Anabilim Dalı: İşletme Mühendisliği Programı: İşletme Mühendisliği
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
KARAR DESTEK SİSTEMLERİ
VE FİNANS SEKTÖRÜNDEKİ UYGULAMALARI
YÜKSEK LİSANS TEZİ
İşletme Müh. Baturay TOK
Tez Danışmanı: Öğr.Gör.Dr. Halefşan SÜMEN
Tez Danışmanı :
Öğr.Gör.Dr. Halefşan SÜMEN
Diğer Jüri Üyeleri :
Prof.Dr. Cengiz KAHRAMAN
Yrd.Doç.Dr. Oktay TAŞ
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
KARAR DESTEK SİSTEMLERİ
VE FİNANS SEKTÖRÜNDEKİ UYGULAMALARI
YÜKSEK LİSANS TEZİ
İşletme Müh. Baturay TOK
(507001121)
ARALIK 2005
Tezin Enstitüye Verildiği Tarih : 19 Aralık 2005
Tezin Savunulduğu Tarih : 2 Şubat 2006
ii
ÖNSÖZ
Öncelikle, uzun tahsil hayatım boyunca benden maddi ve manevi desteğini eksik etmeyen aileme ve her zaman yanımda olacaklarını bildiğim, motivasyonumu yüksek tutmamı sağlayan dostlarıma teşekkür ederim.
Bu çalışmanın en önemli kısmı olan anketin, doğru kişilere ulaştırılması konusunda yardımlarını esirgemeyen, bilakis olayı sahiplenip beni yönlendiren, dört yıl aynı “cubicle”ları paylaştığım bankacılık sektöründeki dostlarıma ve yine bir dört yıl aynı sıraları paylaştığım üniversite arkadaşlarıma da teşekkür ederim.
Son olarak, lisans eğitimim sırasında şu an iş hayatında en fazla faydalandığım bilgileri edinmemi sağlayan tez danışmanım Sayın Halefşan Sümen‟e, gerek bu çalışma sürecinde bana olan inancı ve desteği, gerekse yaratıcı ve yönlendirici önerileri için teşekkürü bir borç bilirim.
İÇİNDEKİLER
KISALTMALAR ... v
TABLO LİSTESİ ... vi
ŞEKİL LİSTESİ ... vii
ÖZET ... viii
SUMMARY ... ix
1. Giriş ... 1
1.1. Giriş ve Çalışmanın Amacı ... 1
2. Kavramlar ... 2
2.1. Veri, Enformasyon, Bilgi ... 2
2.2. Karar ve Karar Verme ... 4
3. Karar Destek Sistemleri ... 5
3.1. Genel Bakış ... 5
3.2. Karar Destek Sistemlerinin Gelişimi ... 6
3.2.1. Yönetim Bilişim Sistemleri ... 8
3.2.2. Karar Destek Sistemleri ... 9
3.2.3. Grup Karar Destek Sistemleri ... 11
3.2.4. Üst Yönetim Bilişim Sistemleri ... 13
3.2.5. Uzman Sistemler ... 15
3.3. Karar Destek Sistemlerinin Unsurları ... 16
4. Karar Destek Sistemleri Teknolojileri ... 17
4.1. Operasyonel Sistemler ve Karar Destek Sistemleri ... 17
4.2. Analitik Sistemler ve İş Zekası ... 20
4.3. Veri Ambarı ... 22
4.3.1. Veri Ambarı Karakteristikleri ... 24
4.3.2. Veri Ambarının İşleyişi ... 26
4.4. OLAP (Online Analytical Processing) ... 28
iv
4.4.2. OLAP Çeşitleri ... 31
4.4.3. OLAP Fonksiyonaliteleri ... 32
4.4.4. OLAP Uygulamaları... 40
4.5. Veri Madenciliği ... 42
4.5.1. Veri Madenciliği Algoritmaları ... 44
4.5.2. Veri Madenciliği Uygulamaları ... 45
4.6. Karar Destek Sistemleri Trendleri ... 46
5. Karar Destek Sistemleri ve Finans Sektörü ... 49
5.1. Finans Sektöründe Karar Destek Sistemleri ... 49
5.2. Finans Sektöründe Karar Destek Sistemleri Kullanım Anketi ... 51
5.2.1. Anketin Amacı ve Kapsamı ... 51
5.2.2. Örneklem Seçimi ... 52
5.2.3. Anket Sonuçları ... 56
5.3. Finans Sektöründe Karar Destek Sistemleri Uygulamaları ... 65
5.3.1. Veri Ambarı Uygulamaları ... 65
5.3.2. OLAP Uygulamaları... 67
5.3.3. Veri Madenciliği Uygulamaları ... 69
5.3.4. Özel Geliştirilmiş Karar Destek Uygulamaları ... 72
6. Sonuç ... 73
Kaynaklar ... 75
Ekler ... 78
KISALTMALAR
ATM : Automatic Teller Machine
BDDK : Bankacılık Denetleme ve Düzenleme Kurumu BI : Business Intelligence
CPM : Corporate Performance Management CRM : Customer Relationship Management DBI : Daily Business Intelligence
DOLAP : Desktop Online Analytical Processing DSS : Decision Support System
EIS : Executive Information System ERP : Enterprise Resource Planning ETL : Extract Transform Load
HOLAP : Hybrid Online Analytical Processing MIS : Management Information System
MOLAP : Multidimensional Online Analytical Processing OLAP : Online Analytical Processing
OLTP : Online Transactional Processing POS : Point of Sales
ROLAP : Relational Online Analytical Processing SQL : Structured Query Language
TBB : Türkiye Bankalar Birliği
VISOR : VISA Intelligent Scoring of Risk XML : Extensible Markup Language
vi
TABLO LİSTESİ
Sayfa No Tablo 3.1. Karar Destek Sistemleri‟nin Tarihi Gelişimi 6 Tablo 4.1. Operasyonel ve Analitik Sistemlerin Kıyaslanması 19 Tablo 4.2. Şube kredi miktarlarının ilk çeyrek bazında raporu 35 Tablo 4.3. Şube kredi miktarlarının ilk çeyreğin ayları bazında raporu 35 Tablo 5.1. 30/09/2005 tarihi itibariyle Aktif Büyüklüklerine Göre Banka
Sıralaması 53
Tablo 5.2. Anket çalışmasına konu olan bankaların sektör içindeki
büyüklükleri 54
Tablo 5.3. Anketin ilk iki sorusuna verilen yanıtların dağılımı 56 Tablo 5.4. Anketin üçüncü sorusuna verilen yanıtların dağılımı 57 Tablo 5.5. Anketin dördüncü sorusuna verilen yanıtların dağılımı 58 Tablo 5.6. Anketin altıncı sorusuna verilen yanıtların dağılımı 59 Tablo 5.7. Anketin sekizinci sorusunun Veri Ambarı kısmına verilen
yanıtların dağılımı 61
Tablo 5.8. Anketin sekizinci sorusunun OLAP kısmına verilen yanıtların
dağılımı 61
Tablo 5.9. Anketin sekizinci sorusunun Veri Madenciliği kısmına verilen
yanıtların dağılımı 62
ŞEKİL LİSTESİ
Sayfa No
Şekil 2.1. Bilgi Piramidi 3
Şekil 3.1. Karar Destek Sistemleri‟ne örnek bir ekran görüntüsü 10 Şekil 3.2. Grup Karar Destek Sistemleri‟nin kullanıldığı bir toplantı
odası 11
Şekil 3.3. Üst Yönetim Bilişim Sistemleri‟ne örnek bir ekran görüntüsü 14 Şekil 4.1. İş Zekası ve ilgili konseptlerin fonksiyonel yakınsaklık
şeması 20
Şekil 4.2. Veri ambarının işleyişi 26
Şekil 4.3. Çok boyutlu veritabanı yapısının görselleştirilmiş hali 32
Şekil 4.4. Zaman Hiyerarşisi 33
Şekil 4.5. OLAP‟ın konsolidasyon özelliğinin görselleştirilmiş hali 34 Şekil 4.6. Dilimlenmiş OLAP kübünün görselleştirilmiş hali 36 Şekil 4.7. Dilimlenmiş ve analize uygun OLAP kübünün
görselleştirilmiş hali 37
Şekil 4.8. Alternatif Senaryo Analizi fonksiyonalitesinin kullanıldığı bir
uygulama ekranı 38
Şekil 4.9. İlk / Son Analizi ayarlarının yapıldığı uygulama ekranı 39 Şekil 5.1. Anket çalışmasına konu olan bankaların sektör içindeki büyüklüklerinin grafiği 54 Şekil 5.2. Anket çalışmasına konu olan bankaların cevap dönüş oranları 55 Şekil 5.3. Anketin sekizinci sorusuna verilen yanıtların dağılım grafiği 62
viii
KARAR DESTEK SİSTEMLERİ VE FİNANS SEKTÖRÜNDEKİ UYGULAMALARI
ÖZET
Bu çalışmanın ilk kısmında, Karar Destek Sistemleri teknolojilerinin gelişimi, özellikleri, uygulamaları ve gelecekteki trendleri üzerine literatür araştırmaları yapılmıştır. İkinci kısmında ise, öncelikle bu teknolojilerin kullanım yaygınlığını ve kullanım alanlarını tespit edebilmek için, Türkiye‟deki finans sektörünün lokomotifi görevini üstlenen bankalarla yapılan anket çalışmasının sonuçları paylaşılmıştır. Daha sonra ise, bu teknolojilerin finans sektöründeki yurt içi ve yurt dışı uygulamaları araştırılmış ve kıyaslanmıştır.
