek sürecinde iş veya bilimsel verilerdeki örün- noktalara, çizgilere ve alanlara dağılımı ile ilgili tüleri, bağlantıları ve anormallikleri keşfetmelerine konum verilerini bütünleştirebilir. Coğrafi bilgi yardımcı olur. sistemleri ve veri görselleştirme sistemleri bilgisa- yar grafiklerini diğer KDS özellikleriyle entegre internet eden özel bir yazılım sistemidir. Birçok işletme, Tapu ve Kadastro Genel Müdürlüğü, arsa ve yeni perakende mağaza konumlarını seçmeleri- arazi sahibi olanlar veya yeni arsa, arazi sahibi ne, dağıtım rotalarını optimize etmelerine veya olacaklar için internet üzerinden parsel sorgula- hedef kitlelerinin demografik özelliklerini analiz ma hizmeti sunmaktadır. CBS için güzel bir ör- etmelerine imkân veren küresel konumlama siste- nek olan ve Parsel Sorgulama adıyla anılan sis- mi (GPS-Global Positioning System) cihazlarıyla tem tüm kullanıcılara açık bir uygulama olup birlikte CBS teknolojisini kullanmaktadır. CBS, ilgilenilen bir konum için ve parselin yerini doğal afetlere ve diğer acil durumlara müdahale görsel olarak işaretleyip, hakkında bilgi sahibi sürelerini hesaplamasına yardımcı olmak, banka- olunmasını sağlamaktadır. Sistemi incelemek ların yeni şubeler veya ATM (Automated Teller için https://parselsorgu.tkgm.gov.tr/ web sitesi- Machine) terminalleri için en iyi yeri belirlemele- ni ziyaret edebilirsiniz. rine olanak tanıyan ya da polisin, suçları en yük- sek yoğunluğa sahip yerleri belirlemesine yardımcı Veri Madenciliği ve Çevrimiçi Analitik olmak için kullanılabilir. İşleme İşletmelerin potansiyel müşterilerine ulaşabil- Veri madenciliğinin temel amacı, bilgi keşfi mesi açısından CBS önemli katkı sağlar. Potansi- olarak adlandırılan süreç aracılığıyla yöneticilere ve yel müşterilerin hangi bölgelerde yaşadığının be- iş profesyonellerine karar desteği sağlamaktır. Veri lirlenmesi, yaşadığı bölgenin özelliklerine uygun madenciliği yazılımı, kurumsal veri ambarların- hizmetlerin sunulmasına da imkân vermektedir. da analiz için hazırlanan geçmiş işletme verilerini Örneğin sigorta şirketleri için tüm yıl boyunca analiz eder ve bir işletmenin iş performansını ge- yüksek miktarda yağış alan ve sel riski bulunan liştirmesine yardımcı olabilecek verilerde gizlenen bölgelerde sele karşı sigorta paketi sunmak, pa- örüntüleri, eğilimleri ve bağıntıları keşfetmeye ça- zarlamanın amacına ulaşması açısından önem taşımaktadır. Müşteri adreslerinin koordinatlar şeklinde ifade edilmesi, müşteri verilerinin yöne- tilebilmesi ve entegre edilmesi konusunda da coğ- rafi bilgi sistemlerinin katkısı büyüktür. Entegre edilebilir ve yönetilebilir verilere sahip olmak, ge- lecekte yapılacak olan pazarlama işlemleri için de kolaylık sağlamaktadır. 185

7 Karar Vermeyi Güçlendirme lışır. Veri madenciliği yazılımı bir işletme için reg- ambarlarında ve diğer çok boyutlu veri tabanların- resyon analizi, karar ağacı, yapay sinir ağı, küme da depolanan binlerce hatta milyonlarca veri öge- tespiti veya pazar sepeti analizi yapabilir. Veri ma- si arasındaki karmaşık ilişkilerin analiz edilmesini denciliği, satın alma davranışlarını modelleyebilir, içerir. Bir OLAP oturumu, gerçek zamanlı ve çev- müşteri eğilimlerini ortaya çıkarabilir, gereksiz ma- rimiçi olarak gerçekleştirilir ve analitik veya karar liyetleri azaltabilir veya görünmeyen kârlı ilişkileri verme sürecinin bozulmaması için bir yöneticinin ve fırsatları ortaya çıkarabilir. veya analistin sorgularına hızlı yanıt