Kitap

T.C.
ANADOLU ÜNİVERSİTESİ YAYINI NO: 3409

AÇIKÖĞRETİM FAKÜLTESİ YAYINI NO: 2260
İŞLETME ANALİTİĞİ
Yazarlar
Prof.Dr. Muzaffer KAPANOĞLU (Ünite 1, 3, 4, 8)
Dr.Öğr.Üyesi Sevgi ABDALLA (Ünite 2)
Öğr.Gör. Özgür GÜLTEKİN (Ünite 2, 3, 4, 8)
Prof.Dr. Fikret ER (Ünite 5)
Prof.Dr. Harun SÖNMEZ (Ünite 6, 7)
Editörler
Prof.Dr. Muzaffer KAPANOĞLU
Prof.Dr. Fikret ER
Bu kitabın basım, yayım ve satış hakları Anadolu Üniversitesine aittir.
“Uzaktan Öğretim” tekniğine uygun olarak hazırlanan bu kitabın bütün hakları saklıdır.
İlgili kuruluştan izin almadan kitabın tümü ya da bölümleri mekanik, elektronik, fotokopi, manyetik kayıt
veya başka şekillerde çoğaltılamaz, basılamaz ve dağıtılamaz.
Copyright © 2016 by Anadolu University

All rights reserved
No part of this book may be reproduced or stored in a retrieval system, or transmitted
in any form or by any means mechanical, electronic, photocopy, magnetic tape or otherwise, without
permission in writing from the University.
Öğretim Tasarımcıları
Prof.Dr. Tevfik Volkan Yüzer
Dr.Öğr.Üyesi Halil Cem Sayın
Grafik Tasarım Yönetmenleri

Prof. Tevfik Fikret Uçar
Doç.Dr. Nilgün Salur
Öğr.Gör. Cemalettin Yıldız
Dil ve Yazım Danışmanı

Öğr.Gör. Deniz Emre
Ölçme Değerlendirme Sorumlusu

Ümit Baş
Kapak Düzeni
Prof.Dr. Halit Turgay Ünalan
Grafikerler
Ayşegül Dibek
Burcu Güler
Gülşah Karabulut
Hilal Özcan
Kenan Çetinkaya
Ufuk Önce
Dizgi ve Yayıma Hazırlama

Kitap Hazırlama Grubu
İşletme Analitiği
E-ISBN
978-975-06-3367-6
Bu kitabın tüm hakları Anadolu Üniversitesi’ne aittir.

ESKİŞEHİR, Şubat 2019
2940-0-0-0-1609-V01
İçindekiler iii
İçindekiler
Önsöz .................................................................................................................. ix
İşletme Analitiği: Temel Kavramlar .............................................. 2 1. ÜNİTE

GİRİŞ ............................................................................................................................. 3
YÖNETİM VE BİLGİ: ANALİZDEN ANALİTİĞE ................................................ 4
Yönetsel Bilgi Gereksinimi ve Analitik ...................................................................... 4
Veri, Durumbilgisi ve Yöntembilgisi .......................................................................... 5
İŞLETME ANALİTİĞİ VE ZEKÂSI .......................................................................... 6
İşletme Analitiğinin Tanımı ........................................................................................ 7
İşletme Analitiğinin Türleri ........................................................................................ 9
Betimsel Analitik .................................................................................................... 10
Kestirimci Analitik ................................................................................................. 11
Karar Analitiği ........................................................................................................ 12
İşletme Analitiği Uygulamaları .................................................................................. 13
İşletme Analitiğinin Altyapısı ve Veri Ambarı ......................................................... 14
İşletme Analitiğinin Üç Dönemi ................................................................................ 18
BÜYÜK VERİ ANALİTİĞİ ........................................................................................ 19
İŞLEMTABLOLARI VE KİŞİSEL ANALİTİK ......................................................... 20
Özet................................................................................................................................. 21
Kendimizi Sınayalım .................................................................................................... 22
Kendimizi Sınayalım Yanıt Anahtarı ......................................................................... 23
Sıra Sizde Yanıt Anahtarı ............................................................................................. 23
Yararlanılan ve Başvurulabilecek Kaynaklar.............................................................. 24
İşletme Analitiği: Yöntemler ve Yazılımları.................................. 26 2. ÜNİTE

GİRİŞ ............................................................................................................................. 27
BETİMSEL ANALİTİK: YÖNTEMLER ................................................................... 29
Veri Türleri .................................................................................................................... 29
Sayısal ve Kategorik Veriler ................................................................................. 29
Kesitsel Veriler ve Zaman Serisi Verileri ............................................................. 30
Verinin Derlenmesi ...................................................................................................... 30
Verilerden Dağılımların Oluşturulması .................................................................... 31
Frekans Dağılımları ............................................................................................... 31
Zaman Serisi ........................................................................................................... 32
Mekân Serisi ............................................................................................................ 32
Merkezi Eğilim Ölçüleri (Ortalamalar) ..................................................................... 33
Değişkenlik Ölçüleri ................................................................................................... 33
Asimetri Ölçüleri ......................................................................................................... 34
Endeksler ....................................................................................................................... 34
Değişkenler Arasındaki İlişkilerin Belirlenmesi ...................................................... 35
Görselleştirme Teknikleri ............................................................................................ 35
Tablolar .................................................................................................................... 35
Gösterge Panosu (Dashboard) ............................................................................. 37
Anahtar Performans Göstergesi (Key Performance Indicator - KPI) ............. 38
Kurumsal Karne (Skorkartları) ............................................................................ 38
KESTİRİMCİ ANALİTİK: YÖNTEMLER ............................................................... 39
Regresyon Analizi (Regression) ................................................................................. 40
iv İçindekiler
Lojistik Regresyon Analizi (Logistic Regression) .................................................... 41

İkili (Binary) Lojistik Regresyon Tekniği ............................................................ 41
Multi-Nominal Lojistik Regresyon Tekniği ........................................................ 41
Sıralı (Ordinal) Lojistik Regresyon Tekniği ........................................................ 41
Karar Ağaçları (Decision Trees) ................................................................................. 42
Kümeleme Yöntemleri (Clustering) ........................................................................... 42
Yapay Sinir Ağları (Artificial Neural Networks) ...................................................... 43
İŞLETME ANALİTİĞİ YAZILIMLARI .................................................................... 43
Betimsel Analitik Yazılımları ...................................................................................... 44
Microsoft Business Intelligence Suite .................................................................. 44
Oracle Business Intellegence Suite ...................................................................... 44
IBM Cognos Insight ............................................................................................. 44
SAP Business Objects ............................................................................................ 44
SAS Business Intelligence ..................................................................................... 45
Kestirimci Analitik Yazılımları ................................................................................... 45
Microsoft Excel ...................................................................................................... 45
IBM SPSS Predictive Analytics Enterprise (Statistics, Modeler) ..................... 46
R ............................................................................................................................... 46
Rapid Miner ........................................................................................................... 47
Weka ........................................................................................................................ 47
Statistica ................................................................................................................... 47
Oracle Data Miner ................................................................................................. 47
Özet ................................................................................................................................ 49
Yararlanılan ve Başvurulabilecek Kaynaklar ............................................................ 51
3. ÜNİTE İşlemtabloları ile Veri Düzenleme ve Denetleme........................ 52

GİRİŞ ............................................................................................................................. 53
METİN VERİLERİNİN DÜZENLENMESİ VE DENETİMİ ................................ 54
Soldan (Left) İşlevi ....................................................................................................... 54
Sağdan (Right) İşlevi .................................................................................................... 54
Parçaal (Mid) İşlevi ...................................................................................................... 54
Kırp (Trim) İşlevi ......................................................................................................... 54
Uzunluk (Len) İşlevi .................................................................................................... 54
Bul (Find) ve Mbul (Search) İşlevleri ........................................................................ 54
Yinele (Rept) İşlevi ....................................................................................................... 55
Birleştir (Concatenate) İşlevi ve & Operatörü .......................................................... 55
Değiştir (Replace) İşlevi .............................................................................................. 55
Sayıyaçevir (Value) İşlevi ............................................................................................. 55
Büyükharf (Upper), Küçükharf (Lower) ve Yazım Düzeni .................................... 55
(Proper) İşlevleri .......................................................................................................... 55
Damga (Char) İşlevi ..................................................................................................... 55
Temiz (Clean) İşlevi ..................................................................................................... 56
Yerinekoy (Substitute) İşlevi ...................................................................................... 56
VERİ ARAMA, ADRESLEME VE KONUMLANDIRMA .................................... 59
Bul (Find) ve Değiştir (Replace) Özellikleri ............................................................. 59
Özel Git (Go To Special) ............................................................................................. 61
İçindekiler v
Satır (Row) ve Satırsay (Rows) İşlevleri ..................................................................... 62
Sütun (Column) ve Sütunsay (Columns) İşlevleri ................................................... 62
Düşeyara (VLookUp) ve Yatayara (HLookUp) İşlevleri ......................................... 63
İndis (Index) İşlevi ....................................................................................................... 63
Kaçıncı (Match) İşlevi .................................................................................................. 64
Kaydır (Offset) İşlevi .................................................................................................... 65
Dolaylı (Indirect) İşlevi ............................................................................................... 66
TARİH VE ZAMAN İŞLEVLERİ .............................................................................. 66
Şimdi (Now) İşlevi ....................................................................................................... 67
Bugün (Today) İşlevi .................................................................................................... 67
Gün (Day), Ay (Month) ve Yıl (Year) İşlevleri .......................................................... 67
Günsay (Days) ve Gün360 (Days360) İşlevleri ........................................................ 67
Tarih (Date) İşlevi ........................................................................................................ 67
Tarihsayısı (Datevalue) İşlevi ...................................................................................... 68
Seritarih (Edate) ve Seriay (Eomonth) İşlevleri ....................................................... 68
Haftanıngünü (Weekday) İşlevi .................................................................................. 68
Haftasay (Weeknum) İşlevi ......................................................................................... 68
İşgünü (Workday) ve İşgünü.ulusl (Workday.INTL) İşlevleri ................................ 69
Tamişgünü (Networkdays) ve Tamişgünü.ulusl (Networkdays.INTL) İşlevleri... 70
Saat (Hour), Dakika (Minute) ve Saniye (Second) İşlevleri ................................... 70
Zaman (Time) İşlevi .................................................................................................... 71
Zamansayısı (Timevalue) İşlevi .................................................................................. 71
KOŞULLU İFADELER OLUŞTURMA ..................................................................... 72
Eğer (IF) İşlevi .............................................................................................................. 72
Ve (And), Yada (Or) ve Değil (Not) İşlevleri ............................................................ 73
EğerSay (CountIF) ve ÇokEğerSay (CountIFS) İşlevleri ........................................ 74
ETopla (SumIF) ve ÇokETopla (SumIFS) İşlevleri .................................................. 75
EğerOrtalama (AverageIF) ve ÇokEğerOrtalama (AverageIFS) İşlevleri ............. 75
EğerHata (IFError) İşlevi ............................................................................................ 76
Özet ................................................................................................................................ 77
İşlemtabloları ile Veri Yönetimi ve Analizi................................... 82 4. ÜNİTE

GİRİŞ ............................................................................................................................. 83
ARALIK ADLANDIRMA ........................................................................................... 83
Ad Kutusu (Name Box) ile Aralık Adlandırma ....................................................... 84
Seçimden Oluştur (Create from Selection) ile ........................................................ 84
Aralık Adlandırma ....................................................................................................... 84
Ad Tanımla (Define Name) ile Aralık Adlandırma ................................................. 85
Ad Yöneticisi (Name Manager) .................................................................................. 85
TABLO OLUŞTURMA ............................................................................................... 86
Aralığı Tabloya Dönüştürme ...................................................................................... 87
Temel Tablo İşlemleri ................................................................................................... 88
Tablolarda Sıralama ...................................................................................................... 89
Tablolarda Filtreleme ................................................................................................... 90
Çoklu Ölçütler ........................................................................................................ 92
Gelişmiş Filtreleme ................................................................................................ 92
vi İçindekiler
ÖZET TABLO (PIVOTTABLE) ................................................................................. 96

Özet Tablonun Yapısı ................................................................................................... 96
Özet Tablo Oluşturmak ............................................................................................... 98
DİLİMLEYİCİ (SLICER) ............................................................................................ 102
Tabloya Dilimleyici Eklemek ...................................................................................... 102
Özet Tabloya Dilimleyici Eklemek ............................................................................. 103
ZAMAN ÇİZELGESİ (TIMELINE) .......................................................................... 104
Özet ................................................................................................................................ 105
5. ÜNİTE Veri ve Bilginin İşlemtablosu ile Görselleştirilmesi.................... 110

GİRİŞ ............................................................................................................................. 111
GRAFİKLER ................................................................................................................. 113
Grafiklerin Temel Bileşenleri ...................................................................................... 114
Grafik Türleri ................................................................................................................ 116
Sütun Grafikleri ...................................................................................................... 117
Pasta Grafiği ............................................................................................................ 120
Histogram ............................................................................................................... 121
Saçılım Grafiği ........................................................................................................ 122
Pareto Grafiği .......................................................................................................... 125
3B Harita Grafiği .................................................................................................... 126
Kıvılcım Grafiği (Sparklines) ................................................................................ 127
KOŞULLU BİÇİMLENDİRME .................................................................................. 129
GÖSTERGE PANOSU ................................................................................................. 132
Özet ................................................................................................................................ 135
Yararlanılan ve Başvurulabilecek İnternet Adresleri ............................................... 139
6. ÜNİTE İşlemtablolarıyla Betimsel Analitik.............................................. 140

GİRİŞ ............................................................................................................................. 141
İŞLEMTABLOLARIYLA VERİNİN ÖZETLENMESİ ............................................ 141
Sayma İşlemi ................................................................................................................. 142
Koşullu Sayma İşlemi ................................................................................................... 143
Boşluk Sayma İşlemi .................................................................................................... 143
En Büyük Değer Bulma İşlemi ................................................................................... 144
En Küçük Değer Bulma İşlemi ................................................................................... 145
İŞLEMTABLOLARIYLA MERKEZÎ EĞİLİM VE DEĞİŞKENLİK ÖLÇÜLERİ....... 146
Aritmetik Ortalama Hesaplama İşlemi ..................................................................... 146
Kırpılmış Ortalama Hesaplama İşlemi ...................................................................... 149
Geometrik Ortalama Hesaplama İşlemi ................................................................... 150
Harmonik Ortalama Hesaplama İşlemi .................................................................... 151
Medyan (Ortanca) Hesaplama İşlemi ........................................................................ 151
Mod Hesaplama İşlemi ................................................................................................ 152
İçindekiler vii
Varyans ve Standart Sapma Hesaplama İşlemi ......................................................... 153
İŞLEMTABLOLARIYLA OLASILIK VE BAZI OLASILIK DAĞILIMLARI ...... 155
Faktöriyel, Permütasyon ve Kombinasyon Hesaplama İşlemi ............................... 155
Binom Dağılımına İlişkin Hesaplama İşlemi ........................................................... 157
Normal Dağılıma İlişkin Hesaplama İşlemi ............................................................. 159
Özet ................................................................................................................................ 162
İşlemtablolarıyla Kestirimci Analitik.. .......................................... 166 7. ÜNİTE

GİRİŞ ............................................................................................................................. 167
İŞLEMTABLOLARIYLA GÜVEN ARALIĞI .......................................................... 168
Güven Aralığı İşlevi ..................................................................................................... 168
İŞLEMTABLOLARIYLA İSTATİSTİKSEL HİPOTEZ
TESTLERİ VE VARYANS ANALİZİ ......................................................................... 169
Hipotezlerin Belirlenmesi ........................................................................................... 169
I. Tip ve II. Tip Hata Kavramları ................................................................................ 170
Örneklem Büyüklüğü .................................................................................................. 170
İstatistiksel Kararın Verilmesi ..................................................................................... 170
Tek Örneklem z Testi İşlevi ......................................................................................... 170
İki Ana Kütle z Testi İşlevi ........................................................................................... 172
Tek Örneklem Student-t Testi İşlevi .......................................................................... 173
Bağımsız İki Örneklem Student-t Testi ..................................................................... 174
Bağımlı İki Örneklem Student-t Testi ....................................................................... 178
Varyans Analizi ............................................................................................................. 179
İŞLEMTABLOLARIYLA KORELASYON VE BASİT
DOĞRUSAL REGRESYON ANALİZİ ...................................................................... 181
PEARSON İşlevi ........................................................................................................... 181
RKARE İşlevi ................................................................................................................ 182
EĞİM İşlevi ................................................................................................................... 184
KESMENOKTASI İşlevi .............................................................................................. 185
TAHMİN İşlevi ............................................................................................................. 186
Özet ................................................................................................................................ 187
İşlemtabloları ile Veri Madencliği................................................. 190 8. ÜNİTE