Sonuç olarak Türkiye‟deki önemli bankaların bu konuya hassasiyet gösterdiği ve dönüşü olacağı düşünülen yatırımları ve geliştirmeleri yaptığı tespit edilmiştir. Bu bankaların bir kısmının dünyadaki uygulamaları da, yakından takip ettiği ve benzer uygulamaları geliştirdiği görülmüştür. Rekabet ortamı ve globalleşmenin de etkilerine paralel olarak, bu teknolojilere yapılan yatırımların artması ve finans sektöründeki uygulamalarının yaygınlaşması beklenmektedir.
DECISION SUPPORT SYSTEMS AND APPLICATONS IN FINANCIAL SECTOR
SUMMARY
In the first section of the study; the findings on a literature review about the evolution, the properties and the future trends of Decision Support Systems‟ are mentioned. In the second section, the results of a survey with leading banks of Turkey about the usage, usage areas and usage time of these technologies. Finally the applications of these technologies both in Turkey and abroad are mentioned and compared with each other.
As a result it is a fact that, leading banks are investing in these technologies and trying to catch up with the abroad successful practices of these technologies‟ applications. The globalisation and rising competetion in financial sector seems to encourage the firms to invest in these technologies and its applications.
1
1. Giriş
1.1. Giriş ve Çalışmanın Amacı
Bilgi çağı diye adlandırılan günümüzde aslında elimizde bilgiden ziyade bol miktarda veri bulunmaktadır. Bu veriyi bilgiye dönüştürme sürecinde bilgisayar destekli sistemlere, gerek verinin büyüklüğünden gerekse zaman kısıtından dolayı, eskiden olduğundan daha fazla ihtiyacımız bulunmaktadır.
Çalışmanın ilk kısmında, çalışmada sıkça kullanılan kavramlardan, iş hayatında verinin bilgiye dönüştürülmesi için kullanılan Karar Destek Sistemleri‟nin gelişiminden ve bu sistemlere baz teşkil eden teknolojilerden bahsedilmektedir.
Çalışmanın ikinci kısmında ise, rekabet ortamı ve nitelikli işgücü sebebiyle bu teknolojilerin kullanımına en uygun sektörlerden biri olan finans sektöründeki Karar Destek Sistemleri uygulamalarının dünyadaki ve Türkiye‟deki örnekleri sunulmuştur. Bunun yanı sıra, finans sektörünü temsilen çeşitli bankalarla, bu teknolojilerin kullanım yaygınlığını ve kullanım alanlarını tespit edebilmek amacıyla bir anket çalışması yapılmış ve bu çalışmanın sonuçları yorumlanmıştır.
Çalışma sonucunda, Karar Destek Sistemleri‟nin Türk finans sektöründeki yaygınlığının ve uygulama alanlarının tespit edilmesi ve bu uygulama alanlarının yurt dışındaki uygulama örnekleriyle kıyaslanarak Türkiye‟nin bu konuda bulunduğu noktanın tespit edilmesi hedeflenmiştir.
2. Kavramlar
2.1. Veri, Enformasyon, Bilgi
Bilgi, insanın yetenek, beceri, yetkinlik, fikir, yorum, algı ve motivasyonları ile birleşmiş enformasyonun kullanımı ile oluşur. Bilgi (knowledge), veri (data) ve enformasyon (information) gibi daha ham anlam formları ile akılcılık (wisdom) gibi daha karmaşık bir anlam formu arasında yer alır. Bilgiyi daha iyi tanımlamak için benzer bazı kavramların anlamı ile bilginin anlamı arasındaki farklılıkların ortaya konması gereklidir.
Bilişim Terimleri Sözlüğü‟nde verinin tanımı “olgu, kavram ya da komutların, iletişim, yorum ve işlem için elverişli, biçimsel bir gösterimi” olarak geçmektedir. Veri, gözlemlenebilen, ölçülebilen veya hesaplanabilen bir davranış ya da tutuma ait değerdir. Bir başka ifade ile veri, olaylar hakkındaki birbirinden ayrı, nesnel gerçekleri ifade eder.
Enformasyon, verilerin belirli bir yorum ya da işlemleri içerir halidir ve verilere göre daha belirli bir çerçeveye sahiptir. Enformasyon elde edilebilen, filtrelenen ve işlemden geçirilen verilerdir. Enformasyonun kalitesi, verinin açık ve anlamlı oluşuna, doğru değerler içermesine ve anlaşılabilir şekilde sunulmasına bağlıdır. [39]
Bilgi; deney, tecrübe, yorum ya da fikrin bir araya gelmesi ile oluşan enformasyondur. Bilgi, sosyal olaylarda, karar ve eylemler için uygulanmaya hazır yüksek değerde bir enformasyon şeklidir. Bilgi kişisel anlamda düzenlenmiş enformasyondur ve genelde deney ve tecrübelerin bileşiminden oluşur. [13]
Anlam piramidinin en üstünde yer alan akılcılık ise, sosyal olaylarda doğru ya da yanlış olanı ayırt etmemize yarayan bütün bilgileri kapsar. Sosyal olayların nedenlerini doğru bir şekilde kavramamıza ve en doğru ya da en güzeli seçmemize yardımcı olan anlama, kavrama ve akıl yürütme aşamalarında isabetli karar almamız bilginin sistematik bir biçimde işlenmesi, gözlem ve tecrübelerle yeniden şekillendirilmesi halinde mümkün olabilir. [39]
3
Özetleyecek olursak veri, işleme ait kayıtlardır. Enformasyon, işlenmiş ve anlamlı şekilde bir araya getirilmiş veriler topluluğudur. Enformasyon, "kim", "ne", "nerede", "ne zaman" sorularına cevap verir. Bilgi, enformasyonun fayda sağlayacak şekilde bir araya getirilmesi ile oluşur. Bilgi, güvenilirdir ve bilginin doğru olduğuna inanılır. "Nasıl" sorusuna cevap verir. Akılcılık ise, hangi bilginin ne amaçla kullanılacağını bilme yetkinliğidir. [13] Şekil 2.1‟deki Bilgi Piramidi, bu hiyerarşinin görselleştirilmiş halini göstermektedir.
2.2. Karar ve Karar Verme
Karar, algılanan ihtiyaçlara özgü kasıtlı ve düşünceli seçime denir. [15] Karar vericinin mevcut tüm seçenekler arasından amacına veya amaçlarına en uygun bir veya birkaç seçeneği seçme sürecine girmesine ise karar verme denir. Başka bir şekilde ifade edilirse karar verme; karar vericinin mevcut seçenekler arasından bir seçim, sıralama ya da sınıflandırma yaparak bir sorunu çözme sürecidir. [16]
Karar verme probleminin çözümü için izlenmesi gereken adımları özetlersek; öncelikle karar probleminin belirlenmesi ardından bu problemin formüle edilmesi gereklidir. Kararın rasyonel olabilmesi için bir model kurularak, modelin çözümüne yönelik bilgi derlenmesi gerekmektedir. Modelin geçerliliğinin araştırılmasının ve sonuçlarının yorumlanmasının ardından karar verme işlemi gerçekleştirilir. Ancak karar verme süreci kararın alınması ile sona ermez, bu kararın uygulanması için gerekli aksiyonların alınması ve kararın problem üzerindeki sonuçlarının da izlenmesi, gerekiyorsa alınan kararda düzeltmeler yapılması gereklidir. [19]
İyi bir karar için anahtar, karar verme sürecine dahil olan kişilerin tercihleri ve düşünceleri ile konuyla ilgili bilgilerini birleştiren yapısal bir yöntem kullanmaktır. İyi bir kararın alınabilmesi için, mevcut tüm bilgi kaynaklarının kullanılması, olası tüm seçeneklerin değerlendirilmesi, mantığa dayalı sayısal bir yöntem uygulanması gereklidir. [17]
5
3. Karar Destek Sistemleri
3.1. Genel Bakış
Yakın zamana kadar klasik veri işleme sistemlerinin ana amacı, süreçlerin otomize edilmesiyle elde edilecek hız ve maliyet avantajı olmuştur. Otomasyon sistemlerinin ve yeni teknolojilerin modern iş hayatına entegre olmasıyla birlikte bu sistemlerden üretilen verinin boyutu son 10 yılda büyük ölçüde artmıştır. Ancak teknolojideki gelişmelere paralel olarak, küreselleşme ve şirketlerin merkezi yapılanmadan dağıtık yapılanmaya geçmeleriyle, piyasa trendlerini takip etmek ve rakiplerin aldıkları aksiyonlara karşı, hızla stratejiler geliştirmek için kararı destekleyen bilgisayar tabanlı sistemlerin kullanılma ihtiyacı had safhaya çıkmıştır.
Şirketlerin hızla değişen piyasa koşullarında ayakta kalmaları, doğru kararlar alarak rakiplerine karşı rekabet avantajı yaratmaları ile mümkün olabilmektedir. Bu rekabet avantajının yaratılması aşamasında verinin işlenip karar vericilerin önüne bilgi olarak konması için, şirket içinde kullanılan sistemlerin yanı sıra iş hayatındaki farklı kaynakların da kullanılmasının gerekliliği ön plana çıkmaktadır.
Farklı sistemlerden üretilen büyük miktarda verinin konsolide edilip, karar vericilere yardımcı olabilecek anlamlı bilgiye dönüştürülmesi işi ise önemli bir problemdir. Bu problemin aşılabilmesi için donanım ve yazılım mimarisi ile uygulama geliştirme alanına önemli yatırımlar yapılmış ve piyasa taleplerini karşılamak hedefinde olan Karar Destek Sistemleri zaman içerisinde günün ihtiyaçlarını karşılayacak şekilde gelişmiştir.