verir. OLAP, konsolidasyon, detaya inme ve dilimleme ve küp Örneğin pazar sepeti analizi, veri madenciliği- oluşturma gibi aşağıda kısaca açıklanan birkaç te- nin pazarlamada kullanılan en yaygın ve kullanışlı mel analitik işlemi içerir: türlerinden biridir. Pazar sepeti analizinin amacı, müşterilerin diğer ürünlerle birlikte hangi ürün- • Konsolidasyon: Basit toplamaları veya bir- leri satın aldıklarını belirlemektir. İnsanların bir biriyle ilişkili verilerden oluşan karmaşık grup olarak hangi ürünleri satın aldığını bilmek bir gruplamaları içerebilen verilerin bir araya perakendeci veya mağazalar için çok yararlı olabi- getirilmesidir. Örneğin, satış ofisleriyle ilgi- lir. Bir mağaza bu bilgileri sık sık birlikte satılan li veriler bölge düzeyine, bölge düzeyindeki ürünleri aynı alana yerleştirmek için kullanabilir veriler de bölgesel düzeyde bir perspektif veya bu bilgileri bir katalog ve sipariş formunun sağlamak amacıyla toplanabilir. düzenini belirlemek için de kullanabilir. Doğrudan pazarlamacılar, önceki müşterilerine hangi yeni • Detaya inme (drill down): OLAP veri hi- ürünleri sunacaklarını belirlemek için sepet analiz yerarşisinde tüm yönlere doğru ilerleyebilir sonuçlarını kullanabilirler. ve konsolide veriler içeren ayrıntılı veri- leri otomatik olarak görüntüleyebilir. Bir Günümüzün küresel iş ortamının rekabetçi ve başka deyişle verilerin en fazla özetlenmiş dinamik doğası, işletme yöneticileri ve analistlerin hâlinden en ayrıntılı hâline kadar kullanı- karmaşık iş sorgularına hızlı yanıtlar verebilecek cının veriler üzerinde gezinmesine imkân bilişim sistemleri taleplerini artırmaktadır. Bilişim verir. Bu işleme detaya inme denir. Örne- sistemleri endüstrisi bu taleplere analitik veri ta- ğin, bir bölgenin satış toplamlarını oluştu- banları, veri pazarları, veri ambarları, veri maden- ran münferit ürünlerin satışlarına veya satış ciliği teknikleri ve çok boyutlu veri tabanı yapıları temsilcilerine kolayca erişilebilir. gibi gelişmeler ve Çevrimiçi Analitik İşlemeyi (On- line Analytical Processing-OLAP) destekleyen özel • Dilimleme ve küp oluşturma (slicing and sunucular ve web özellikli yazılım ürünleri ile cevap dicing): Verilere çok boyutlu bakabilme vermektedir. OLAP’ın önemli bir özelliğidir. Veri tabanı- na farklı bakış açılarından bakma yeteneği- OLAP için kaynak veriler, genellikle veri am- ni ifade eder. Satış veri tabanının bir dilimi, barlarında depolanır. OLAP verileri, tablolar yeri- bölgelerdeki bir ürün türünün tüm satışla- ne hiyerarşik olarak ve küplerde saklanır. Çözüm- rını gösterebilir. Başka bir dilim, her ürün leme amacıyla verilere hızlı erişim sağlamak için türündeki satış kanalına göre tüm satışları çok boyutlu yapıları kullanan karmaşık bir tek- gösterebilir. Dilimleme ve küp oluşturma nolojidir. Bir kuruluşun, tüm ülke veya bölgedeki genellikle eğilimleri analiz etmek ve veriler- satış toplamları gibi üst düzey özetleri görüntüle- de zamana dayalı modelleri bulmak için bir mesini ve ayrıca satışların özellikle güçlü veya zayıf zaman ekseni boyunca gerçekleştirilir. Yö- olduğu birimlerin ayrıntılarını görüntülemesini neticiler ve analistler, verileri yatay ve düşey sağlayabilir. eksenlerde çakıştırarak farklı sonuçları gör- mek isteyebilirler. OLAP, yöneticilerin ve analistlerin büyük mik- tarlarda ayrıntılı ve birleştirilmiş verileri birçok OLAP’ın gücünü tam olarak anlamanın muh- açıdan etkileşimli olarak incelemelerini ve işleme- temelen en iyi yolu, tekniğin yaygın iş uygulama- lerini sağlar. OLAP, örüntüleri, eğilimleri ve istis- larına bakmaktır. OLAP’ın gerçek gücü, büyük nai koşulları keşfetmek için veri pazarlarında, veri ölçekli veri ve modellerin birleşmesinden meydana 186

