Gelişmiş analitik alanındaki sunumlar organizasyonların değişen ihtiyaçlarını karşılamak üzere sürekli olarak geliştiriliyor. İşte gelişmiş analitik pazarını domine eden 11 trend
Günümüzün iş ortamında organizasyonlar giderek artan bir biçimde modelleri ve anormallikleri keşfetmek ve sonuçları tahmin etmek üzere büyük hacimlerdeki çok çeşitli veri türlerini kullanmalarına imkân tanıyan gelişmiş analitikleri talep ediyor.
“Araştırmamız gelişmiş analitiğin hızlı bir şekilde farklı endüstrilerdeki organizasyonların operasyon ve karar verme süreçlerine eksiksiz olarak entegre olmaya başladığını açıkça gösteriyor” diye yazıyor araştırma firması Hurwitz & Associates’in COO’su ve baş analisti Marcia Kaufman ile kıdemli analist Daniel Kirsch’in ‘Gelişmiş Analitikler: Hurwitz Başarı Endeksi 2014 Raporu’nda’
“Artık işletmeler için geçmişte neler olduğunu anlamak kâfi değil. Bunun aksine trendleri öngörmek ve sonuçları iş için optimize eden eylemleri uygulamak üzere gelecekte neyin gerçekleşeceğini sormak elzem haline geldi.”
Örnek verecek olursak, eczaneler artık nezle ve alerji sezonunu altı ay öncesinden tahmin etmelerine yardımcı olan gelişmiş analitiğe yöneliyor. Bu sayede doğru miktarlarda ilaç stokunu daha etkin bir biçimde yapabilirler – ne eksik ne de aşırı stok yapmaksızın değerli raf alanını israf etmeyerek uygun ürünlere ayırabilecekler.
Çiftlikler ne zaman ekim yapacakları, mahsulü nasıl optimize edecekleri ve ne zaman toplayacakları gibi içerisine daha fazla öngörü sağlamak için gelişmiş analitikten faydalanıyor. İmalatçılar üretim katındaki bir makineni ne zaman bozulacağını tahmin etmek ve dolayısıyla bu gerçekleşmezden önce önlem alarak çok daha pahalıya neden olan planlanmamış çalışmazlık süresini önlemek amacıyla gelişmiş analitiğe yöneliyor. Finansal hizmet firmaları iç ve dış dolandırıcılıkla mücadele etmek amacıyla teknoloji geliştiriyor. Profesyonel spor takımları optimize edilmiş antremanlar oluşturmak ve sakatlıkları tahmin etmek için sporcular üzerinde sensörler kullanımı da dahil olmak üzere her şey için teknolojiyi kullanıyor. Kullanım alanları neredeyse sınırsız.
En fazla rağbet göreninin ise müşteri davranışlarının tahmin edilmesi için olduğunu söylüyor Kirch. “Firmalar özelleştirilmiş sunumlar sağlayabilmek istiyor: Örneğin üç süveter aldınız ve o süveterleri satın alan insanlara atlet takımını takımını da yüzde 30 indirimle satın almaya teşvik edilebilir. Eğer bu şekilde özelleştirilmiş bir hizmet sayesinde bir ısırık daha alma ihtimaliniz çok daha yüksek olur” diyor Kirch.
Gelişmiş analitik alanındaki sunumlar organizasyonların değişen ihtiyaçlarını karşılamak üzere sürekli olarak geliştirildiğini söylüyor. Kirch. . Hurwitz & Associates’in günümüz gelişmiş analitik alanında baskın olarak gördüğü 11 trend ise şöyle:
- Müşteriler analitik iş yükleri için entregre donanım ve yazılım arıyor
Gelişmiş analitik müşterileri giderek artan bir şekilde gelişmiş analitik iş yüklerini çalıştırmak üzere optimize edilmiş ve önceden entegre edilmiş donanımlar arıyor; bu SAP, IBM ve SAS gibi geleneksel tedarikçilere pazarda avantaj sağlıyor. Raporda Kaufman ve Kirsch bu donanım sunumlarının kullanıcılara büyük veri ve gelişmiş analitik desteğini ölçekleyebilme imkânı tanıdığını, bunu da yüksek seviyelerdeki hız ve güvenilirlikle yaptığını not ediyor.
