Conference PaperPDF Available

Abstract

İçinde bulunduğumuz büyük veri çağında bilgi teknolojisi servislerinden ve nesnelerin interneti kaynaklarından üretilen veri miktarındaki üstel artış ile birlikte şirketlerin veriden elde edebileceği fayda da her geçen gün hızla artmaktadır. Ancak bu mevcut verileri etkin şekilde kullanmak, stratejik üstünlük elde etmek ve kendi iş süreçlerini iyileştirmek isteyen kuruluşların büyük veri ve veri biliminden elde edebilecekleri faydaları doğru tanımlamaları ve şirketlerini bu doğrultuda veri odaklı yönetime hazır hale getirmeleri gerekmektedir. Bu nedenle, bu çalışma kapsamında, büyük veri ve veri biliminin tanımı, mevcut durumu ve işletmelerin büyük veri çağında veri bilimini iş süreçlerine dahil ederken karşılaşacakları zorluklar incelenmiştir.
5th International Management Information Systems Conference
October 24-26 2018, Ankara
Büyük Veri Çağında İşletmelerde Veri Bilimi
Mert Onuralp Gökalp1*, Kerem Kayabay1, Selin Çoban1, Yücelen Bahadır Yandık1, P. Erhan Eren1
1 Middle East Technical University, * Corresponding author, gmert@metu.edu.tr
Giriş
Günümüzde erişime açık mevcut veri kaynaklarının ve
miktarının artması ile birlikte, hemen her sektör rekabet avantajı
elde etmek için iş süreçlerini veri odaklı güncellemeye büyük önem
vermektedir. Bu nedenle, veri odaklı şirket yönetimi büyük bir
önem kazanmıştır. Öyle ki, yapılan bir araştırmaya göre şirketlerin
üst düzey yöneticilerinin %70’e yakını, veri analizlerinin satış-
pazarlama süreçlerine dâhil edilmesinin şirketlerinin rekabet
avantajı elde edebilmesi için “çok önemli” veya “önemli” olduğunu
belirtmişlerdir (Wetherill, 2016). 330 şirket üzerinde yapılan diğer
bir araştırma ise kendilerini veri odaklı şirket olarak tanımlayan
şirketlerin nansal ve operasyon başarılarının diğer şirketlere
oranla daha yüksek olduğunu gözlemlemiştir (McAfee &
Brynjolfsson, 2012).
Büyük veri ve veri bilimi çalışma alanları birbirine yakın olsa
da literatürde ve sektörde birbirleri yerine sıkça kullanılan iki ay
terimdir. İşletmeler büyük veri işleme kapasitesine sahip olmak
istediklerinde aslında iş süreçlerinde veri bilimi yaklaşımı
uygularken kullanılacak olan verinin hacminden, hızından ve/veya
yapısından dolayı büyük veri sorunlarına çözüm bulmak
istemektedirler. Ancak büyük veri sorunlarına teknik çözüm
bulmak iş süreçlerinde ve karar alma mekanizmalarında etkili ve
verimli veri odaklı organizasyon yaratmak için tek başına yeterli
değildir. Bu araştırma kurgulanırken cevap aradığımız sorular şu
şekildedir: “Veri bilimi ve büyük veri alanları hangi yönleriyle
birbirine benzemektedir ve hangi yönleriyle birbirlerinden
ayrılmaktadır?”, “Veri odaklı bir organizasyon kurmak için veri
bilimi ve büyük veri alanlarından kaynaklanan sorunlar nelerdir?”
ve “Büyük veri çağında veri biliminde yaşanan gelişmeler
nelerdir?”.
Bu bildiri, verilen sorulara cevap ararken yaptığımız keşfedici
araştırmaların sonuçlarını raporlamaktadır. 2. Kısım, büyük veri ve
veri bilimi alanları ile ilgili bir altyapı bilgisi sunduktan sonra 3.
Kısım da bu alanların iş süreçleriyle birleşmesindeki kısıtlamaların
ve gecikmelerin nedenlerini açıklamak için yaptığımız
araştırmaları özetlemektedir. 4. Kısım ise büyük veri ve veri
biliminin mevcut durumunu belirlemek ve geleceğe yönelik
eğilimler hakkında çıkarımlarda bulunmak için yaptığımız
sistematik literatür taramasını raporlamaktadır. Son kısım ise
sonuçları tartışmaktadır.
Altyapı
Bu bölümde, büyük veri, veri bilimi kavramları ile ilgili altyapı
bilgisi sunulmaktadır.