Bilişim Sistemleri 7 gelir. Bu birleşme sayesinde, yöneticiler daha önce analizini yapar. Her iki teknoloji de bir işletmenin etkili bir şekilde mücadele etmek için çok karma- verilerinde iş analizi ve karar almayı destekleyen şık olduğu düşünülen çeşitli sorunları çözebilirler. örüntülerin, eğilimlerin ve istisnai koşulların keş- OLAP’ın karmaşık sorunları çözebileceği ortak iş fedilmesine yardımcı olur. alanları şunlardır: Yeni Nesil Bilişim Sistemlerine Geçiş • Pazarlama ve satış analizi Stratejileri • Tıklama akışı verileri • Veri tabanı pazarlaması İşletmelerin iş zekâsı ve işletme analitiği yete- • Bütçeleme neklerine sahip olmasının iki farklı stratejisi var- • Finansal raporlama ve konsolidasyon dır. İlk strateji tek kaynaktan, IBM ya da HP gibi, • Kârlılık analizi önde gelen işletmelerin donanım ve yazılım sis- • Kalite analizi temlerinin birlikte sunulduğu bütünleşik çözümle- rin teminidir. İkinci strateji ise farklı donanım ve OLAP, çok boyutlu analitik sorguları hızla ya- platformlarda da çalışabilen, türünün en iyisi olan nıtlamak için kullanılan optimize edilmiş bir yazılımları SAP, SAS ve Microsoft gibi yazılım fir- veri tabanı teknolojisidir. malarından işletme ihtiyaçlarını da gözetecek şekil- de seçmektir. dikkat OLAP veri tabanları verilerin alınmasını hızlan- İlk stratejide, işletmenin tek bir kaynaktan bü- dırmak için tasarlanmıştır. Bu yaklaşım, verile- tünleşik donanım ve yazılım çözümünü birlikte rin geleneksel veri tabanında düzenlendiğinden sağlaması yüksek maliyet riski taşımaktadır. Sis- çok daha büyük miktarlarda kaynak verilerle tem, yalnızca kendi donanımlarında çalıştığından çalışılmasına imkân verir. işletmeyi satıcıların fiyatlandırma gücüne bağım- lı kılar. Bununla birlikte, küresel ölçekte teslimat Tasarlanan bir OLAP yapısının, hiyerarşisini yapabilen güçlü ve tek bir satıcıyla muhatap olma ve boyutlarını görmek mümkün olsa da verile- avantajı da sağlar. En iyi satıcı çözümleri olarak ri nasıl tuttuğunu, iki boyutlu grafikler olarak IBM ve HP gibi donanım ve yazılım çözümleri öne göstermek mümkün değildir ancak iç içe geçmiş çıkmaktadır. İkinci stratejide, işletmeler en iyi veri küpler olarak yorumlanabilir. Bu nedenle OLAP tabanı ve veri ambarı çözümlerini benimseyebilir yapılarına “küp” ya da “zar” adı verilmektedir. ve en iyi olduğuna inandıkları herhangi bir tedarik- çiden iş zekâsı ve işletme analitiği yazılımlarını ayrı OLAP, ilişkisel veri tabanlarını, rapor yazma- ayrı seçebilmektedir. Böylece daha fazla esneklik yı ve veri madenciliğini de kapsayan daha geniş ve bağımsızlık sağlanır. Ancak yazılımı, donanım iş zekâsı kategorisinin bir parçasıdır. Çok boyutlu platformuna ve diğer yazılımlara entegre etme ko- veri tabanlarında depolanan büyük miktarda veri nusunda potansiyel zorluklar ve riskler de taşır. Sa- arasındaki karmaşık ilişkileri etkileşimli olarak ana- tıcılar her zaman yazılımlarının diğer yazılımlarla liz eder. Veri madenciliği, veri ambarlarında ana- “uyumlu” olduğunu iddia etse de farklı satıcıların liz için hazırlanan büyük miktarda geçmiş verinin yazılımlarını birbirleriyle entegre etmek çok daha zahmetli de olabilir. İşletmelerin hangi stratejiyi benimsediğine bakılmaksızın, tüm iş zekâsı ve işletme analitiği sistemleri kurumları bir dizi satıcıya bağımlı hâle getirir ve sistemi başlatma çok maliyetlidir. Dün- yanın dört bir yanındaki binlerce çalışanı belirli bir araç seti kullanma konusunda eğittikten sonra de- ğişiklik yapmak ise oldukça zahmetlidir. 187