“SAP bir bellek içi platform olan HANA’yı sunuyor. Bu müşteri ve partnerlerin yüksek hız ve hacimli analitikler için tasarlanmış donanım üzerinde InfiniteSight çalıştırmalarına imkân sağlıyor” diye yazıyorlar. “Bunun yanı sıra IBM’in PureData System’i operasyonel analitik iş yükleri için tasarlanıp optimize edilmiş entegre bir sistem. Müşteriler, SAS’in önceden entegre edilmiş ve optimize edilmiş bir platform sunmak üzere veritabanı üreticisi Teradata’yla ortaklık yaptığı sistemin arttırılmış güvenilirliğinden, ölçeklenebilirliğinden ve hızından yararlanabilir.”
- Tedarikçiler yatay ve dikey kullanım durumlarını paketliyor
Kirsch, müşterilerin giderek artan bir biçimde uçtan uca dikey ve yatay çözümler aradığını, tedarikçilerin de sağlık, finans ve kamu gibi dikey alanlar için özelleştirilmiş çözümlerle ortaya çıktığını ve yatay paketlerin müşteri servisini geliştirmeyi, indirimi hızlandırmayı veya dolandırıcılığı önlemeyi hedeflediğini söylüyor.
“Çözümler en iyi uygulamalar, veri hazırlığı otomasyonu ve model inşası için otomasyonla önceden entegre edilmiş olarak geliyor ama aynı zamanda bir miktar özelleştirmeye de imkân tanıyor” diyor Kaufman ve Kirsch. “Bu paketlerin bazı örnekleri arasında müşteri deneyimini kişiselleştirmek için müşteri araçları sunan SAS’in müşteri bilgi platformu ve Pega’nın SAP ile salesforce.com uzantıları yer alıyor. Pegas’ın sunumu aynı zamanda müşterilerin iş süreci yönetimi (BPM) yapmalarına ve spesifik veri kaynaklarından müşteri ilişkileri yönetimi (CRM) yürütmelerine imkân tanıyor.”
- Açık kaynak R programlama dili yaygınlaşıyor
Sayısal istatistikler, görselleştirme ve veriye yönelik açık kaynak programlama dili R, ileri düzey analitik sunumlarında sık rastlanılan bir araç haline geliyor.
Kirsch’in anlatımına göre önde gelen gelişmiş analitik tedarikçilerinin neredeyse tamamı R’ı kendi sunumları içerisine entegre etti ve bu sayede R modellerini içeri aktarabiliyorlar. Bu, veri bilimcilerin, istatistikçilerin ve diğer karmaşık kurumsal kullanıcıların kendi analitik paketlerinde R’dan yararlanmasına imkân sağlıyor.
Bu trendin büyük yararlarından bir tanesi, lider konumdaki R için kurumsal destek sağlayıcısı Revolution Analytics, diyor Kirsch. Kaufman ve Kirsch aynı zamanda R’ı bir büyücü arayüzü üzerinden bilim adamlarının ve istatistikçilerin ötesinde iş kullanıcılarına genişletme üzerine odaklanan gelişmiş analitik firması Predixion’a da dikkat çekiyor.
- Python gelişmiş analitikte genel amaçlı programcılar için kapı açıyor
R tipik olarak karmaşık derin veri analitikleri ve otomatik öğrenme kullanarak kapsamlı analitik modelleri geliştirebilen veri bilimcilerinin nüfuz sahasıyken, açık kaynak dil olan Python daha fazla genel amaçlı programcının devreye girmesine zemin hazırlıyor. “Her ne kadar Python R gibi karmaşık derin veri analitiği ve otomatik öğrenme yeteneklerine sahip olmasa da, topluluk Python için daha odaklı gelişmiş analitik yetenekleri kazandırmak üzere çok çalışıyor” diyor Kaufman ve Kirsch. “IBM ve SAS’in her ikisi de müşterilerin R ve Python projelerini büyük projeler içerisine entegre etmelerine izin veriyor.”
- Görsel arayüzler, gelişmiş analitiği iş kullanıcıları için daha erişilebilir yapıyor
Veri bilimciler nadir bulunuyor. Bilhassa küçük ve orta ölçekli işletmeler eksik bütçe yüzünden deneyimli analitik ekipleri yaratmakla mücadele ediyor. Aynı zamanda analitikler işletmenin tüm seviyelerinde karar mekanizmalarına yöneliyor. İş kullanıcılarının veri anlayışlarına erişebilmesi için bu onu her zamankinden daha önemli yapıyor. Gelişmiş analitik tedarikçileri de sıkı bir biçimde platformlarını iş kullanıcıları için daha kolay hale getiren özellikler sunmaya odaklanıyor.