Büyük Veri
Büyük veri kavramı Nesnelerin İnterneti, web kaynakları ve
benzer bilgi teknoloji servisleri ile üretilen yapılandırılmış, yarı-
yapılandırılmış ve/veya yapılandırılmamış yapıda, hızlı ve hacimli
verileri tanımlamak için kullanılmaktadır (Gokalp, Kayabay, Akyol,
Eren, & Kocyigit, 2016). Büyük veri uygulamalarının ortak sahip
oldukları üç temel karakteristik vardır: Hız, Hacim ve Çeşitlilik.
Hız, verilerin ne kadar çabuk üretildiğini, hacim üretilen verinin
miktarını, çeşitlilik ise veri kaynaklarının ve veri formatının
çokluğunu ifade etmek için kullanılır. Bu üç boyut; veriyi analiz
edecek modelleri, verinin saklanma yöntemlerini ve veriyi işleyecek
Abstract
İçinde bulunduğumuz büyük veri çağında bilgi teknolojisi servislerinden ve nesnelerin interneti kaynaklarından üretilen veri
miktarındaki üstel artış ile birlikte şirketlerin veriden elde edebileceği fayda da her geçen gün hızla artmaktadır. Ancak bu
mevcut verileri etkin şekilde kullanmak, stratejik üstünlük elde etmek ve kendi iş süreçlerini iyileştirmek isteyen kuruluşların
büyük veri ve veri biliminden elde edebilecekleri faydaları doğru tanımlamaları ve şirketlerini bu doğrultuda veri odaklı
yönetime hazır hale getirmeleri gerekmektedir. Bu nedenle, bu çalışma kapsamında, büyük veri ve veri biliminin tanımı,
mevcut durumu ve işletmelerin büyük veri çağında veri bilimini iş süreçlerine dahil ederken karşılaşacakları zorluklar
incelenmiştir.
Keywords: Büyük veri, Veri bilimi, Veri analitiği.
Citation: Gökalp, M. O., Kayabay, K., Çoban, S., Yandık, Y. B., Eren, P. E. (2018, October) Büyük Veri Çağında
İşletmelerde Veri Bilimi. Paper presented at the Fifth International Management Information Systems Conference.
Editor: H. Kemal İlter, Ankara Yıldırım Beyazıt University, Turkey
Received: August 19, 2018, Accepted: October 18, 2018, Published: November 10, 2018
Copyright: © 2018 IMISC Gökalp et al. This is an open-access article distributed under the terms of the Creative Commons
Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author
and source are credited.
IMISC 2018 Conference Proceedings
94
5th International Management Information Systems Conference
October 24-26 2018, Ankara
araçları doğrudan etkilemektedir (Gökalp, Kayabay, Akyol,
Koçyiğit, & Eren, 2018).
Büyük veri uygulamalarındaki en büyük zorluklar; verilerin
verimli bir şekilde işlenmesi, saklanması ve sorgulanmasıdır.
Geleneksel yapısal veri uygulamaları için tek bir sunucu verinin
saklanması ve işlenmesi için yeterli olurken, büyük veri
uygulamaları hızlı ve ölçeklenebilir mimarilere duymaktadır
(Gökalp et al., 2018). Buna ek olarak, büyük verinin işlenmesi ve
saklanması için ölçeklenebilir mimariyi destekleyen özel
yöntemlere ve teknolojilere ihtiyaç duyulmaktadır. Bu yöntemler ve
teknolojiler seçilirken büyük veri uygulamalarının kullanacağı
verinin karakteristik özelliklerine göre uyarlanması ve bu
özelliklere göre uygun veri işleme ve saklama yönteminin
belirlenmesi gerekmektedir. Örneğin, anlık olarak üretilen veriler
üzerinde hızlı kararlar verebilmek için eş-zamanlı akan veri işleme
yaklaşımı uygun iken, hali hazırda veri tabanında saklanmış
verilerin toplu olarak işlenmesi için yığın veri işleme yöntemi daha
uygundur (Kayabay, Gokalp, Akyol, Eren, & Kocyigit, 2016).
Veri Bilimi
Veri bilimi, işletmede ortaya çıkan gerçek iş problemlerini
verilerle anlamlandıran ve bu problemlere çözüm sunacak veri
uygulamaları geliştiren, içinde bilgisayar bilimleri, istatistik,
matematik ve bilişim bilimleri dahil olmak üzere birçok bilim
dalını içeren disiplinler arası bir çalışma alanıdır (Booz Allen
Hamilton, 2015). Veri bilimi ham veriden bir soruna çözüm ortaya
koyabilecek bilgiyi üretmek ve atılması gereken adımları bulmak
için verilerin toplanması, hazırlanması, analizi ve analizlerin
sonuçlarının anlamlandırılarak aksiyon alınması gibi temel
süreçleri içinde barındırmaktadır (Booz Allen Hamilton, 2015).
