1865'te Richard Millar Devens, "Cyclopædia of Commercial and Business Anekdotları"nda "İş Zekası" (BI) ifadesini sundu..Bunu, bir bankacı olan Sir Henry Furnese'nin, rekabetinden önce bilgi toplayarak ve ona göre hareket ederek bilgiden nasıl kâr elde ettiğini anlatmak için kullandı. Daha yakın bir zamanda, 1958'de, Hans Peter Luhn adlı bir IBM bilgisayar bilimcisi tarafından, teknoloji kullanımı yoluyla iş zekası (BI) toplama potansiyelini açıklayan bir makale yazıldı.

İş zekası, günümüzde anlaşıldığı şekliyle, teknolojiyi veri toplamak ve analiz etmek, onu yararlı bilgilere çevirin ve "yarışmadan önce" buna göre hareket edin. Temel olarak, BI'nın modern versiyonu, doğru zamanda doğru bilgilere dayanarak hızlı ve verimli kararlar almanın bir yolu olarak teknolojiye odaklanır.

1968'de, yalnızca son derece uzmanlaşmış becerilere sahip kişiler verileri kullanılabilir bilgilere çevirebiliyordu. Şu anda, birden çok kaynaktan gelen veriler normalde silolarda saklanıyordu ve araştırma tipik olarak yoruma açık, parçalı, kopuk bir raporda sunuluyordu. Edgar Codd bunu bir sorun olarak gördü ve 1970 yılında insanların veritabanları hakkındaki düşüncelerini değiştiren bir makale yayınladı. Bir "ilişkisel veri tabanı modeli" geliştirme önerisi muazzam bir popülerlik kazandı ve dünya çapında kabul gördü.

Karar Destek Sistemleri (DSS), geliştirilen ilk veri tabanı yönetim sistemiydi. Birçok tarihçi, iş zekasının modern versiyonunun DSS veri tabanından geliştiğini öne sürüyor. İş adamları iş zekasının değerini keşfettikçe 1980'lerde BI satıcılarının sayısı arttı. Bu süre zarfında, verilere daha basit yollarla erişmek ve bunları düzenlemek için çeşitli araçlar geliştirildi. OLAP, yönetici bilgi sistemleri ve veri depoları DSS ile çalışmak için geliştirilen araçlardan bazılarıydı.

OLAP

Çevrimiçi analitik işleme (OLAP), kullanıcıların birden çok paradigma veya bakış açısı sunarken çeşitli kaynaklardan verileri analiz etmesine olanak tanıyan bir sistemdir. OLAP için yapılandırılan veritabanları, karmaşık analizleri ve ad hoc sorguları destekleyen çok boyutlu bir veri modeli kullanır. OLAP'ın standart uygulamaları şunları içerir:

• Satışlar için iş raporlaması
• Pazarlama
• Yönetim raporlaması
• İş süreci yönetimi (BPM)
• Bütçeleme ve tahmin
• Finansal raporlama ve benzeri alanlar
• Tarım gibi yeni uygulamalar

OLAP, bilgileri bir araya getirmek ve düzenlemek için sunduğu çeşitli yöntemler nedeniyle oldukça popülerdi. SQL tabanlı bir program olarak, NoSQL popüler olunca popülaritesini kaybetti. (Şu anda, bazı şirketler, örneğin Kyvos Öngörüleri ve Ölçekte, OLAP'ı bir NoSQL tabanına yerleştirmiştir.) OLAP üç temel işlemi destekler:

• Sağlamlaştırma
• Derinlemesine
• Dilimleniyor ve kesiliyor

Konsolidasyon, birden çok şekilde saklanabilen ve işlenebilen verilerin birleştirilmesini içerir. Örneğin, tüm şube otomobil satışları, satış trendlerini tahmin etmenin bir yolu olarak otomobil satış müdürü tarafından toplanabilir. Öte yandan, ayrıntılı inceleme tekniği, ayrıntılar arasında gezinmeyi ve ayrıntıları araştırmayı destekler. İnsanlar otomobil satışlarını renge, stile veya gaz tüketimine göre görüntüleyebilir. Dilimleme ve dilimleme, insanların OLAP küpü üzerindeki belirli verileri çıkarmasına (dilimlemesine) ve bu dilimleri farklı perspektiflerden ("çok boyutlu" olduğu gibi bazen boyutlar olarak adlandırılır) görüntülemesine (zarlamasına) olanak tanır.

Yönetici Bilgi Sistemleri (ÇBS)

1970'lerin sonlarında, CEO'lar iş bilgilerini araştırmak için interneti kullanmaya başladı. Bu, adı verilen yazılımın geliştirilmesine yol açtı. yönetici bilgi sistemleri (EIS), karar vermede üst yönetimi desteklemek. Bir EIS, karar verme sürecini "düzenlemek" için gereken uygun ve güncel bilgileri sağlamak üzere tasarlanmıştır. Sistem, bilgileri sunarken grafik ekranları ve kullanımı kolay arayüzleri vurgular. Bir EIS'nin amacı, yöneticileri bu bilgileri aracılar/kadınlar aracılığıyla almak yerine kendi e-postalarını, araştırmalarını, randevularını ve raporları okuyabilen "uygulamalı" kullanıcılara dönüştürmekti. EIS, yardımcı olma konusundaki sınırlamaları nedeniyle giderek popülerliğini kaybetti.