7 Karar Vermeyi Güçlendirme Öğrenme Çıktısı 3 İş zekası ve işletme analitiği tekniklerinin karar vermeyi nasıl desteklediğini açıklayabilme Araştır 3 İlişkilendir Anlat/Paylaş İş zekâsı ve işletme analiti- Farklı sektörlerde iş zekâsı İşletme analitiği yöntemle- ği, bir işletmenin gelişme- uygulamaları nasıl değişiklik rinin uygulama alanlarının sine nasıl yardımcı olabilir? gösterebilir, karşılaştırınız. çeşitliliğini tartışınız. Açıklayınız. FARKLI KARAR VERME DÜZEYLERİNDE İŞ ZEKASININ KULLANIMI Bölümün başında, üst düzey yöneticiler, orta düzey yöneticiler ve operasyonel çalışanların pek çok karar verme durumu ve farklı karar türleri ile karşı karşıya kaldıkları ifade edilmişti. Benzer sınıflandırma iş zekâsı ve işletme analitiği sistemleri için de geçerlidir. Üst düzey yöneticiler, gösterge panoları (dashboard) ve kurum karneleri gibi görsel arayüzleri kullana- rak işletme faaliyetlerini izlemek için iş zekâsını kullanma eğilimindedir. Orta düzey yöneticiler ve analist- lerin veri ve yazılıma dâhil olma, sorgu girme ve verileri farklı boyutlarda dilimleyerek inceleme olasılıkları daha yüksektir. Operasyonel çalışanlar ise müşteriler ve tedarikçilerle birlikte çoğunlukla hazır raporlara bakacaktır. İş zekâsı kullanan kesimin yüzde 80’inden fazlası, büyük ölçüde üretilmiş raporlara erişen sıra- dan kullanıcılardan oluşmaktadır. Operasyonel ve Orta Yönetim için Karar Desteği Operasyonel ve orta kademe yönetim düzeyinde genellikle, bir fabrika ortamında makinelerin çalışma süresinden, marketlerdeki günlük veya hatta saatlik satışlara, bir işletmenin web sitesindeki günlük trafiğe kadar, işletmenin kilit yönlerinin performansını izlemekle yükümlüdür. Bu yöneticilerin aldığı kararların çoğu yapılandırılmıştır. Yönetim bilişim sistemleri, genellikle bu tür karar vermeyi desteklemek için orta kademe yöneticiler tarafından kullanılır. Orta yöneticiler, bu raporları çevrimiçi olarak almakta ve olayla- rın niçin gerçekleştiğini öğrenmek için verileri etkileşimli olarak sorgulayabilmektedir. Bu düzeydeki yö- neticiler genellikle, yalnızca belirli bir bölgenin satış kotalarının beklenen bir düzeyin altına düşmesi veya çalışanların planlanan bir etkinlik için harcama sınırlarını aşması gibi özel durumları vurgulayan istisna raporları ile ilgilenir. Güçlü olarak da nitelendirilebilecek yöneticiler, kendi raporlarını oluşturmak ve verilerdeki örüntü- leri bulmak, alternatif iş senaryolarını modellemek veya belirli hipotezleri test etmek için daha karmaşık analitik yöntemler ve modeller kullanmak isteyen süper kullanıcılar ve keskin iş analistleridir. Karar destek sistemleri, bu kullanıcı kategorisi için daha çok yarı yapılandırılmış karar almayı destekleyebilen iş zekâsı dağıtım platformudur. Şekil 7.5’te çeşitli yönetim düzeyleri ve yeni nesil bilişim sistemi kulla- nımı özetlenmiştir. 188