Veri bilimi, büyük veri, makine öğrenimi, derin öğrenme ve
veri madenciliği teknolojilerini ve yöntemlerini kullanarak dört
farklı analitik türü kullanarak veri seti üzerinde farklı sorulara
cevap bulmayı amaçlamaktadır (Van Der Aalst, 2014.).
Tanımlayıcı Analitik: Tarihsel verileri kullanarak geçmiş
üzerinde çıkarım yapmaya çalışan analitik türüdür. Veri bilimci bu
analitik yöntemini kullanarak “Ne oldu?” sorusuna cevap arar ve
genellikle raporlama için kullanılır.
Tanısal Analitik: Bu analitik yöntemi mevcut veri seti üzerinde
ilişkiler ve desenler bulmak için kullanılır ve “Bu neden oldu?”
sorusuna cevap arar. Bir problem üzerinde bilgi sahibi olmak ve o
problemin kaynaklarının araştırılması için kullanılan bir analitik
yöntemidir.
Kestirimci Analitik: Tanımlayıcı ve tanısal analitikten elde
edilen sonuçları kullanarak tarihsel veri seti üzerinde bir eğilim
bulmak için kullanılır ve “Gelecekte ne olabilir?” sorusuna cevap
arar.
Yönlendirici Analitik: En karmaşık analitik türüdür ve
“Gelecekte hangi adımları atmalıyım?” soruna cevap arar. Bu
analitik türü sadece şirket içi tarihsel verileri kullanarak bir eğilim
bulmanın şında ş kaynaklardan toplanan verilerin beraber
analiz edilmesi ile bu veri setleri arasında bir ilişki kurmayı
amaçlar.
Büyük Veri Bilimi
Büyük veri ve veri bilimi kavramları arasındaki farklılıklar
gerek literatürde gerek ise sektörde yapılan çalışmalarda yeterince
ortaya konulmamakta ve sıkça karıştırılmaktadır. Daha önce de
bahsettiğimiz gibi, büyük veri genellikle çok sayıda farklı veri
kaynağından toplanan hacimli, karmaşık, yapılandırılmamış ve
hızlı akan verileri tanımlamaktadır. Ancak toplanan büyük veri ve
bu verileri verimli bir şekilde işleyecek teknolojilerin ve
yöntemlerin geliştirilmesi tek başına yetersizdir. Toplanan bu
verilerden gerçek iş problemlerini çözecek ve rekabet avantajı
sağlayacak bilginin üretilmesi için veri biliminin etkin bir şekilde
kullanılması gerekmektedir. Büyük veri ve veri bilimi her ne kadar
ortak amaçları taşısa da kendi içlerinde tamamen ayrışan iki
alandır. Şekil 1’de gösterildiği gibi bu iki alanın kesişimi ise
literatürde bazı çalışmalarda “Büyük Veri Bilimi” olarak
adlandırılmaktadır (McCartney, 2015).
Şekil 1. Büyük veri bilimi.
Yapılan son araştırmalar gösteriyor ki; kurumların veri
kullanılabilirliğini %10 oranında arttırması şirket verimliliğini %17
ile %49 arasında arttırırken, şirketlerin büyük veriyi, veri bilimi
süreçlerine başarı ile entegre etmesinin yatırım kârlılığını %241
oranında arttırdığı gözlemlenmiştir (Brynjolfsson, Hitt, & Kim,
2011). Bu nedenle son zamanlarda şirketlerde birçok yeni büyük
veri bilimi projesi başlatılmıştır. Ancak günümüzde birçok büyük
veri projesi başarısızlıkla sonuçlanmaktadır. Büyük veri bilimi
projelerinin sadece %4’lük bir kısmı istenen başarı ile
sonuçlanırken, %43’lük kısmı elde edilen tecrübelerden ve bilgiden
başarı elde ettiğini düşünürken, %23’lük bir kısmı hiçbir fayda elde
edilmeden sonuçlanmıştır (White, 2015). Bunun temel nedeni
şirketlerin günlük iş süreçleri ve karar verme alışkanlıklarının
veriye dayalı olmamasıdır (usoo & Sarma, 2017). Bu nedenle,
büyük veri biliminden rekabet avantajı elde etmek isteyen şirketler
öncelikle veriye dayalı karar verme mekanizmasını şirketin tüm
birimlerinde oluşturmalı ve büyük veri bilimi süreçlerini sadece
belli bir veri bilimi takımı içinde değil tüm şirket içerisinde yaygın
olarak kullanacak şirket kültürünü oturtmalıdır.