3.2. Karar Destek Sistemlerinin Gelişimi
Bir kararın rasyonelliği, yeterli verinin sağlanmış olmasına, bu verinin kaliteli olmasına ve sağlıklı bir modellemeye istinaden doğru bilginin üretilmesine bağlıdır. Ancak insan beyninin aynı anda yorumlayabileceği değişken sayısı sınırlıdır. Ayrıca karar verme sürecinin süresi, değişken sayısına ve karar vericinin üzerindeki baskıya istinaden uzamakta, sağlıklı bir karar verilmesi ihtimali ise azalmaktadır. Bunun yanı sıra şirketteki çalışanlar, maliyeti nispeten yüksek birer kaynak olduklarından, karar verme sürecinde insani limitleri kompanse edebilmek için daha fazla insan çalıştırmak, ekonomik anlamda efektif bir çözüm olarak gözükmemektedir. Bu sebeplerle şirketler karar verme sürecinin yükünün bir kısmını insanların üzerinden alarak, bilgisayar tabanlı sistemlere kaydırmışlar ve bu sayede sürecin kalitesi, süresi ve maliyeti konularında olumlu yönde faydalar sağlamışlardır.
Tablo 3.1: Karar Destek Sistemleri‟nin Tarihi Gelişimi
1950‟lerin ikinci yarısı Veri İşleme Otomasyonları 1960‟lar Yönetim Bilişim Sistemleri
1970‟ler Ofis Otomasyon Sistemleri
Karar Destek Sistemleri
1980‟ler Gelişmiş Karar Destek Sistemleri Üst Yönetim Bilişim Sistemleri Uzman Sistemler
1990‟lar Grup Karar Destek Sistemleri Yapay Sinir Ağları
Karar verme sürecinde bilgisayar tabanlı karar destek sistemlerinin rolü arttıkça, yeterli ve kaliteli verinin üretilmesi ile sağlıklı bir modellemenin yapılması gibi gerekliliklerin bu sistemler için sağlanmasının önemi ortaya çıkmıştır. Karar verme sürecini iyileştirmek için öncelikle veri toplanması ve modelleme süreçlerinin üzerinde durulmuştur. Bu
7
sebeple 1950‟li yılların ortalarından itibaren iş hayatında veri işleme otomasyonları kullanılmaya başlanmıştır.
1960‟ların ortalarında, IBM‟in geliştirdiği güçlü bir ana bilgisayar sayesinde, otomasyon sistemleri tarafından üretilen büyük miktarlarda işlemsel veriyi yorumlayıp, yöneticilere periyodik olarak rapor çıktıları şeklinde sunan Yönetim Bilişim Sistemleri (Management Information Systems) ortaya çıkmıştır. Bu sistemler sayesinde yöneticiler, geçmişe ait bir dönem için önceden tasarlanmış raporlara ulaşabilecek bir ortama kavuştular. Ancak bu tip sistemlerin, tüm kaynak sistemleri entegre edemiyor olmaları, anlık sorgu taleplerini cevaplayamıyor olmaları ve görsellik yönlerinin zayıf olması gibi bazı eksiklikleri vardı. [1]
Karar Destek Sistemleri (Decision Support Systems) konsepti ise, 1970‟lerde ortaya çıkıp, 1980‟lerde yaygınlaşmıştır. Yönetim Bilişim Sistemleri‟nden elde edilen tecrübe ile gelişen teknolojik imkanları harmanlayan bilgisayar tabanlı bu sistemler, veritabanları ve modelleme araçları ile entegre çalışarak, yöneticilere karar verme süreçlerinde yardımcı olmak amacıyla geliştirilmiştirler. Bu sistemler sayesinde yönetici ve analistler büyük miktarda veri üzerinde simülasyon ve analiz yapma şansına kavuştular. [3]
1980‟lerin sonunda masaüstü bilgisayarların iş hayatına girişiyle beraber, yöneticilerin anlık raporlama ihtiyaçlarını kolay kullanımlı arayüzler ve görsel öğeler kullanarak karşılamayı amaçlayan Üst Yönetim Bilişim Sistemleri (Executive Information Systems) konsepti gelişmiştir. Bu sistemler çok büyük beklentiler yaratmasına rağmen, verinin çok kaliteli olmaması, performans problemleri, son kullanıcı yazılımlarının çok kullanışlı olmaması ve özellikle de hedef kitlenin bilgisayar teknolojisi ile çok yakın olmaması gibi sebeplerle beklendiği kadar popüler olamamıştır. [1]
Teknolojik gelişmeler ile beraber karar sürecine destek olan sistemlere, daha komplike ve belli bazı konularda uzmanlaşmış olan Uzman Sistemler (Expert Systems), Yapay Sinir Ağları (Neural Networks) ve Yapay Zeka (Artificial Intelligence) gibi yenileri eklenmiştir.
3.2.1. Yönetim Bilişim Sistemleri
Günümüzdeki anlamıyla Yönetim Bilişim Sistemleri (Management Information Systems), yönetimin günlük karar süreçlerine yardımcı olacak enformasyonu üretmek için, çeşitli kaynak sistemlerden verileri toplayan, derleyen ve sunan bilgisayar tabanlı sistemlerdir. Bu sistemler, büyük miktarda işlemsel verinin toplanması, daha önce belirlenen şekilde derlenmesi ve rutin kararların alınmasına yardımcı olacak bilginin üretilmesi konusunda uzmanlaşmışlardır. [1]
Yönetim Bilişim Sistemleri‟nin en önemli çıktısı, önceden belirlenmiş ihtiyaçları karşılayan, düzenli veya talebe istinaden üretilen dönemsel raporlardır. Bu tip raporların yanı sıra istisnai durumları tespit eden raporlar da bu sistem yardımıyla üretilebilir. “Bilanço” veya “Kar/Zarar Tablosu” gibi standartları önceden belirlenmiş ay sonlarında üretilen raporlar ile geçen ay kredi kartı satışlarında belirlenen kotanın altında kalan şubeleri listeleyen raporlar, bu iki çeşit çıktıya örnek olarak gösterilebilirler. Bu çıktılar yöneticilere, masaüstü bilgisayarlar yardımıyla dijital olarak ulaştırılabileceği gibi kağıda basılmış şekilde de sunuluyor olabilirler.
Yönetim Bilişim Sistemleri, Karar Destek Sistemleri tarafından yapılması beklenen kimi fonksiyonları da yerine getirebilmekle beraber iki sistem arasında önemli bir fark bulunmaktadır. Yönetim Bilişim Sistemleri daha önceden tasarlanmış durumları raporlamak için tasarlanmışken, Karar Destek Sistemleri beklenmedik durumlarda anlık ihtiyaçları karşılamak için analizler yapılmasına olanak tanır. [3]
9
3.2.2. Karar Destek Sistemleri
Karar Destek Sistemleri (Decision Support Systems) için genel kabul görmüş birkaç tanım bulunmaktadır. Bunlardan ilki 1971‟de Scott Morton tarafından yapılmıştır; “Karar Destek Sistemi, karar vericilerin verileri değerlendirmesine ve planlanmamış problemleri çözmesine yardımcı olan bilgisayar destekli interaktif bir sistemdir”. Bir diğer tanım ise “Karar Destek Sistemleri, kararın kalitesini arttırmak için insanın entelektüel kaynakları ile bilgisayarların kabiliyetlerini bir araya getiren sistemlerdir.” [2]
“Karar Destek Sistemi, daha önceden tam veya hiç planlanmamış yönetim problemlerinin çözümünde doğru karar verilebilmesi için geliştirilmiş interaktif, esnek ve adapte edilebilir bilgisayar tabanlı bir sistemdir. Veriyi derleyerek ve bu veriyi kolay kullanımlı bir arayüz yardımıyla sunarak, karar vericinin birikimlerinin, karar verilme sürecine dahil edilmesini sağlar.” ise bu kavram için daha komplike bir tanım olarak öne çıkmaktadır. [1]
Tanımlardan da anlaşılacağı üzere kullanıcı hedef kitlesi yöneticiler ve analistler olan Karar Destek Sistemleri, karar verme sürecinde kullanıcıların veriyi interaktif bir şekilde manipüle ederek öncelikle enformasyona ve oradan da aksiyon alınmasını sağlayabilecek bir bilgiye ulaşmalarını sağlamak amacı gütmektedir. Şekil 3.1‟de Karar Destek Sistemleri‟ne örnek teşkil edecek bir ekran görüntüsü bulunmaktadır.
Yönetim Bilişim Sistemleri‟nin önceden belirlenmiş durumlarda, Karar Destek Sistemleri‟nin ise önceden belirlenmemiş durumlarda karar vericiye yardımcı olabileceği ve iki sistem arasındaki en önemli farkın bu olduğu vurgulanmıştır. Sadece bir defa karşılaşılabilecek durumlarda daha önceden modelleme yapmak mümkün olmadığından Karar Destek Sistemleri‟nin anlık raporlar üretme ve üretilen bu raporlar üzerinde analizler yapabilme fonksiyonaliteleri kullanılarak, karar kalitesi arttırılmaya çalışılır. Bu yönüyle Karar Destek Sistemleri daha esnek ve günümüz iş hayatına daha uygun bir sistem olarak öne çıkmaktadır.
Karar Destek Sistemleri, verilerin modellendiği veritabanına olduğu kadar modelleme motoruna da ihtiyaç duyar. Modelleme sayesinde, iş mantığı matematiksel ilişkiler kurularak veriler ile birleştirilir ve karar vericilerin, sistemin tanımlı gelişmiş analiz yöntemlerini kullanarak karar verme kalitelerinin arttırılmasına olanak sağlanır. Modelleme motoru sayesinde, “Satış” verisi ile “Maliyet” verisi arasındaki matematiksel farkın “Kâr” olduğu bilgisi sisteme tanımlanabilir. Buna istinaden ise sisteme tanımlı
analiz yöntemlerinden biri olan “what-if” analizi yardımıyla karar verici, satışların %10 oranında artmasına ve maliyetlerin %5 azalması durumunda kârdaki değişim tutarına veya oranına kolayca ulaşabilir.