GİRİŞ ............................................................................................................................. 191
İŞLEMTABLOLARI İLE VERİ MADENCİLİĞİNE BAŞLARKEN ...................... 192
Microsoft SQL Server 2012 Data Mining Eklentisi Kurulumu .............................. 192
Microsoft SQL Server 2012 Kurulumu ve Analysis Services’ın (SSAS)
Yapılandırılması ............................................................................................................ 193
Microsoft SQL Server 2012 Enterprise Evaluation Edition Kurulumu .......... 194
Excel Data Mining Eklentisi İçin SSAS’in Yapılandırılması ............................. 197
Microsoft Excel 2013’ün Yapılandırılması .......................................................... 198
viii İçindekiler
EXCEL İÇİN SQL SERVER VERİ MADENCİLİĞİ EKLENTİSİ .......................... 199

Verinin Hazırlanması (Data Preparation) ................................................................ 199
Verinin Keşfi (Explore Data) ................................................................................ 199
Verinin Temizlenmesi (Clean Data) .................................................................... 200
Verinin Örneklendirilmesi (Sample Data) ......................................................... 201
Verinin Modellenmesi (Data Modeling) ................................................................... 202
Sınıflandırma (Classify) ........................................................................................ 202
Tahminleme (Estimate) ......................................................................................... 203
Kümeleme (Cluster) ............................................................................................... 204
Birliktelik (Associate) ............................................................................................ 204
Öngörüleme (Forecast) ......................................................................................... 205
İleri Düzey Yapılandırma ve Modelleme (Advanced) ....................................... 207
Test Etme ve Geçerliliği Doğrulama (Accuracy and Validation) ........................... 207
Doğruluk Grafiği (Accuracy Chart) .................................................................... 208
Sınıflandırma Matrisi (Classification Matrix) .................................................... 208
Kar Grafiği (Profit Chart) ..................................................................................... 208
Çapraz Doğrulama (Cross-Validation) ............................................................... 208
Model Kullanımı ve Yönetim (Model Usage ve Management) .............................. 209
Göz Atma (Browse) ............................................................................................... 209
Modelin Belgelendirilmesi (Document Model) ................................................. 209
Sorgu (Query) ......................................................................................................... 209
Modellerin Yönetimi (Manage Models) .............................................................. 210
Bağlantı (Connection) ................................................................................................. 210
Bağlantılar (Connections) ..................................................................................... 210
Bağlantı Takibi (Trace) .......................................................................................... 210
Yardım (Help) ............................................................................................................... 210
Özet................................................................................................................................. 211
Yararlanılan ve Başvurulabilecek Kaynaklar.............................................................. 214
Önsöz ix
Önsöz
Bu kitap, ilk bakışta bir istatistik kitabı gibi görünse de, bir istatistik kitabı değildir. Eli-
nizdeki bu kitap, istatistiksel düşünceyi farklı bir bakış açısı ile ele almaktadır. Sözkonusu
bakış açısı; istatistiksel yöntemlerin ve bilgi teknolojilerinin, bilgi kaynakları ile birlikte
etkin kullanımına dayalı anlayış, düşünce ve içgörünün yönetimlere kazandırılmasıdır. Bu
kitap, işletmelere verilere-dayalı yönetim yeteneğinin kazandırılması üzerinedir.
İşletme analitiği, disiplinlerarası bir yaklaşım olup, akademik arkaplanında istatistik,
veri madenciliği, yapay zekâ, optimizasyon, simülasyon, algoritmalar ve bilgisayar prog-
ramlama yer almaktadır. İşletme analitiğine hayat veren bu disiplinler üzerine yüzlerce
kitap bulunmaktadır. Ancak bu dersin kitabının iki temel amacı vardır: geleceğin yönetici
ve karar vericilerini; (i) erişilebilir tüm verilerin potansiyel değeri konusunda bilinçlen-
dirmek ve (ii) işletme analitiğinin temel kavram ve yaklaşımlarını kullanarak, analitiği
işletmenin ortak anlayışına dönüştürme konusunda yetiştirmek. Elinizdeki kitap, işletme
analitiğine ilişkin giriş düzeyinde bilgileri sunmaktadır.
Yirmibirinci yüzyılın ilk çeyreğinin büyük veri çağı olmasının yönetimlere sunduğu
fırsatlar ve güçlükler, bilgi türleri, analitik türleri ve veri madenciliği ile ilişkilerine kitabın
birinci ünitesinde yer verilmiştir. İşletme analitiğinin temel kavramları ve işlemtabloları
yazılımlarının önemi kısaca ele alınmıştır.
İşletme analitiğinin yöntemlerine genel bir bakış ile bu yöntemleri destekleyen bazı
güncel yazılımlara kitabın ikinci ünitesinde yer verilmiştir. Bu ünitede yer verilen ticari
ve özgür yazılımların, yenileriyle güncellenmesi için geçecek sürenin çok uzun olmayaca-
ğı düşünülebilir. Sözkonusu düşünce, işletme analitiğine gösterilen ilginin yerindeliği ve
büyüklüğü ile orantılı olup; mevcut yazılımların geçerliliklerini hızla yitirmesi, konunun
öneminin de bir göstergesi olacaktır.
Eğer işletme analitiği, işletme kültürünün bir parçası haline gelecek ise, bu öncelikle
bunun bir grup bilgisayar profesyonelinin işi olmaktan çıkarılıp, herkesin paylaştığı bir
anlayışa dönüştürülmesine ve yaygın düzeyde benimsenmesine bağlı olacaktır. Bu nokta-
da, analitik yöntemleri destekleyecek teknolojik çözümlerin bir ucunda işlemtablolarının
yer alması önemli katkılar sağlayacaktır. Bu yüzden, ders kitabının önemli bir bölümü,
işlemtabloları ile işletme analitiğine ayrılmıştır. Kitabın üçüncü ünitesinde işlemtabloları
ile veri düzenleme ve denetlemeye, kitabın dördüncü ünitesinde ise işlemtabloları ile veri
yönetimi ve analizine yönelik önemli konular ele alınmıştır.
İşletme analitiğinde verinin okunabilirliği ve anlamlandırılmasının özel bir yeri vardır.
Veri görselleştirmede işlemtablosunun sunduğu olanaklara beşinci ünitede yer verilmiştir.
İşletme analitiği, kullanılan yöntemlere ve bu yöntemlerin işlevlerine bağlı olarak üç
temel başlıkta ele alınmaktadır. Bunlar; betimsel analitik, kestirimci analitik ve karar ana-
litiğidir. Analitik türleri, birbirinin aynı zamanda öncülüdür. Yani betimsel analitik olma-
dan kestirimci analitik, kestirimci analitik olmadan ise karar analitiği gerçekçi değildir.
Kitabın altıncı ünitesinde, işlemtabloları ile betimsel analitiğin temel konularına, yedinci
ünitesinde ise işlemtabloları ile kestirimci analitik konularına yer verilmiştir. Bu üç baş-
lıktan karar analitiği; yöneylem araştırması, karar modelleri ve karar destek sistemleri ile
yakın ilişkisi sebebiyle bu kitapta ele alınmamıştır.
Veri madenciliği, işletme analitiğinin en az yapılandırılmış çalışma alanlarından bi-
ridir. Buna rağmen önemi sebebi ile Excel gibi işlemtablolarının eklentileri arasında yer
bulmuştur. Kitabın sekizinci ünitesi veri madenciliği hakkında genel bir anlayış kazandır-
mayı ve fikir vermeyi hedeflemektedir.
Günümüz işletme dünyasında rol üstlenecek ve geleceğin işletme dünyasını yaratacak
olan sizlerin, işletme analiğini çok daha ileri düzeye taşırken, bu kitabın sınırlarına sığma-
yacak kadar büyümenizi dileriz.
Editörler
Prof.Dr. Muzaffer KAPANOĞLU
Prof.Dr. Fikret ER
1
Amaçlarımız
Bu üniteyi tamamladıktan sonra;
 Bilgi türlerini birbirinden ayırt edebilecek,
 İşletme analitiğinin temel kavramlarını tanımlayabilecek,
 Büyük veri ile işletme analitiğini ilişkilendirebilecek,
 İşletme analitiğinde kişisel analitiğin önemini açıklayabilecek
bilgi ve becerilere sahip olabileceksiniz.
Anahtar Kavramlar
• Durumbilgisi • Büyük Veri
• Yöntembilgisi • Betimsel Analitik
• Yönetsel Bilgi • Kestirimci Analitik
• İşletme Zekâsı • Karar Analitiği
• Veri Ambarı • Karar Destek Sistemleri
• Veri Marketi • Veri Madenciliği
İçindekiler
• GİRİŞ
• YÖNETİM VE BİLGİ: ANALİZDEN
ANALİTİĞE
İşletme Analitiği İşletme Analitiği: Temel Kavramlar • İŞLETME ANALİTİĞİ VE ZEKÂSI
• BÜYÜK VERİ ANALİTİĞİ
• İŞLEMTABLOLARI VE KIŞİSEL ANALİTİK
İşletme Analitiği: Temel
Kavramlar
GİRİŞ
Bir perakende zincirini düşünelim. 300 civarında mağazası olduğunu ve her gün şirket
veritabanlarında toplanan terabayt düzeyinde verileri bulunduğunu varsayalım. Sabah
8.00’den 22.00’ye kadar toplanan verilerden işletmenin performans bilgilerinin türetilip,
ertesi gün yöneticilerin değerlendirebileceği raporlara dönüştürülememesi halinde etkin
bir yönetim gerçekleştirilebilir mi? Trend analizi, performans analizi, envanter analizi iş-
levleri olması gerektiği şekilde yapılabilir mi? Karar vericilerin verilere göz gezdirmesi
(data surfing), sadece gereğinde ayrıntılara inebilmesi (drill-down), anormal sapmalar
hakkında uyarılması (alerts), geleceğe ilişkin güvenilir tahminlerin yapılabilmesi (forecas-
ting) ve senaryo analizleri uygulanabilmesi (olsa-ne olur analizleri) olanakları olmadan
hangi yönetici ne kadar başarılı bir yönetim ortaya koyabilir?
Bir dizi uydu, bulundukları yörüngelerden saniyede 1010 bit debiyle yeryüzünün hava
koşulları, kirlenme, tarım ve doğal kaynaklar konusunda veri gönderiyorlar. Verilerin kul-
lanılabilmesi için saniyede en az 1013 işlem yapan bir bilgisayar gereklidir. Bu kapasitede
bir bilgisayar olmadığını varsayarsak, söz konusu verilerin bilgiye dönüştürülmesinde
nasıl bir yol izlenmelidir? Çevreden sorumlu birimlerin ilgili uzmanlarının nasıl bir yol
izlemeleri gerekir? Acaba verilerin bir kısmının kullanılması bütünü görmek için yeterli
olabilir mi? Bu veriler, kimler için ne tür bilgilerin kaynağını oluştururlar?
Bir cerrahi operasyonun gerçekleştirilmeden önce benzetiminin yapılması özellikle
mikro cerrahi için önemli faydalar sağlamaktadır. Bu durumda ameliyat edilecek bölgenin
üç boyutlu resminin incelenmesi, görüntünün cerrahın istediği doğrultuda hareket ettiril-
mesi, organın değişik kesilerinin elde edilmesi, kesinin ayrıntılarının görülmesi ve hastaya
hiç dokunmadan cerrahi müdahalenin etkilerinin gözlenmesi gerekir. Böyle bir cerrahi
operasyonun gerçekleştirilmesi için gerekli işlem sayısının saniyede 1015 olduğu ve bu
kapasitede bir bilgisayarın olmadığı kabul edilirse, belirli bir güven yüzdesi ile bu ameliya-
tın başarılması için ne tür bir yaklaşım, nasıl bir yöntem benimsenmelidir? Görüntünün
gerçek olması ile işlenmiş bir görüntü olması operasyonun başarısını nasıl etkileyebilir?
Bu örneklerin ortak paydası, bazı problemlerin çözümünde kişisel zekâ, yetenek, bilgi,
beceri, deneyim ve eğitimin yanında veri ve bilgilere, yanı sıra da bu veri ve bilgilerin bil-
gisayarlar üzerinde uygun yöntem ve algoritmalarla işlenmesine gereksinim vardır. Örne-
ğin, bir mikro cerrahi operatörünün başarısı, ameliyat bölgesini görüntüleyen cihazların
kalitesiyle sınırlıdır. Problemin sahibi olan kişinin problemi ve bulguları analiz yeteneği,
bazı durumlarda veri ve bilgi sistemlerinin ve bilgisayar-destekli analitik yaklaşımların
yardımı olmadan anlamını yitirebilir. Teknolojik bilgi işleme olanakları ile veri ve bil-
4 İşletme Analitiği
gi kaynaklarını, işletmenin insan beceri ve yetenek havuzu ile buluşturabilme çabasında

başarılı olan her tür kurumun kalıcı bir rekabet gücüne sahip olacağını söylemek yan-
lış olmaz. Yukarıdaki problemlerin her biri yalnızca pahalı teknolojik yatırımlarla değil
aynı zamanda doğru analitik yöntemlerle de çözümlenebilecek problemlerdir. Dolayısı ile
problemlerin çözümlerinde teknolojik ve analitik yöntemlerin bir araya getirilmesi ve ka-
rar verici ve uzmanlara bu olanakların sunulması, çoğu zaman doğru bir yaklaşım olarak
ortaya çıkmaktadır.
YÖNETİM VE BİLGİ: ANALİZDEN ANALİTİĞE

Analiz kelimesinin anlamı, Türk Dil Kurumu kaynaklarında “çözümleme” olarak veril-
mektedir. Kökeni, “bir bütünü parçalarına ayırma” anlamında Yunanca bir kelimeden gel-
mektedir. Pek çok bilim dalının kendine dönük bir analiz anlayışı olmakla birlikte, özün-
de hepsinin “bir bütünü daha iyi incelemek, kavramak ve anlamak için alt parçalarına
ayırmak ve bu alt parçalarının karşılıklı ilişkilerine ve bütün içindeki yerine, önemine ve
anlamına yakından bakmak” ifadesinde buluştuğunu söyleyebiliriz. İşletmeler için analiz
kelimesinin yaygın anlamı, veri ve olguların neden-sonuç ilişkilerini ortaya çıkarmak ve
anlamak için yakından incelenmesi ve böylece problem çözme veya karar vermeye bir
zemin oluşturmasıdır. Analitik ifadesi özünde bir adıl (sıfat) olmasına karşın, işletme bağ-
lamında “birçok disiplinden alınıp, analiz amaçlı bir araya getirilmiş yöntem ve teknolo-
jiler topluluğu” olarak ifade edilebilir. Bu derse adını veren “İşletme Analitiği” ifadesinin
orijinal İngilizce karşılığı “Business Analytics”tir. Bazı kaynaklar, aynı ifadeyi “İş Anali-
tiği” olarak kullanmaktadırlar. İşletme kavramını iş ifadesinden ayrı düşünmek olanak-
sız olmakla beraber, burada kastedilen herhangi bir iş ve bu kapsamda yapılan faaliyetler
değil, tüzel bir kişilik bünyesinde ve örgütlü olarak yapılan işletmecilik faaliyetleridir. Söz
konusu başlıkta (business analytics) konuların yönetim bilimi, istatistik, yöneylem araştır-
ması gibi bilim dallarının yanında büyük veri, veri yönetimi, hesaplama ve algoritmalarla
yakın ilişkisi birlikte düşünülerek “İş Analitiği” yerine “İşletme Analitiği” ifadesi tercih
edilmiştir.
İşletme analitiği konusundaki yardımcı kaynaklara karekod yardımıyla erişebilirsiniz.
Yönetsel Bilgi Gereksinimi ve Analitik

