Günümüzde gelecekle ilgili öngörüde bulunma misyonunu “Kestirimci Analitik” yazılımları üstlendi. İş analistleri kestirimci analitik ile günümüzün kahinleri olabilir mi?
İnsanoğlu tarih boyunca geleceği tahmin etmek ve öngörmek için hep uğraştı. Yıllarca doğaüstü güçlere sahip olduğunu iddia eden kişilerden gelecek ile ilgili bilgi almaya çalıştı. Falcılar, kâhinler ve niceleri tarih boyunca insanlara geleceği bildiklerini iddia ettiler. Bilimsel nedene dayanmayan bu tür öngörüler arada sırada tesadüfen tutsa da genelde sonu hep hüsranla bitti.
Geleceği öngörmek mümkün mü? Kahinlerin yıllarca yapmaya çalıştığını şimdi bir kez de yazılımcılar deniyor. Ancak yazılımcılar elbette öngörüde bulunmak için ellerinde bulunan geçmişe ait veriyi kullanıyor ve bu veriye dayanarak gelecek ile ilgili bilgi veriyor. Kestirimci analitik mevcut verilerden hareket ederek gelecek ile ilgili öngörülerde bulunuyor.
Kestirimci analitik geçmişte yaşanan belli olaylar dizisi nedeniyle gerçekleşmiş bir olayın gelecekte aynı olay dizilerinin oluşması durumunda tekrar edeceğini öngörüyor. Bu da demek oluyor ki kestirimci analitiğin doğru öngörüde bulunabilmesi için elinde yeterli veri olması gerekiyor. Eksik veya yeterli büyüklükte veriye sahip olmadan yapılacak öngörülerin doğru çıkma olasılığı da azalıyor.
Kestirimci analitik süreci
1. Hedeflerin belirlenmesi
Tüm analitik çalışmalarında olduğu gibi kestirimci analitik de planlama ile başlıyor. Projeye dahil olan tüm paydaşların hedeflerinin belirlenmesi, yanıt aradıkları soruların belirlenmesi sürecin ilk aşamasını oluşturuyor.
2. Verilerin toplanması
Farklı kaynaklardan gelen verilerin ortak bir havuzda toplanması kestirimci analitik sürecinin en uzun ve zahmetli adımını oluşturuyor. Nesnelerin interneti ile birlikte sahadan toplanan veriler de veri hacmini daha da artırıyor. Toplanan verinin sınıflandırılması, temizlenmesi ve yapısal olarak saklanması büyük önem taşıyor. Doğru ve düzgün şekilde yapılandırılmış veri öngörülerin doğruluk derecesinde belirleyici oluyor.
Veri yapılarının kurgulandığı bu adımda geçerliliğini yitirecek verilerin belli dönemlerde temizlenmesine dikkat etmek gerekiyor. Koşulların değişmesi ile beraber geçerliliğini yitiren veriler temizlenerek öngörüleri olumsuz etkilemelerinin önüne geçilebiliyor.
3. Analiz
Veri toplandıktan sonra analistler hipotezlerini veri ile ispatlamaya çalışıyor. Örneğin, bir ürünün stoklarda tükenmesi ile çağrı merkezine gelen arama sayıları arasındaki ilişkiyi araştırabiliyor. Eğer iki olay arasındaki ilişki formül ile ifade edilebilirse, ileride bir ürünün stoklarda azalması durumunda çağrı merkezi yöneticisine önümüzdeki dönemde çağrılarda artış beklendiği bilgisi verilebiliyor.
E-ticaret sitesinde profilini tam olarak dolduran kullanıcıların ortalama rakamların üzerinde alışveriş yaptığı tespit edilirse, profil dolduran kullanıcı sayısına göre satışlarda beklenen artış rakamı öngörülebiliyor ve buradan hareketle üretim kapasitesinde artış yapılabiliyor.
Bu örneklerde olduğu gibi, analistler elde bulunan verilere ve iş ihtiyaçlarına göre olaylar arasında ilişki kurup geçmiş verileri inceleyerek farklı modeller oluşturuyor. Sağlıklı modeller kurmak için doğru ve temiz veriye ihtiyaç duyuluyor.