11
3.2.3. Grup Karar Destek Sistemleri
Şirketlerde çoğu kararlar tek kişi tarafından değil, bir grup tarafından verilir. İşin doğası gereği, grup üyelerinin bilgi, birikim ve bakış açıları kararın verilme sürecine katkıda bulunur fakat bununla beraber bu durumun bazı sakıncaları da bulunmaktadır. Grup olarak karar verme süresi, kişisel olarak karar vermekten daha fazladır. Zira zamanın bir kısmı, karar vericilerin bir arada bulunabilecekleri bir toplantı organize etme, karara katkıda bulunacak bilgileri tüm karar vericilere doğru şekilde aktarma ve bu aktarılan bilgilerin kararı oluşturma sürecinde beraber yorumlanması gibi aktivitelerle geçmektedir. Çok disiplinli bir metodoloji ve uygun teknolojiler kullanılmadıkça bu sürenin bir kısmının verimsiz olması da kaçınılmazdır.
Bir grubun karar verme süresindeki verimsiz zamanı ortadan kaldırmak için Karar Destek Sistemleri‟nden fazlasına ihtiyaç duyulmaktadır. Karar Destek Sistemi yazılımının yanı sıra ofis uygulamaları, elektronik posta/mesajlaşma uygulamaları, doküman paylaşım sistemi, web-konferans veya video konferans uygulamaları ve projektör gibi yazılım ve donanımlarının da kullanıldığı bu hibrid teknolojiye Grup Karar Destek Sistemi denmektedir. [1]
Grup Karar Destek Sistemi teknolojisinin kullanımı sayesinde, tüm karar vericilerin fiziksel olarak aynı lokasyonda bulunması gibi fiili kısıtların, tüm bilgilerin ve görselin doğru yorumlanabilir şekilde karar vericilere ulaşamaması gibi iletişim kısıtlarının önüne geçildiği için; tecrübelerin paylaşılması ve kararın ortak akıl yoluyla şekillenmesi gibi grup olarak karar vermenin olumlu yönleri ön plana çıkmakta böylece karar verme sürecinin daha kaliteli ve daha verimli bir hale gelmesi sağlanmaktadır.
Grup Karar Destek Sistemleri, tüm karar vericilerin aynı anda çalışma durumunda olup olmadıklarına istinaden senkron ve asenkron olarak ikiye ayrılırlar. Tüm karar vericilerin aynı anda çalışmak durumunda olmadıkları e-posta ve iş akışı (workflow) gibi uygulamalar asenkron grup destek sistemlerine, karar vericilerin aynı anda çalışmak durumunda oldukları web-konferans gibi uygulamalar ise senkron grup destek sistemlerine örnek olarak verilebilir. Şekil 3.2‟de Grup Karar Destek Sistemleri‟nin kullanıldığı bir toplantı odası resmi bulunmaktadır.
13
3.2.4. Üst Yönetim Bilişim Sistemleri
Üst Yönetim Bilişim Sistemleri (Executive Information Systems), yöneticilerin stratejik karar verme süreçlerine yardımcı olmak amacıyla şirketin kritik verilerinin derlenmesini sağlayan sistemlerdir. Bu haliyle Üst Yönetim Bilişim Sistemleri, Karar Destek Sistemleri‟nin daha kolay kullanımlı ve görsel öğeleri daha fazla olan bir alt kırılımı olarak da yorumlanabilir. Bu sistemler, yöneticilerin şirket içi ve şirket dışı özet raporlara ve temel performans göstergelerine kolayca erişebilmelerini sağlamanın yanı sıra isteğe göre basit ve çok boyutlu analizler yapma kabiliyetine de sahiptirler.
Üst Yönetim Bilişim Sistemleri, konsolide ve kritik enformasyona hızlı ulaşılmasıyla üst yöneticilerin problemleri seri bir şekilde tespit edebilmelerini ve bu tespitlere istinaden şirket stratejileri ile uyumlu aksiyonlar almalarını sağlamak amacıyla kullanılmaktadırlar. [1]
İlk piyasaya çıktıklarında performans problemleri, son kullanıcı arayüzlerinin pek kullanışlı olmaması ve bu sistemlerin kullanıcısı olan yöneticilerin bilgisayar teknolojisine çok aşina olmamaları sebebiyle beklendiği kadar popüler olmayan bu sistemler, günümüzde teknolojik gelişmeler ile performans problemlerinin ortadan kalkması, web tabanlı, kolay kullanımlı ve her yerden erişilebilir önyüzler ve de yeni jenerasyon yöneticilerin bilgisayar teknolojileri ile yakınlığı sayesinde yeniden önem kazanmıştır. [3]
Piyasada bulunan bu kategorideki sistemler, temel performans göstergelerini ve karara yardımcı olabilecek diğer enformasyonları, kokpit veya kumanda paneli (dashboard) olarak adlandırılan web tabanlı görsel arayüzler ile üst yöneticilere sunmaktadırlar. [35] Bu görselliğe örnek teşkil edebilecek bir ekran görüntüsü Şekil 3.3‟te gösterilmektedir.
15
3.2.5. Uzman Sistemler
Uzman Sistemler (Expert Systems), verilen enformasyonu belirli problemler için önceden belirlenmiş kurallara istinaden analiz edip, kullanıcıya sonuç veya çözüm sunan bilgisayar tabanlı sistemlerdir. Sistemi diğer karar destek sistemlerinden farklı kılan, analiz sırasında çözüme yardımcı olan kurallar silsilesinin, konusunda uzman olan bir insanın bilgisini barındırmasıdır. Bu sayede uzman kişinin, sonuca ulaşma sırasında kullandığı çıkarım mantığının bilgisayar sistemine aktarılması sağlanmaktadır. [1]
Özellikle sağlık sektörü gibi, özel uzmanlık gerektiren konularda uzman sayısında sıkıntı yaşandığı durumların önüne geçmek için kullanılmaktadırlar. Belirli tanılarla gelen hastalara teşhis konması gibi uygulamalarla uzmanların teşhis yöntemleri, sonuca ulaşma mantıkları bu sistemlere tanımlanarak hastalıklara doğru teşhis konulması sağlanabilmektedir.
Bu sistemin bir varyantı olan ve Bilgi Tabanı (Knowledge Base) olarak bilinen sistemlerde yine kurallar silsilesine göre çözüm üretilirken, bu sefer uzman bir insanın bilgisine ihtiyaç duyulmamış sadece belirli bir bilginin doğru girdilere istinaden kullanıcıya sunulması hedeflenmiştir. Bilgisayar programlarındaki hatayı tespit sihirbazları veya bir alışveriş merkezindeki danışma amaçlı bir “kiosk” bu sistemlere örnek olarak verilebilir.
Uzman Sistem ve Bilgi Tabanı olarak bilinen sistemlerin, uzman veya bilgi sahibi insan kısıtının olduğu durumlarda, bu insan kaynağını ikame edebilmenin yanı sıra çok çalışma ve stres gibi faktörlerden etkilenmemeleri sebebiyle tutarlı ve düşük maliyetli birer çözüm olma gibi faydaları bulunmaktadır. [1]
3.3. Karar Destek Sistemlerinin Unsurları
Bir kararın rasyonel olması için, yeterli ve kaliteli verinin sağlanabilmesi ve seçenekleri ortaya koyabilecek sağlıklı bir modelin inşa edilebilmesi gereklidir. Karar verme sürecine yardımcı olması beklenen Karar Destek Sistemleri‟nin başarısı da bu unsurları sağlıyor olmasına bağlıdır.
Öncelikle bir Karar Destek Sistemi‟nin şirketteki veya şirket dışındaki veri kaynakları ile entegre olabilmesi gereklidir. Bu kaynaklar bir banka için temel bankacılık işlemlerinin yürütüldüğü yazılım, kredi kartları uygulamasının veritabanı veya diğer bankalara ait çeşitli veriler içeren Bankalar Birliği‟nin web sitesi olabilir.
Karar Destek Sistemi‟nde olması gereken diğer bir unsur, karar sürecinde karar vericiye yardımcı olacak bir modelin geliştirilebilmesi ve değerlendirilebilmesidir. Bu model büyük miktarda verinin, iş mantığına uygun olarak karar sürecine yardımcı olacak enformasyona dönüştürülmesini sağlar. Bu basit bir özetleme işlemi olabileceği gibi, sofistike bir istatistiksel yöntem de olabilir. [1]
Karar Destek Sistemleri‟nin başarılı olmasında en önemli unsurlardan biri son kullanıcıya kolay kullanımlı bir arayüz sunabilmeleridir. Kullanıcıların büyük miktarda veriyi manipüle edip gerekli aksiyona yönelik bilgiyi oluşturmak için çalışmaları sırasında kendilerine en hızlı, en kolay ve en esnek raporlama arayüzünü sunan sistemler diğerlerine göre farklılık yaratmış olurlar.
17
4. Karar Destek Sistemleri Teknolojileri
4.1. Operasyonel Sistemler ve Karar Destek Sistemleri
Karar Destek Sistemlerini oluşturan teknolojilerin özelliklerinin ve üstünlüklerinin daha iyi anlaşılabilmesi için bu sistemleri besleyen operasyonel sistemler ve onların teknolojileri hakkında fikir sahibi olmak gerekir. Operasyonel sistemler, (Online Transaction Processing, OLTP) şirketlerin günlük iş ihtiyaçlarını bir yazılım ve arkasında bulunan teknoloji yardımıyla kolaylaştıran ve hızlandıran bilgisayar tabanlı otomasyon sistemleridir.