Bilgi sistemlerinin, işletmelerin yönetiminde gereksinim duyulan bilgileri sağlaması,
bilgisayarların iş yaşamına girmesiyle birlikte başlamıştır. Ancak, “Bilgi Çağı” olarak ad-
landırılan 20’nci yüzyılın son on yılında başlayan ve 21’inci yüzyılda yaygınlığı ve etkisi
artarak devam eden bu döneme geçiş, özellikle iki noktadaki sıçramadan önemli ölçüde
etkilenmiştir. Bunlar:
1. Bilginin erişilebilirliği,
2. Bilginin hesaplanabilirliği.
Bilgisayarlı veri toplama teknolojilerinin gelişmesi, dağıtık ve mobil teknolojiler, bil-
gi sistemlerinin kurumların temel bileşenlerinden biri haline gelmesi, yanı sıra yazılım
ve donanım yönlü maliyetlerin gitgide azalması ile veri okyanusları ortaya çıkmıştır. Yö-
netimlerin ve yönetsel araçların bilgisayarların varlığına rağmen veri açlığı çektiği aşağı
yukarı elli yıllık bir dönem bitmiş, 2000’li yıllarla birlikte her türlü olgunun kayıt altına
alındığı yeni bir dönem başlamıştır. İnsan ve ait olduğu evrene ilişkin hemen her şeyin
elektronik veritabanlarında tutulmaya başlandığı bu dönem “Büyük Veri-Big Data” dö-
nemi olarak adlandırılmaktadır. İnternet ve diğer ağlarla ortaya çıkan Bilgi Toplumu’nun
kendine ait sanal dünyadaki yaşamı, bir yandan veri ve bilgilere erişim olanağından yarar-
lanırken, diğer taraftan da kendi toplumsal, ekonomik ve sosyal yapısı hakkında yeni veri
1. Ünite - İşletme Analitiği: Temel Kavramlar 5
ve bilgilerin keşfedilmesine olanak sağlıyordu. Söz konusu keşifleri, işletmelerin, kendile-
rinin de içinde yer aldıkları sektörlerini, rakiplerini ve müşterilerini anlama ve inceleme
için de kullanmayı akıl etmeleri zor olmamıştır. İşletmelerin her düzeydeki operasyon ve
kararlarını, kapsamlı ve güvenilir veri, sorgu ve analizlerle desteklemeleri mümkün gö-
rünmekle beraber, başlıca üç güçlüğün aşılması gerekmektedir:
1. Bilgi teknolojilerindeki hızlı değişim ve gelişmelerin körüklediği, yöneticilerin
yeni yazılımlar ve teknolojilere ayak uydurma, anlama ve kullanma için gerekli
bilgi ve becerilerinin eksikliğine ve güncellenmesine yönelik güçlükler,
2. Bilgi işlem merkezleri ve veri analistlerinin, yönetimlerin bilgi tüketimlerini öngö-
rüp desteklemelerindeki güçlükler,
3. Bilgisayar okuryazarlığı yüksek ve yönetsel analiz araçlarını çok iyi anlayan ve kul-
lanan yöneticilerin, bu yöntemleri şirket veritabanları ve veri kaynakları ile buluş-
turmasında karşılaşılan güçlükler.
Söz konusu güçlüklerin aşılması yolunda gösterilen çabaların bütünü, aslında kurum-
ların bilgiyle beslenen ve öğrenen bir işletme olmasının da yolunu açmıştır. Öte yandan,
yine bilgi çağının ilk 20 yılında, bilgisayarların bilgi işleme ve hesaplama kapasiteleri hem
bellek, hem işlem gücüyle, hem de bilgisayar programlama, işlemtabloları gibi masaüstü
yazılımların artan analiz yetenekleri, yeni algoritmaların keşfi ve özellikle sezgisel ve me-
ta-sezgisel yöntemlerin bu alana yaptığı katkı ile önemli mesafeler katetmiştir. Söz konusu
analizleri destekleyen yazılımların işletmedeki her düzey yöneticinin masaüstü analiz ve
yönetim araçları arasına girmesi bu eğilimi hızlandırmaktadır. Gerek bilgiye erişim ve
gerekse bilgiyi hesaplamadaki olanakları iyi kullanıp, belirtilen güçlüklere çözümler üre-
tebilen işletmeler, önemli bir rekabet üstünlüğü elde edebilmektedirler.
Veri, Durumbilgisi ve Yöntembilgisi

Bilgi sistemleri hakkında yazılan tüm kitaplar, veri, durumbilgisi ve yöntembilgisi kav-
ramlarını aydınlatarak işe başlarlar. Bu üç kavramın tanımlarında bir fikir birliği olmasına
karşın, Türkçe karşılıkları konusunda ortak bir görüşte buluşulamamıştır. Önerilerin ken-
dine göre dayanak noktaları vardır. Tablo 1.1’de farklı kaynaklarda kullanılan karşılıklar
verilerek, okuyucunun birden fazla kaynağı izlemesi durumunda yaşayabileceği güçlükle-
rin önlenmesi arzu edilmiştir. Bu kitapta bilgi sözcüğü veriden başlayan, durumbilgisi ve
yöntembilgisi ile devam eden ve uzmanbilgisine giden ve her biri olguların değişik biçim
ve derinliklerde ifadesi olan kavramların ortak paydası olarak kullanılmıştır.
Data Information Knowledge Expertise Tablo 1.1

Bilgiyle İlintili Terimler
Durumbilgisi Yöntembilgisi Uzmanbilgisi ve İngilizceleri
Veri Malumat
Bilgi Uzmanlık
Enformasyon
Veri: Gözlem, sayım, ölçüm ve benzeri şekilde biriktirilen, işletmenin faaliyetlerini

tespit etme amacına hizmet eden bilgilerdir. Veriler, faaliyetlerin içeriğine uygun veri per-
formansı (bellek ve hız) ilkeleri gözetilerek tasarlanmış ve genellikle ilişkisel veritaban-
larında tutulan kayıtlardır. Bir kaydı veri yapan şey, bir işlem, bir formül, bir hesaplama
içermemesidir. Türkçeye Fransızcadaki “donné” sözcüğünün karşılığı olarak geçmiştir. İş-
lenmemiş bilgi, ham bilgi olarak da tanımlanır. Örneğin: AZ1523 kodlu üründen 1.1.2001
tarihinde sipariş verilen miktar 1500 adet.
Durumbilgisi: Anlamlandırılabilen, verilerden bir sorgu, bir formül, bir hesaplama
veya bir işlem sonucu elde edilen bilgiler için kullanılır. Bir karar vericinin kararını etki-
leme, belirleme ve değiştirme yeteneği olan bilgi türüdür. Durumbilgisi, bir ürünün ma-
liyetinin 250 TL olması, aylık talebinin ortalama 2000 adet olması, o ürün için harcanan
işçilik saatleri toplamının 75 dakika olması, firmanın o ürün özelinde pazardaki payının
%12 olması ve benzeri bilgilerdir. Bir verinin durumbilgisi olması için onun ne olduğunun
biliniyor yani tanımının olması, yanı sıra anlamlı bir şekilde sunulabilir olması gerekir.
Bunu aşağıdaki gibi formülleştirmek mümkündür.
Durumbilgisi=f(Veri; Tanımı; Sunumu)
Örneğin, “AZ2553 kodlu ürünün maliyetinin 250 TL olması” durumbilgisinde “250TL”

veri, “AZ2553 kodlu ürünün maliyeti” onun tanımı, bunun bir işletme raporunda yer al-
ması ise sunumunu ifade eder.
Yöntembilgisi: Problem çözme ve karar vermede durumbilgilerinin nasıl kullanılacağı
konusundaki bilgileri de içeren türde bilgilerdir. Hangi durumbilgilerinin hangi eylemler-
le ve nasıl ilişkilendirilmesi gerektiği üzerinedir. Deneyim ve eğitimle geliştirilebilir. Bu
yüzden kişiye göre değişir. Yöntembilgisinin iki türü şunlardır: Açık (explicit) yöntem-
bilgisi ve örtük (tacit) yöntembilgisi. Açık bilgi ansiklopedik bilgi olup araştıran herkesin
kolayca bulabileceği bilgidir. Suyun Celsius ölçeğine göre 100 derecede kaynaması açık
bilgi örneğidir. Örtük bilgi ise belgelendirilmesi kolay olmayan, kişilerin de bazen ifade
etmekte zorlandığı bilgilerdir. Bisiklete binmek, estetik bir sanat eseri yaratmak gibi ör-
nekler örtük bilgi örnekleridir. Bazı uzmanların bir takım belirtilere ve bulgulara bakarak
vardığı ve güvenilir yargılarının gerekçelerini her zaman anlaşılır dayanaklarla ortaya ko-
yamamaları da sık karşılaşılan örtük bilgi örnekleridir. Yöntembilgisi aşağıdaki şekilde
formülleştirilebilir:
Yöntembilgisi=f(Karar verici; Durumbilgisi; Anlamı)
Profesyonel işletme kuralları, yöntembilgisinin en yaygın biçimleri arasındadır. Örne-

ğin, finansal girdiyi arttırmak isteyen bir yönetici ekonomik değeri yüksek olan siparişin
karşılanmasına öncelik verecektir. Bu yöntembilgisini “Ekonomik değeri yüksek olan si-
parişe öncelik ver” şeklinde kurallaştırabiliriz. “Finansal girdiyi arttırmak” için benimse-
nebilecek yaklaşımlar arasında “ekonomik değeri yüksek olan siparişe öncelik verilmesi”
ilgili karar vericinin siparişin ekonomik değerine (durumbilgisi) bakarak siparişlerini
önceliklendirmesi ile sonuçlanır. Yaşamsal kararlarımız genellikle yöntembilgimize daya-
lıdır. “Yağmur yağarsa şemsiyeni al” ifadesi, “Yağmurun varlığı” durumbilgisi karşısında
kişinin (karar verici) şemsiyesini almasını öneren bir yöntembilgisidir. O kişi için bunun
anlamı, şemsiye almayıp ıslanma ve hasta olabilme olasılığıdır.
Uzmanlık veya uzmanbilgisi, belirli bir amaca yönelik, dar bir alanda deneyim ve eği-
timle oluşturulmuş, geçerliliği uygulamalarla kanıtlanmış yöntembilgileridir. Uzmanbil-
gisi açık ve örtük yöntembilgilerinden oluşur. İçindeki örtük bilgilerden dolayı her zaman
belgelere dökülemeyebilir. Bir satranç ustasının sahip olduğu oyun bilgisi bir uzmanbil-
gisidir.
Veri, durumbilgisi ve yöntembilgisi kavramları arasındaki farkı açıklayınız.

1
İŞLETME ANALİTİĞİ VE ZEKÂSI
İşletme analitiği, bilgi çağına özgü bir kavramdır. Bu yönüyle bilgi çağına özgü olup da
işletmecilik faaliyetlerine katkı sağlayan birçok kavram, metodolojik ve teknolojik yenilik
ve olanakla benzerlik ve ortaklıkları vardır. İşletme analitiğinin kendine özgü yeri, rolü,
türleri, tipik uygulama alanları, altyapısı ve tarihsel gelişimi bu ünitede ele alınmıştır.
İşletme Analitiğinin Tanımı

İşletme analitiği (İA), en genel anlamıyla yöneticilerin yönetsel içgörülerini (insight) ge-
liştirmek ve bilgisayarlı bilgi sistemlerinden etkin bir şekilde yararlanabilmelerini sağla-
mak için sunulan teknolojik ve yöntemsel olanakların bütünüdür. Çok benzer şekilde ta-
nımlanan iki ayrı kavram daha vardır. Bunlar Karar Destek Sistemleri (Decision Support
Systems-DSS) ve İşletme Zekâsı (Business Intelligence-BI)’dır. Bu üç kavram birbirine
oldukça yakın kavramlardır.
Karar Destek Sistemleri (KDS), bilginin ve bilgi sistemlerinin yönetsel karar verme
için öneminin fark edildiği andan itibaren geliştirilmekte olan, karara yönelik bilgi sistem-
lerini ifade etmek için kullanılmaya başlanmıştır. 1980’lerden itibaren bireysel karar ver-
me yetenekleriyle kişisel bilgi işleme olanaklarının buluşması, KDS’nin yaygınlaşmasını
ve öneminin anlaşılmasını hızlandırmıştır. 20’nci yüzyılın bitip 21’inci yüzyılın başladığı
yıllar, bilgilerin kurumsal karar süreçlerinin temel bileşenlerinden biri haline getirilme
çabalarına sahne olmuştur. Veri ambarlarının geliştirilmesi, KDS’nin gereksinim duyduğu
bilgilere kavuşması ile operasyonel düzeyden üst yönetim destek sistemlerine kadar bir-
çok türünü de ortaya çıkarmıştır. Bunların en yaygın ikisi model-yönelimli KDS ve veri-
merkezli KDS’dir. Internet-tabanlı işletmecilik faaliyetlerinin hızla biriktirdiği bilgilerin
yarattığı fırsatların fark edilmesi ile problem-yönelimli karar verme sahip olduğu yeri,
veri-merkezli işletmecilik anlayışı ile paylaşmak zorunda kalmıştır. Yenilikçi (innovative)
stratejilerin ön plana çıkması, fırsat-kovalayan, yaratıcı karar vericilerin önünü açmıştır.
Stratejilerde rekabet gücünü arttırma çabalarının ürün ve hizmetlerde yenilikçiliğe yönel-
mesi, işletmeleri artan veri hacminden yararlanmaya itmiştir. Böylece işletmeler, içinde
bulundukları pazarı, müşterilerini ve rakiplerini daha iyi tanıma, böylece ürün ve hizmet
kalitelerini arttırma olanağını kullanmaya başlamışlardır. Bu veri-zengin ortamdan ya-
rarlanabilmek yıllardır var olan yönetim bilimi, karar kuramı ve istatistiksel analiz araç-
larının adeta yeniden keşfine sahne olmaktaydı. Artık yönetsel analiz ve karar araçları,
büyük veri (big data) denilen veri-zengini bir ortamda işletme süreçlerinin parçası olmaya
başlamaktaydı. Büyük veri, Bilgisayar desteği, Karar ve analiz araçları üçlüsü Bilgisayar
okuryazarı karar vericilerle birleşerek, işletmelere yeni bir rekabet gücü sunuyordu. Bu
rekabet gücü Analitik Rekabet olarak adlandırılmaktadır.
İşletme zekâsı, işletmelerin faaliyetlerinde Büyük Veri, İşletme Analitiği ve Karar Des-
tek Sistemleri’nin kullanımına ve yaygınlaştırılmasına yönelik kurumsal çabaların bütünü-
dür. Karar destek sistemleri, probleme ve karar vericiye göre şekillenirken, işletme zekâsı
işletmenin tüm karar noktalarının yararlanabileceği kurumsal ölçekteki veri çözümlerini
ön plana çıkarır. Analitik yeteneği kazandırılmamış bir işletme zekası yaklaşımı istenen
sonuçları almaktan uzak olacaktır. İşletme analitiğinin yaygın uygulamaları veri-merkezli
KDS’leri ile büyük oranda örtüşmektedir.
Bir lojistik yöneticisi, tedarikçi seçiminde kendine özgü bir algoritmadan yararlanıyor ola- ÖRNEK 1
bilir. Bu problem, tedarikçi seçimine yönelik bir karar destek sistemi içinde çözüme kavuş-
turulabilir. Tedarikçilere ilişkin veriler, birçok kanaldan elde edilebilir. (Bunlar tedarikçinin
pazar payı gibi niceliksel bilgiler, pazardaki itibarı gibi niteliksel bilgileri de içerebilir.) Top-
lanan bilgiler, çok-amaçlı bir karar modeli içinde çözüme kavuşturularak karar vericiye çok
güçlü bir karar destek sistemi sunulabilir. Bu karar destek sistemi, işletme zekâsının doğal
bir parçasıdır.
İşletme zekâsının dört temel bileşeni vardır:

1. Veri tüketiminin içerik ve örüntü beklentilerine uygun olarak sunulduğu bir veri
ambarı,
2. Veri ambarındaki verileri görselleştirme, analiz etme, keşfetmeye yönelik araçlar-
dan oluşan işletme analitiği araçları,
3. Başarımı izleme ve analiz etmek için benimsenmiş bir işletme performans yönetim
sistemi (business performance management),
4. Gösterge paneli gibi karar vericinin işini kolaylaştırıcı olanaklardan oluşan kullanı-
cı ara yüzü.
İşletme zekâsı yaklaşımını benimsemiş bir kurumda aşağıdaki bileşenlerin gelişmişlik
düzeyi, o kurumun analitik rekabet gücünü belirler.
1. İşlemtabloları,
2. Karar destek sistemleri,
3. Sorgulama ve raporlama,
4. Metaveri politikaları,
5. Veri göçerimi, veri ambarı ve veri marketleri,
6. Üstyönetim Bilgi Sistemleri (Executive Information Systems),
7. Finansal raporlama,
8. Çevrimiçi Analitik İşleme “OLAP: Online Analytical Processing”,
9. Gösterge panelleri (dashboards),
10. Sayısal kokpitler,
11. Performans karneleri (scorecards),
12. Uyarı ve bilgi notları,
13. Kurumsal analitik,
14. Veri ve metin madenciliği,
15. Yöntembilgisi yönetimi (Knowledge management),
16. Yönetim portalları.
İşletme zekâsı araçları yalnızca yöneticilerin bilinçli karar verme arzularına değil, hu-
kuki yükümlülüklerini yerine getirmelerine de hizmet etmektedir. Bazı yasal düzenleme-
ler, 2002 yılında Amerika Birleşik Devletleri’nde yürürlüğe giren Sarbanes-Oxley Yasası
gibi, işletme yöneticilerine, aldıkları kararların dayandığı bilgilerin neler olduğunu ve
yasal düzenlemelere uygun olup olmadığının kayıt altına alınması ve hissedarlara rapor-
lanması yükümlülüğü getirmektedir. Kısaca doğru bilginin, doğru zamanda ve doğru yerde
olması yalnızca işletmelerin rekabet gücünü arttırmakla kalmayıp, çağdaş işletmeciliğin
yasal bir sorumluluğudur. Şekil 1.1’de işletme analitiği ve zekâsının genel görünümü ve-
rilmiştir. İşletme zekâsı, ham verinin satış noktalarından, web mağazalarından ve çağrı
merkezlerinden derlenerek veritabanlarında biriktirilmesi, veri ambarında verilerin ana-
litik amaçlara uygun hale getirilmesi ve analitik araçlarla kararlara ve eylemlere dönüştü-
rülmesi sürecinin tamamını kapsar. İşletme analitiği ise analitik araçlar ve kurumsal analiz
sistemlerini veri ambarı ile birlikte içerir. Veri ambarı, hem işletme analitiğinin hem işlet-
me zekâsının ortak hareket alanı olup, işletme zekâsı veri ambarının tasarım ve işletimine
ağırlık verirken, işletme analitiği veri ambarındaki bilgilerin kullanımı ve analizine ağırlık
verir. Bir anlamda veri ambarı, operasyonel veritabanlarından alınan verilerin sentezlene-
rek yeniden sunumu işlevini yerine getirmektedir.
Şekil 1.1
İşletme Analitiğinin Ortamı,
Bileşenleri ve İşleyişi
Ham veri ve
Araçları
Veritabanları Veri Ambarı
Satış
Satışlar
Noktası Grafik
İçgörü
Rapor ve
Mağazası
Uyarılar
Envanter
İnternet
Tedarik
Zinciri
Q*= 2DK
h Karar Destek
Sistemleri
Müşteriler
Çağrı
Merkezi
Öngörü
Sorgu Veri Madenciliği
İşletme Analitiğinin Türleri

Amerika merkezli bir akademik kuruluş olan INFORMS (The Institute for Operations
Research and Management Science) İA’ni gerçek problemleri çözmek için bilgisayar tek-
nolojileri, yönetim bilimi teknikleri ve istatistiğin bir birleşimi olarak tanımlamaktadır.
Yöneticilerin analize başvurma gerekçeleri üzerinden gidilirse, analitiğin aşağıdaki üç so-
runun yanıtı üzerinde yoğunlaştığı görülebilir.
1. İşletmedeki mevcut durum nedir?
2. Gelecekte işletmede neler olması beklenir?
3. Mevcut olanaklarımızla işletme için yapabileceğimizin en iyisi nedir?
Şekil 1.2
Karar Analitiği İşletme Analitiği

Türlerinin Merdiven
• Karar Kuramı Yapısı
• Yönetim Bilimi
Kestirimci Analitik • Yöneylem Araştırması
• İstatistiksel Analizler Model ve Çözümleri
Betimsel Analitik • Veri Madenciliği
• Periyodik ve Anlık
Raporlamalar
• Görselleştirme
• Trend Analizleri
Bu üç soruyu yanıtlamaya yönelik analizlere sırasıyla betimsel (descriptive) analitik,

kestirimci (predictive) analitik ve karar (prescriptive) analitiği denmektedir. Bu üç anali-
tiğin birbirini izleyen basamak yapısı, biri diğerinin üzerine inşa edilerek erişilebileceğini,
bağlantı noktalarındaki çemberler ise yaklaşımların kesişim alanlarına sahip olabilecek-
lerini göstermektedir (Şekil 1.2). Örneğin, bir firmanın kârını enbüyükleyen bir işletme
politikasının belirlenebilmesi (Karar Analitiği) için ürünlerin satış miktar ve fiyatlarının,
yanı sıra taleplerinin istatistiksel yöntemlerle güvenilir kestirimlerine (Kestirimci Anali-
tik) gereksinim vardır. Ürünlerin satış miktarlarının, fiyatlarının ve taleplerinin kestirimi
için betimsel bilgiler gereklidir. Bu betimsel bilgiler ve kestirimler karar süreçlerinde kul-
lanılarak işletmenin eniyi politikayı belirlemesinde karar analitiğinden yararlanılır.
Betimsel Analitik
Raporlama analitiği olarak da adlandırılan betimsel analitik (Descriptive Analytics) işlet-
menin gidişatını ortaya koyma ve bu gidişatın nedenlerini anlamaya yöneliktir. İşletme-
ler, kurumlar, belediyeler ve devletler, makro ve mikro düzeyde birçok betimsel istatistik
ve göstergeden yararlanırlar. Bir işletmenin cirosu, pazardaki payı işletmelerin önemli
betimsel göstergelerindendir. Betimsel analitik amacıyla veriler farklı veri kaynakların-
dan derlenerek konsolide edilir ve böylece raporlama ve analize uygun formata getirilir.
Betimsel analitikten işletmenin beklentileri, veri ambarının tasarım ve geliştirilmesinde
göz önüne alınmalıdır. Periyodik ve isteğe bağlı raporlama, sorgulama, uyarılar ve eğilim
analizleri ve özellikle görselleştirme (visualization) önemli betimsel analitik araçlarıdır.
Bir işletmenin yıllar itibarıyla cirosunun ve pazardaki payının değişimi ise veri görselleş-
tirmeye iyi bir örnektir.
Betimsel analitiğin temel işlevi, işletmenin faaliyetlerine ilişkin raporlar oluşturma
olup, işletme raporları (business report) işletmeye ve faaliyetlerine ilişkin bilgi içeren ya-
zılı belgelerdir. İşletme raporları kurumsal karar verme ve yöntembilgisi yönetimi için
kritik öneme sahiptirler. Başarılı bir işletme raporunun temel özellikleri, açıklık, kısalık,
tamlık ve doğruluktur. Her işletme raporlama sisteminin kendine özgü yönleri olmasına
karşın, bu sistemlerin ortak bileşenleri şunlardır:
1. Çevrimiçi kayıt işleme sistemleri: Kurumsal veritabanları, POS’lar (satış noktaları),
Web sunucuları, el bilgisayarları ve benzeri tüm elektronik verilerin tutulduğu sis-
temlerdir.
2. Veri tedarik: Veritabanlarındaki kayıtların raporlama sistemine aktarılmasından
sorumludur.
3. Veri göçerimi: Verilerin veritabanlarından çıkarılması, raporlamaya uygun hale ge-
tirilip raporlama sistemine yüklenmesini sağlar.
4. Veri deposu: Verilerin tutulduğu depodur. Bu bir işlemtablosu, bir veritabanı yöne-
tim sistemi, bir veri ambarı veya veri marketi olabilir.
5. İşletme performans yönetim sistemi: Raporların ve betimsel istatistiklerin anahtar
performans göstergelerine (Key Performance Indicators-KPI) dönüştürülmesini
sağlar. Bu göstergeler, işletmenin departman, alt birim ve işlevlerinin performans-
larının değerlendirilmesinde kullanılır.
6. Yayınlama: Raporları erişime açma ve dağıtma işlevlerini içerir.
7. Güvence: İyi bir işletme raporlama sistemi; doğru bilgileri, doğru kişilere doğru
biçim ve içerikte sağlayabilmelidir.
Günümüzde işletme raporlarında görselliğe özel bir önem verilmektedir. Veri veya
bilgi görselleştirme, bilginin okunurluğunu, anlaşılırlığını ve keşfini kolaylaştırmaktadır.
Görselleştirmenin bilgiye kattığı değerden dolayı görsel analitik (visual analytics) denen ve
betimsel ve kestirimci analitik tarafından kullanılan özel bir çalışma alanı ortaya çıkmıştır.
Gösterge paneli ve kokpit denen görselleştirme araçlarının mobil teknolojilerin sunduğu
olanaklarla buluşması ile yöneticiler önemli bir denetim ve izleme yeteneği kazanmışlardır.
Betimsel analitiğin en önemli işlevlerinden biri işletmelerin performanslarını ölçme
ve değerlendirmeye olanak sağlamasıdır. İşletme performans yönetim sistemleri (Busi-
ness Performance Management Systems), işletmenin performansını ölçmek, izlemek ve
yönetmek için kullandığı işletme süreçleri, yöntemleri, performans göstergeleri ve tekno-
lojilerinden oluşur. İşletmelerin stratejik olarak benimsedikleri nesnel performans gös-
tergelerine anahtar performans göstergeleri denir. Bu sistemlerin başarısında benimsenen
anahtar performans göstergeleri önemli bir yer tutar. “Satış temsilcilerinin gerçekleştirdiği
bağlantıların aylık ekonomik değeri”, satış departmanı tarafından, personel performansla-
rını değerlendirmede bir anahtar performans göstergesi olarak kullanılabilir. Satış depart-
manının başarısının doğrudan yapılan satışlarla ölçülmesi halinde, örnek olarak verilen
gösterge stratejik bir yönlendirme gücüne sahiptir.
Kestirimci Analitik
Kestirimci analitik, gelecekte olabilecekleri belirlemeyi amaçlamaktadır. Geleceği daha iyi
gören firmalar rakipleri karşısında önemli bir üstünlük kazanırlar. Cep telefonlarının yeni
yeni kullanıma başlandığı yıllarda çok önemli holdinglerin uzak durduğu cep telefonu
operatörlüğü pazarındaki potansiyeli gören şirket, daha sonra New York borsasında işlem
gören ilk Türk şirketi olarak ülkemizin ekonomik tarihinde bir kilometre taşı olmuştur.
Özellikle istatistiksel yöntemler ve son zamanlarda önem kazanan veri madenciliği uygu-
lamaları kestirimci analitik başlığı altında ele alınan konulardır. Bir firmanın iflas etme
olasılığının hisse senedi hareketlerinden hesaplanması, bir müşterinin bizden kopup ra-
kip firmaya gitme olasılığını, bir müşterinin bir sonraki alışverişini ne zaman yapacağını
ve ne kadar para harcayacağını, müşterilerin hangi özendirme (promosyon) kampanya-
sına hangi oranda ilgi göstereceklerini, bir müşterinin borçlanma riskinin ne olduğunun
hesaplanması gibi pek çok kestirimci analitik örneği olarak verilebilir. Kestirimci analitik
için kullanılabilecek yaklaşımların başında veri madenciliği teknikleri önemli bir yer tut-
maktadır. Veri madenciliği, büyük veri kümelerinden faydalı durumbilgileri ve yönetim-
bilgilerini keşfetmek ve çıkarmak için istatistik, matematik ve yapay zekâ tekniklerinden
yararlanan bir süreçtir. Keşfedilen bilgiler, kurallar, yakınlıklar, ilişkiler, trendler ve hatta
kestirim modellerinin kendisi veya bir algoritma dahi olabilir. Çok kıymetli bilgilerin ya-
kalanabilme olasılığının olması işletmelerin veri madenciliğine olan ilgisini arttırmıştır.
Veri madenciliğinin kestirim analitiğinde yaygın uygulama alanları Şekil 1.3’te verilmiştir.
Sınıflama, veri madenciliğinin en çok kullanıldığı kestirim analitiği uygulamalarından bi-
ridir. Sınıflamanın amacı, yeni verilerin önceden belirlenmiş veri sınıflarından hangisine
ait olduğunun belirlenmesidir. Bu amaçla kullanılan yöntemler arasında yapay sinir ağları,
karar ağaçları, lojistik regresyon, diskriminant analizi, kaba küme kuramı, destek vektör
makinaları ve genetik algoritmalar sayılabilir. Örneğin bir işletmenin müşterilerini aylık
harcama potansiyellerine göre üç sınıfa ayırdığını varsayalım. 1.000 TL ve daha az harca-
ma yapanlar C sınıfı, 1.001-10.000 TL arasında harcama yapanların B sınıfı ve 10.001 TL
ve üzeri alışveriş yapanlar ise A sınıfı olsun. Müşteri portföyümüze yeni katılan bir müş-
terinin, hangi harcama potansiyeline sahip olduğunun belirlemesi bir sınıflama problemi-
dir. Sınıfı güvenli bir şekilde belirlenen müşteri, o andan itibaren o sınıfa ait promosyon ve
indirimlerden yararlandırılabilir, özel kartlar ve avantajları kendisine sunulabilir.
Kestirim analitiğinde regresyon çok yaygın kullanılan istatiksel bir tekniktir. Geçmiş
verilerden hareketle, geleceğe ilişkin tahminlerin yapılmasındaki hataları enküçükleyen
bir model üzerinden parametrelerin değerleri belirlenebilir. Birliktelik analizi, araların-
da görünür bir mantıksal bağ olmasa dahi birlikte ortaya çıkan olayların veya belirli bir
sıra içinde gerçekleşen olayların keşfedilmesini içerir. Pazar-sepeti analizinde başvurulan
yöntemlerden olup, birlikte satılan ürünlerin raflarda birbirlerine yakın yerleştirilmesiy-
le müşteriye uygun bir ortam yaratılır. Kestirim analitiğinin tipik pazar-sepeti örnekle-
rinden biri çocuk bezi alan müşterilerin aynı zamanda alkollü içecek de tükettiklerinin
belirlenmesidir. Öte yandan ünlü bir Amerikan süpermarket zincirinin kestirimci ana-
litik sistemi, 16 yaşında ve lise öğrencisi olan bir müşterisinin hamile olduğunu alışveriş
seçimlerinden doğru tahmin ederek kendisine bebek bezi reklamlarının gönderilmesini
sağlamıştır.
Kümeleme, sınıfların önceden bilinmemesi halinde, aynı veya benzer özellikteki bile-
şenlerin bir arada olacak şekilde bölümlenmesidir. Bir işletmenin gerçekte müşterileri-
ni kaç farklı sınıfa ayırması gerektiği problemi bir kümeleme problemidir. Kümelemede
amaç, aynı gruptaki bireylerin benzerliklerinin enbüyüklenmesi iken farklı gruplardaki
bireylerin benzerliklerinin enküçüklenmesidir.
Şekil 1.3
Kestirim Analitiğinde
Veri Madenciliğinin Veri
Başlıca Kullanım Madenciliği
Alanları
Kestirim Birliktelik Kümeleme