Bilişim Sistemleri 7 Güçlü Kullanıcılar: Yetenekler Genel Kullanıcılar: Bir karar destek sistemi etkile- Üreticiler Üretim Raporları Tüketiciler şimli bir analitik modelleme süre- (Çalışanların %20’si) (Çalışanların %80’i) cini içerir. Örneğin, karar desteği için bir KDS yazılım paketinin kul- BT Geliştiricileri Parametrelerle İfade Müşteriler/Tedarikçiler lanılması, bir yönetici tarafından Edilmiş Raporlar Operasyonel çalışanlar girilen alternatif eğer-olursa (what if ) analizlerine yanıt almasını sağ- Süper Kullanıcılar Gösterge Panoları, Üst Yöneciler layabilir. Karar vericiler, önceden Kurumsal Karneler belirlenmiş bilgi talep etmedikle- ri için bu durum yönetim bilişim İş Analistleri Anlık Sorgular, Yöneticiler/Personel sistemlerinin sunduğu yanıtlardan Ayrıntılı İnceleme, OLAP farklıdır. Daha ziyade, KDS ile ola- sı alternatifleri araştırabilirler. Bu Analitik Modelleyici Kestirimler, Eğer-Olursa İş Analistleri nedenle, bilgi ihtiyaçlarını önce- Analizi, İstatiksel Modeller den belirtmek zorunda kalmazlar. Bunun yerine, karar vermelerine Şekil 7.5 Yönetim düzeyleri ve bilişim sistemi kullanımı yardımcı olmak için ihtiyaç duy- Kaynak: Laudon and Laudon, 2017 dukları bilgilere ulaşmak amacıyla KDS’yi kullanırlar. Bir karar destek sisteminin kullanılmasında dört temel analitik modelleme faaliyeti bulunmaktadır: (1) eğer-olursa analizi, (2) duyarlılık analizi, (3) hedef arama analizi ve (4) optimizasyon analizi. Karar desteği için kullanılabilecek her bir analitik modellemeye kısaca bakalım. Eğer-olursa analizinde, kullanıcı belirli değişkenlerde veya değişkenler arasındaki ilişkilerde değişiklik yapar ve diğer bağımlı değişkenlerin değerlerinde ortaya çıkan değişiklikleri gözlemler. Örneğin, bir çalış- ma tablosu (spreadsheet) kullanıldığında, basit bir finansal tablo modelinde gelirin tutarını (değişken) veya vergi oranı formülünü (değişkenler arasındaki ilişki) değiştirebilir. Ardından, hesap tablosu programın- da (Excel) tablodaki tüm etkilenen değişkenlerin anında yeniden hesaplanması sağlanabilir. Bir yönetici, tablodaki değerlerde, özellikle vergilerden sonra net kâr gibi bir değişkende meydana gelen değişiklikleri gözlemleyebilir ve değerlendirebilir. Birçok yöneticiye göre, vergi sonrası net kâr birçok karar türünde kilit faktördür. Bu tür analizlerde yönetici, çeşitli olası kararların etkileriyle ilgili sonuçlardan memnun olana kadar araştırma tekrarlanabilir. Duyarlılık analizi, eğer-olursa analizi için özel bir durumdur. Tipik olarak, sadece bir değişkenin değeri tekrar tekrar değiştirilir ve diğer değişkenlerde meydana gelen değişiklikler gözlenir. Bu nedenle, duyarlılık analizi gerçekten bir seferde sadece bir değişkende tekrarlanan değişiklikleri içeren bir “eğer” analizi örne- ğidir. Bazı KDS paketleri, duyarlılık analizi yapmaları istendiğinde otomatik olarak bir değişkende küçük değişiklikler yapar. Tipik olarak, karar vericiler, belirli kilit değişkenlerin değerini tahmin etmede yapılan varsayımlardan emin olmadıklarında duyarlılık analizi kullanırlar. Yukarıda açıklanan hesap tablosu örne- ğinde, gelirin değeri küçük artışlarla art arda değiştirilebilir ve diğer tablo değişkenleri üzerindeki etkiler gözlemlenip değerlendirilebilir. Bu süreç, yöneticinin çeşitli gelir düzeylerinin, dikkate alınan kararlarda yer alan diğer faktörler üzerindeki etkisini anlamasına yardımcı olacaktır. Hedef arama analizi, eğer-olursa ve duyarlılık analizlerinde yapılan analizin yönünü tersine çevirir. De- ğişkendeki değişikliklerin diğer değişkenleri nasıl etkilediğini gözlemlemek yerine, hedef arama analizi (na- sıl yapılır analizi olarak da adlandırılır) bir değişken için bir hedef değer belirler ve ardından hedef değere ulaşılana kadar diğer değişkenleri tekrar tekrar değiştirir. Örneğin, bir işletme girişimi için vergi sonrası net kârda 2 milyon TL bir hedef değer belirtilmiş olsun. Ardından, 2 milyon TL bir sonuç elde edene kadar bir tablo modelindeki gelir veya giderlerin değeri sürekli olarak değiştirilebilir. Böylece, girişimin vergi sonrası kârda 2 milyon TL hedefe ulaşmak için ihtiyaç duyduğu gelir veya giderlerin seviyesi bulunabilir. Bu tür analitik modelleme, “Geliri veya giderleri değiştirirsek ne olur?” sorusu yerine “Vergilerden sonra net kârda nasıl 2 milyon TL elde edebiliriz?” sorusunu cevaplamaya yardımcı olur. 189