Operasyonel sistemlerin amacı, şirketin günlük işi konusundaki veriyi işlemek olduğu için sistem ve veritabanı tasarımı, bir kaydı en hızlı şekilde kaydetme ve güncelleme konusunda optimize edilmiştir. Bunun için uygulama-geliştirme veya donanım teknolojisi olarak farklı alternatifler bulunmakla beraber, veritabanı tercihi çoğunlukla ilişkisel veritabanı teknolojisinden yana kullanılmaktadır.
Şirketler iş akışlarını otomasyon sistemleri üzerine taşımak için kendi yazılım ve altyapı çözümlerini üretebilecekleri gibi piyasada yaygın şekilde kullanılan uygulamaları da tercih edebilmektedirler. Muhasebe ve stok takibi gibi standart süreçlere sahip nispeten küçük şirketler, piyasada bu konuda geliştirilmiş düşük maliyetli bir paket uygulamayı tercih ederken; daha kurumsal yapıya sahip ve büyük ölçekli şirketler ise profesyonel destek, modüler ve entegre bir çözüm sunan Kurumsal Kaynak Planlama (ERP) sistemlerini tercih etmektedirler. [26] Bankalar ve finans kuruluşları gibi süreçleri esnek, ürünleri özgünleştirilmeye müsait ve iş yapma şekilleri devletin yaptığı düzenlemelerden etkilenen kurumlar ise, operasyonel sistemlerinin yazılım çözümlerini genelde kendi kaynaklarını kullanarak yapmayı tercih etmektedirler.
Karar Destek Sistemleri‟nin etkin bir şekilde kullanılabilmesi için operasyonel sistemler olarak adlandırılan yapının doğru şekilde kurgulanması ve iş akışına mümkün olduğunca entegre edilmesi gereklidir. Bu sayede, Karar Destek Sistemleri‟ni besleyecek olan verinin insan kaynaklı hatalardan arınmış olması ve bu verinin
yorumlanmasına istinaden üretilen bilginin, karar vericileri en doğru şekilde yönlendirmesi beklenmektedir.
Operasyonel sistemde olması beklenen özellikler bir işlemin çevrimiçi olarak en kısa sürede tamamlaması ve sistemin bu performansı devamlı olarak sağlayabilmesidir. [2] Bankacılıkta para transferi işleminin en yaygın işlemlerden biri olduğu düşünülürse, bu işlemin gerek şube personeli tarafından, gerek ATM‟den, gerekse internet bankacılığı yoluyla hızlı ve eş zamanlı olarak gerçekleşiyor olmasını sağlayan bankacılık yazılımı, operasyonel sistemden beklentileri yerine getirmiş demektir.
Tablo 4.1‟de özetlenen operasyonel ve analitik sistemler arasındaki farklardan kısaca bahsetmekte fayda vardır. Eskiden operasyonel sistemlerin, hem verileri işlemek ve depolamak, hem de bu verilerden karar vericilere yardımcı olacak enformasyonu üretmek işleviyle kullanıldığı için performans konusunda sıkıntılar yaşanmaktaydı. Operasyonel sistemdeki veri miktarının giderek artması ve karar vericilerin analiz uygulamalarından esneklik ve hız beklentileri, operasyonel sistemlerin donanımsal ihtiyaçlarını limitlerin ötesine taşımıştır. Operasyonel ortam ile operasyonel olmayan yani analitik ortamın, bu sebeplerle fiziksel olarak ayrılması, kaynakların kısıt probleminin büyük ölçüde aşılmasını sağlamıştır. Zira hedefleri farklı beklentilere hitap eden bu sistemlerin tasarımları taleplere istinaden optimize edilmiştir. [3]
Az miktarda veriye yazma, okuma, güncelleme işlemleri için erişilmesi gereken operasyonel sistemler ile büyük miktarda veriye sadece okuma için erişilmesi istenen sistemlerin, gerek veritabanı yapıları gerekse kullandıkları sorgu dilleri farklılıklar gösterebilmektedir. Operasyonel sistem günlük işlerin yürümesi için kayıtları en detay seviyede tutmaktayken, analitik sistemde veriler özetlenerek ve istenmeyen detaylar gözardı edilerek ve hatta gerekirse bu detaylar manipüle edilerek saklanır. [18]
Sürekli ve hızlı çalışması gereken operasyonel sistemlerde performans konusunda problem yaşanmaması için belli aralıklarla veriler arşivlenirken, iş süreçlerini kesintiye uğratmayacak periyotlardaki veriler güncel sistemde tutulur. Analitik sistemlerde ise, sorgular ve analizler için zaman serisi özelliğinin önem teşkil etmesinden dolayı mümkün olduğunca geriye dönük veri tutulmaya çalışılır. Bu periyotlar operasyonel sistem için 6 ile 18 ay arasında değişebilirken, analitik sistemler için 2 yıldan başlayıp 7 yıla kadar çıkabilir. Hatta donanımın limitlerinin problem yaratmadığı ve verinin anlamlı olduğu durumlarda bu süre daha da uzayabilir. [6]
19
Tablo 4.1: Operasyonel ve Analitik Sistemlerin Kıyaslanması [6]
Konu Operasyonel Analitik
Amaç Gündelik iş süreçlerinin hızlı yapılabilmesi
Verilerden, enformasyon ve bilgi üretilebilmesi
Tasarım önceliği Yüksek performans Esneklik
Entegrasyon Minimum düzeyde Mümkün olduğunca sistemle, gelişmiş şekilde
İhtiyaçlar Belirli Belirsiz
Erişilen Veri Az miktarda Büyük miktarda
Optimizasyon Az miktarda veriye sıkça erişim için
Büyük miktarlarda veriye daha nadir erişim için
Kritiklik Günlük işlemler için Yönetsel kararlar için Veri Hacmi Sürekliliği sağlayacak, belirli
dönemlere ait veri yeterli
Analiz ve projeksiyon yapılabilir bir zaman serisine ait veri
Veri Güncelliği Anlık ve çevrimiçi güncellik Belirli bir zamana ait veri
Veri Tipi Detaylı Özetlenmiş, ihtiyaca göre detaylı
Veri Seti 6-18 ay 2-7 yıl
Operasyonel sistemler kendi bünyelerinde gündelik işlerin devamını sağlayan operasyonel raporlamalar barındırmaktadırlar. Ancak bu raporlamalar da, operasyonel sistemlerin karşılaştığı kısıtlara tabidirler. Operasyonel sistemlerdeki raporlamaların önündeki en önemli kısıt, diğer sistemlerden beslenmeye müsait olmamalarıdır. Kendi sınırları içindeki verileri işleyip anlamlı raporlar sunma kabiliyetine sahip olan bu sistemler, diğer sistemlerle entegre olma konusunda pek de yetenekli değillerdir. Operasyonel raporlamanın diğer bir kısıtı ise yukarıda bahsi geçen sebeplerden ötürü, son kullanıcılara hızlı ve esnek bir raporlama ortamı sağlayamıyor olmasıdır. [2]
4.2. Analitik Sistemler ve İş Zekası
İş zekası (Business Intelligence) tabiri, ilk olarak 1989 yılında sektörel analizler konusunda uzmanlaşmış olan Gartner Grubu tarafından, kararı desteklemek için kullanılan analitik uygulamaları ve teknolojileri tek çatı altında toplayan bir terim olarak kullanılmış ve popülaritesini günümüze kadar arttırarak devam ettirmiştir.
Karar vericilere yardımcı olacak bilginin derlenmesi, saklanması, erişilmesi ve analiz edilmesi süreçlerini iş zekası uygulamaları sağlar. İş zekası; karar verme sürecini destekleyen sorgu, raporlama, analiz, istatistiksel yöntemler, projeksiyon ve veri madenciliği gibi fonksiyonları da içinde barındırır.
Şekil 4.1‟de, iş hayatında kullanımda olan çeşitli uygulamaların iş zekası ve benzer konseptler içinde nasıl konumlandırıldığı, Gartner Grubu tarafından hazırlanan, “fonksiyonel yakınsaklık” (functional convergence) şeması ile görselleştirilmiştir. [31]
Şekil 4.1: İş zekası ve ilgili konseptlerin fonksiyonel yakınsaklık şeması [31]
Şirketler, öncelikle veri ambarları yardımıyla ürettikleri büyük miktarda veriyi konsolide edip saklama sorununu aştılar, ardından sistem entegrasyonu yazılımları ile farklı sistemlerden verinin hızlı bir şekilde derlenmesi sorununu aştılar ve son olarak da hızlı ve anlık analizlere imkan veren veritabanı çözümleri ve raporlama yazılımları ile veriyi işleme ve yorumlama önündeki engelleri ortadan kaldırdılar. Bu teknolojik gelişmelere
İstatistik Veri Madenciliği
Veri Ambarı / Adacığı Küp Yapıları Görsellik ETL Veri Kalitesi Anlık Raporlama OLAP Analitik Uygulamalar Kişiselleştirme Arama İçerik Yönetimi. İş Akışı Performans Yönetimi Portal Dashboard Raporlama Beraber Çalışma İş Zekası Platformları İş Zekası Çözümleri Akıllı Kurumsal Çözümler Veri Tabanı Yönetim Sistemi Kurumsal Uygulamalar
21
enformasyona çevirmek, ardından bu enformasyonu karar vericilerin önüne aksiyon alınabilir bilgiye dönüştürmek üzere sunma sürecine yardımcı olan uygulamalar bütünü için kullanılmaya başlanmıştır.
4.3. Veri Ambarı
Operasyonel veritabanları, firmaların operasyonel sistemlerinin taleplerine en iyi şekilde cevap vermek üzere tasarlanmışlardır. Operasyonel veritabanları ne kadar iyi tasarlanmış olsalar da, geriye dönük veri saklama kapasitelerinin sınırlı olması ve komplike analizler için optimize edilmemiş olmaları sebebiyle stratejik karar verme aşamasında kullanılmaya pek uygun değillerdir.
