Büyük Veri Çağında İşletmelerde Veri Bilimi

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.

Full text

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 ayrı
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 dışında dış 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 perspektinden 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 kaliye personel veri
odaklı düşünebilmeli, 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 alışmışlardır
(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
sınıandırabiliriz. 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 affect 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 off.
Retrieved from https://www.zs.com/publications/articles/broken-links-why-
analytics-investments-have-yet-to-pay-off.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