Analizi Analizi
Sınıflama Link analizi Ayrılık

(outlier) analizi
Regresyon Sıra analizi
Müşteri ilişkileri yönetiminde müşterileri farklı kümelere ayırarak müşteri segmen-

tasyonu yapma ve farklı segmentlere farklı özendirme kampanyalarının düzenlenmesi bir
kümeleme uygulaması örneği olarak verilebilir. Bir filmin gişede ne kadar hasılat yapacağı
yapay sinir ağları ile kestirilebilir. Öte yandan müşterilerin satın alma davranışlarındaki
farklılıklarla müşteri profilleri arasındaki bağıntılar ilişki (association) analizi ile öngörü-
lebilir. Bir ürünü satın alan birinin bir sonraki alışveriş sepetinde olması beklenen ürünler
hangileridir? Bir hastanenin acil servisine bir yılda gelecek hasta sayıları ve bunların geliş
sebepleri kestirilerek, acil servis hizmetlerinin niteliklerine göre kapasiteleri belirlenebilir.
Bir futbol takımındaki oyuncuların tekil performanslarından hareketle, takım başarısına
ne kadar katkı sağlayacakları öngörülebilir.
Karmaşık veya stokastik sistemlerin davranışlarının analizinde simülasyon sık başvu-
rulan yöntemlerden biridir. Bu yaklaşımda gerçek sistemin birebir modelinin kurulması
ve gerçeğe en yakın davranışlarının, sistemin performansını nasıl etkilediğinin belirlen-
mesi hedeflenir. Motosiklet ile pizza dağıtımı yapan bir firmanın üç motorize dağıtım
personeli olduğunda, siparişlerinin yüzde kaçını vaktinde teslim edebileceğinin belirlen-
mesi problemi, talep ve teslimat süresine ilişkin olasılık dağılımların bilinmesi halinde
simülasyon analizi ile çözümlenebilir.
Karar Analitiği
Karar analitiği (presciptive analytics), bir karar problemi için uygun veya eniyi karar seçe-
neğinin belirlenmesine yönelik öneri içeren yöntem ve yaklaşımlardan oluşmaktadır. Bu
kategorideki yöntem ve yaklaşımlar optimizasyon (eniyileme) içeren karar modelleri, yö-
neylem araştırması ve yönetim bilimi adı altında geliştirilmiş teknikleri içerir. Öneriler, bir
“temin et veya üret” gibi bir probleme evet/hayır yanıtının verilmesi, bir ürünün optimum
sipariş miktarının hesaplanması, hangi siparişin üretim planında hangi zaman aralığına
çizelgelenmesi, bir havayolu işletmesinin uçak koltuklarının ne kadarını özel hizmet bek-
leyen müşteriler için ve ne kadarını ekonomik uçuş müşterileri için ayırması gerektiğinin
belirlenmesi gibi karar vericiler için çok kıymetli yanıtları içerebilir. Karar analitiği, bir ka-
rar vericinin karara varmasına yardımcı olacak bilgileri sunan sistemler (Karar Destek Sis-
temleri) ile karar vericinin tercihi olan yöntemleri kullanarak otomatik olarak karar veren
bilgi sistemleri (Otomatik Karar Sistemleri) aracılığıyla yaşama geçirilir. Karar analitiğine
yönelik bilgi sistemleri karar destek sistemleri başlığında ele alınmakta olup, karar oto-
masyonu, karar vericinin yargısına ihtiyaç duymayan özel bir karar destek sistemi türüdür.
Şekil 1.4 bu üç analitik türünü yaygın analitik araçları ile karşılaştırmalı olarak gös-
termektedir. İşletme faaliyetlerinin takibi ve denetimi betimsel analitiğin temel noktasını
oluştururken, işletmenin ve içinde bulunduğu ortamın gelecekteki davranışlarını öngö-
rebilme çabaları kestirimci analitiğin ağırlık noktasını teşkil etmektedir. Karar vericiye
seçenekler türeten ve mevcut seçenekler içinden hangisinin hangi durumda ne düzeyde
bir performans ortaya koyacağını gösteren ve genellikle sistemin bir modeli üzerinden
optimizasyon gerçekleştiren analitik araçlar ise karar analitiği başlığında ele alınmaktadır.
Bu kitapta, işletme analitiğinin ilk iki basamağını oluşturan ve veri-merkezli KDS’ler ola-
rak da bilinen betimsel ve kestirimci analitiğe yer verilecektir.
Şekil 1.4
Analitik Türlerinin
Belirsizliğin etkilerini gözeterek en Yaygın Araçları ve
Bulanık Optimizasyon Rekabet Avantajına
iyi sonuca nasıl ulaşabiliriz?
Değişkenliğin etkilerini gözeterek Karar Katkıları (Davenport
Stokastik Optimizasyon Analitiği ve Harris, 2007’den
en iyi sonuca nasıl ulaşabiliriz?
Yararlanılmıştır.)
Optimizasyon En iyi sonuca nasıl ulaşabiliriz?
Rekabet Avantajı
Kestirimci modelleme ... durumunda sonra ne olacak?
Simülasyon Kestirimci
Eğer bu eğilimler devam ederse?
Analitik
Tahminleme .... olsa ne olur?
Uyarılar Hangi eylemler gerekli?
Özetten detaya tarama/sorgulama Sorun tam olarak ne?

Betimsel
Anlık raporlama Ne kadar, ne sıklıkta, nerede? Analitik
Standart raporlama Ne oldu?
Karmaşıklık Derecesi
İşletme Analitiği Uygulamaları

İşletme analitiği, her işletme ve her departman için birçok farklı fırsatı beraberinde ge-
tirmekle beraber, yaygın uygulama örnekleri, konuyu daha iyi anlamak açısından faydalı
olacaktır. Tablo 1.2 bu amaca hizmet etmektedir. Her analitik uygulamanın tek bir amacı
vardır: Kurumsal değer yaratmak. Nitekim müşteri segmentasyonu, müşteri memnuni-
yetini arttırmak; müşteri erozyonu, en kıymetli müşterileri elde tutmak gibi örnekler iki
taraflı avantaj sağlayan stratejilere yöneliktir.
Tablo 1.2 Analitik Uygulama Kurumsal Soru Kurumsal Değer

Analitik Uygulama
Müşterilerimin özellikleri Müşteri ilişkilerini özelleştirerek
Örnekleri (Turban, Müşteri
nelerdir ve hangi pazar daha yüksek memnuniyet ve elde
2008) segmentasyonu
segmentlerine aitler? tutma
Müşterileri gereksinimleri
Promosyonuma en yüksek
tabanında hedefleyerek onların
Satın alma eğilimi olasılıkla hangi müşteriler yanıt
ürünlerimize olan bağlılığını
vereceklerdir?
arttırmak
Müşterilerin bütünsel kârlılığı
Müşterimin yaşamboyu kârlılığı temelinde kendileriyle kurum
Müşteri kârlılığı
nedir? olarak bireysel etkileşim kararları
vermek
Hangi finansal işlemlerin Dolandırıcılığı çabuk belirle ve
Dolandırıcılığı
dolandırıcılığa konu olacağını maliyeti enküçükleyecek acil
tespit etme
nasıl söyleyebilirim? tedbir al
Kıymetli müşterilerin kaybından
Hangi müşterinin gitme riski
Müşteri erozyonu kaçın ve kıymetsiz müşterilerin
vardır?
gitmesine aldırma
Müşterileri ilişkilerinde
Her segmentteki müşterime müşterilerin tercihlerini gözeterek,
Kanal eniyileme
erişmede eniyi kanal nedir? bizim de maliyeti yönetme
gereksinimimiz tabanında yap
Uygulama alanlarına bağlı olarak birçok analitik türü vardır. Bunların bazıları aşağıda
özetlenmiştir.
Metin Analitiği (Text analytics): Metin analitiği, metinler halinde tutulan bilgilerin
derlenmesi ve metin madenciliği ile eyleme dönüştürülebilecek bilgilerin keşfedilmesi
sürecini içerir. Metin madenciliğinin popüler uygulamaları arasında bilginin çıkarılması,
konu izleme, özet çıkarma, kategorileştirme, kümeleme, kavramsal bağıntılar soru yanıt-
lama sayılabilir. Araştırmalar, tüm şirket verilerinin %85’inin veritabanlarına uygun ol-
mayan ve genellikle metin belgeleri halinde tutulduğunu göstermektedir. Öte yandan bu
bilginin her 18 ayda bir iki katına çıktığını gösteren çalışmalar mevcuttur.
Web Analitiği (Web analytics): Web kullanımı madenciliği (web usage mining) ola-
rak da anılır. Web sayfaları ziyaret ve işlemleri üzerinden faydalı bilgilerin çıkarılmasıdır.
Analiz edilecek veriler web sunucuları yardımıyla toplanır. Bu yüzden tıklama akışı ana-
lizi de denir. Örneğin Antalya’da otel arayan müşterilerin %80’inin daha önce Antalya’ya
uçak aradıkları web analitiği ile tespit edilerek, web sitesi buna uygun olarak tasarlanabilir.
Amazon.com ve Expedia.com tıklama akış analizi uygulamalarının başarılı örneklerini
sergilemektedirler.
Tüm analitik türler, ayrıca kullanıldıkları sektöre yönelik isimlerle de anılabilmektedir.
Bunlar arasında sağlık analitiği (health informatics), spor analitiği (sports analytics), ye-
tenek analitiği (talent analytics), davranış analitiği (behavioral analytics), pazarlama ana-
litiği (marketing analytics), perakende analitiği (retail analytics), dolandırıcılık analitiği
(fraud analytics), ulaştırma analitiği (transportation analytics), finansal analitik (financial
analtyics), tedarik zinciri analitiği (supply chain analytics) sayılabilir.
İşletme Analitiğinin Altyapısı ve Veri Ambarı

Bir işletmenin işletme analitiğini bir rekabet aracı olarak kullanabilmesi için sahip olduğu
bilgi sistemi altyapısının taşıması gereken özellikler vardır. Bu özelliklerin başında işlet-
me içinde biriktirilen verilerin, işletmenin yönetim noktalarına etkin erişimini sağlayacak
bir entegrasyonun varlığı gelir. Şekil 1.5, işletme analitiğinin uygulanabileceği bir altyapı
ve arka plan mimarisini göstermektedir. Şekil 1.5’te operasyonel sistemlerin içinde yer
alan eski veritabanı (legacy) işletmenin öteden beri sahip olduğu veritabanlarına işaret et-
mektedir. OLTP (OnLine Transaction Processing) kurumsal kaynak planlaması, müşteri
ilişkileri yönetimi, tedarik zinciri yönetimi ve satış noktası gibi günlük işletme faaliyetle-
rine ilişkin kayıtların tutulup saklanmasına verilen isimdir. Kayıtların gerçek zamanlı ve
güvenli bir şekilde tutulmasına yönelik olup, anlık ve standart dışı sorgu ve raporlamalara
uygun değildir. OLTP’nin bu eksiğini gidermek üzere OLAP (OnLine Analytical Proces-
sing-Çevrim İçi Analiz İşleme) önerilmiştir. OLAP’in temelinde küp kavramı yatmakta-
dır. Küp (Cube) verilerin etkin analizine olanak veren çok boyutlu bir veri yapısıdır. İlişki-
sel veritabanlarının büyük hacimli verilerin analizinde gözlenen performans yetersizliğini
gidererek, kullanıcılara veritabanı üzerinde gezinme ve alt veri gruplarını görüntüleme
olanağı sunmaktadır. Yaygın OLAP operasyonları şunlardır:
• Dilim (Slice): Çok boyutlu bir veri dizeyinin (array) genellikle iki boyutlu bir alt
kümesidir.
• Zar (Dice): Bir veri küpünün ikiden fazla boyut kullanılarak elde edilen bir dilimidir.
• Ayrıntılara Girip Çıkma (Drill Down/Up): Tipik bir OLAP tekniği olup, verilerin
en fazla özetlenmiş halinden en ayrıntılı haline kadar kullanıcının veriler üzerinde
gezinmesine olanak sunar.
• Konsolidasyon (Roll-up): Bir veya birkaç boyut üzerinde verilerin özetlenmesidir. Bu,
o boyut üzerinden bir toplam ortalama veya bir formül (örneğin: kâr=gelir–maliyet)
olabilir.
• Pivot: İlgilenilen veri küpünün farklı boyutlar üzerinden görüntülenmesini sağlar.
İşlemtablolarında Özet Tablo oluşturma yukarıdaki OLAP işlemlerine benzer işlevlere
sahiptir.
Şekil 1.5
İşletme Analitiğinin ve Alt
Yapısının Genel Görünümü
İşletme Analitiği Kullanıcıya özel

Uygulamaları uygulamalar
Erişim
Kopyalama Üretim
raporlama G
ve Sentez ö
SEÇ Veri A araçları
Eski marketi r r
Veritabanı GÖÇER a s
İlişkisel sorgu
Metaveri Pazarlama e
c araçları
DÖNÜŞTÜR Raporları ı l
OLTP y l
Veri a e
BÜTÜNLEŞTİR OLAP / hOLAP
marketi z ş
KURUMSAL
ı t
BAKIM VERİ AMBARI Risk
Harici l i
Yönetimi
ı r
HAZIRLAMA Hedef WEB Web m
m
Operasyonel veritabanı Veri tarayıcılar e
sistemler / (HDB,MDDB) marketi
veriler
Mühendislik
Veri madenciliği
Kurumsal Veri Ambarına (KVA) aktarılması düşünülen verilerin seçilmesi, operas-

yonel veritabanlarından alınıp, karar vericilerin kullanabileceği içerikte sentezlenip ku-
rumsal veritabanlarına ve oradan da veri marketlerine aktarılması sürecinin tümüne
kısaca veri göçerimi denir. İngilizce çıkarma, dönüştürme ve yükleme sözcüklerinin baş
harflerinden oluşan ETL (Extraction, Transform, Load) sürecinin tam karşılığı olarak
kullanılırsa ÇDY (Çıkarma, Dönüştürme, Yükleme) süreci de denebilir. Bir veri ambarı,
karar vermeyi desteklemek üzere üretilen verilerin tutulduğu bir havuzdur. Ayrıca kurum
yöneticilerinin ilgisini çekme potansiyeli olan güncel ve geçmiş verilerin tutulduğu yerdir.
Veri genellikle analitik bilgi işleme aktiviteleri için (OLAP gibi) hazır bulunacak bir şekil-
de yapılandırılır.
Bir veri ambarı konu-odaklı, bütünleşik, zaman-damgalı (time-variant), kalıcı (non-
volatile) ve metaveri içeren bir bilgi koleksiyonudur. Bu özellikleriyle, karar vericilerin
geçmiş verilerden hareketle çok boyutlu analitik değerlendirmelerine yönelik veri gerek-
sinimlerini karşılama kapasitesine sahiptir.
Konu-odaklılık: Operasyonel veritabanları işletmede süregiden faaliyetlerin kayıtları-
nı etkin ve güvenli bir şekilde veritabanlarına aktarmak üzere tasarlanmış olup genellikle
ürüne yöneliktir. Konu-odaklı veri ambarı oluşturulurken veriler satışlar, ürünler ya da
müşteriler gibi özellikle karar verici beklentilerine göre ilişkilendirilmiş bilgileri içerecek
şekilde ve detayda yeniden düzenlenirler. Konu-odaklı olmak, kullanıcıların sadece işlerin
nasıl gittiğini belirlemelerine yardımcı olmaz, aynı zamanda nedenlerini de ortaya koya-
rak organizasyona daha kapsamlı bir bakış olanağı sunar.
Bütünleştirme: Bütünleştirme konu-odaklılığıyla yakından ilişkilidir. Veri ambarları
veriyi farklı kaynaklardan alıp ortak bir formata dönüştürmelidir. Bunun için, ölçü birim-
lerindeki farklılıklar ve adlandırma uyumsuzlukları ile başa çıkılmalıdır. Bir veri ambarı-
nın tamamen entegre edilmiş olması beklenir.
Zaman damgası (time-stamped) Zaman-damgalılık: Bir veri ambarı eski veriyi korur. Veriler genel olarak şu an ki
bir elektronik verinin üretildiği,
değiştirildiği, gönderildiği, durumu yansıtmaktan çok (gerçek zamanlı sistemlerin dışında) kararları etkileyebilecek
alındığı, kaydedildiği zamanın trendleri ve sapmaları sergileyerek, tahmin ve kıyaslamalar için uzun süreli ilişkileri de
tespit edilmesini sağlayan
elektronik bir veridir.
yansıtmaya yöneliktir. Zaman damgası kullanımı, bütün veri ambarlarının desteklemesi
gereken önemli bir özelliktir. Bu özellik sayesinde, pek çok kaynaktan alınan veriler farklı
zaman pencerelerinde (saatlik, günlük, haftalık, aylık) görüntülenebilir.
Kalıcılık: Veriler bir veri ambarına girildikten sonra, kullanıcılar veriyi değiştiremez
ya da güncelleyemez. Değişiklikler yeni veri olarak kaydedilir.
Metaveri (metadata, üstveri) veri Metaveri İçerme: Bir veri ambarı verilerin nasıl organize edildiği ve etkili bir şekilde
hakkındaki verilerdir. Metaveriye nasıl kullanılacağı hakkında metaveri içermelidir. Metaverinin amacı, verinin yapısal, an-
sahip raporlar, yönetsel açıdan
daha değerlidir. lamsal ve yönetimsel okunurluğunu, anlaşılırlığını ve dolayısı ile kullanılabilirliğini arttır-
maktır. Verilerin tanımlanmasında ve erişiminde kullanılan yazar(lar), özet, konu gibi bil-
giler, verileri kullanılabilir ve gösterilebilir duruma getirmeyi sağlayan HTML, TIFF gibi
bilgiler, verilerin yönetiminde kullanılabilecek bilgileri tanımlayan zaman-damgası ve IP
numarası gibi bilgiler metaveriye örnek olarak verilebilir. Ayrıntılara inme (drill down)
ve bazı kayıtları yakından incelemeyi gerektiren analizlerde önemli bir yere sahiptirler.
Veri ambarı bir bilgi dolabı (repository) iken, veri ambarlama sürecin tamamıdır. Veri
ambarlama, karar destek yeteneğini sağlayan uygulamalarla sonuçlanan, işletme bilgisine
erişim sağlamaya hazır ve yönetsel içgörü yaratan bir disiplindir.
Veri marketi; veri ambarının bir alt kümesi olup tek bir konu veya alandaki bilgileri
içerir (pazarlama, üretim, satışlar, vb). Bağımlı veri marketi, veri ambarındaki bilgilerden
doğrudan yaratılan bir alt-kümedir. Diğer kullanıcılarla aynı bilgiyi görür. Veri ambarının
üzerine inşa edildiğinden maliyetlidir ve büyük firmalara önerilir. Öte yandan, bağımsız
veri marketi, düşük-maliyetli ve küçük ölçekli bir veri ambarıdır. Stratejik bir iş ünitesi, bir
departman veya spesifik bir karar destek sistemi için geliştirilmesine karşın, kaynağının
veri ambarı olma zorunluluğu yoktur. Karar destek sistemleri ve analitik araçlarının veri
ambarına erişimini destekleyen yazılımlara aracıyazılım (middleware) denir. Bazı pro-
fesyonel analistler ve deneyimli karar vericileri kendi SQL sorgularını yazabilirler. Kendi
sorgularını yazması söz konusu olmayan üstyönetimdeki karar vericiler için sorgu yöne-
tim ortamlarından yararlanarak verilere erişimleri sağlanabilir. Birçok uygulama yazılımı
(veri madenciliği, OLAP, raporlama araçları, veri görselleştirme) veri dolaplarındaki ve-
rilerle karşılıklı etkileşimli olarak çalışabilmeleri için karar vericileri destekleyecek özel-
liklere sahiptir.
Veri ambarları genellikle iki veya üç katmanlı mimarilere sahiptirler. Üç katmanlı veri
ambarının bileşenleri şunlardır (Şekil 1.6):
• Uygulama Sunucusu: Veri ve ilgili yazılımlar içeren veri ambarının kendisi (Data
warehouse)
• Veri Derleme: Veri ambarına mevcut sistemler ve dış kaynaklardan veri alıp, kon-
solide eden ve özetleyen, ve bunları veri ambarına besleyen bir veri derleme yazılı-
mı (Data acquisition-back end)
• İstemci İş İstasyonu: Kullanıcıların veri ambarındaki verilere erişimini ve analiz
yapmalarını sağlayan bir istemci yazılımı (client-front-end) ki buna karar destek
sistemi, işletme zekâsı ve işletme analitiğinin motoru diyebiliriz.
Üç katmanlı mimarinin avantajı, veri ambarının işlevlerinin ayrıştırılması olup bu saye-
de kaynak kısıtları ortadan kaldırılmakta ve veri marketlerinin yaratılması kolaylaşmaktadır.
Şekil 1.6
Veritabanı Sunucusu Üç Katmanlı Veri