Karar Destek Sistemleri uzun yıllardır gündemde olmasına rağmen 1990‟lı yılların başında farklı veri kaynaklarındaki ve farklı uygulamalardaki önemli verilerin tek bir platformda toplanması fikri, “veri ambarı” konseptinin ortaya çıkmasına sebep olmuştur. Veri ambarı (data warehouse) için, operasyonel verilerin sorgulama ve analiz için tasarlanmış bir kopyası da denilebilir. [1]
Veri ambarı için bir çok tanım bulunmakla beraber hemen hepsinde ortak olarak bulunan öğeler, bu konseptin yaratıcılarından olan W.Inmon‟un tanımında bulunmaktadır: “Veri ambarı, karara verme sürecine destek olmak için tasarlanmış, içinde bulunan tüm verilerde zaman bilgisi bulunan bütünleşik, tutarlı ve konu odaklı bir veritabanıdır.“ [5]
Veri ambarı tabiri, kimileri için sadece bir veri kümesini ifade ederken, kimileri için ise verilerin son kullanıcıya sunulmasına yardımcı olan bir platform ve etrafındaki uygulamaları kapsamaktadır. [23] Aslında veri ambarı konsepti, operasyonel ve stratejik karar süreçlerini etkileyen gelişmiş bir bilgi işlem mimarisini tanımlar. Veri ambarı şirket için hazır alınabilecek bir ürün veya çözüm değildir, tersine organizasyondaki süreçlerin, yazılımların, donanımların ve verinin bir bileşiminden oluşur. [3]
Veri ambarından bahsederken Veri Adacığı (Data Mart) kavramına da değinmek gerekir. Veri ambarı tüm şirket genelindeki veriyi saklayan ve modelleyen bir yapıyken, veri adacığı sadece belli bir iş kolunun veya departmanın ihtiyaçlarını karşılamak üzere tasarlanmış bir yapıdır. Küçük bir veri ambarı olarak da tanımlanabilecek olan veri adacığı, düşük maliyetli olması ve kısa sürede işlevsel hale getirilebilmesi sebebiyle tercih edilebilmektedir. Veri adacığı, şirket içinde veri ambarına örnek teşkil edecek bir başlangıç adımı olabileceği gibi, kurumsal bir veri ambarının oluşturulmasının ardından belli bir grubun spesifik ihtiyaçlarını karşılamak amacıyla da tasarlanmış olabilir. [2]
23
Veri ambarı yapısı, Karar Destek Sistemleri‟nde olması beklenen tüm unsurların yerine getirilmesini sağlayacak bir platform sağlar. Verilerin ve süreçlerin konsolidasyonu ihtiyacını, tüm departmanlarda bulunan süreçlere ait verilerin tek bir noktada toplanmasını sağlayarak karşılar. Veri ambarında konularına göre mantıksal olarak modellenen bu veriler, şirketin bütünü hakkında fikir verecek konsolide enformasyonun tek bir noktadan üretilmesine yardımcı olur. [18]
Verilerin kalitesi, veri ambarına transfer sırasında veriler manipüle edilerek veya transfer sonrasında veriler üzerinde çeşitli uygulamalar çalıştırılarak arttırılır. Veri ambarının detay seviyesi, şirketin operasyonel ve stratejik ihtiyaçlarına cevap verecek şekilde tasarlanarak, Karar Destek Sistemleri‟nin entegre bir çözüm sunmasına olanak sağlar. Yüksek performanslı bir ortam sağlanması işlevini ise operasyonel sistemlerden periyodik olarak çekilen büyük miktarda verinin, analize uygun şekilde modellenmesi sayesinde yerine getirir. [18]
4.3.1. Veri Ambarı Karakteristikleri
W.Inmon‟a ait veri ambarı tanımında bulunan konu odaklılık, bütünleşiklik, sabitlik ve tarihsellik unsurları veri ambarının temel karakteristikleri olarak sıralanabilir. Bu karakteristiklerin anlaşılması veri ambarı konseptinin algılanması için önem teşkil etmektedir.
Konu odaklılık ile, operasyonel sistemlerdeki süreç odaklı tasarımın aksine, veri ambarında bir fonksiyonel iş kolu için anlam ifade eden verilerin bir arada tutulması üzerine kurulu bir tasarım kastedilmektedir. [11] Bir bankanın operasyonel sisteminde bireysel kredi süreci, kredi talebinden kredinin sonlanmasına kadar bir süreç olarak işlem görebilir ve raporlanabilir. Ancak veri ambarında bu veri, müşterinin ürünleri altında veya bankanın riskleri kategorisinde kategorize edilebilir.
Bütünleşiklik ile veri ambarında tanımlanan, değişkenler bazında gruplanan verilerin özetlenerek saklanması, bu verilerin gerekirse kontrolden geçirilip temizlenmesi ve manipüle edilmesi olarak yorumlanabilir. [11] Bir bankanın operasyonel sisteminde, başvuru ve kabul süreci farklı olan konut kredisi ile taşıt kredisi farklı ekranlar aracılığıyla ele alınır ve banka mizanında farklı hesaplarda gösterilebilir ancak veri ambarının konu odaklılık karakteristiğine de uygun olarak banka bazında ele alındığında her iki kredi de banka için bir risktir. Bu sebeple mizanda farklı hesaplar olarak ele alınan bu iki farklı krediye, veri ambarına taşıma yapılırken tek bir değişken atanabilir. Bu durumda veri ambarı kullanılarak yapılacak analizlerde bu veriler konsolide bir halde son kullanıcıya sunulmuş olur.
Sabitlik ile veri ambarındaki verinin değişmemesi kastedilmektedir. Operasyonel sistemlerde veriler yazma, silme ve güncelleme işlemleri ile kayıtlarda anlık değişiklikler yaşanır. Ancak analizlere baz teşkil eden veri ambarındaki verinin değişmemesi, alınacak kararların sağlıklı olabilmesi için gereklidir. [11] Bu durumun sağlanabilmesi için ise veri ambarına, taşınan veriler üzerinde güncelleme yapılmaz. Veri ambarına taşıma sıklığı aylık, haftalık veya günlük olarak tanımlanabilir. Gerekli görüldüğünde son ana en yakın durumun analizini yapabilmek için gün içinde belli saatlerde veya bir tetiklemeye istinaden de taşıma yapılabilmesi mümkündür.
Tarihsellik ile, veri ambarına atılan tüm kayıtlara ait bir tarih bilgisinin bulunması kastedilmektedir. [12] Bu tarih bilgisi gün bilgisi olabileceği gibi, ihtiyaca göre hafta, ay hatta yıl bilgisi bile olabilir. Bu sayede kullanıcıların belli bir periyoda ait analiz yapma
25
şansları olacaktır. Yılın ilk çeyreği ile ikinci çeyreğindeki kredi kullandırımları arasında kıyaslama yapabilmek için veri ambarına taşınan kredilere ait kayıtlarda tarih bilgisinin bulunması gereklidir.
4.3.2. Veri Ambarının İşleyişi
Operasyonel sistemler ile analitik sistemler fiziksel olarak ayrı olsalar da, bu iki ortamı birbirlerinden ayrı düşünmemek gerekir. Operasyonel sistemde üretilen veriler analitik sisteme transfer esnasında belli bir ayıklama ve temizleme işleminden geçirilmezse, enformasyon üretme süreci son kullanıcılar için kolay olmaktan çıkacaktır. [18]
Veri ambarının modellemesinin ardından göz ardı edilmemesi gereken unsur, bu sistemi besleyecek yapının oluşturulmasıdır. Veri ambarında, iş kolunun ihtiyaçlarını karşılayacak verinin gereksiz detaylarından arındırılarak ve konsolidasyon için gerekliyse bir miktar manipüle edilerek yani daha homojen hale getirilerek saklanması gerekecektir. Veri ambarı için en kritik süreç olan, veri transferi ve homojenleştirme işlemlerini otomize etmeye yarayan uygulamalar bulunmaktadır. Bu uygulamalar, veriyi kaynağından çıkartma, değiştirme ve veri ambarına yükleme işlemlerini yaptıkları için, ilgili kelimelerin İngilizce karşılıklarının ilk harflerine tekabül eden ETL (Extract-Transform-Load) kısaltması ile bilinmektedirler.
Şekil 4.2: Veri ambarının işleyişi [18]
An
a
li
tik
O
rtam
Ope
ra
s
y
onel
Orta
m
27
ETL uygulamaları, farklı veritabanı ve platformlara hızlı ve etkin bir şekilde erişerek, veri ambarının önemli özelliklerinden biri olan konsolide veriyi derleme işlevinin yerine getirilmesini sağlarlar. Şekli 4.2‟de gösterilen sürecin üst tarafı operasyonel sistem, alt tarafı ise analitik sistemi temsil etmektedir. Veri ambarının, operasyonel veri tabanlarından homojen veri ile beslenmesini sağlayan ETL süreci şeklin sağ tarafındaki oklar ile gösterilmektedir. Veri ambarından yapılan analizler yardımıyla üretilen bilgi ve bu bilgiye istinaden alınan stratejik iş kararları, iş süreçleri üzerinde etkiler yapmaktadır. İş süreçleri üzerinde yapılan değişiklerin operasyonel sisteme, dolayısıyla ilgili veri tabanına etkisi bulunmaktadır.