Veri depoları

Veri Ambarları, işletmelerin kurum içi kullanmaya başlamasıyla 1980'lerde popüler olmaya başladı. veri analizi çözümleri düzenli olarak. (Bu, o zamanlar bilgisayar sistemlerinin sınırlamaları nedeniyle genellikle akşam 5'ten sonra ve hafta sonları yapılırdı.) Veri ambarından önce, karar verme sürecindeki farklı kişilere yararlı bilgiler sağlamak için önemli miktarda fazlalık gerekiyordu. Veri depolama verilere erişmek için gereken süreyi önemli ölçüde azaltır. Geleneksel olarak birkaç yerde (çoğunlukla departman siloları biçiminde) saklanan veriler artık tek bir yerde saklanabilir.

Veri ambarlarının kullanımı, veri ambarlarının kullanımının geliştirilmesine de yardımcı oldu. büyük veri. Aniden, çeşitli biçimlerde (e-posta, internet, Facebook, Twitter, vb.) çok büyük miktarda veriye tek bir veri deposundan erişilebilir hale geldi ve daha önce mevcut olmayan iş bilgilerine erişmek için zamandan ve paradan tasarruf sağlandı. potansiyeli veriye dayalı içgörüler için veri ambarları çok büyüktü Bu içgörüler kârı artırdı, dolandırıcılığı tespit etti ve kayıpları en aza indirdi.

İş Zekası İleri Teknolojiye Gidiyor

Teknolojik bir kavram olarak iş zekası (BI), 1988 uluslararası konferansından kısa bir süre sonra başladı. Çok Yönlü Veri Analizi Konsorsiyumu Roma'da yapıldı. Bu konferansta varılan sonuçlar, BI analizini daha kullanıcı dostu hale getirirken basitleştirme çabalarını hızlandırdı. Pek çok BI işletmesi, her yeni işletmenin yeni BI araçları sunmasıyla konferansın sonuçlarına yanıt olarak başladı. Bu dönemde BI'ın iki temel işlevi vardı: veri ve rapor üretmek ve bunu prezentabl bir şekilde organize etmek ve görselleştirmek.

1990'ların sonunda ve 2000'lerin başında BI hizmetleri başladı basitleştirilmiş araçlar sağlamak, karar vericilerin kendi kendine daha yeterli hale gelmelerini sağlar. Araçların kullanımı daha kolaydı, gereken işlevselliği sağladılar ve çok verimliydiler. İş adamları artık doğrudan verilerle çalışarak veri toplayabilir ve içgörüler elde edebilir.

İş Zekası ve Analitik Karşılaştırması

Şu anda, iki terim birbirinin yerine kullanılmaktadır. Her ikisi de bilinçli, akıllı iş kararları verirken verileri kullanmanın genel uygulamasını tanımlar. İş zekası terimi, yararlı içgörüler sağlayan bir dizi teknolojiye bağlı olacak şekilde gelişti. tersine, analytics karar verme amaçları için ham verileri eyleme geçirilebilir, yararlı bilgilere çevirebilen araçları ve süreçleri temsil eder. Gerçek zamanlı olarak çalışan akış analitiği de dahil olmak üzere farklı analitik biçimleri geliştirilmiştir.  

Tanımlayıcı Analitik

Açıklayıcı analitik verileri tanımlar veya özetler ve öncelikle tarihsel bilgilere odaklanır. Bu tür analitik, geçmişi açıklayarak önceki davranışların bugünü nasıl etkilediğinin anlaşılmasına olanak tanır. Tanımlayıcı analitik, bir şirketin nasıl çalıştığını açıklamak ve işin farklı yönlerini açıklamak için kullanılabilir. En iyi senaryoda, tanımlayıcı analitik ilgili bir tema ile bir hikaye anlatır ve yararlı bilgiler sağlar.

Akıllı Analytics

Öngörücü analitik geleceği tahmin etmek için kullanılır. Bu tür analitik, şirketlere satış eğilimlerini, satın alma modellerini belirleme ve müşteri davranışını tahmin etme gibi yaklaşan değişiklikler hakkında yararlı içgörüler sağlamak için istatistiksel verileri kullanır. Tahmine dayalı analitiğin ticari kullanımları, normalde yıl sonunda satış büyümesinin tahmin edilmesini, müşterilerin aynı anda hangi ürünleri satın alabileceklerini ve envanter toplamlarını tahmin etmeyi içerir. Kredi puanları bir örnek sunar  Re-Tweet analitik türü, bir müşterinin zamanında ödeme yapma olasılığını belirlemek için bunları kullanan finansal hizmetler ile.