(Veri ve Veri Derleme) Ambarı Mimarisi
İstemci İş istasyonu
(KDS, İZ, İA)
Uygulama Sunucusu
(Veri Ambarı)
İki katmanlı mimaride, KDS motoru veri ambarıyla aynı sunucuyu kullanır (Şekil
1.7). Bu yönüyle üç-katmanlıya göre ekonomiktir. Veri yoğun KDS uygulamalarında
performans sorunu olabilir. Kurumsal beklentiler ve gereksinimlere göre uygun mimari
seçilmelidir.
Şekil 1.7
İki Katmanlı Veri Uygulama ve Veritabanı Sunucusu
Ambarı Mimarisi İstemci İş İstasyonu
Veritabanı
İşletme Analitiğinin Üç Dönemi

Davenport gibi bazı yönetim bilişim uzmanları, işletme analitiğini üç ayrı dönemde ele al-
maktadır. Bu üç dönem, bilgi çağına girerken işletmelerin karşılaştıkları, evrimsel olduğu
kadar kronolojik olan aşamalardır. Söz konusu üç aşama şunlardır:
• İşletme Zekâsı Çağı: Analitik 1.0’da denir. Yöneticilerin kendi sezgi ve yargılarını
bulgularla desteklemek için verilerin analizini gerçekleştirmeye olanak veren veri
yönetim yazılım ve donanımlarının beslediği gelişmeleri içeriyordu. Veri analist-
leri, bu dönemde analizin kendisinden çok, analizlere uygun verileri hazırlamakla
meşgul olmaktaydılar. Büyük oranda raporlamaya dayalı faaliyetlerden oluşuyor-
du. Verilerin analizinin öneminin anlaşıldığı ve operasyonel birimlerde birbirin-
den kopuk olarak uygunlanmaya başlandığı bir dönemdi. Bu döneme ait bir örnek
vermek gerekirse, Müşteri İişkileri Yönetimi gibi nispeten sınırlı bilgilerle işletme
performansına katkıların iyileştirilebileceği departmanların ortaya çıktığı ve elle-
rindeki verilerden yararlanarak müşterilere özel hizmetler sunmalarından bahse-
dilebilir.
• Büyük Veri Çağı: Analitik 2.0’da denir. Özellikle internet tabanlı işletmeler ile sos-
yal ağ işletmeleri, yeni veri ve bilgi türlerini biriktirmeye, hesaplamaya ve analiz
etmeye başlamışlardır. Sözkonusu analizlerle kâr enbüyükleme stratejileri oluştur-
mak, pazar paylarını genişletmenin yollarını bulmak işletmelerin ilgilerini çekme-
ye başlamıştır. Bu dönemde büyük veri, küçük veriden ayrışmış, işletmeler büyük
verinden yararlanarak öncü olmanın sağlayacağı avantajların farkına varmışlardır.
Ancak büyük verinin tek bir sunucudan analizi pratik fayda sağlamaktan uzaktır.
Bildik veritabanlarının ön koşulu olan verinin tam yapılandırılması koşulunu sağ-
lamayan veriler için NoSQL denen yeni bir veritabanı sınıfı ortaya çıkmıştır. Çoklu
veri kaynaklarındaki verileri yönetebilmek için Hadoop gibi büyük veriye yönelik
yazılımlara gereksinim duyulmuştur. Büyük verilerden birşeyler öğrenmek üzere
otomatik öğrenme (machine learning) yöntemlerinden yararlanılma yoluna gidil-
diği bir dönem olmuştur.
• Veriyle Zenginleştirilmiş Ürün Çağı: Analitik 3.0’da denmektedir. İşletme Zekası
çağının analitik araçlardan beklentileri ile Büyük Veri Çağının adeta sınırsız veri
olanaklarının birlikte kullanımının yaratacağı fırsatlar ve yenilikçi ürün fikirle-
rinin yaşama geçirilme dönemidir. Sözkonusu çağda, veri-merkezli ürün ve hiz-
met tasarımı süreçlerinin yalnızca İnternet ve elektronik ticaret yapan işletmelere
özgü olmadığı, her boyut ve sektörden firmaların artan bilgilerinden yararlanarak
daha başarılı ürün ve hizmetler ortaya koyma fırsatına sahip olduğu farklı bir iş-
letmecilik anlayışının benimsendiği görülmektedir. Bu yeni işletmecilik anlayışın-
da, “Analitikle Rekabet” denen ve analitik gücünü hızla sürdürülebilir kurumsal
çözümlere dönüştürebilme yeteneği ve anlayışına sahip olanların ayakta kalması
beklenmelidir. Bu dönemde, yenilikçiliğe dayalı stratejilerin öne çıkması ve işletme
analitiğinin yeniliklere yön çizmede anlamlı bir yerinin olması beklenir.
İşletme analitiğini tanımlayarak, betimsel analitik, kestirimci analitik ve karar analitiğinin

neden bir merdivenin basamakları şeklinde düşünüldüğünü açıklayınız. Kendi yaşamınız- 2
dan üç analitik türüne örnek veriniz.
BÜYÜK VERİ ANALİTİĞİ

Büyük veri, tek bir depolama ünitesinde saklanamayan, geleneksel veritabanı sistemle-
rinin işleme kapasitesini aşan ve farklı kaynaklardan gelen veridir. Büyük veri yalnızca
miktarca çok değil aynı zamanda hızla değişen ve katı bir şekilde yapılandırılmış veri-
tabanlarına uygun olmayan verilerdir. Farklı depolama ünitelerinden gelen veriler farklı
biçim, içerik ve debiye (stream) sahip olabilirler. Büyük verinin en önemli kaynağı İnter-
net üzerinde yapılan tıklama akışları (clickstream) veya tıklanma yolları (clickpaths) dır.
Google ve Yandex gibi bir İnternet arama motoru (web search engine) aramanıza ilişkin
sonuçları milisaniyeler içinde verebilmek için milyarlarca web sayfasını araştırmak ve in-
dekslemek zorundadır. Web sayfalarının bu şekilde indekslenmesi çevrimiçi yapılmasa
bile kolay bir iş değildir. Bu ölçekteki verileri yönetmek; bu verilerin saklanması ve iş-
lenmesini gerektirir. Google bu veriyi parçalayıp bir ağ mimarisi ile birbirine bağlı farklı
sunucularda tutmayı başarmış ve buna Google Dosya Sistemi (Google File System) adı-
nı vermiştir. Daha sonra bu sistem geliştirilerek Hadoop Dağıtık Dosya Sistemi (Hadoop
Distributed File System-HDFS) olarak ortaya çıkmıştır.
Bu büyüklükteki verilerin saklanması kadar verilerin işletmeler için bir değere dö-
nüştürülmesi de gerekiyordu. Bu durumda yeni bir yaklaşım ortaya konmuştur. Bu da
verileri alıp algoritma ile işlemek yerine işlemeyi veya algoritmayı verilerin olduğu yere
götürmektir. Böylece veri işlemede yeni bir yaklaşım ortaya çıkmış oluyordu. Bugün Map-
Reduce olarak bilinen programlama yaklaşımı büyük veriyi bu şekilde işlemeyi olanaklı
kılmıştır. MapReduce, Google tarafından geliştirilmiş ve daha sonra Hadoop MapReduce
olarak açık kaynak kodlu olarak kullanımını sürdürmüştür. Bugün de “büyük veri” dendi-
ğinde öncelikle hacim, hız ve çeşitlilik (İngilizcede 3V olarak anılır: volume, velocity, vari-
ety) anlaşılmalı sonra da veri yönetiminde bir şekilde HDFS ve MapReduce kullanımının
veya mantığının olduğu düşünülmelidir. Hacim, büyük veri analitiğinin en çok ilgilenilen
yönü olup, büyük verinin gizlediği işletmecilik fırsatlarını içermektedir. “Daha iyi model-
ler” yerini “daha çok veri”ye bırakmaya başlamıştır. Hız ise işletme veritabanı sistemlerine
artan hızda veri akışı anlamına gelmekte olup, büyük verinin hacimsel yapısındaki hızlı
değişiminin de bir göstergesidir. Verinin hızlı değişimini karşılamak üzere NoSQL gibi
katı veri modellerine gereksinim duymayan veritabanı sistemleri geliştirilmiştir. Çeşitlilik
ise bilgi işleme yeteneğinin farklı biçim ve içerikteki verileri içerebilmesi ve çözümlerin bu
gerçeği gözeterek geliştirilmesine işaret eder. Örneğin, sosyal ağlardan alınan bir metin,
görsel veriler ve bir algılayıcı (sensor) dan gelen ham girdilerden oluşabilir. Büyük verinin
ilk ilkesi “fırsat varken, her şeyi kaydet ve sakla” olup, verilerin bir kez kaybedildikten
sonra geri kazanılamayacağına işaret eder.
MapReduce olarak bilinen programlama yaklaşımının veri işleme konusunda sağladığı fay-
dayı kısaca açıklayınız. 3
İŞLEMTABLOLARI VE KİŞİSEL ANALİTİK

Kurumsal zekâ, yöneticilerin veya işletmelerin sahip oldukları yönetsel yöntembilgilerini
karar verme süreçleri içinde kullanma ve eyleme dönüştürme düzeyinin bir ifadesidir.
Bu yönüyle işletmelerin deneyimlerini öğrenmeye ve öğrendiklerinden yöntembilgilerini
güncelleme ve geliştirmeye dönüştürmede eriştikleri kurumsal yetkinliği ifade eder. İşlet-
mede kurumsal zekâ, her bir yöneticinin tek tek karar verme kapasitelerinin bir toplamı
olduğu kadar, bireysel karar süreçlerinin değerlendirilerek, gereğinde işletmenin süreçleri
için benimsenmesine ve nihayet kurumsallaştırılmasına giden yolun genişliğiyle ve kul-
lanım çevikliğiyle orantılıdır. İşletme analitiği araçları ile her düzeydeki karar vericinin
bu araçlardan yararlanabilmeleri kurumsal çapta sağlanan faydayı arttırmak için önemli-
dir. Söz konusu araçları profesyonelce kullanan veri analistleri, pazar analistleri, yönetim
bilişim uzmanları ve veritabanı uzmanlarının varlığı elde edilecek sonuçların değerini
arttırabilecektir. Öte yandan, bilgisayar okuryazarı yöneticiler, söz konusu araçlarla ken-
di kararlarını analiz etmek isteyeceklerdir. Yönetici ile analitik sistem arasındaki mesa-
fe kısaldıkça analitik çeviklik (agility) artacaktır. Söz konusu mesafenin kısaltılmasında
kullanılabilecek yaklaşımlardan biri de analitiğin işletme çapında yaygın kullanıma sahip
işlemtabloları üzerinden yapılabilirliğini arttırmaktır. Microsoft Excel gibi işlemtablosu
araçları veri tabloları, veri yönetimi, veri görselleştirme, veri analizi ile başlayıp pivot tab-
lolama ve veri madenciliğine giden önemli bir dizi analitik işlevi destekleyen bileşenlere
sahiptirler. Genel amaçlı, menü-destekli işlevlerinin yanı sıra, Excel, Visual Basic For App-
lications (VBA) özelliği ile programlamaya yatkın yöneticilerin kişisel analitik sistemleri-
ni kurmalarına izin vermektedir. Excel’in VBA dili ile programlamaya geçişi “makrolaş-
tırma” (Makro Kaydet) özelliği ile desteklemesi, oldukça etkin, hızlı, pratik ve ekonomik
bir çözüm olarak ortaya çıkmaktadır. İşlemtablolarının varlığı, karar vericilerin analitik
araçlar ile yakınlıklarını sağlayarak, doğrudan ve aracısız analitiğin çeviklik yeteneğinden
yararlanmalarını sağlayabilecektir.
Kişisel analitik açısından işlemtablolarının sunduğu olanakları açıklayınız.