İşletmelerde Büyük Veri ve Veri Bilimi
Veri biliminin iş süreçlerinde kullanımı ile ilgili sorunlar
bilişim sistemleri perspektinden bakılarak üçe ayrılabilir:
Örgütsel (organizasyonla ilgili), Yönetimsel ve Teknik. Örgütsel
sorunların başında veri odaklı kültürün organizasyonda herkes
tarafından benimsenmesi gelir. Veri odaklı bir organizasyonda
bütün kararlar tecrübe, kıdem ve önsezi yerine veri kullanılarak
yapılan sayısal analizler sonucu alınır (usoo & Sarma, 2017).
Benzer şekilde, geçmişte alınan her kararın hangi veriye dayanarak
alındığı somut olarak tanımlıdır. Diğer bir örgütsel sorun,
organizasyon yapısının verinin iş süreçlerinde etkili ve verimli
şekilde kullanılabilmesini destekleyecek şekilde düzenlemesidir
(Booz Allen Hamilton, 2015). Örneğin büyük ölçekli bir işletmede
tek başına bilgi teknolojileri koordinatörlüğü altında veri bilimi
bölümü kurulması yeterli olmayabilir. Bu durumda saha çalışanları
ve uzmanlar veri bilimcilerle direk çalışmak durumunda kalırlar ki
bu pek çok soruna yol açar. Farklı bölümlerde veri farklı yapılarda
tutuluyor olabilir, bazı bölümlerde operasyonların yoğunluğuna
IMISC 2018 Conference Proceedings
95
5th International Management Information Systems Conference
October 24-26 2018, Ankara
bağlı olarak verinin nasıl tutulacağına dikkat edilmemiş olabilir
veya veri işlenmeden önce etiketlenmesi gerekebilir. Veri biliminin
iş süreçlerinde etkili kullanılabilmesi için operasyonlar devam
ederken bu işlemlerin devamlı yapılması gereklidir. Aksi takdirde
veri yönetimi ile ilgili ek maliyetler ortaya çıkar ve bu ayrıca iş
gücü ve zaman kaybına neden olur. Bu nedenle veri-operasyon
bağlantısını kurabilecek nitelikte takımlar kurulması ve bu
takımların saha çalışanları ve uzmanlar ile birlikte çalışması gerekir
(usoo & Sarma, 2017). Bu takımların işletme içerisinde dağılımı
ve veri bilimi bölümünün şirket içinde hangi projelere öncelik
vereceği genel müdürün altında çalışan veri üst yöneticisi
tarafından belirlenebilir.
Tablo 1. Veri biliminin iş süreçlerinde ve karar alma mekanizmalarında
kullanılmasını geciktiren/kısıtlayan sorunlar.!
Yönetimsel sorunlar veri analizi sonuçlarının iş süreçlerinde ve
karar mekanizmalarında etkili bir şekilde kullanılabilmesi ile
ilgilidir. Artık veriye dayalı somut destekler olduğu sürece
ünvandan bağımsız olarak tüm personel karar almaya teşvik
edilmelidir (Gupta & George, 2016). Organizasyonun yapısı
değişirken işe alınacak veri bilimci ve teknik kaliye personel veri
odaklı şünebilmeli, tüm işgücüne veri odaklı yaklaşımlar
konusunda eğitimler verilmelidir. Benzer şekilde eğer yöneticiler
veri analizi sonuçlarındaki değeri kavrayamazsa veya sonuçların
uygulanmasını sağlayamazsa veri analizi sonuçları anlam ifade
etmez. Teknik becerilerin aksine yönetim becerileri bir şirkette
değiştirmesi zor becerilerdir. Diğer bir sorun ise tecrübeye dayalı
karar alma mekanizmalarını veriye dayalı karar alma
mekanizmalarıyla değiştirmektir. Bu çözülmesi gereken sorunların
başında gelir çünkü insanlar genelde yöneticilerinin içgüdülerine
veya geçmiş deneyimlerine dayalı karar almaya alışşlardır
(Gupta & George, 2016).
Şekil 2. Yıllara göre ‘büyük veri’, ‘veri bilimi’ ile ‘büyük veri ve veri bilimi’
araştırma sayıları dağılımı.
Teknik sorunları veri bilimi aktivitelerinden yola çıkarak
sınıandırabiliriz. Bu noktada biz büyük verinin karakterlerinden
kaynaklanan teknik sorunları veri bilimi aktivitelerindeki teknik
sorunlardan ayırıyoruz. Veri toplama aktivitesi sırasında
operasyonlar devam ederken iç ve dış kaynaklarda akan alakalı tüm
verinin yakalanması ve depolanması gerekir (Gupta & George,
2016). Veri toplamak için otomatik veri toplayıcı araçlar ve
algılayıcılar kullanılabilir. İş süreçleri ve operasyonların ihtiyaçlara
göre değişkenlik gösterdiği durumlarda veya ilave kaynaktan veri
toplanması gerektiği zaman otomatik veri toplayıcı araçların
kodlarının hızlıca uyarlanması gerekebilir. Veri hazırlama aktivitesi
analiz edilecek verinin kalitesini arttırmak ile ilgilidir. Bu zaman
alıcı bir süreçtir ancak bazı yaklaşımlar bu sürecin kısaltılmasına
yardımcı olabilir (usoo & Sarma, 2017). Bu çözümlerden bir
tanesi bir organizasyonun tüm verisi için tek ve geniş bir bakış açısı
sunan bir “Veri Gölü” yaklaşımıdır (Booz Allen Hamilton, 2015).