7 Karar Vermeyi Güçlendirme Optimizasyon analizi, hedef arama analizinin dikkat daha karmaşık bir uzantısıdır. Amaç, bir karar de- YBS yöneticinin, bilgilere daha çabuk ve yö- ğişkeni için belirli bir hedef değer atamak yerine, netsel raporlara doğrudan erişimini sağlayarak mevcut kısıtlar göz önüne alındığında bir veya yalnızca bilgi ihtiyaçlarını gidermektedir. Yö- daha fazla amaç değişkeni için optimum değeri neticiye bugün örgütün ne durumda olduğunu bulmaktır. Ardından, hedef değişkenler için en gösterirken gelecekte nasıl olabileceği konusun- iyi değerleri bulana kadar, belirtilen kısıtlamala- da yeterince yardımcı olmaz. ra tabi olarak bir veya daha fazla değişken sürekli olarak değiştirilir. Örneğin, seçilen gelir kaynak- Üst yönetim destek sistemleri geliştirme fikri, ları ve gider kategorileri için değerleri değiştirerek yöneticileri bilgisayarlar konusunda üst düzeyde elde edilebilecek mümkün olan en yüksek kâr se- bilgilendirmek yerine, bilgisayarları yönetimle viyesini belirlemeye çalışabilirsiniz. Bu karar de- ilgili bilgilerle donatarak yönetsel zekâya kovuş- ğişkenleri, bir üretim sürecinin sınırlı kapasitesi turmak düşüncesinden doğmuştur. Üst yönetim veya mevcut finansmanın sınırları gibi kısıtlama- destek sistemleri ilk geliştirildiklerinde, odak lara tabi olabilir. Optimizasyon genellikle Micro- noktası üst yönetimin stratejik bilgi ihtiyaçları- soft Excel’deki Çözücü (Solver) eklenti aracı gibi nı karşılamaktı. Bu nedenle, üst yönetim destek yazılımlar ve doğrusal programlama gibi optimi- sisteminin ilk hedefi, üst düzey yöneticilere, bir zasyon teknikleri için diğer yazılım paketleri kul- işletmenin kritik başarı faktörlerini yani bir iş- lanılarak gerçekleştirilir. letmenin stratejik hedeflerine ulaşmak için kritik olan kilit faktörler hakkındaki bilgilere anında ve Geçmişte, bu modellemelerin çoğu elektronik kolay erişim sağlamaktır. Bu aşamada, yönetici- tablolar ve bağımsız yazılımlarla yapılmıştır. Gü- lerin ihtiyaç duyduğu gerçekten önemli bilgileri nümüzde bu yetenekler, büyük kurumsal veri ta- anlamak için önde gelen metodoloji, “Kurumsal banlarında bulunan verileri analiz edebilen büyük Karne” yaklaşımıdır. kurumsal iş zekası sistemlerine dâhil edilmiştir. Kurumsal karne (Balanced Scorecard), bir Üst Yönetim için Karar Desteği işletmenin stratejik planını, işletme performan- Üst Yönetim Destek Sistemi (ÜYDS), karar sının dört boyutuna odaklayan bir sistemdir. Bu dört boyut; “Finans ve Risk”, “Süreç ve Ve- verme gereksinimlerini ve üst düzey yönetsel bilgi- rimlilik”, “Müşteri ve Satış” ile “İnsan Kaynağı” yi destekleyen ve kolaylaştıran sistemlerdir. Amacı, başlıkları altında ele alınır. Kurumsal karnenin stratejik karar verme işini gerçekleştiren yöneticile- her bir boyutunda işletmenin ne kadar iyi per- rin işletmenin kârlılığını ve başarısını etkileyen ger- formans gösterdiğini anlamak için üst yönetim çekten önemli performans bilgilerine odaklanması- tarafından önerilen ölçüm araçları olan