4
Özet
Bilgi türlerini birbirinden ayırt etmek. Büyük veri ile işletme analitiğini ilişkilendirmek.
1 3
Bilgi sistemleri kapsamında bilginin; veri, durum- Büyük veri; farklı kaynaklardan gelen, geleneksel ve-
bilgisi ve yöntembilgisi olmak üzere üç farklı türü ritabanlarında tutulamayan ve yapısal olmayan veri
bulunmaktadır. Veri; gözlem, sayım ve ölçüm gibi yığınlarıdır. İşletmeler için bu büyüklükteki verilerin
yöntemlerle biriktirilen bilginin ham halidir. Durum- saklanılabilirliğinden ve erişilebilirliğinden ziyade an-
bilgisi; verilerin bir sorgu ya da hesaplama işlemi ile lamlandırılması büyük bir önem taşımaktadır. Büyük
anlamlandırılması sonucu oluşan bilgilerdir. Yöntem- veri yığınlarının doğru işletme analitiği araçlarıyla ana-
bilgisi ise karar vericinin durumbilgisini anlamlan- lizlerinin yapılması, işletmelerin doğru kararlar almala-
dırma şeklidir. Yöntembilgisinin açık ve örtük olmak rını sağlamaktadır. Alınan bu kararlar ışığında işletme-
üzere iki türü bulunmaktadır. Açık bilgi, herkesin ler geleceğe yönelik politikalarını belirleme ve risklerini
kolayca erişebileceği bilgi olup; örtük bilgi, belgelen- daha iyi yönetme imkânlarını bulmaktadırlar.
dirilmesi kolay olmayan bilgidir. Yöntembilgisinin
özelleştirilmiş bir hâli olan uzmanbilgisi, belirli bir İşletme analitiğinde kişisel analitiğin önemini açıklamak.
4
amaca yönelik, dar bir alanda eğitim ve deneyimle İşletme analitiği, bir kurumda profesyonel veri bi-
oluşturulan bilgidir. limcileri (data scientist) ve yönetim bilişim uzman-
ları tarafından başlatılabilir. Bir süreç içinde, analitik
İşletme analitiğinin temel kavramlarını tanımlamak. araçları kullanabilen yöneticilerin karşılıklı etkileşim-
2
İşletme analitiği; yöneticilerin, kurumun mevcut du- li olarak işletme analitiğinin bir parçası olmaları ha-
rumunu bilgisayarlı bilgi sistemlerinden etkin bir linde “analitikle rekabet” gücü daha yüksek düzeylere
şekilde yararlanarak araştırması ve incelemesi so- çıkabilir. Yönetim becerilerini kurumsal bilgi sistem-
nucu yönetsel içgörülerini geliştirmeyi hedefleyen leri ve analitik araçlarla buluşturabilen yöneticilerin
teknolojik ve yöntemsel olanakların bütünü olarak işletme başarısına katkıları yadsınamaz. Yöneticilerin
tanımlanabilir. Karar destek sistemleri; bilginin ve kurumsal karar süreçlerinde veri ve bilgiyi kullanma-
bilgi sistemlerinin yönetsel karar verme konusunda larını destekleyecek bilgi altyapısı ve analitik araçları
öneminin farkedilmesiyle birlikte gelişmekte olan, kullanabilmelerine de bağlıdır. Bu bağlamda, yöne-
karara yönelik bilgi sistemleridir. İşletme zekâsı ise ticileri işletme analitiği ile yönetmelerini sağlayacak
işletmelerin faaliyetlerinde bilgi sistemlerinin kulla- araçların başında işlemtabloları gelmektedir. Karar
nılmasına ve yaygınlaştırılmasına yönelik çabaların vericilerin işletme analitiği araçlarından bireysel ola-
bütünü olarak tanımlanabilir. rak sağladıkları faydalar işletme süreçlerine olumlu
İşletme analitiğinin betimsel analitik, kestirimci yönde katkı sağlamaktadır. İşletmelerde, söz konu-
analitik ve karar analitiği olmak üzere üç farklı türü su araçları etkin bir şekilde kullanan karar vericiler,
bulunmaktadır. Betimsel analitik, işletmenin mev- kendi kararlarını analiz etme fırsatı yakalamakta ve
cut durumunu anlamaya ve raporlamaya yöneliktir. elde ettikleri sonuçların değerini arttırabilmektedir-
Kestirimci analitik, işletmenin mevcut durumunu ler. Bilgisayar okuryazarı olan karar vericiler, analitik
gözeterek gelecekte olabilecekleri kestirmeyi amaç- çeviklik düzeyi ile doğru orantılı olarak işletme sü-
lamaktadır. Karar analitiği ise eniyi kararın verilebil- reçlerinin daha verimli bir hale gelmesinde etkin rol
mesine yönelik, öneri içeren yöntem ve yaklaşımların oynamaktadırlar.
bütünüdür. Karar vermeyi desteklemek üzere üretilen
ya da toplanan verilerin tutulduğu veri yapılarına veri
ambarı adı verilir.
Bazı bilişim uzmanları işletme analitiğini evrimsel ve
kronolojik açıları da gözeterek üç ayrı dönemde ele al-
maktadır. Bu dönemler işletme zekâsı çağı (analitik 1.0),
büyük veri çağı (analitik 2.0) ve veriyle zenginleştirilmiş
ürün çağı (analitik 3.0) olarak adlandırılmaktadır.
Kendimizi Sınayalım
1. “Bilgi Çağı”na geçişin önemli ölçüde etkilendiği iki 6. Aşağıdakilerden hangisi işletme zekâsının temel bileşen-
önemli sıçrama noktası aşağıdakilerden hangisinde birlikte leri arasında yer almaz?
ve doğru olarak verilmiştir? a. Karar Otomasyon Sistemleri
a. Bilgisayarın İcadı – Sanayi Devrimi b. İşletme Analitiği Araçları
b. Yönetsel analiz araçlarının gelişmesi – İşletme anali- c. İşletme Performans Yönetim Sistemi
tiğinin uygulama alanlarının artması d. Kullanıcı Arayüzü
c. Bilgi işlem merkezlerinin kurulması – İşlemtabloları- e. Veri Ambarı
nın kullanımı
d. Bilginin erişilebilirliği – Bilginin hesaplanabilirliği 7. Aşağıdakilerden hangisi veri madenciliğinin kestirim
e. İnternetin keşfi – İşletme zekâsının yaygınlaşması analitiğindeki yaygın uygulama alanlarından biri değildir?
a. Birliktelik Analizi
2. Aşağıdakilerden hangisi bilginin türlerinden biri değildir? b. Kümeleme
a. Veri c. Sınıflama
b. Durumbilgisi d. Veri Görselleştirme
c. Enformatik e. Regresyon
d. Yöntembilgisi
e. Uzmanbilgisi 8. Aşağıdakilerden hangisi veri ambarının özelliklerinden bi-
ridir?
3. Durumbilgisi ile ilgili aşağıdaki ifadelerden hangisi a. Kullanıcı-Odaklılık
doğrudur? b. Tüketilebilirlik
a. Ham bilgi olarak da tanımlanır. c. Sınırlı Kapasite
b. Bir işlem, bir formül ya da bir hesaplama içermez. d. Güncellik
c. Deneyim ve eğitimle geliştirilebilir. e. Zaman-Damgalılık
d. Açık ve örtük olmak üzere iki türü bulunmaktadır.
e. Karar vericinin kararını etkileme, belirleme ve değiş- 9. Farklı kaynaklardan gelen, tek bir depolama ünitesinde
tirme yeteneği vardır. saklanamayan ve geleneksel veritabanı sistemlerinin işleme
kapasitesini aşan veri topluluğuna ne ad verilir?
4. Aşağıdakilerden hangisi açık (explicit) bilgiye örnek ola- a. Büyük veri
rak gösterilebilir? b. İlişkisel veritabanı
a. İnsan yüzlerinin tanınması c. Veri madeni
b. Araba kullanılması d. Veri deposu
c. Bir günün 24 saat olması e. MapReduce
d. Herhangi bir dilin konuşulması
e. Liderlik yeteneğinin kullanılması 10. Google Dosya Sistemi’nden geliştirilmiş olan ve büyük
veriyi parçalayıp bir ağ mimarisiyle birbirine bağlı farklı su-
5. Bilginin ve bilgi sistemlerinin yönetsel karar verme ko- nucularda tutan dosya sistemine ne ad verilir?
nusunda öneminin farkedilmesiyle birlikte gelişmekte olan, a. İşlemtablosu
spesifik bir karara ve karar vericiye yönelik bilgi sistemlerine b. Veri Dosyalama Sistemi
ne ad verilir? c. Hadoop Dağıtık Dosya Sistemi
a. Anahtar Performans Gösterge Sistemleri d. Büyük Veri İşleme Sistemi
b. İşletme Performans Yönetim Sistemleri e. Veri Ambarlama ve Dosyalama Sistemi
c. Karar Analiz Sistemleri
d. Karar Destek Sistemleri
e. Karar Verici Sistemleri
Kendimizi Sınayalım Yanıt Anahtarı

1. d Yanıtınız yanlış ise “Yönetsel Bilgi Gereksinimi ve Sıra Sizde 2
Analitik” konusunu yeniden gözden geçiriniz. İşletme analitiği; yöneticilerin, kurumun mevcut durumunu
2. c Yanıtınız yanlış ise “Veri, Durumbilgisi ve Yöntem- bilgisayarlı bilgi sistemlerinden etkin bir şekilde yararlanarak
bilgisi” konusunu yeniden gözden geçiriniz. araştırması ve incelemesi sonucu, yönetsel içgörülerini geliş-
3. e Yanıtınız yanlış ise “Veri, Durumbilgisi ve Yöntem- tirmeyi hedefleyen teknolojik ve yöntemsel olanakların bü-
bilgisi” konusunu yeniden gözden geçiriniz. tünü olarak tanımlanabilir. İşletme analitiğinin türleri olan
4. c Yanıtınız yanlış ise “Veri, Durumbilgisi ve Yöntem- betimsel analitik, kestirimci analitik ve karar analitiğinin bir
bilgisi” konusunu yeniden gözden geçiriniz. merdivenin basamakları olarak düşünülmesinin sebebi, biri-
5. d Yanıtınız yanlış ise “İşletme Analitiğinin Tanımı” nin diğerinin üzerine inşa edilerek erişilebileceğinden kay-
konusunu yeniden gözden geçiriniz. naklanmaktadır. Örneğin, işletmedeki mevcut durumu gö-
6. a Yanıtınız yanlış ise “İşletme Analitiğinin Tanımı” zetmeksizin işletme için geleceğe yönelik kararların alınması
konusunu yeniden gözden geçiriniz. realist bir yaklaşım olmaktan uzaktır. Bu yapı için günlük
7. d Yanıtınız yanlış ise “İşletme Analitiğinin Türleri” ko- hayattan bir örnek vermek gerekirse; son bir yıl içerisinde bir
nusunu yeniden gözden geçiriniz. ailenin yaptığı harcamaların aylık dağılımının incelenmesi
8. e Yanıtınız yanlış ise “İşletme Analitiğinin Altyapısı ve betimsel analitiğe, bu harcamaların aylık dağılımının gözetil-
Veri Ambarı” konusunu yeniden gözden geçiriniz. mesiyle önümüzdeki üç ay içerisinde yapılması beklenen har-
9. a Yanıtınız yanlış ise “Büyük Veri Analitiği” konusunu camalar hakkında bir kestirim yapılması kestirimci analitiğe,
yeniden gözden geçiriniz. geçmişte yapılan harcamaların trendlerinden yola çıkılarak
10. c Yanıtınız yanlış ise “Büyük Veri Analitiği” konusunu kestirilen harcamaları, gereksiz harcamalardan arındırarak
yeniden gözden geçiriniz. azaltmak ve böylece mevcut kaynağı daha verimli bir şekilde
kullanmak ise karar analitiğine örnek olarak verilebilir.
Sıra Sizde Yanıt Anahtarı Sıra Sizde 3