Veri analizi sırasında probleme göre doğru analiz yönteminin
belirlenmesi önemlidir. Ayrıca analiz uygulanırken dikkat edilmesi
gereken hız, çeşitlilik ve hacim gibi boyutlar bulunmaktadır (Booz
Allen Hamilton, 2015). Aksiyon basamağında elde edilen sonuçlar
karar alıcılar tarafından net bir şekilde anlaşılmalıdır. Bunun için
sonuçların görselleştirilmesi büyük önem taşımaktadır. Büyük veri
çağında veri bilimciler sonuçları görselleştirirken toplama, özele
inme, ltreleme ve gruplama analizi gibi yöntemler kullanmak
durumundadırlar (Erl, Khattak, & Buhler, 2016). Bunlara ek
olarak bütün süreçlerde geçerli teknik sorunlar vardır ki bunlar veri
yönetimi, veri güvenliği ve gizliliği, tanımlayıcı veri (meta-data)
yönetimi, kalite yönetimi, yazılım ve altyapı yapılandırma yönetimi
olarak sıralanabilir (usoo & Sarma, 2017).
Şekil 3. Google Trends ‘Büyük veri’, ‘veri bilimi’ ile ‘büyük veri ve veri bilimi’
arama sonuçları.
Mevcut Durum
Büyük veri ve veri bilimi ile ilgili yapılmış araştırmaların
literatürdeki mevcut durumunu analiz etmek amacıyla,
Kitchenham sistematik literatür taraması metodu (Kitchenham,
2004) kullanılmıştır. Bu tarama Temmuz 2018’de gerçekleştirilmiş
olup, arama tarih aralığı Ocak 2010-Ocak 2018 olarak
belirlenmiştir ve elde edilen sonuçlar konferans bildirisi, makale,
kitap ve kitap bölümü seçenekleri ile sınırlandırılmıştır. İngilizce
“big data”, “data science” ve bu iki anahtar kelimenin
kombinasyonu ile Scopus veri tabanı, son sekiz yılda yapılan
çalışmalar açısından taranmış ve sonuçlar Şekil 1’de gösterilmiştir.
Şekil 2’de ise aynı tarihler ve anahtar kelimeler kullanılarak Google
web arama kayıtlarından elde edilen GoogleTrends sonuçları yer
almaktadır. Daha detaylı sonuçlar için, yapılan sistematik literatür
taraması sonucunda Tablo 2’den de görülebileceği üzere büyük veri
anahtar kelimesi için 37195, veri bilimi anahtar kelimesi için 1637
ve “big data & “data science” anahtar kelimeleri için 583 adet
IMISC 2018 Conference Proceedings
96
5th International Management Information Systems Conference
October 24-26 2018, Ankara
araştırmaya ulaşılmıştır. 2018 yılı ilk çeyreği için ise, büyük veri
anahtar kelimesi için 6003, veri bilimi anahtar kelimesi için 341 ve
“big data” & “data science anahtar kelimeleri için 104 adet
araştırmaya ulaşılmıştır. İlgili araştırmalar, literatürdeki başlık, özet
ve anahtar kelimeler dikkate alınarak incelenmiştir.
Tablo 2. ‘Büyük veri’, ‘veri bilimi’ ile ‘büyük veri ve veri bilimi’ literatür tarama
sonuçları.
Sistematik literatür taraması ile gösterdiğimiz gibi, veri bilimi
kavramı her ne kadar yeni bir kavram olmasa da günümüze kadar
literatürde ve endüstriyel çalışmalarda pek ilgi görmemiştir. Büyük
verinin yaygınlaşması ve veriden üretilecek değerin potansiyel
avantajının artması ile hızlı bir şekilde ilgi kazanmaya başlamıştır.
