İş Zekasından İş Analitiğine: Evrim, Değer Yaratma ve Gelecek Trendleri

1. Giriş

İş Analitiği (BA), geleneksel İş Zekası'ndan (BI) önemli bir evrimi temsil ederek, odak noktasını geçmiş performansın betimleyici raporlamasından, geleceğe yönelik karar alma için tahmine dayalı ve öngörülü içgörülere kaydırmaktadır. Bu makale, özellikle Çinli perakende işletmelerinin karşılaştığı dijital dönüşüm zorlukları bağlamında bu dönüşümü inceler. Yazar, SAP, ERP ve bulut hizmetleri (IaaS, SaaS, PaaS) gibi BA araç ve stratejilerinin rekabet avantajı ve iş değeri yaratmada nasıl rol oynadığını analiz etmek için hem akademik araştırmalardan hem de bir danışmanlık stajından edindiği pratik deneyimden yararlanmaktadır.

Temel argüman, BI'nın verileri standartlaştırarak ve geçmiş trendleri raporlayarak gerekli bir temel sağlarken, BA'nın organizasyon genelinde dağıtılmış, girişimci ve bağlama özgü değer yaratmayı mümkün kıldığını, sadece optimizasyonun ötesine geçerek stratejik öngörü sağladığını öne sürmektedir.

2. Analiz

3. Teknik Çerçeve ve Matematiksel Temel

BA'nın tahmine dayalı çekirdeği genellikle istatistiksel ve makine öğrenimi modellerine dayanır. Temel bir kavram, tahmin için doğrusal regresyondur ve şu şekilde ifade edilir:

$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + ... + \beta_n X_n + \epsilon$

Burada $Y$ hedef değişken (örneğin, gelecek çeyreğin satışları), $X_i$ tahmin edici değişkenler (örneğin, pazarlama harcaması, mevsimsellik), $\beta_i$ geçmiş verilerden öğrenilen katsayılar ve $\epsilon$ hata terimidir. Daha gelişmiş BA, karar ağaçları, rastgele ormanlar (bir topluluk yöntemi) ve sinir ağları gibi teknikleri kullanır. Model seçimi, problemin doğasına, veri yapısına ve gereken yorumlanabilirliğe bağlıdır.

Model performansı tipik olarak, regresyon için Ortalama Karekök Hata (RMSE): $RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i - y_i)^2}$ veya sınıflandırma problemleri için ROC Eğrisi Altındaki Alan (AUC) gibi metrikler kullanılarak değerlendirilir.

4. Deneysel Sonuçlar ve Performans Metrikleri

PDF belirli sayısal sonuçlar sunmasa da, BA benimsemenin ölçülebilir sonuçları olduğunu ima etmektedir. Benzer sektör çalışmalarına dayanarak, tipik deneysel bulguları şu şekilde tanımlayabiliriz:

Grafik Açıklaması: Varsayımsal bir çoklu çizgi grafiği, 24 aylık bir dönemde üç trendi gösterecektir: 1) Geleneksel BI Raporlama Gecikmesi (istikrarlı, yüksek hata), 2) BA Tahmine Dayalı Model Hatası (keskin bir şekilde azalan ve daha düşük bir seviyede istikrara kavuşan) ve 3) İş KPI'sı (örneğin, Kar Marjı) (BA uygulaması sonrasında ilişkili pozitif bir trend gösteren). Grafik, BA yatırımlarının zaman gecikmeli değer gerçekleşmesini görsel olarak göstermektedir.

5. Analitik Çerçeve: Kod İçermeyen Bir Örnek

Envanter israfını azaltmayı amaçlayan bir perakende zincirini düşünün. Bir BI yaklaşımı, geçmiş stok seviyelerini, satış oranlarını ve mağaza başına israfı gösteren bir gösterge paneli oluşturur.

BA Çerçevesi (CRISP-DM uyarlaması):

1. İş Anlayışı: Hedef: 6 ay içinde bozulabilir ürün israfını %20 azaltmak.
2. Veri Anlayışı: POS sistemlerinden (satışlar), envanter yönetiminden (stok seviyeleri), tedarik zincirinden (teslimat süreleri) ve harici verilerden (yerel hava tahminleri, tatil takvimleri) verileri entegre edin.
3. Veri Hazırlama: Verileri temizleyin, eksik değerleri işleyin, "haftanın_günü", "tatil_mi", "sıcaklık" ve "geçmiş_satış_trendi" gibi özellikler oluşturun.
4. Modelleme: Her bir ürün-mağaza kombinasyonu için günlük talebi tahmin etmek için bir regresyon modeli (Bölüm 3'teki gibi) kullanın. $Talep_{ürün,mağaza} = f(geçmiş satışlar, gün, hava durumu, promosyonlar)$.
5. Değerlendirme: Modeli geçmiş veriler üzerinde geriye dönük test edin. Doğruluğu RMSE ile ölçün. Eski sezgisel yönteme göre %30'luk bir iyileşme sağlanırsa devam edin.
6. Dağıtım ve Eylem: Modelin günlük tahminleri, mağaza yöneticileri için önerilen sipariş miktarlarını otomatik olarak oluşturur. Sistem, basit betimlemenin ötesine geçerek eylemleri öngörür.

6. Gelecekteki Uygulamalar ve Gelişim Yönleri

BA'nın gidişatı birkaç önemli sınıra işaret etmektedir:

• Artırılmış Analitik: Veri içgörüsü üretimini otomatikleştirmek için Yapay Zeka ve Doğal Dil İşleme'den yararlanarak BA'yı uzman olmayanlar için erişilebilir hale getirmek (Gartner'ın en önemli trendi). Araçlar hipotezler önerecek ve verilerden anlatılar oluşturacak.
• Gerçek Zamanlı Öngörülü Analitik: Toplu işlenmiş tahminlerden, dinamik fiyatlandırma veya dolandırıcılık tespiti gibi operasyonların sürekli, gerçek zamanlı optimizasyonuna geçiş.
• Nesnelerin İnterneti (IoT) ile Entegrasyon: Üretim, lojistik ve akıllı mağazalardaki sensörlerden gelen devasa veri akışlarını, tahmine dayalı bakım ve hiper-bağlamsal müşteri deneyimleri için analiz etmek.
• Etik Yapay Zeka ve Açıklanabilir Yapay Zeka (XAI): Modeller daha karmaşık hale geldikçe, adil, önyargısız olmalarını ve kararlarının yorumlanabilir olmasını sağlamak, düzenleyici uyumluluk ve güven için kritik olacaktır.
• Demokratikleşme: Bulut tabanlı BA platformları (SaaS), giriş engellerini düşürmeye devam ederek, KOBİ'lerin daha önce sadece büyük şirketlerin erişebildiği gelişmiş analitikten yararlanmasını sağlayacak.

7. Kaynaklar

1. Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Review Press.
2. Shanks, G., & Seddon, P. B. (2000). Editorial: The ERP Systems Phenomenon. Journal of Information Technology.
3. El Sawy, O. A., & Pavlou, P. A. (2008). IT-Enabled Business Capabilities for Turbulent Environments. MIS Quarterly Executive.
4. Gartner IT Glossary. (2023). Business Intelligence and Analytics. Retrieved from Gartner.com.
5. Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly.
6. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (Analitik tekniklerin en ileri düzey geleceğini temsil eden gelişmiş, üretken YZ modelleri örneği olarak alıntılanmıştır).
7. McKinsey Global Institute. (2021). The data-driven enterprise of 2025. McKinsey & Company.

8. Uzman Analizi ve Eleştirel Görüşler