Veri̇ madenci̇li̇ği̇
- 2. Bilgisayar sistemleri, her geçen gün ucuzlaması ve güçlerinin giderek artması nedeniyle yaşamın her alanına hızla girmektedir. İşlemcilerin hızlanması, disk kapasitelerinin artması, bilgisayar ağlarındaki ilerleme sonucu her bir bilgisayarın başka bilgisayarlardaki verilere ulaşması olanağı, bilgisayarların çok büyük miktardaki verileri saklayabilmesine ve daha kısa sürede işleyebilmesine olanak sağlamaktadır. Teknolojinin büyük hızla gelişmesi sonucu bu şekilde durmadan büyüyen ve işlenmediği sürece değersiz gibi görünen veri yığınları oluşmaktadır. Bu veri yığınlarını, içlerinde altın madenleri bulunan dağlara benzetmek mümkündür. Bu madenlere ulaşmak için kullanılan yöntem ise, temelinde istatistik uygulamaları yatan “VERİ MADENCİLİĞİDİR”.
- 3. Veri madenciliği; önceden bilinmeyen, geçerli ve uygulanabilir bilginin veri yığınlarından dinamik bir süreç ile elde edilmesi olarak tanımlanabilir. Bu süreçte kümeleme, veri özetleme sınıflama kurallarının öğrenilmesi, bağımlılık ağlarının bulunması, değişkenlik analizi ve anomali tespiti gibi farklı birçok teknik kullanılmaktadır. Veri madenciliği ile büyük veri yığınlarından oluşan database sistemleri içerisinde gizli kalmış bilgilerin çekilmesi sağlanır. Bu işlem, istatistik,matematik disiplinleri, modelleme teknikleri, database teknolojisi ve çeşitli bilgisayar programları kullanılarak yapılır.
- 4. Veri madenciliği büyük miktarda veri inceleme amacı üzerine kurulmuş olduğu için veri tabanları ile yakından ilişkilidir. Gerekli verinin hızla ulaşılabilecek şekilde amaca uygun bir şekilde saklanması ve gerektiğinde hızla ulaşılabilmesi gerekir. Günümüzde yaygın olarak kullanılmaya başlanan veri ambarları günlük kullanılan veri tabanlarının birleştirilmiş ve işlemeye daha uygun bir özetini saklamayı amaçlar. Veri madenciliği kendi başına bir çözüm değil çözüme ulaşmak için verilecek karar sürecini destekleyen, problemi çözmek için gerekli bilgileri sağlamaya yarayan bir araçtır. Veri madenciliği; analistin’e, iş yapma aşamasında oluşan veriler arasındaki şablonları ve ilişkileri bulması konusunda yardım etmektedir.
- 5. Veri Madenciliği; 1- Büyük ve karmaşık verilerle çalışır. 2- Her türlü veriyi kullanarak çözümler üretebilir. 3- İstatistik, yapay zeka, makine öğrenmesi, Veri tabanlarında bilgi keşfi, bilgisayar bilimi, yapı tanıma vb. gibi disiplinlerden faydalanır. 4- Daha önceden bilinmeyen, doğrulanabilir, etkinleştirilebilir enformasyon arar. 5- Otomatik veya yarı otomatik olarak çalışan çözüm araçları kullanır. 6- Birçok endüstride kullanılmaktadır. 7- Sorunlara göre değişen çözüm araçları vardır. 8- Hızla büyümekte olan bir sektördür.
- 8. Uygulama alanının incelenmesi: Öncelikle konuyla ilgili bilgi ve uygulama amaçların belirlenmesi Amaca uygun veri kümesi yaratma: Analiz edilecek verinin hangi veritabanında yapılacağını belirterek, veri seçmek ya da keşif edilecek alt veri örnekleri oluşturma Veri ayıklama ve önişlem: Gürültülü ve tutarsız verileri silme Veri azaltma ve veri dönüşümü: Analizde gerekli özellikleri (boyutları) seçme, özellikler arasındaki ilişkiyi belirleme, veri dönüşümü ya da veri birleşimi yaparak boyut azaltma Veri madenciliği tekniği seçme: Sınıflandırma (classify), bağlantı kuralları (association rules), kümeleme (clustering) Veri madenciliği algoritması seçme. Model değerlendirme ve bilgi sunma Bulunan bilginin yorumlanması
- 10. Müşterilerin elde tutulmasına yardımcı olur. Müşteri profilinin ortaya çıkarılmasını sağlar, bu sayede müşteri davranışlarının anlaşılmasını sağlar. Müşteri kazanımı için yapılan harcamaları düşürür. Yüksek kazanç getirecek müşterilerin hedeflenmesine yardımcı olur. Yapılan araştırmalarda daha kolay yöntemler kullanılması ile yapılan harcamalar minimize edilmiş olur. Araştırma maliyeti kullanılan istatistiksel yöntemlerle hissedilir derecede düşürülür. Sigortacılık, bankacılık ve telekomünikasyon alanlarında geçmiş veriler kullanılarak sahtekarlık yapanlar için bir model oluşturma ve benzer davranışlar gösterenleri belirleme konusunda veri madenciliğinin önemli rollerinin olduğunu söyleyebiliriz. Örnek; Araba sigortası, sağlık sigortası, kredi kartı başvurusu yapanların geçmiş alışkanlıklarının incelenerek başvurunun kabul edilmesi veya reddedilmesi gibi.
- 11. Sınırlı bilgi Veri tabanı boyutu Aykırı ve eksik veriler
- 12. SPSS CLEMENTİNE SAS ENTERPRİSE MİNER Günümüzde en çok kullanılan veri madenciliği programlarının başında büyük çapta istatistik programları olan SAS ve SPSS gelmektedir.