Özellikle büyük verinin ortaya koyduğu veri işleme yöntemleri ve
ölçeklenebilir mimariler sayesinde ham veriden elde edilen bilginin
faydası artmıştır. Büyük veri çağından önce, şirketler veri bilimini
yapılandırılmış veri üzerinde tanımlayıcı ve tanısal analitik ile
tarihsel olarak saklanan verilerin raporlaması için kullanabilirken,
günümüzde, kestirici ve önleyici gibi karmaşık veri analitiği
yöntemleri başarı ile uygulanmaya ve şirketlere değer
kazandırmaya başlamıştır. Dahası, yeni geliştirilen büyük veri
işleme yöntemleri sayesinde akan veri üzerinde anlık kararlar
verecek uygulamaların hayata geçirilmesi mümkündür. Bu
nedenlerle, günümüzde büyük veri ve teknolojileri sayesinde veri
bilimi, şirketlerin karar verme süreçlerini geliştirmek, operasyon
verimliliklerini arttırmak, rekabet avantajı elde etmek, yeni iş
modelleri ve gelir akışları tanımlamak amaçlı olanaklar sağlamıştır.
Sonuç
Günümüzde büyük veri bilimi özellikle nans, yazılım ve
internet tabanlı şirketler gibi hali hazırda birçok kaynaktan veri
toplama imkânı olan sektörler için büyük bir avantaj
sağlamaktadır. Ancak gelişen ağ bilimi, yazılım ve donanım
teknolojileri sayesinde yakın gelecekte hemen hemen her sektörün
sundukları hizmetlerin üretim aşamasından son kullanıcı
deneyimine kadar geçen her süreçte veri toplama imkânı olacaktır.
Bu nedenle, özellikle sektöründe veri bilimi yaygın olarak
kullanılmayan şirketlerin şimdiden veri kaynaklarını belirleme ve
bu veri kaynaklarından toplanan veriler ile iş süreçlerini nasıl daha
iyileştirebileceklerine ilişkin araştırmalar yapmaları, prototip
uygulamalar geliştirmeleri ve şirketlerini veri odaklı yönetime
uygun hale getirmeleri gelecekte sektörlerinde rekabet avantajı
elde etmeleri için önemlidir.
Kaynakça
Booz Allen Hamilton. (2015). e Field Guide to Data Science, 126. Retrieved from
papers3://publication/uuid/1941BECE-325A-45B6-B10C-5A850FA5D609
Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in numbers: How does
data-driven decisionmaking aect rm performance?
Erl, T., Khattak, W., & Buhler, P. (2016). Big Data Fundamentals. Prentice Hall:
Upper Saddle River, NJ, USA.
Gokalp, M. O., Kayabay, K., Akyol, M. A., Eren, P. E., & Kocyigit, A. (2016). Big
Data for Industry 4.0: A Conceptual Framework. In 2016 International
Conference on Computational Science and Computational Intelligence (CSCI)
(pp. 431–434). IEEE. https://doi.org/10.1109/CSCI.2016.0088
Gökalp, M. O., Kayabay, K., Akyol, M. A., Koçyiğit, A., & Eren, P. E. (2018). Big
Data in mHealth. Current and Emerging MHealth Technologies: Adoption,
Implementation, and Use, 241–256.
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics
capability. Information and Management, 53(8), 1049–1064. https://doi.org/
10.1016/j.im.2016.07.004
Kayabay, K., Gokalp, M. O., Akyol, M. A., Eren, P. E., & Kocyigit, A. (2016).
GELECEĞİN KURULUŞLARI İÇİN BÜYÜK VERİ: MEVCUT DURUM
VE EĞİLİMLER.
Kitchenham, B. (2004). Procedures for performing systematic reviews. Keele, UK,
Keele University, 33(TR/SE-0401), 28. https://doi.org/10.1.1.122.3308
McAfee, A., & Brynjolfsson, E. (2012). Big data: e Management Revolution.
Harvard Business Review, (October), 1–9. https://doi.org/00475394
McCartney, P. R. (2015). Big data science. MCN: e American Journal of Maternal/
Child Nursing, 40(2), 130.
usoo, A., & Sarma, J. Sen. (2017). Creating a Data-Driven Enterprise with
DataOps.
Van Der Aalst, W. M. P. (2014). Data Scientist e Engineer of the Future.pdf.
Retrieved from http://wwwis.win.tue.nl/~wvdaalst/old/publications/p769.pdf
Wetherill, D. (2016). Broken links Why analytics investments have yet to pay o.
Retrieved from https://www.zs.com/publications/articles/broken-links-why-
analytics-investments-have-yet-to-pay-o.aspx
White, S. K. (2015). Study reveals that most companies are failing at big data.
Retrieved July 23, 2018, from https://www.cio.com/article/3003538/big-data/
study-reveals-that-most-companies-are-failing-at-big-data.html"
!