4. Veri modelleri
Analiz aşamasında tespit edilen modellerin kurulmasında farklı teknikler kullanılıyor. Sıklıkla kullanılan model şekilleri arasında şunlar yer alıyor:
– Karar ağaçları: İş akış şemaları ile olaylar ve sonuçları çizilir. Bu teknik en basit ve en kolay modellemedir. Mantıksal olarak birbirini tetikleyen olaylar ve koşullar belirlenerek öngörüde bulunulur.
– Regresyon analizi: Farklı değişkenlerin birbirleri ile olan ilişkileri oranlanarak sonuca ulaşılmaya çalışılır. Değişkenlerin oluşma oranlarına göre birbirlerine olan etkileri de değişlik gösterir ve öngörüler bu etkilere göre gerçekleştirilir.
– Makine öğrenmesi: bilgisayarın kendi modellerini geliştirilmesi için geliştirilen sistemlerdir. Öngörüde bulunurken elde edilen anlık veriden faydalanılır ve bu veri analiz edilerek öngörüde bulunulur.
5. Kullanım ve izleme
Kestirimci analitik uygulamaları kullanıma kısa süre içinde alınıyor ancak önemli olan kullanıma aldıktan sonra sürekli olarak gözlenmesi ve geliştirilmesi gerekiyor. Bunun başlıca nedeni geçmişte aynı sonucu veren olayların her zaman aynı sonucu vermek zorunda olmaması. Öngörülerin doğru çıkmaması durumunda nedenlerinin incelenmesi ve modellerin bu yeni duruma göre güncellenmesi gerekiyor.
Neden şimdi?
Aslında yazılım ile öngörüde bulunma yeni bir kavram değil fakat doğru sonuç vermesi için gerekli koşullar hiç bugün olduğu kadar uygun olmamıştı. Kestirimci analitiğin başarılı olması için gerekli olan işlemci gücü, depolama alanı ve veri büyüklüğü günümüzde yapılacak öngörülerin doğruluk yüzdesinin yüksek olmasını sağlıyor. Nesnelerin interneti ve sınır bilişim sayesinde hem yüksek hacimde hem de temiz veriye sahip durumdayız. Veri depolama maliyetinin düşük olması ve veri madenciliği gibi büyük veri işleme teknolojilerinin ulaşılabilir olması kestirimci analitik uygulamalarının her ölçekteki şirket tarafından kullanılabilmesini olanaklı kılıyor.
Microsoft ve Kestirimci Analitik
Microsoft kestirimci analitik alanına güçlü analitik ürünü Power BI ile giriyor. Azure Machine Learning platformu ile entegre çalışarak makine öğrenmesi ile çok daha güçlü öngörüler gerçekleştirmek mümkün oluyor. 
Kullanıcılar Azure Machine Learning Studio ile çok kolay bir şekilde kestirimci modelleri tut ve bırak yöntemi ile hazırlıyor. Bundan sonra da Power BI kullanıcıların makine öğrenmesi algoritmalarını görselleştirmelerini sağlıyor.
Power BI’da bunu gerçekleştirmek için öncelikle R ile henüz makine öğrenmesi modeli tarafından değerlendirilmemiş olan veriyi Azure SQL’den alıyor. Sonra Azure ML (Azure Machine Learning) web servislerine geçirilen veri değerlendiriliyor ve Azure SQL veri tabanına kaydediliyor. Power BI değerlendirilmiş veriyi tekrar üzerine çekiyor. Bir sonraki adımda da veri yayınlanıyor. Bundan sonra Gateway üzerinden bu sürecin tekrar çalıştırılması planlanarak öngörülerin düzenli olarak gerçekleşmesi sağlanıyor. Power BI ile gelişmiş analitik uygulamalarını anlatan teknik dokümana buraya tıklayarak ulaşabilirsiniz.
R Dili Kütüphanelerini kullanarak Power BI ile öngörülerde bulunan analitik çözümler hakkında videoyu izleyerek daha derin bilgi sahibi olabilirsiniz.