Karar Destek Sistemleri

KDS, yöneticilere yarı yapısal ve yapısal olmayan kararları almalarında destek sağlamak amacıyla, karar modellerine ve verilere kolay erişimi sağlayan etkileşimli ve esnek ES’dir (Alter, 1977, s.40). Model odaklı ve veri odaklı olmak üzere iki tür karar destek sistemi vardır (Laudon ve Laudon, 2000, s.256). Model odaklı karar destek sistemi herşeyden önce, “şayet ... olursa (what if)” ve diğer farklı analizlerin yapılması için bazı modeller kullanan örgütün diğer ES’den bağımsız sistemlerdir. Bu gibi sistemler genellikle merkezi ES’nin kontrolü altında olmayan son kullanıcı bölümler ya da gruplar tarafından geliştirilirler. Veri odaklı karar destek sistemleri ise örgütün diğer ES’de bulunan veri ambarlarındaki verileri analiz eden sistem türüdür. Bu sistemler daha önceden yaratılmış ve veritabanlarında depolarında stoklanmış büyük miktardaki verilerde saklı kalan faydalı enformasyonu ortaya çıkararak kullanıcılara karar desteği sağlayan sistemlerdir.

Örgütlerde veritabanlarının kullanılmaya başlanması sonrasında ortaya çıkan anlamlı verileri bulmak ve bunları enformasyona çevirmek için kullanılan yazılımlar veri madenciliği (data mining) kavramını ortaya çıkarmıştır. Veri madenciliği KDS’nin etkinliğini arttırmıştır. Veri madenciliği (VM) araçları karmaşık karar verme süreçleri kullanır. VM, eldeki üstü kapalı, çok net olmayan, önceden bilinmeyen ancak potansiyel olarak kullanışlı bilginin çıkarılmasıdır (Han ve Kamber, 2001). Kümeleme, veri özetleme, değişikliklerin analizi, sapmaların tespiti gibi belirli sayıda teknik yaklaşımı içerir. Veri madenciliğini istatistiksel bir yöntemler serisi olarak görmek mümkün olabilir. Ancak veri madenciliği, geleneksel istatistikten birkaç yönde farklılık gösterir. Veri madenciliğinde amaç, kolaylıkla mantıksal kurallara ya da görsel sunumlara çevrilebilecek nitel modellerin çıkarılmasıdır.

Son 20 yılda sayısal verinin hızla artması, gelişen bellek ve işlem kapasitesi, bilgisayar ağlarındaki gelişme sayesinde taşıma kapasitesinin ve hızının artması, ticaretin elektronik ortama taşınmasına zemin hazırlamıştır. Günümüzde elektronik ortamda değişik alanlarda milyonlarca ticari faaliyet gerçekleşmektedir. Bu ticari işlemlerin sonucunda da büyük ölçekte ve dağınık (farklı coğrafi konumlarda) veri toplanmaktadır. Bundan on yıl öncesine kadar sadece depolamak üzere kaydedilmiş bu verilerin, rekabet arttıkça düzgün biçimde analiz edilmesi ve bu nedenle eldeki verilerin incelenmesi gerekmektedir. Böylelikle veri madenciliği kavramı önem kazanmaya başlamıştır. Veri madenciliğinin işlevleri üçe ayrılmaktadır (Gargano ve Raggad, 1999, s.83): keşif (discovery), öngörücü modelleme (predictive modelling), ve sorgu analizi (forensic analysis).

Keşif, ne olabileceği konusunda önceden belirlenmiş bir fikir ya da hipotez olmadan, veri tabanı içerisinde gizli desenleri (pattern) arama işlemidir. Geniş veri tabanları kullanıcının pratik olarak aklına gelmeyecek ve bulmak için gerekli doğru soruları bile düşünmeyeceği birçok gizli desen olabilir. Burada asıl amaç, bulunacak desenlerin zenginliği ve bunlardan çıkarılacak bilginin kalitesidir.

Öngörücü modelleme, veri tabanından çıkarılan desenleri, geleceği tahmin için kullanılır. Öngörücü modelleme, verideki desenleri bulmaya yönelikken tahmini modelleme, bu desenleri yeni nesneleri bulmak için uygular. Geleceğin en azından yakın geleceğin, geçmişten çok farklı olmayacağını varsayarsak geçmiş veriden çıkarılmış olan kurallar gelecekte de geçerli olacak ve ilerisi için doğru tahmin yapmamızı sağlayacaktır. Sorgu analizi ise, normal olmayan ya da sıra dışı veri elemanlarını bulmak için, çıkarılmış desenleri uygulama işlemidir.