IMISC 2018 Conference Proceedings
97
... Örgütlerin açıklığa yönelik kültürü, yenilikçi politikalar için destekleyici bir ortam ve bilgi paylaşımı için teşvik yaratır [37]. Açık yönetim verisinin yaygın hale gelmesi için öncelikle açık yönetim verisinin sağlayacağı faydalar, organizasyonun tüm birimlerinde benimsenmelidir ve tüm bu birimlerde yaygın olarak açık yönetim verisini kullanacak bir kültür oluşturulmalıdır [39]. ...
... Şirket içi BİT operasyonundan blokzincir tabanlı sisteme geçiş başlı başına stratejik bir karardır. Yöneticilerin bilgisi ve yeni sisteme karşı tutumları adaptasyon kararını etkiler [38]. Spesifik bir BİT inovasyonu için verilen yüksek seviyedeki üst yönetim desteği beraberinde uzun vadeli vizyonu, kaynakların en uygun şekilde kullanımını, uygun bir organizasyonel ortam yaratılmasını ve engelleri aşmada destek sağlamayı getirmektedir [39]. ...
Conference Paper
Full-text available
Power Quality (PQ) can be defined as a clean supply voltage that stays within the prescribed range in a smooth curve waveform. A power quality problem is defined as any problem that causes voltage or frequency deviations in a power supply, and it may result in failure or maloperation of a network. Therefore, continuous monitoring is also required in case of malfunction in these cases. In this paper, we have presented a deep learning-based power quality event classification method. We have used the proprietary electric relay wave-form data from The Turkish Electricity Transmission Corporation (TEIAS), as well as generated wave-form from MATLAB-Simulink, to train our model, using Convolutional Neural Networks (CNNs). The results proved to be effective, and can open the path to further research in this direction.
Article
Full-text available
A lot of data has been produced since the information age. The data produced in the current smart age can reach larger volumes compared to the past period. Thanks to the analysis of these produced data, relevant information can be produced. Generating useful information from the mass data has enabled the development of data mining techniques within Big Data. Big data has an essential place in each business line. In this study, the importance of big data for the business audit process is discussed. Continuous auditing is possible with big data. Testing all of the big data in continuous auditing imposes different competencies on how auditors do their job and provide the opportunity to analyze all processes that produce data in the audit. Data analysis tools that possible the analysis of big data are used at the risk assessment and planning phase before the audit process begins. Thus, subjects with high risk, requiring more audit evidence or analysis, are easily determined. This is a compilation study connected with big data and data analysis in continuous auditing. ÖZET Bilgi çağından bu yana bir çok veri üretilmiştir. İçinde bulunulan akıllı çağda üretilen veriler geçen çağa göre daha büyük hacimlere ulaşabilmektedir. Üretilen bu verilerin analizi sayesinde önemli bilgiler üretilebilmektedir. Yığın veriler içerisinden faydalı bilgiler üretmek Büyük Veri içerisinde veri madenciliği tekniklerinin gelişmesine olanak sağlamıştır. Büyük veriler her bir iş kolunda önemli bir yere sahiptir. Bu çalışmada işletme denetim süreci için büyük verilerin önemi tartışılmaktadır. Büyük verilerle sürekli denetim olanaklı hale gelmektedir. Sürekli denetimde büyük verilerin tamamının test edilmesi denetçilere işini nasıl yaptığıyla ilgili farklı yetkinlikler yüklemekte ve denetimde veri üreten bütün süreçlerin analizi imkanını sağlamaktadır. Büyük verilerin analizini mümkün hale getiren veri analizi araçları, denetim süreci başlamadan yapılan risk değerlendirmesi ve planlaması aşamasında kullanılmaktadır. Böylece yüksek risk içeren, daha fazla denetim kanıtı veya analiz gerektiren konular kolaylıkla belirlenmektedir. Bu çalışma, sürekli denetimde büyük veri ve veri analizi ile ilişkili bir derleme çalışmasıdır.