“Söz gelimi SAP tahmine dayalı süreci otomatikleştirmeye odaklanırken Angoss karar ve strateji ağaçları için oldukça görsel bir arayüz sunuyor” diye yazıyor Kaufman ve Kirsch. “SAS ve IBM iş kullanıcılarını hedef alan spesifik sunumları çıkardı. Örneğin, SAS’in Visual Analytics’i ve IBM’in Analytics Catalyst’inin her ikisi de iş kullanıcılarını hedef alıyor.”
- Gerçek zamanlı veri akışları ve nesnelerin interneti popüler durumda
Gerçek zamanlı veri akışları için analitiğe olan talep internete bağlanan cihazlardan çok daha hızlı artıyor. Akışkan verilere gelişmiş analitik uygulayarak organizasyonlar çok daha büyük bir çeviklikle yanıt verebilir. Bu, sizin online alışveriş yaparken kişiselleştirilmiş öneriler sağlanması, ya da onarım ekibi fark etmezden evvel bir jet motorunun önemli ölçütlerini görüntüleyerek arıza işaretlerinin belirlenmesi manasına gelebilir.
“Geleneksel olarak havayolları manuel olarak belirlenen eşiklere ve görsel denetime bel bağlayabiliyor” diyor Kaufman ve Kirsch. “Motor aşırı ısındığında bu eşikler bir uyarı gönderebilir ancak normalde zararsız olan ancak birleştiğince problem çıkartan birden çok faktörün meydana gelmesiyle ortaya çıkan potansiyel problemleri tespit edemeyecek. Tedarikçiler gerçek zamanlı veriler üzerinde analitikler sağlama gereksinimine yanıt veriyor.
SAS’in Event Stream Processing Engine’i ve IBM’in InfoSphere Streams’i veri hareket halindeyken kullanıcıların analitikleri çalıştırmasına imkân tanıyor.”
- Veri görselleştirme bir iş Gereksinimi halini alıyor
Akışkan veri, sosyal medya verileri, makine verisi ile birlikte diğer büyük hacimli yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verilerin akınıyla birlikte veri görselleştirme organizasyonlar içerisinde daha da önemli bir rol üstleniyor. Görselleştirmeler veri tabloları ve grafiklerden işaret edilmesi imkânsız olabilecek anlayışları analistlerin tespit edebilmesine yardımcı olmak için gerekli.
“Görselleştirme iş kullanıcıları için temel arayüz olabilir ve veri bilimcisi için de bir ilk adım olabilir” diyor Kaufman ve Kirsch. “İş kullanıcıları ile veri bilimcileri arasındaki boşluğun doldurulmasına yardımcı olmak için tedarikçiler daha fazla görselleştirme yetenekleri sunuyor. Görselleştirme yetenekleri farklı kullanıcı grupları için özelleştirilebilir ki böylelikle onları kolaylıkla anlayabilirler. Bazı firmalar karmaşık görselleştirme ürünleri sunuyor. Söz gelimi SAS, bir bellek içi tabanlı interaktif görselleştirme aracı olan SAS Visual Analytics’e sahip. IBM’in Rapidly Adaptive Visualition Engine’i (RAVE) ise SOSS Analytic Catalyst içine kurulu ve kullanıcılara veri setleri bazında görselleştirme önerileri veriyor. Megaputer, RapidMiner ve StatSoft gibi diğer tedarikçiler çekirdek sunum içerisine inşa edilmiş görselleştirme yeteneklerine dayanıyor.”
- Organizasyonlar büyük veri analitiklerini tüm karar verme aktivitelerine akıtıyor
Analitiklerin sadece bir istatikçi ya da veri analiz departmanı üzerinden yönetilmesi artık yeterli değil. Organizasyonlar analitikleri tüm alanlardaki karar verme sürecinin bir parçası yapmak istiyor; buna pazarlama, satış, operasyonlar, finans ve insan kaynakları da dahil.