- 13. Merkezi Chicago’da bulunan SPSS 1967 yılından bu yana verilerdeki gizli bilgileri keşfetme ve stratejik karar desteği sağlama yönünde ileri analitik çözümler sunmaktadır. SPSS’in veri madenciliği metadolojisi olarak kabul ettiği CRISP DM (cross ındustry standart processing for data mining) %50’nin üzerinde bir kullanıma sahiptir. Internet kayıtlarına ve elde edilen verilere gelişmiş veri madenciliği teknikleri uygulayarak, kullanıcılar ile birebir ilişki kurmayı sağlayacak öngörüler elde edilebilir. Bu aşamada SPSS çözümlerine, teknolojilerine ve danışmanlığına başvurarak, güvenilir sonuçlar elde etme yolunda bir adım atmış oluruz. SPSS veri madenciliği çalışmalarına kendi yeteneğini ve tecrübesini getirerek, öğrenme süresini azaltacak, çalışmalara en hızlı şekilde başlamamızı sağlayacaktır. ÖRNEK 1: Hollanda’da bulunan IGNATIUS Hastanesi ise tedavi sürelerinin ve belirli bir sürede tedavi ihtiyacı olan kişi sayısının ve her bir hasta için tedavi süresinin tahmin edilmesi yönünde uygulamalar geliştirmiş ve yaptığı analizler sonucunda elde ettiği bilgi ile hastane kadro ve kaynak ihtiyaçlarının doğru belirlenmesini sağlamış ve geçmiş hasta verilerinden elde ettiği bilgi ile kalp hastalıklarında bypass ameliyatlarının riskini minimuma indirmeyi başarmıştır.
- 14. ÖRNEK 2:HSBC Amerika, SPSS veri madenciliği çözümleri ile yaptığı çalışmada müşteri ihtiyaçlarını ve davranışlarını tespit etmiş ve doğru müşteriye doğru önerilerle giderek pazarlama maliyetlerinde %30’luk bir azalma sağlarken, satışlarını %50 artırmıştır. Edinilen deneyim ve başarı ile öğrenen bir organizasyon olma ve bilgiye dayalı yeni bir çalışma stratejisi benimsemiştir. Banco Espírito Santo (BES) SPSS’ in veri madenciliği çözümleri sayesinde, kendisi ile çalışmayı bırakmaya meyilli müşteri profilini tanımlayabilmiştir. Stratejik planlama ekibi, bu müşteri profilini canlı tutan, kaybetmeden önce geri kazanmaya ve müşteriyi memnun etmeye yönelik modeller geliştirmiştir. Sonuç olarak, müşterinin hareketlerinden fayda yaratma kabiliyeti edinerek, müşteri kaybını %15-20 azaltmış, karlılıklarını %10-20 arttırmışlardır.
- 15. SAS’ın dünya çapında 112 ülkede 44000’i aşkın kullanıcısı bulunmaktadır. En son versiyonu 9.1.3 2007 yılının son aylarında piyasaya sunulmuştur. Kullanımı SPSS programına göre biraz daha zordur. SAS programında komut yazmak gerekir. Veriler üzerinde gerekli istatistik tekniklerini kullanarak tahmini sonuçlar verir. SAS Araştırma, Kamu ,Perakende, Sigorta, Bankacılık, Medya, Eğitim ve Telekomünikasyon sektörlerinde kullanılmaktadır.
- 16. ÖRNEK 3: Fiyat endekslerinin hesaplanması, işgücü ve istihdam endeksleri, hane halkı bütçe anketleri, gelir dağılımı, yoksulluk çalışmaları, dış ticaret istatistikleri gibi birçok çalışmada SAS çözümlerinden yaralanan TÜİK ‘2003 yılı Hane Halkı Bütçe Anketi’ çalışmasını bu sistem aracılığıyla tamamlamıştır. ÖRNEK 4: Garanti Bankası müşterilerine sunduğu hizmetleri daha iyi bir noktaya taşımak amacıyla SAS’ın veri madenciliği ürününü tercih etmiştir. Müşterilerin finansal davranış modelleri ile ilgili detaylı bilgi elde etmeyi hedefleyen Garanti, böylelikle daha etkin müşteri ilişkileri yönetimi çalışmaları yapabilecektir.
- 18. Kurumlarda biriken veri içinden kurum için yararlı olanlarını bulup ortaya çıkarma işine veri madenciliği denir. Veri madenciliği uygulamalarında altyapı gereksinimini ise veri ambarı sağlar. Veri madenciliği bir süreçtir.Verinin temizlenmesinden başlar;bütünleştirilmesi,indirgenmesi,dönüştürül mesi,veri madenciliği yöntemlerinin uygulanması ve sonuçların değerlendirilmesi gibi adımlardan oluşur.
- 19. Veri madenciliğinde temel olarak üç modelden bahsedilir.Sınıflama,kümeleme ve birliktelik kuralları. Veri içindeki gizli örüntülerin ortaya çıkarılması amacıyla sınıflandırma modelleri kullanılır. Verinin kendi aralarındaki benzerliklerinden yola çıkarak gruplandırılması kümeleme yöntemleri ile gerçekleşir. Gözlemlerin birbiriyle olan ilişkisi ele alınarak hangi olayların birlikte gerçekleştiği birliktelik kuralları yöntemi ile ortaya konur.
- 20. ESRA KILINÇ (2011507026) SİMAY VURAL(2011507030) YÖNETİM BİLİŞİM SİSTEMLERİ 4. SINIF (N.Ö)