Article
Full-text available
Son teknolojik yeniliklerle birlikte, Endüstri 4.0 olarak adlandırılan endüstriyel devrim ışığında akıllı fabrika vizyonunun gerçekleştirilmesine imkan sağlanmıştır. Endüstri 4.0, ülkemizin lokomotif sektörü olarak adlandırılan ve emek yoğun bir sektör olan hazır giyim ve konfeksiyon sektöründeki tüm üretim süreçlerini ve iş modellerini değiştirmek için önemli bir potansiyele sahiptir. Bu nedenle, çetin küresel rekabet ortamında ayakta kalabilmeleri için hazır giyim ve konfeksiyon endüstrisinin sıradan üretim tesislerinden akıllı fabrikalara geçişleri başlatılarak, Endüstri 4.0 teknolojilerine yatırım yapmasına ihtiyaç vardır. Ancak, nispeten yeni olan bu teknolojilerin hazır giyim ve konfeksiyon endüstrisini nasıl etkileyebileceğine dair literatürdeki çalışmaların sınırlı sayıda ve yeterli kapsamda olmadığı tespit edilmiştir. Bu eksikliği gidermek amacı ile hazırlanan bu çalışmada, öncelikle mevcut sistem analizi yapılarak, konfeksiyon fabrikalarında şu anda yürütülen sistem incelenmiş olup, ardından Endüstri 4.0 ve akıllı fabrika vizyonu doğrultusunda yeni bir üretim sistemi olarak akıllı konfeksiyon fabrikası önerilmiştir. Önerilen Akıllı Konfeksiyon Fabrikası'nın teknolojik bileşenlerine yer verildikten sonra, bu teknolojik altyapıyı temel alarak geliştirilen yenilikçi yaklaşımlar bütüncül bir şekilde sunulmuştur. Ayrıca, önerilen Akıllı Konfeksiyon Fabrikasının fayda ve zorlukları analiz edilmiş olup, mevcut durumdan akıllı konfeksiyon fabrikasına geçiş için önerilen aşamalı uygulama planına yer verilmiştir.
Conference Paper
Full-text available
Exponential growth in data volume originating from Internet of Things sources and information services drives the industry to develop new models and distributed tools to handle big data. In order to achieve strategic advantages, effective use of these tools and integrating results to their business processes are critical for enterprises. While there is an abundance of tools available in the market, they are underutilized by organizations due to their complexities. Deployment and usage of big data analysis tools require technical expertise which most of the organizations don't yet possess. Recently, the trend in the IT industry is towards developing prebuilt libraries and dataflow based programming models to abstract users from low-level complexities of these tools. After briefly analyzing trends in the literature and industry, this paper presents a conceptual framework which offers a higher level of abstraction to increase adoption of big data techniques as part of Industry 4.0 vision in future enterprises.
Article
The era of big data has begun such that organizations in all industries have been heavily investing in big data initiatives. We know from prior studies that investments alone do not generate competitive advantage; instead, firms need to create capabilities that rival firms find hard to match. Drawing on the resource-based theory of the firm and recent work in big data, this study (1) identifies various resources that in combination build a big data analytics (BDA) capability, (2) creates an instrument to measure BDA capability of the firm, and (3) tests the relationship between BDA capability and firm performance. Results empirically validate the proposed theoretical framework of this study and provide evidence that BDA capability leads to superior firm performance.
Article
We examine whether firms that emphasize decision making based on data and business analytics (“data driven decision making” or DDD) show higher performance. Using detailed survey data on the business practices and information technology investments of 179 large publicly traded firms, we find that firms that adopt DDD have output and productivity that is 5-6% higher than what would be expected given their other investments and information technology usage. Furthermore, the relationship between DDD and performance also appears in other performance measures such as asset utilization, return on equity and market value. Using instrumental variables methods, we find evidence that the effect of DDD on the productivity do not appear to be due to reverse causality. Our results provide some of the first large scale data on the direct connection between data-driven decision making and firm performance.
The Field Guide to Data Science
  • Hamilton Booz Allen
Booz Allen Hamilton. (2015). The Field Guide to Data Science, 126. Retrieved from papers3://publication/uuid/1941BECE-325A-45B6-B10C-5A850FA5D609
Big Data in mHealth. Current and Emerging MHealth Technologies: Adoption, Implementation, and Use
  • M O Gökalp
  • K Kayabay
  • M A Akyol
  • A Koçyiğit
  • P E Eren
Gökalp, M. O., Kayabay, K., Akyol, M. A., Koçyiğit, A., & Eren, P. E. (2018). Big Data in mHealth. Current and Emerging MHealth Technologies: Adoption, Implementation, and Use, 241-256.
Big data science. MCN: The American Journal of Maternal/ Child Nursing
  • P R Mccartney
McCartney, P. R. (2015). Big data science. MCN: The American Journal of Maternal/ Child Nursing, 40(2), 130.
Creating a Data-Driven Enterprise with DataOps
  • A Thusoo
  • J Sarma
  • Sen
Thusoo, A., & Sarma, J. Sen. (2017). Creating a Data-Driven Enterprise with DataOps.
Broken links Why analytics investments have yet to pay off
  • W M P Van Der Aalst
Van Der Aalst, W. M. P. (2014). Data Scientist The Engineer of the Future.pdf. Retrieved from http://wwwis.win.tue.nl/~wvdaalst/old/publications/p769.pdf Wetherill, D. (2016). Broken links Why analytics investments have yet to pay off. Retrieved from https://www.zs.com/publications/articles/broken-links-whyanalytics-investments-have-yet-to-pay-off.aspx