Normatif Analitik

Normatif analitik nispeten yeni bir alandır ve üzerinde çalışılması hala biraz zordur. Bu tür analitik, birkaç farklı olası eylemi "önerir" ve insanları bir çözüme doğru yönlendirir. Normatif analitik tavsiye vermek için tasarlanmıştır. Temel olarak, birden çok geleceği tahmin eder ve kuruluşların eylemlerine dayalı olarak birçok olası sonucu değerlendirmesine olanak tanır. En iyi senaryoda, normatif analitik ne olacağını, neden olacağını tahmin edecek ve önerilerde bulunmak. Daha büyük şirketler planlamayı, gelir akışlarını ve envanteri başarılı bir şekilde optimize etmek için kuralcı analitiği kullandı ve karşılığında müşteri deneyimini iyileştirdi.

Akış Analitiği

Akış analitiği, verilerin gerçek zamanlı olarak işlenmesidir. Veriye dayalı istatistiksel bilgileri sürekli olarak hesaplamak, izlemek, yönetmek ve anında yanıt vermek için tasarlanmıştır. Süreç, belirli durumları olduğu gibi tanımak ve bunlara yanıt vermekle ilgilenir. Akış analitiği, iş bilgilerinin geliştirilmesini ve kullanılmasını önemli ölçüde iyileştirmiştir.

İçin veri akış analizi cep telefonları, Nesnelerin İnterneti (IoT), piyasa verileri, işlemler ve mobil cihazlar (tabletler, dizüstü bilgisayarlar) dahil olmak üzere çeşitli kaynaklardan gelebilir. Yönetimi harici veri kaynaklarına bağlayarak, uygulamaların verileri bir uygulama akışında birleştirmesine veya birleştirmesine veya harici veritabanlarını işlenmiş bilgilerle hızlı ve verimli bir şekilde güncellemesine olanak tanır. Akış analitiği şunları destekler:

• Sosyal medya çökmeleri, güvenlik ihlalleri, uçak kazaları, üretim kusurları, borsa erimeleri, müşteri kayıplarının vb. neden olduğu hasarı en aza indirmek.
• Rutin iş operasyonlarını gerçek zamanlı olarak analiz etme
• Büyük verilerle kaçırılan fırsatları bulma
• Yeni iş modelleri, gelir akışları ve ürün yenilikleri oluşturma seçeneği

Akış verilerine bazı örnekler, sosyal medya beslemeleri, gerçek zamanlı hisse senedi alım satımları, güncel perakende envanter yönetimi veya araç paylaşım uygulamalarıdır. Örneğin, bir müşteri Lyft'i aradığında, sorunsuz kullanıcı deneyimleri oluşturmak için veri akışları birleştirilir. Uygulama, hem geçmiş hem de gerçek zamanlı verileri kullanarak müşteriye en yakın mevcut sürücüyü, fiyatlandırmayı ve varış noktasına tahmini süreyi sağlamak için gerçek zamanlı konum izleme, fiyatlandırma, trafik istatistikleri ve gerçek zamanlı trafik verilerini birleştirir.

Akış analitiği bir hale geldi son derece kullanışlı bir araç kısa vadeli koordinasyon ve uzun vadede iş zekası geliştirmek için. 

Şu Anda İş Zekası

İş Zekası, basit performans ölçümlerinden daha fazlasını gerektirir. Geleceği tahmin etmek için geniş bir bilgi tabanı sağlamak için hava durumu raporlarına, demografiye ve ekonomik ve sosyal içgörülere ihtiyaç duyar. Gerçek dünyadaki olaylar, iş zekasını ve buna dayalı kararları etkiler. Yararlı bilgiler sağlayan güncel gelişmelerden bazıları şunlardır:

Nesnelerin İnterneti (IoT): Üretimden cep telefonlarına kadar çeşitli cihazlardan veri almak için kullanılır. Ofis binaları, iletişim cihazları, teslimat kamyonları, ofis ekipmanları – tüm akış verileri, Şeylerin İnternet.

İş zekasını destekleyen otomasyon: Birçok kuruluş, iş zekasını desteklemek için hâlâ manuel süreçlere güveniyor. Otomatik hizmetler insanlardan daha az hata yapar ve daha yüksek kaliteli veriler sağlar. Bu hizmetler daha iyi iş zekasını destekler.

Analitik ana akım haline geldi: Giderek daha fazla işletme, mevcut üç iş zekası türünü kullanıyor: tanımlayıcı analitik, tahmine dayalı analitik ve normatif analitik. Tanımlayıcı analitik, iş zekasının çoğunu sağlar, ancak tahmine dayalı analitik, geleceği tahmin etmenin bir yolu olarak geçmiş verileri analiz eder. Normatif analitik, gelecekteki sonuçları tahmin etmeye çalışır, ancak aynı zamanda tahminlerine dayalı öneriler sunar.

Shutterstock.com lisansı altında kullanılan görsel

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://www.dataversity.net/brief-history-business-intelligence/