“Müşteri katılımını geliştirebilmek ve tüm bu fonksiyonel alanlar çapında sonuçları optimize edebilmek için işletmeler analizleri içerisine daha çeşitli verileri dahil etmek istiyor” diyor Kaufman ve Kirsch. “Söz gelimi makine üretimli verilerden diğer sensör verilerine, mobil ve finansal veri kaynaklarına, sosyal medya verilerine kadar çeşitlilik arz eden veri türleri tipik olarak büyük veri analizlerine dahil ediliyor. Bu firmalar çok büyük veri takımlarını desteklemesi için tedarikçilerine bakıyor.” Tedarikçiler ise organizasyonun tüm alanları çapında analitik çabalarıyla büyük veri analizi sürecini entegre etmeye yardımcı olan bütüncül platformlarla cevap veriyor. Kirsch örnek olarak, büyük verinin tahmine dayalı analitikleri için firmaların daha hızlı sonuçlar elde etmesine yardımcı olan IBM’in SPSS Analytic Server’ına dikkat çekiyor.
- Analitik servisler giderek daha çok bulutta barındırılıyor
Gelişmiş analitik tedarikçileri analitik yeteneklerini daha karşılanabilir bir yoldan sağlamak için giderek artan bir şekilde buluta yöneliyor. Böylelikle onları büyük işletmelerin karşılayabileceği kompleks, yerinde çözümlerin ciddi maliyetleri olmaksızın pratik hale getiriyor. “Bu sunumlardan bazıları spesifik kullanım durumlarına yönelik” diyor Kaufman ve Kirsch. “Örneğin Angoss AppExchange üzerinden salesforce.com uygulamaları sunuyor. Angoss, IBM ve SAS aynı zamanda müşterilerin bulut tabanlı yazılımla genel amaçlı analitikler yapmasına imkân tanıyan daha esnek bir Servis olarak Yazılım (SaaS)’ı da sunuyor.”
- Veritabanı içi analitik ETL güçlüklerini aşıyor
Performans, veri yönetimi ve güvenlik büyük veri takımlarında gelişmiş analitik gerçekleştirmeye ciddi güçlükler getirebilir. Veritabanı içi analitikler kullanıcılara veriyi bir analitik ortamına aktarmaktan ziyade kendi modellerini veritabanının içine yerleştirme yeteneği sağlayarak bu güçlüklerin çoğunu kolaylaştırabilir. Veride kendi yerinde analitikler gerçekleştirerek kullanıcılar performans ve verimlilik kazanımlarına şahit olabilir. Aynı zamanda güvenlik ve veri güvenliğini basitleştirebilirler çünkü veri hiçbir zaman güvenli veritabanını terk etmez.
“Birçok firma Hadoop dahil olmak üzere bir dizi veri platformu için veritabanı içi yetenekler sunuyor” diyor Kaufman ve Kirsch. “IBM, SAS, RapidMiner, Revolution Analytics, Predixion, StatSoft, SAS ve Angoss’un tümü veritabanı içi madenciliği destekliyor. Veritabanı içi yetenekleri bir tedarikçi bazında değerlendirirken, organizasyonunuzun kullandığı veri platformu için onların desteğini araştırmak önemlidir. Bazı tedarikçiler neredeyse tüm yaygın veri platformlarını desteklerken bazıları sadece Hadoop’u destekliyor.”
- Firmalar tahmine dayalı işaretleme dili (PMML)’e yöneliyor
Firmaların kendi modellerinin doğruluğunu kesintisiz bir biçimde geliştirmek üzere toplu analitiklerden gerçek zamanlı geribesleme kullanımına geçmesiyle birlikte, onlar giderek artan bir şekilde Tahmine Dayalı İşaretleme Dili (PMML)’den yararlanmaya başladı. PMML tedarikçiler tarafından yönlendirilen bağımsız bir konsorsiyum olan Data Mining Group (DMG) tarafında geliştirilen istatistik ve veri madenciliği modelleri için bir standart. IBM ve SAS DMG’nin tam üyesiyken, SAP, StatSoft, RapidMiner ve Angoss PMML’in geliştirilmesine katkıda bulundu. Kirsch, bu standardın üzerinde belirli bir sistem bulunan bir sistemde model geliştirmeyi, ardından da onu farklı bir uygulama kullanan başka bir sistem üzerinde konuşlandırmayı kolaylaştırdığını ekliyor.
“Bu firmalar modelleri uygulamalar içerisine PMML’le yerleştirmenin gecikmelerin üstesinden gelmeye ve modelleri daha hızlı üretime geçirme sürecini hızlandırmaya yardımcı olduğunu görüyor” şeklinde konuşuyor Kaufman ve Kirsch. “PMML kullanımının önde gelen yararlarından bir tanesi onun maliyetli ve zaman alıcı özel kod geliştirme gereksinimini ortadan kaldırmasıdır.”