Şekil 4.2‟de gözüktüğü üzere, ETL sürecini de içine alan veri ambarının işleyişinde, sürecin teknik boyutunun sonuçları sürecin iş boyutunu etkilemektedir. İş kolu tarafında yapılan değişiklikler yine teknik tarafa değişiklik olarak yansımaktadır. Bu dinamik yapının yönetilebilmesi için uygulamaların optimizasyonu kadar, insan faktörünün de ön plana çıkması gerektiğini vurgulamakta yarar vardır.
4.4. OLAP (Online Analytical Processing)
Yurtdışında olduğu gibi yurtiçinde de, OLAP (Online Analytical Processing) kısaltması ile bilinen “Çevrimiçi Analitik İşleme” kavramı ilk olarak 1993 yılında Dr.E.F.Codd‟un “Providing Online Analytical Processing to User Analyst” adlı makalesinde kullanılmıştır. [9]
OLAP, ham verilerin hızlı erişilebilir ve kolay algılanabilir bir halde çok boyutlu olarak tasarlanmasını ve üzerinde etkileşimli analizler yapılabilmesini sağlayan bir yazılım teknolojisidir. OLAP kullanımının geliştirilmesi ve teşvik edilmesi amacıyla kurulmuş olan OLAP Konseyi‟nin (OLAP Council) tanımına göre ise Çevrimiçi Analitik İşleme; “ham verinin son kullanıcıların anlayacağı şekilde modellenerek, analist ve yöneticilerin kurumun gerçeklerini bulmalarını sağlayacak enformasyona, birçok bakış açısından hızlı, tutarlı ve interaktif bir şekilde erişilmelerini sağlayan bir yazılım teknolojisidir.” [2] Son on yıldır büyük miktarlardaki kurumsal veri, ilişkisel veri tabanlarına taşınmıştır. İlişkisel veri tabanları, ağırlıklı olarak işlem gerektiren operasyon ve kontrol alanlarında kullanılmıştır. İlişkisel veri tabanı sağlayıcıları bu alanda başarılı olabilmek için çok büyük miktarlardaki küçük işlemlerin, hızlı ve doğru bir biçimde yapılmasına önem vermişlerdir. Ancak OLAP teknolojisi, veriyi çok boyutlu bir veritabanı yapısında saklayarak, kullanıcılara ileri seviyede analiz için stratejik veriye hızlı ulaşımı sağlayan çok boyutlu bütünleşik yapıyı kullandırır. Bu sebeple OLAP ve veri ambarının birbirini tamamladığını söyleyebiliriz. Bir veri ambarı, veri depolar ve yönetmeyi sağlarken, OLAP ise bu veri ambarındaki verinin stratejik bilgiye dönüştürülmesine yardımcı olacak yapıyı ve uygulamaları sağlar.
OLAP uygulamaları, “kim” ve “ne” sorularını cevaplamanın yanında “…ise ne olur?” ve “niçin?” sorularını da cevaplayabilir, ki bu onları veri ambarlarından ayırır. OLAP gelecek hareketler hakkında karar vermeyi sağlar. Bir OLAP işlemi sade bir veri görüntülemesinden çok daha komplekstir, mesela OLAP‟ta uygulanabilecek bir sorgu cümlesi, “Mevduat faizleri 0.5 puan artarsa ve disponibilite oranı 1 puan azalırsa mevduat maliyetim ne olur?” sorusuna cevap verebilir.
29
4.4.1. OLAP Karakteristikleri
1985‟de ilişkisel veritabanının kurallarını yazdığı makalesiyle bilişim dünyasında haklı bir üne kavuşan Codd, 1993‟teki makalesinde OLAP‟ın kurallarını yazarak bu kavramı gündeme taşımış ve bu kavramın teorisyeni olmuştur. Bu makalesinde yer alan 12 kural ve bu kuralların ifade ettikleri şu şekilde özetlenebilir:
1. Çok boyutlu görsellik konsepti: Stratejik karar almayı gerektiren konular genelde ikiden fazla boyut içerir. Böyle durumlarda çok boyutlu bir görsellik oluşturmak kullanıcıların analiz kabiliyetini arttıracaktır.
2. Transparanlık: Kullanıcı ile veri kaynağı arasında bağlantıyı sağlayan OLAP uygulaması, kullanıcıya veri kaynağından bağımsız olarak uygulamanın tüm fonksiyonalitelerini sunabilmelidir.
3. Erişilebilirlik: OLAP uygulaması, verinin kaynak sistemden gerekli düzenlemeler yapılarak, kendi mantıksal yapısı üzerinden kullanıcıya sunulmasını sağlayabilmelidir.
4. Performanslı raporlama: Analiz edilen boyut sayısındaki artışın, OLAP uygulamasının performansını gözle görülür şekilde düşürmemesi gerekir.
5. Sunucu-istemci mimarisi: OLAP uygulamasının sunucu yapısı birden fazla kaynak sistemden beslenebilir, bir çok istemciyi besleyebilir olmalıdır.
6. Boyutların genelliği: Her veri boyutunun yapısı ve analiz edilebilme kabiliyeti diğeri ile aynı olmalıdır.
7. Dinamik seyrek matris yönetimi: OLAP sunucusu, fiziksel yapıdaki matrisin boş olan kısımlarını optimize edebilmelidir.
8. Çoklu kullanıcı: OLAP uygulaması, aynı anda birden fazla kullanıcının veriye erişimini ve veri üzerinden analiz yapabilmesini sağlayabilmelidir.
9. Kısıtlama olmaksızın boyutlar arası analiz: Veriler üzerinde, boyutlar arasındaki tanımlara ve ilişkilere bağlı kalmaksızın hesaplamalar ve manipülasyonlar yapılabilmelidir.
10. İçgüdüsel veri manipülasyonu: Analizler menüler yardımıyla değil, ekran üzerindeki boyutlar ve hücreler üzerinden, görselliği mümkün olduğunca kullanarak, kolayca yapılabilmelidir.
11. Esnek raporlama: OLAP uygulaması, son kullanıcıya veriyi görmek istediği her şekilde gösterme esnekliğine sahip olmalıdır.
12. Sınırsız boyut ve özetleme seviyesi: Verinin modellenmesi esnasında boyut adeti veya özetleme seviyesi adedi sınırlaması olmamalıdır. [11]
Codd‟un kurallarında bahsi geçen OLAP sunucusu teknolojisinin, büyük veritabanlarında yüksek performanslı analizler yapabilmek gibi önemli bir işlevi vardır. Bu teknolojinin, ilişkisel bir veritabanından farklı olan veri yapısı hakkında içerdiği bilgiler, son kullanıcıyı SQL tipi sorgu yazdırmaktan kurtarmaktadır.
OLAP sunucusu teknolojisi, veriyi çok boyutlu bir yapıda saklayabileceği gibi, gerektiğinde veriyi diğer veritabanlarından derleyerek son kullanıcıya hızlı bir şekilde ulaştırabilmektedir. Genelde veri ambarı terimi, veritabanı yapısının ilişkisel ve çok boyutlu olmasına çok da bakılmaksızın, OLAP sunucusu da içinde barındırıyormuş gibi kullanılır.
31
4.4.2. OLAP Çeşitleri
OLAP teknolojileri veriyi alış ve işleyiş biçimlerine göre farklılık gösterirler. Piyasadaki yazılımlar bu dört farklı OLAP çeşidini kullanmaktadırlar.
Çok boyutlu OLAP (Multidimensional OLAP, MOLAP), önceden hazırlanmış ve kendisine özel bir veri tabanı sunucusu üzerinde tutulan çok boyutlu veri küplerinin üzerine kurulu bir OLAP çeşididir. MOLAP çözümleri, işlem bilgileri konsolide edildiği ve çok boyutlu bir yapıya getirildiği için yüksek performans sağlarlar. Veriler çok boyutlu kübün oluşturulduğu andaki kadar günceldir. Son güncel verilere ulaşmak için veri küplerinin güncellenmesi gerekir. [21]
İlişkisel OLAP (Relational OLAP, ROLAP), ilişkisel veri tabanına direkt ulaşılan OLAP çeşididir. Bu OLAP türü, küpte ya da çok boyutlu veri tabanı sunucusunda hesaplama ve saklama işlemini ortadan kaldırır, ancak genellikle ilişkisel veri tabanında yıldız şeması veya özet bir çok boyutlu veri tabanı yapısının yaratılmasını gerektirir. Büyük miktarlardaki veriye direkt ulaşımdan dolayı uzun bekleme süreleri olabilir. [21]
Hibrid OLAP (Hybrid OLAP, HOLAP), MOLAP ve ROLAP sistemlerinin özelliklerini kullanan bir OLAP çeşididir. Böylece ROLAP‟ın geniş veri yelpazesi ve güncelliğinden, MOLAP‟ın ise yüksek performansından faydalanılır. Sık yapılan analizler hızlı olan MOLAP‟la, daha seyrek yapılan analizler daha yavaş olan ROLAP‟la yapılır. [2]
Masaüstü OLAP (Desktop OLAP, DOLAP), çok boyutlu veri küplerinin kullanıcı bilgisayarında olması nedeni ile bu isim verilmiştir. Bu türün avantajı, ağın daha az kullanılması ve kullanıcının daha hareketli olabilmesidir, çünkü kullanıcı her sorgu için OLAP sunucusuna ulaşmak zorunda değildir. İlk sorguya istinaden bilgisayarına taşıdığı veri üzerinde hızla istediği manipülasyonları yapabilmektedir. [8]
Şu an piyasada bulunan OLAP ürünleri, ROLAP veya MOLAP teknolojileri üzerinde yoğunlaşmışlardır. 2004 yılında 971 şirket ve 2874 OLAP kullanıcısı ile yapılan “OLAP Survey 4” isimli anket çalışmasında MOLAP uygulamalarının ortalama cevap süresi 4,9 saniye, ROLAP uygulamalarının ortalama cevap süresi ise 19,8 olarak olarak tespit edilmiştir. [33] 2005 yılında 5580 OLAP kullanıcısı ile yapılan “OLAP Survey 5” isimli anket çalışmasında ise ROLAP kullanıcılarının %27‟sinin, MOLAP kullanıcılarının ise %15‟inin kullandıkları ürünün performansı konusunda şikayetçi oldukları belirlenmiştir. [34]
4.4.3. OLAP Fonksiyonaliteleri
OLAP teknolojisinin gücü, son kullanıcıların verileri kolayca ve hızla manipüle edip, aradıkları sorulara cevap bulabilecekleri analizleri kendi başlarına oluşturabiliyor olacakları çok boyutlu bir yapıyı destekliyor oluşundandır [2]. OLAP‟ın son kullanıcılara önemli esneklikler sağlayan bu fonksiyonalitelerinin anlaşılabilmesi için boyut (dimension), değer (measure) ve hiyerarşi tabirlerini irdelemek yerinde olacaktır.