Kilit Per- na yardımcı olmaktır. Örgütsel amaçlar için konu formans Göstergeleri (KPG) kullanılır. “Müşteri ile ilgili iç ve dış bilgiye kolay erişim olanağı sağlar. ve Satış” boyutunda, etkin ve gelir yaratan satış ÜYDS geliştirmenin iki önemli aşaması vardır: faaliyetleri ile müşteri memnuniyeti izlenmekte- dir. “Finans ve Risk” boyutunda sürdürülebilir 1. Yöneticilerin ihtiyaç duyduğu işletme için kârlılık ve etkin risk izlenmektedir. “Süreç ve Ve- gerçekten önemli performans bilgilerinin rimlilik” boyutu etkili ve yalın süreç yönetimini tam olarak ne olduğunu anlamak için bir kapsamaktadır. “İnsan Kaynağı” boyutu çalışan metodoloji oluşturmak. memnuniyeti ile işletmeye olan bağlılığı artırma- yı hedeflemektedir. Kurumsal karnenin dört bo- 2. Bu bilgileri doğru insanlara zamanında tes- yutu ve örnek kilit performans göstergeleri Şekil lim edebilecek etkin sistemler geliştirmek. 7.6’da gösterilmektedir. Üst Yönetim Destek Sistemleri (ÜYDS), yö- netim bilişim sistemlerinin ve karar destek sis- temlerinin birçok özelliğini bir araya getiren bütünleşik sistemlerdir. 190

Bilişim Sistemleri 7 Müşteri ve Satış: Finans ve Risk: Süreç ve Verimlilik: • Teslimat performansı • Nakit akışı • Faaliyetlerin sayısı • Kalite performansı • Yatırımın geri dönüşü • Prosess süreleri • Müşteri memnuniyeti • Finansal durum • Kaza oranları • Müşteri sadakati • Kapitalin geri dönüşü • Kaynakların etkinliği • Müşteriyi elde tutma • Özvarlık verimliliği • Ekipman verimliliği Kurum Strateji ve Amaçları İnsan Kaynağı: • Yatırım oranı • Hastalık oranı • Promosyon oranı • Personel çevrimi • Cinsiyet oranları Şekil 7.6 Kurumsal karnenin dört boyutu ve kilit performans göstergeleri Kaynak: Laudon and Laudon, 2017 dikkat olarak izlenmesine çalışılır. Stratejiler ve hedefler Kurumsal karne, İngilizce’de “balanced score- belirlendikten sonra, hedeflere doğru ilerlemeyi öl- card” olarak tanımlanmıştır. Farklı boyutları çen bir dizi kilit performans göstergeleri geliştirilir. içerdiği için yöneticilerin finansal performans- İşletmenin performansı daha sonra veritabanından tan daha fazlasına odaklanmasını sağlar, bu yüz- alınan bilgilerle ölçülür. Burada ölçümler sayısal den dengeli olduğu düşünülmektedir. bilgilere dayanmalıdır. Bir başka deyişle yönetici- lerin kendi kişisel değerlendirmelerinden ziyade Kurumsal Karne ile yapılmak istenen niceliksel ölçümü sayısal olarak yapılabilecek ölçüm kriter- bir ölçüm değil, kurum stratejilerinin uygula- leri belirlenmelidir. KPY, kurum karnesi ile ben- maya alınması ve operasyonel olarak yönetilmesi zer fikirleri kullanır, ancak daha güçlü bir strateji sürecine geçilmesidir. odağına sahiptir. Kurum karnesi üst düzey yöne- ticiler tarafından geliştirildikten sonra, bir sonraki Kurumsal karne ile tüm örgüt kademeleri, stra- adım, kilit performans göstergelerinin her biri için teji ile uyumlu hâlde yürütülür, yönetim mevcut yöneticilere bilgi akışını otomatikleştirmektir. Bu durum ve hedefler doğrultusunda tam kapsamlı sistemler uygulandığında, genellikle ÜYDS olarak bilgi sahibi olur, çalışanlar işletmenin stratejileri ile adlandırılırlar. uyumlu bir şekilde çalışır, işletme içinde etkin bir geri bildirim ağı sağlanır. Bir üst yönetim destek sisteminde yöneticilerin tercihlerine göre hazırlanmış formlar da bulun- Kurumsal karne ile yakından ilişkili bir diğer maktadır. Örneğin, çoğu üst yönetim destek siste- popüler yönetim metodolojisi de Kurumsal Perfor- mi, grafik kullanıcı arayüzü ve yöneticilerin bilgi mans Yönetimi’dir (KPY). Kurumsal performans tercihlerine göre özelleştirilebilen grafik ekranlara yönetimde, bir işletmenin stratejilerini sistematik sahiptir. Üst yönetim destek sistemi tarafından olarak operasyonel hedeflere dönüştürerek düzenli kullanılan diğer bilgi sunum yöntemleri, istisnai raporlama ve trend analizidir. Yöneticilerin, ihtiyaç duydukları bilgi görüntülerini daha düşük ayrıntı düzeylerinde ve hızlı bir şekilde almasına olanak 191