Veri ambarında veri oluşturulduktan sonra bu verinin elle veya gözle analizi yapılabilir. Bunun için çevrimiçi analitik işleme (OLAP-online analytical processing) programları kullanılır. Bu veriye çok boyutlu bakmayı ve boyutlar arasında korelasyonları inceleme ve sonuçları grafik veya rapor olarak sunma olanağı sağlar. Veri madenciliğinde ise amaç, kullanıcının bilgi çıkarma sürecinde katkısının olabildiğince az tutulması, işin olabildiğince otomatik olarak yapılabilmesidir. Çünkü OLAP programları kullanılırken bulunabilecek sonuçlar kullanıcının sormayı düşündüğü sorgularla sınırlıdır. Ama veri ambarında bulunan bilgilerin arasında kullanıcının hiç aklına gelmeyecek ilişkiler kurulabilir. Veri madenciliğinde asıl amaç bu tür bilgileri bulabilmektir. Veri madenciliğinde, çok boyutlu istatistiksel analiz yöntemleri, bellek tabanlı yöntemler, yapay sinir ağları, karar ağaçları, kredi skor hesabı, sepet analizi gibi veri analiz yöntemleri kullanılır.

Veri madenciliği konusunda işletmelerin uzman yardımı almadan başarılı olmaları çok zordur. Uzmanlar amacı tanımlar ve uygulama ile ilgili sonuca yararlı olabilecek her tür bilginin sisteme verilmesini sağlarlar. Ayrıca çalışma sonucunda elde edilen sonuçların yorumlanmasında da uzman desteği gereklidir. Karar Destek Sistemleri de örgütün yönetim seviyesine hizmet eder. Karar destek sistemleri, önceden belirlenemeyen, hızla değişen ve kendine özel olan kararların verilebilmesi için yöneticilere yardımcı olur. KDS, çözüm yöntemi önceden saptanamayan problemlerle ilgilenirler. Her ne kadar KDS, ODS ve YES’den gelen dahili bilgileri kullansa da, sıklıkla piyasadaki stok fiyatları ya da rakiplerin

ürün fiyatları gibi harici bilgilere başvurur. KDS tasarımı itibariyle diğer sistemlerden daha yüksek bir analitik güce sahiptir. KDS’ler yapılarında veri analizi için çeşitli modeller içerirler ya da büyük miktarda veriyi karar verici tarafından analiz edilebilecek şekilde özetlerler. KDS’ler kullanıcıların doğrudan üzerinde çalışabilecekleri şekilde tasarlanırlar. Bu nedenle de kullanıcı-dostu (user-friendly) yazılım kullanırlar. KDS’ler ayrıca interaktif bir yapıya sahiptirler; kullanıcı varsayımları değiştirebilir, yeni sorular sorabilir ve yeni verileri dahil edebilir.

Karar destek sistemlerinin özelliklerini aşağıdaki gibi özetleyebiliriz (Gargano ve Raggad, 1999):

Ø Geleceği planlamaya yöneliktir.

Ø Yarı-yapısal ve yapısal olmayan kararlarda kullanılır.

Ø Karar vericinin yerine geçmekten ziyade, ona karar vermesinde yardımcı olur. Ø Karar verme prosesinin tüm aşamalarını destekler.

Ø Kullanıcının kontrolü altındadır. Ø Veri ve model tabanlarına erişimlidir.

Ø Veri incelemede ve çözüm üretmede analitik modeller kullanır.

Ø Kullanıcı etkileşimlidir. Bu nedenle karar verici, bir MIS uzmanından çok az yardım alarak ya da almadan kullanabilir.

Ø Yoğun olarak stratejik ve taktik düzeydeki yöneticiler için, gerektiğinde düzeylerarası entegrasyona da destek vererek, karar verme desteği sağlar.

Ø Birden fazla bağımsız veya birbirine bağımlı kararlar için destek sağlayabilir. Ø Bireysel, grup tabanlı karar verme desteği sağlar.

Ø Kullanım kolaylığı sağlar.

Ø Değişen şartlara ve karar durumlarına uyum sağlayabilecek esnekliktedir. Ø Düzensiz ve planlanmamış zaman aralıklarında kullanılabilir.