Bu kavramları bir örnek ile somutlaştırmak için bir bankanın verdiği kredilerin nasıl analiz edilebileceğini ele alalım. Bankanın verdiği kredinin büyüklüğüne ulaşmak için öncelikle bölgelerindeki kredi büyüklüğünü, bölgelerdeki kredi büyüklüğüne ulaşmak için şubelerdeki kredi büyüklüğünü, en nihayetinde şubenin kredi büyüklüğüne ulaşmak için ise şubenin her bir müşterisinin aldığı kredi miktarını bilmek gerekmektedir. Bankanın kredi büyüklüğünün analizini yapmak için kurulacak modelde, “değer” müşterinin kredi miktarının ilgili para birimi cinsinden tutarı, “boyut” ise bu kredinin verildiği müşterinin bilgisidir. Şekil 4.3‟te görüldüğü üzere küp olarak görselleştirebilecek bu yapının kenarları “boyut”, bu kenarların kesişim noktalarında bulunan daireler ise “değer”dir.
Şekil 4.3: Çok boyutlu veritabanı yapısının görselleştirilmiş hali
Müşterinin krediyi aldığı şube ve bölge bilgileri de yine birer “boyut”tur. “Hiyerarşi” ise müşterinin şube ile ilişkisi, şubenin bölge ile ilişkisi ve bölgenin banka ile ilişkisinin tanımıdır.
İş kurallarının mantıksal modele yansımasına istinaden sistem tasarımcılar tarafından inşa edilmiş olan hiyerarşiler dışında, zaman hiyerarşisi gibi standart kavramlar sistemde otomatik olarak tanımlanmış bulunur. Firmalar yine iş kuralları çerçevesinde
kredi
şube
33
bu hiyerarşinin seviyelerini belirleme şansına sahiptirler. “Hafta” veya “gün” detayı hiyerarşiye dahil edilebilir veya “çeyrek” detayı hiyerarşiden kaldırılabilir. Şekil 4.4‟te örnek bir zaman hiyerarşisinin görselleştirilmiş hali bulunmaktadır.
4.4.3.1. Konsolidasyon
OLAP‟ın en önemli özelliği çok boyutlu yapıyı desteklemesi sayesinde, OLAP‟a has özetten detaya, detaydan özete, dilimleme ve döndürme gibi fonksiyonlarda büyük miktarda veriyi ilişkisel veritabanı yapılarına kıyasla çok daha hızlı bir sürede işleyip, son kullanıcıya sunabiliyor olmasıdır. Bu hız sadece uygulama tarafından kaynaklı değil, veriyi saklama şekline de bağlıdır.
OLAP kübü ilişkisel veritabanı veya veri ambarından beslenirken, veriyi tüm boyutları için hesaplamalar yaparak kendi yapısında saklar. Şekil 4.5‟te grinin tonları olarak gösterilen bölgeler, küp yapısının içinde bulunan değerlerin toplamlarına karşılık gelmekte olup, küp değerler ile doldurulurken dinamik olarak üretilmektedir. [4]
Şekil 4.5: OLAP‟ın konsolidasyon özelliğinin görselleştirilmiş hali
Kübün sağ yüzünü ele alırsak açık gri alan x-eksenindeki boyuta göre toplam değerleri vermektedir. Bu açık gri alanların y-ekseni ve z-ekseni ile kesiştiği daha koyu gri olarak gösterilmiş bölgeler ise x-ekseni ile diğer eksendeki boyutlara göre toplam değerlerini verir. Her üç eksenin kesiştiği en koyu gri olarak gösterilen bölge ise bu kübü oluşturan tüm değerlerin toplamını ifade eder. OLAP uygulaması ile yapılan analizde genel toplamı göstermek için her defasında tüm değerler için hesaplama yapmaya gerek kalmamakta, ilgili küpte daha önceden hesaplanmış olan genel toplam değeri kullanıcıya herhangi bir boyut değeri hızında getirilmektedir.
35
4.4.3.2. Özetten Detaya Analiz
Özetten detaya (drill-down) ve detaydan özete (roll-up) analiz, boyutlar için tanımlanmış hiyerarşilere istinaden kübün kenarlarının detay seviyesinin değiştirilmesi anlamına gelir. Özetten detaya (drill-down) fonksiyonu sayesinde fare yardımıyla seçilen boyutun hiyerarşik olarak bir alt seviyesindeki boyutuna ulaşılır. Bunu zaman boyutu için ele alacak olursak; yıl seçilirse çeyrek, çeyrek seçilirse ay, ay seçilirse hafta veya gün detayına ulaşmak mümkün olacaktır. Lokasyon boyutu üzerinden detaydan özete (roll-up) fonksiyonunu ele alırsak; ay seçildiğinde bir üst seviye olan çeyreğe, çeyrek seçilirse bir üst seviye olan yıla ulaşılır. Boyutlar arasındaki bu geçişler sırasında analizin yönüne istinaden, ya toplam değerler alt detaylarına pay edilir, ya da detaylarda bulunan sayısal değerler toplanarak üst seviyede konsolide olur. [4] Boyutlar arasında izlenecek yol tanımlı hiyerarşiler ile, daha önceden tanımlanmış olabileceği gibi kullanıcı tarafından dinamik olarak da seçilebilir.
Özetten detaya fonksiyonunu anlaşılır hale getirmek için Tablo 4.2‟de şubelerin yılın ilk çeyreğinde verdikleri kredi miktarlarını gösteren basit raporu ele alalım. Son kullanıcı, zaman boyutundaki Q1 (İlk Çeyrek) değerini seçerek, Tablo 4.3‟te gösterilen daha detaylı bir rapora ulaşma şansına sahiptir.
Tablo 4.2: Şube kredi miktarlarının ilk çeyrek bazında raporu Q1 (İlk Çeyrek)
1. Şube 370
2. Şube 240
3. Şube 330
Tablo 4.3: Şube kredi miktarlarının ilk çeyreğin ayları bazında raporu
Ocak Şubat Mart
1. Şube 100 120 150
2. Şube 70 80 90
4.4.3.3. Dilimleme ve Döndürme Analizi
Dilimleme ve Döndürme (Slicing and dicing) fonksiyonu kullanıcıların OLAP kübünü farklı açılardan analiz edebilmek için boyutlar arasında hareket etmelerini, çeşitli boyutlara göre sınırlandırmalar yapmalarını ve gerekirse boyutlarda veya boyutların gösterim yerlerinde değişiklikler yapmalarını sağlar. [4]
Bu fonksiyonu daha iyi anlamak için Şekil 4.6 incelenebilir. Veri ambarındaki ilgili tablolarda bulunan verileri üç boyutlu olarak görselleştirirsek ortaya çıkacak olan kübün x-ekseninde “Zaman” boyutu, y-ekseninde “Lokasyon” boyutu, z-ekseninde ise “Ürün” boyutu olduğunu varsayalım. Kübün x-ekseninde bulunan dört parçanın, son yılın dört çeyreğine, y-ekseninde bulunan iki parçanın iki farklı şubeye, z-ekseninde bulunan üç parçanın ise üç farklı ürüne tekabül ettiğini varsayalım. Bu durumda üzerinde analiz yapılması planlanan kübün, her bir kenarından dilimlenmiş olduğunu yani bir çok küçük küpten oluştuğunu ifade edebiliriz.
Şekil 4.6: Dilimlenmiş OLAP kübünün görselleştirilmiş hali
Son kullanıcı bu küp üzerinde yılın belirli bir çeyreği için analiz yapmak isterse, sadece x-eksenindeki ilgili dilimi seçerek diğer boyutlara göre bu dilimin analizini yapabilir. Şekil 4.7‟de koyu gri olarak seçilen kesit analiz edilmek istenen çeyreği göstermektedir. Bu sayede kullanıcı yılın 3.çeyreğini şubelere göre ve ürünlere göre analiz etme şansına sahip olacaktır. Kübün x-ekseni sabit kalmak şartıyla, y-ekseni ve z-eksenlerinde yapılacak değişikler ile seçili zamana ait verilerin farklı perspektiften analiz edilmesi mümkündür.
kredi
şube
37
Şekil 4.7: Dilimlenmiş ve analize uygun OLAP kübünün görselleştirilmiş hali Bu fonksiyon sayesinde veriyi çok boyutlu olarak, farklı kesitlerden analiz etme şansına sahip olan analistler veya yöneticiler, iki boyutlu analizlerde gözlemlenmesi zor olan varyansları ve anormallikleri tespit etme şansına sahip olurlar.
Şubelerin mevduatlarını dönemsel olarak analiz ederken, şube bilgisini müşteri tipiyle değiştirip aynı sayısal değerlere aynı dönem için bir de müşteri tipi perspektifinden bakmak bu fonksiyonalitenin kullanımına örnek olarak verilebilir.