7 Karar Vermeyi Güçlendirme Şekil 7.7 Üst Yönetim Destek Sistemi Kullanım Örneği veren detaya inme yeteneği de bir başka önemli özelliktir. Şekil 7.7’de bir bilgisayar ve akıllı telefon üzerinde kilit performans göstergelerini inceleyen bir yönetici görün- tülenmektedir. İyi tasarlanmış ÜYDS, üst düzey yöne- ticilerin örgütsel performansı izlemelerine, rakiplerin faaliyetlerini takip etmelerine, de- ğişen pazar koşullarını tanımalarına, sorun ve fırsatları belirlemelerine yardımcı olur. Örgütün daha alt kademelerinde çalışanlar ise bu sistemleri kendi sorumluluk alanla- rındaki iş performansını izlemek ve ölçmek için de kullanabilmektedir. dikkat ÜYDS ve diğer iş zekâsı sistemlerinin gerçekten yararlı olabilmesi için bilgilerin; eyleme geçirilebilir, kolayca erişilebilir ve karar verirken kolay kullanılabilir olması gerekir. Kullanıcılar, aldıkları raporlardaki kritik değerleri tanımlamakta zorluk çekiyorsa çalışanların üretkenliği ve iş performansı düşecektir. Yaşamla İlişkilendir Mahalle Bakkalından Veri Analizi Hikayesi 1990’lı yılların başında perakende sektörü henüz zincir mağazaları sayesinde tüm pazarı ele geçir- memişken gündelik alışverişimizi köşedeki mahalle bakkalından yapıyorduk. Her mahalle bakkalının da olmazsa olmazı, bir kara kaplı defteri olurdu. Bizim mahallenin köşesindeki bakkalımız ise o veresiye defterinin yanı sıra bir başka defter daha tutuyordu. O yıllarda ticaretin ne olduğunu anlamaya çalışan meraklı bir çocuk olarak bir gün kendisine diğer defterde ne olduğunu sordum. Bana o defterde birçok şeyi not aldığını söyledi. İlk olarak müşterilerinin sorduğu ve dükkanında bulamadıkları ürünleri not alıyordu. Bu notları belirli aralıklarla inceleyerek satacağı ürünlerin listesine karar veriyordu (pazar tale- bi analizi), sonra çevredeki bakkallara arada uğrayarak satılan ürünlerin fiyatlarını not alıyordu (rekabet analizi), her bir ürünün alış fiyatlarını da not alarak satış fiyatlarına karar veriyordu (maliyet analizi). O yıllarda yakın çevrede en uzun süre ayakta kalmayı başaran, hatta işlerini bile büyüten bu bakkalın sırrı- nı herkes konuşuyor ve nedenini anlamaya çalışıyordu. Oysaki çok basit bir şeyi keşfetmişti: Veri analizi. İnsan algısı ve beyninin 3 boyutla sınırlandırılması sonucunda daha fazla boyuttan oluşan bir veri yapısının algılanması imkansız görülmektedir. İşletme sahipleri ya da yöneticilerin verilerini algılamaları ve yönetebilmeleri için de boyutlarında indirgeme yapılması gerekli. Bunun ilk adımı ve en basit yolu da verilerin görselleştirilmesidir. Son zamanlarda sıklıkla karşımıza çıkan bir kavram gibi dursa da veri gör- selleştirme aslında uzun yıllardır hayatımızda var olan bir kavram. 2025 yılı itibarıyla birlikte üretilen verinin boyutunun 160 zetabayt olacağı tahmin ediliyor. Veri boyutunun artması ve insan algısının 3 boyutun üzerini yorumlayamaması ister istemez verilerin anlamlı hâle getirilmesi ihtiyacını oluşturuyor. Bu noktada veri görselleştirme süreci devreye giriyor. 192