Sıra Sizde 1 Verilerin saklanması kadar verilerin işletmeler için anlam
Veri, her türlü ölçüm, sayım, gözlem şeklinde derlenmiş kazandırılarak bir değere dönüştürülmesinin gerekliliği
ve kaydedilmiş ham bilgidir. Verinin tek başına bir anlamı MapReduce programlama yaklaşımının ortaya çıkmasını
yoktur. Durumbilgisi, verilerden arama ve hesaplama yo- sağlamıştır. Bu yaklaşıma göre dağıtık sistemlerde bulunan
luyla erişilebilen bilgilerdir. Durumbilgisinin, kararlarımızı verilerin bir yere toplanıp işlenmesinin, verileri anlamlan-
etkileme özelliği vardır. Yöntembilgisi ise yaygın olarak “şu dırma sürecini zorlaştırdığı düşünülmüş olup, veri işlemede
durumda şu şekilde davranırım”, “bu durum bu sonucu do- kullanılması planlanan yöntemlerin ya da algoritmaların ve-
ğurur” şeklinde şablonlaştırabileceğimiz, yaşamsal veya pro- rinin bulunduğu yere götürülmesi ve böylelikle büyük veriyi
fesyonel olarak atacağımız adımları şekillendiren bilgilerdir. hızlı ve etkin bir şekilde işleme olanağı sağlanmıştır.
Akıl yürütmenin ve düşünmenin temelinde yöntembilgisi
vardır. Örneğin; bir sınıftaki öğrencilere ilişkin bir liste oluş- Sıra Sizde 4
turulmuştur. Listedeki ölçümlerden biri “Ahmet;55”dir. Bu İşletmelerde yaygın kullanıma sahip işletme analitiği araç-
bir veridir. Öğrencinin adının “Ahmet”, öğrenci numarasının larından birisi olan işlemtablolarının her düzeydeki karar
“55” veya kilosunun “55” veya dersten aldığı notun “55” olup vericilerle buluşturulması, analizler sonucu elde edilebilecek
olmadığının anlaşılamaması veri olma özelliğinin bir parça- olan sonuçların anlamlandırılması sürecini hızlandıracaktır.
sıdır. Bunun, İşletme Analitiği dersi ara sınav listesi olduğu Bilgisayar okuryazarı olan karar vericiler, kolaylıkla erişebil-
bilinmesi durumunda “Ahmet’in ara sınav notu 55” durum- dikleri işlemtablolarını kullanarak, doğrudan ve aracısız bir
bilgisi ortaya çıkar. Bu, Ahmet için bir durumbilgisidir. Öte şekilde kendi kararlarını analiz edebileceklerdir. İşlemtablo-
yandan ders geçme sınırının 70 olması halinde final sınavına larının varlığı ve yöneticiler tarafından kolay erişilebilir ol-
daha çok çalışması gerektiği bir yöntembilgisidir. <“Durum- maları, analitik çevikliği arttırarak verinin anlanlamdırılması
bilgisi1: Ahmet’in arasınav notu=55” VE “Durumbilgisi2: sürecine katkıda bulunmaktadır.
Geçme sınırı=70” İSE “Final sınavından Ahmet’in alması ge-
reken en az not=85”> ifadesi bir yöntembilgisidir.
Yararlanılan ve Başvurulabilecek
Kaynaklar
Bartlett, R. (2013). A Practitioner’s Guide To Business
Analytics: Using Data Analysis Tools To Improve
Your Organization’s Decision Making And Strategy.
McGraw Hill Professional.
Baesens, B. (2014). Analytics in a big data world: The
essential guide to data science and its applications.
John Wiley & Sons.
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business
Intelligence and Analytics: From Big Data to Big
Impact. MIS quarterly, 36(4), 1165-1188.
Davenport, T. H., Harris, J. G., & Morison, R. (2010).
Analytics at work: Smarter decisions, better results.
Harvard Business Press.
Davenport, T. H., & Harris, J. G. (2007). Competing on
analytics: The new science of winning. Harvard
Business Press.
http://m.kapanoglu.com/aof/ybs202u
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A
revolution that will transform how we live, work, and
think. Houghton Mifflin Harcourt.
Power, D. J., Sharda, R., & Burstein, F. (2015). Decision
support systems. John Wiley & Sons, Ltd.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P.
(2014). Business Intelligence and Analytics: Systems
for Decision Support (10th ed.), Prentice Hall.
Turban, E., Aronson, J., Liang, T., & Sharda, R. (2007).
Decision support and business intelligence systems,
8th Edition Prentice Hall. Upper Saddle River NJ.
2
Amaçlarımız
 Betimsel analitik yöntemleri ile ilgili temel kavramları tanımlayabilecek,
 Kestirimci analitik yöntemlerinin faydalandığı teknikleri açıklayabilecek,
 Güncel işletme analitiği yazılımlarını ve özelliklerini listeleyebilecek
Anahtar Kavramlar
• İşletme Analitiği Araçları • Anahtar Performans Göstergesi
• Değişken • Kurumsal Karne
• Nitel Veri • Veri Madenciliği
• Nicel Veri • Regresyon Analizi
• Dağılımlar • Lojistik Regresyon Analizi
• Veri Görselleştirme • Karar Ağaçları
• Tablolar • Yapay Sinir Ağları
• Gösterge Panosu
İçindekiler
• GİRİŞ
İşletme Analitiği: Yöntemler ve • BETİMSEL ANALİTİK: YÖNTEMLER
Yazılımları • KESTİRİMCİ ANALİTİK: YÖNTEMLER
• İŞLETME ANALİTİĞİ YAZILIMLARI
İşletme Analitiği: Yöntemler ve
Yazılımları
GİRİŞ
Son yıllarda, bilişim teknolojilerindeki gelişmeler sonucu ortaya çıkan yazılım ürünleri ve
ortamları, logaritmik olarak artan kullanıcı ve tüketici kitlesi yaratmıştır. İnternet’in, mo-
bil cihazların ve çipli kartların kullanımının yaygınlaşması ile birlikte boyutunda büyük
bir ivmeyle artış görülen veriler, günümüzde yaygın olarak kullanılan sosyal ağların ve
elektronik ticaretin gelişmesi ile devasa boyutlara ulaşmıştır. Veri miktarlarında gözlenen
bu artış hayatın her alanını olduğu gibi iş hayatını da büyük ölçüde etkilemiştir. İşlet-
meler, ürettikleri verileri sadece kayıtların tutulması ve belgelenmesi için değil; mevcut
verilerden anlamlı sonuçların ve kestirimlerin üretilmesi için de kullanarak problemleri
çözme ve karar verme süreçlerinde de verilerden beslenmeye başlamışlardır. İşletmele-
rin verilerden faydalanma sürecinden maksimum yararın sağlanması ancak veri analizi
işlemlerinde uygun yöntem ve araçların kullanılmasıyla düşünülebilir. Rekabet gücünü
arttırmak isteyen işletmelerin günlük operasyon yönetimi, hızlı karar alma ve tahmine da-
yalı gelecek analizi gibi süreçleri destekleyecek teknolojik araçları kullanması günümüzde
kaçınılmaz bir hâle gelmiştir.
Teknolojik gelişmelerden birçok alanda olumlu yönde fayda sağlayan işletmeler; işlet-
me analitiği araçlarının (İAA) gelişmesi ve gelişen bu araçların işletme zekâsına kattıkla-
rıyla, bu teknolojileri kullanmayan işletmeleri kendileriyle rekabet edemeyecek duruma
sokmuşlardır. İşletme analitiği araçları en basit şekilde karar vericilerin, verileri anlamlan-
dırarak durumbilgilerine ve yöntembilgilerine dönüştürmesinde kullanılan teknolojilerin
bütünü olarak tanımlanabilir. İAA’lardan maksimum fayda sağlamak isteyen işletmelerin
her ne kadar güçlü birer bilgi işlem (IT) departmanına ihtiyaç duyduğu fikri oluşsa da, böy-
le bir departmanın varlığı tek başına yeterli değildir. Karar vericilerin de bu teknolojilere
aşina olması, verilerin daha doğru bir şekilde anlamlandırılmasını sağlayacak ve verilen
kararların kalitesini arttıracaktır. İAA’ların, işletmelerin problemlerine çözüm üretme ve
geleceğe dönük kestirimler yapma konusunda sağladığı bazı katkılar aşağıda verilmiştir:
• Analiz çıktılarının kalitesini arttırmak ve bu çıktıların izlenebilirliklerine olanak
tanımak,
• Kullanıcıların ek iş yükünü minimize ederek daha önceden yapılandırılmış siste-
min maksimum fayda ile yeniden kullanılmasına imkân tanımak,
• Farklı düzeydeki karar vericiler için farklı amaçlara uygun çıktılar üretmek,
• Çevrimiçi olarak işbirliği ve onay desteği sunarak işlemlerin paralel olarak yapıla-
bilmesine imkân tanımak ve böylece verimlilik ve kar artışını sağlamak.
Verilen kararlara katkı sağlamaya yönelik İAA’ların seçilebilmesi süreci, birçok fak-
töre bağlıdır. Bunların başında karar vericilerin iş sürecinde ne derece aktif olduklarının
belirlenmesi gelmektedir. Süreçte verilecek kararların tamamen bir karar verici tarafın-
dan verilmesi durumunda kullanılması gereken teknolojik araçlar ile kararların büyük
bir kısmının otomatik olarak verildiği iş süreçlerinde kullanılacak olan teknolojik araçlar
arasında çeşitli farklılıklar bulunacaktır.
Diğer bir faktör ise kullanılacak olan yöntemin üçüncü parti bir yazılım mı yoksa ki-
şisel analitik çözümleri mi olduğunun belirlenmesidir. Sektörel bazlı (Matbaa depo takip
sistemleri) ya da işlev bazlı (proje yönetim yazılımları) uygulamaların sayısı gün geçtikçe
katlanarak artmaktadır. “Yap ya da satın al” kararının verilmesi, problem için gerekli çözü-
mü sunan bir paketin olması ya da işletmenin sorunu çözme konusunda yetkin olması ile
belirlenebilecektir. Yanı sıra, işletmelerin kendi çözümlerini oluşturmasına olanak sağlayan
pek çok güçlü İAA da bulunmaktadır. Bazı araçlar dilim ve zar (slice and dice) ya da ayrın-
tılara girip çıkma (drill down/up) için tasarlanmışken bazıları ise istatistik ağırlıklıdır. Bu-
nunla birlikte, bazı araçlar geçmişteki verilerden geleceği tahmin ederken, bazıları ise yeni
trend ya da ilişkileri bulup çıkarmaya çalışmaktadır. Kullanılacak yazılım hazır bir paket de
olsa kişisel analitik çözümü de olsa işletmelerin teknolojik yenilikleri takip etmesi ve sağ-
lanabilecek maksimum verimin sağlanabilmesi için çeşitli önlemler alması gerekmektedir.
Veri analizinde kullanılan yöntemlerin ya da geliştirilen yazılımların temelinde yatan
yaklaşım geleceğin, geçmişin bir yansıması olduğudur. Bu yaklaşıma göre geçmişe ilişkin
veri dizinlerinin etkin bir şekilde analiz edilmesi ve analiz sonuçlarının anlamlandırılarak
gelecek planlarına dönüşmesi işletmeler için vazgeçilmez bir anlayış olmalıdır. Bununla
birlikte, geçmişin ya da mevcut durumun verisini toplamak ve analiz etmek mümkün olsa
da geleceği bilmek için herhangi bir yöntem mevcut değildir. Bu konudaki çarpıcı örnek-
lerden birisi 2007 yılının Ekim ayında 39,72 ABD Doları kapanış fiyatı ile zirvede olan
Nokia hisse senedi fiyatlarının, Haziran 2007’de pazara giren iPhone’dan etkilenerek hızlı
bir şekilde değer kaybetmesi ve Haziran 2012’de 2,07 ABD Doları kapanış fiyatına sahip
olarak piyasadaki üstünlüğünü büyük ölçüde kaybetmiş olmasıdır.
Rekabet gücünü arttırmak isteyen üstyönetimdeki karar vericilerin işletme analitiği
araçlarından haberdar olması ve bu araçları iş anlayışlarının bir parçası haline getirmeleri
gerekmektedir. Bu araçlardan en yaygın olanları aşağıda kısaca ifade edilmiştir.
İşlemtabloları, kolay kullanımları ve anlaşılır olmalarından dolayı yaygın olarak kulla-
nılan işletme analitiği araçlarının başında gelmektedir. Üstyönetimdekiler ve analistler,
karar verme süreci için oldukça somut sunumlar üretebildiği ve kapsamlı veri analiz
yöntemlerinin kullanılmasını sağladığı için işlemtablolarını analitiğin son ayağı olarak
tanımlamaktadırlar. En yaygın kullanılan işlemtablosu örneği Microsoft Excel olup,
günümüzde birçok işletme Excel ile çeşitli düzeydeki analitik işlemleri gerçekleştire-
bilmektedir.
Çevrimiçi Analiz İşleme (OLAP: Online Analytical Processing), verilerin analiz edil-
mesi için kullanılan veritabanlarıdır. OLAP araçları özellikle çok boyutlu ve dizi ta-
banlı problemler için tasarlanmıştır. OLAP’lar, verileri ilişkisel veritabanlarından
farklı olarak iki boyutlu tablolar yerine çok boyutlu küplerde tutmakta ve böylece
yapılması planlanan analiz işlemlerinin daha hızlı bir şekilde yapılmasını sağla-
maktadır. OLAP’ın küp yapısını çok boyutlu bir işlemtablosu gibi düşünmek yanlış
olmaz, fakat Excel gibi işlemtabloları üç boyutlu (dikey, yatay ve çalışma sayfaları)
iken, OLAP küpleri çok daha fazla boyut içerebilmektedir.
İstatistiksel ya da kantitatif algoritmalar, karar vericilerin ve istatistikçilerin veri
analizi yapmalarına olanak sağlamaktadır. Bu algoritmalar, nicel verilerden optimal
hedeflere ulaşılması sürecinde kullanılmaktadır. Yanı sıra, istatistiksel algoritmalar-
dan; kestirimci analitik, optimizasyon ve benzetim gibi birçok yöntem ve teknikten
de fayda sağlanmaktadır.
İş Kural Motorları (Business Rule Engines-BRE), koşullu önermeleri kullanarak be-
lirli iş kurallarını uygulayan yazılımlardır. Örneğin, 250 TL üzerinde alışveriş ya-
2. Ünite - İşletme Analitiği: Yöntemler ve Yazılımları 29
pan müşterilere bir sonraki alışverişlerinde geçerli indirim kuponlarının verilmesi
gibi. İş kural motorları otomatik bir sistemin parçası olabileceği gibi, müşterilerin
karar vermesine yardımcı olan bir öneri sistemi de olabilir.
Veri Madenciliği araçları, düz aritmetik hesaplamalardan yapay zekâ, istatistik, ka-
rar ağaçları, sinir ağları ve Bayes ağlarına kadar birçok teknikten yararlanmaktadır.
Veri madenciliğinin amacı, karmaşık ya da iyi tanımlanmamış veri setlerinin de-
senlerinin belirlenmeye çalışılması ve bu desenlerin günlük hayatta karşılaşılan ya
da karşılaşılma potansiyeli olan durumlarda bir yol gösterici olarak kullanılması
fikrine dayanmaktadır.
Benzetim araçları, bir dizi matematiksel, sembolik, bilimsel, finansal ve mühendis-
likte kullanılan fonksiyonlarla işletme süreçlerini modellemeye çalışan araçlardır.
İşletme süreçlerinin modellenebilmesi maliyet ve kaynak açısından tasarruf sağ-
lanmasını ve böylece kârın artmasını sağlamaktadır.
İşletme analitiğinde kullanılan yöntemler için farklı sınıflandırmalar söz konusu olup,
günümüzde en çok kabul gören sınıflandırma betimsel analitik, kestirimci analitik ve ka-
rar analitiğidir. Betimsel ve kestirimci analitik istatistiksel yöntemlerden maksimum fayda
sağlarken, karar analitiği ise yöneylem araştırması yöntemlerinden yararlanmaktadır. Bu
ünitede betimsel ve kestirimci analitik yöntemleri anlatılarak bu iki işletme analitiği türü-
nün yazılımlarına yer verilecektir.
BETİMSEL ANALİTİK: YÖNTEMLER

Betimsel analitikler, işletmelerin geçmişteki ve mevcut durumlarının, verecekleri stratejik
kararları nasıl etkilediğinin belirlenmesinde kullanılmaktadır. Bu tür analitikler, işletme-
lerin durumunun kolay anlaşılabilmesi için verilerin sıralanması, düzenlenmesi, grafiği-
nin çizilmesi, özetlemesi ve raporlanması amaçlarına hizmet etmektedir. Örnek olarak
veri sorguları, raporlar, betimsel istatistikler, verinin görselleştirilmesi, gösterge panelleri,
bazı veri madenciliği teknikleri ve temel düzeyde olsa ne olur senaryoları betimsel analitik
kapsamında düşünülebilir.
Veri, sunum ya da yorum için gözlem, sayım ve ölçüm gibi tekniklerle toplanan, analiz
edilen ve özetlenen gerçek durum ya da olay bilgileridir. Değişken, farklı değerler alabilen,
bir nitelik ya da nicelik miktarı için kullanılan sembollerdir. Pratikte bir işletmenin karşılaş-
tığı problemler, işletme çıktılarında bulunan değişkenlerin olası değerlerinin birer yansıma-
sıdır. Değişkenlerin alabileceği farklı olası değerler ise varyasyon olarak adlandırılmaktadır.
Betimsel analitik diğer bir deyişle, varyasyonları ve bu varyasyonların işletmeye olan
etkilerini daha iyi anlamak için verinin toplanması ve analiz edilmesi işlemlerinin bütü-
nüdür. Veri toplama işleminde yapılan, geçmişte gözlemlenmiş olan değerleri bir araya
getirmek ya da değişkenleri fark etmektir. Bir verinin geçmişteki değişkenliğinin toplan-
masındaki asıl hedef, işletme ortamındaki potansiyel durumların tespit edilmesidir.
Veri Türleri
Verileri toplanma türlerine ya da zamanlarına göre farklı kategorilere ayırmak mümkündür.
Genellikle, popülasyon içerisindeki bütün bireylerden veri toplanması mümkün olamamak-
la beraber veriler, popülasyonun örnek olarak adlandırılan alt kümelerinden toplanabilir.
Sayısal ve Kategorik Veriler

Veriler, birimlerin değişken değerlerinin elde edilmesinde kullanılan ölçek türlerine göre
nitel (kalitatif) ve nicel (kantitatif) olmak üzere iki temel grupta incelenmektedir. Topla-
ma, çıkarma, çarpma ya da bölme gibi numerik ya da aritmetik işlemlerde kullanılabilen
sayısal verilere nicel veriler adı verilmektedir. Nicel veriler; kesikli veriler ve sürekli veriler
olmak üzere iki gruba ayrılmaktadır: Kesikli veriler, birimlere ait özelliklerin tam sayılarla
ifade edildiği, sürekli veriler ise teorik olarak herhangi iki nokta arasında sonsuz sayıda
farklı değer alabilen değişkenlerdir. Numerik ya da aritmetik işlemlerde kullanılamayan

kategorik verilere ise nitel veriler adı verilir. Nitel verilerde, değişken değerlerin belirlen-
mesinde nominal (sınıflayıcı) ve ordinal (sıralayıcı) ölçekler kullanılmaktadır. Nominal öl-
çek kullanılarak elde edilen değişken değerleri sözeldir. Örneğin; ilişki durumu, saç rengi,
göz rengi, okuduğu bölüm gibi. Ordinal ölçek kullanılarak elde edilen değişken değerleri
doğal bir sıraya göre dizilmişlerdir. Örneğin; bir koşucunun yarıştaki sırası, üniversitele-
rin dünya çapındaki sıralamaları gibi.
Şekil 2.1
Ölçüm Türlerine Göre Ölçüm Türlerine
Veriler Göre Veriler
Nicel Nitel
Kesikli Sürekli
Kesitsel Veriler ve Zaman Serisi Verileri

İstatistiksel analizlerde, kesitsel veriler ile zaman serisi verileri arasındaki ayrımın yapıl-
ması büyük bir önem taşımaktadır. Kesitsel veriler, belirli bir anda ya da belirli bir zaman
aralığında ölçümü yapılmış olan verilerdir. Örneğin, farklı pozisyonda çalışan kamu me-
murlarının belirli bir zaman diliminde almış oldukları maaşlar gibi. Zaman serisi verileri
ise farklı zaman periyotlarında toplanan verilerdir. Zaman serisi verilerinden oluşan gra-
fikler işletme ve ekonomide sıkça kullanılmaktadır. Analistler bu grafiklerden bir işlet-
menin geçmişini, zamanla değişen trendlerini ve gelecek planlarını anlayabilmektedirler.
Verinin Derlenmesi
İşletmelerin, yapacak oldukları araştırmalarda analiz etmek istedikleri birimlerin özellik-
lerini uygun ölçek türü ile ölçmesine verinin derlenmesi adı verilmektedir. Örneğin, farklı
türdeki birçok kablonun üretimini yapmakta olan bir fabrikanın; kablonun boyunu, rengi-
ni, kesitini, yapımında kullanılan malzemeyi, kablonun akım taşıma kapasitesini uygun öl-
çek kullanarak ölçmesi bir tür veri derleme işidir. Yapılacak olan analiz işlemlerinin tutarlı
ve anlamlı sonuçlara ulaşabilmesi için derlenecek olan verinin doğru, tutarlı ve yeterli mik-
tarda olması gerekmektedir. Eğer ki veri derleme süreci sağlıklı bir şekilde gerçekleşmezse,
her ne kadar yetkin analistler ile çalışılsa da bulunacak sonuçlar sınırlı ya da gerçeği yansı-
tamayan sonuçlar haline gelecektir. Bu bağlamda, bir işletme için alınacak kritik kararların
sağlıklı bir şekilde derlenmemiş verilerden yola çıkılarak verilmesi düşünülemez. Örneğin,
çalışanların performansını ölçmek isteyen bir şirketin veri derleme işini, çalışanların en çok
izin aldıkları yaz aylarında yapması sağlıksız sonuçların ortaya çıkmasına sebep olacaktır.
Veri derleme işlemi birinci elden veri derleme ve ikinci elden veri derleme olarak iki
gruba ayrılabilmektedir. Birinci elden veri derleme işleminde veri derleme işini yapan kişi
verileri uygun araçlar kullanarak kendisi derlemektedir. Gözlem, görüşme ve anket bi-
rinci elden veri derleme yöntemleridir. Eğer ki çalışma için gerekli olan veriler, çalışmayı
yapacak olan kişiden farklı bir kişi ya da kaynak tarafından derlenmişse, bu tür derleme
işlemlerine de ikinci elden veri derleme adı verilir. İşletmelerin faaliyetleri sırasında tuttu-
ğu müşteri siparişlerine ilişkin kayıtlar ya da satış elemanlarının verdikleri raporlar ikinci
elden veri derleme işlemine örnek olarak gösterilebilir.
Verilerden Dağılımların Oluşturulması

İşletmelerin topladıkları verilerden yola çıkarak geçmiş veya bugünkü durumlarının or-
taya koyulması, derlemeler sonucu ortaya çıkan veri setinin anlamlandırılmasıyla müm-
kündür. Derlenmiş ve elde ediliş sırasına göre sunulmuş veriler ham veri olarak nitelendi-
rilmektedir. İşletmeler için ham verilerden, durumbilgilerinin ve yöntembilgilerinin elde
edilmesi zor ve zaman alıcı bir süreçtir. Ham verilerin anlamlandırılabilmesi ve bu veri-
lerden istenilen bilgilerin kolayca üretilebilmesi için verilerin düzenlenmesi ve tablolarla
sunulması yani özetlenmesi gerekmektedir. Ham verilerin artan ya da azalan şekilde sıra-
ya konmuş, düzenlenmiş haline seri adı verilir. Seriler; dağılım, zaman ve mekân serileri
olmak üzere üç grupta incelenebilirler.
Veri seti içerisindeki bir değişken için belirli değerlerin ne sıklıkta yer aldığı dağılımı,
veri setinin birçok özellik açısından özetlenmesine yardımcı olmaktadır. Dağılım serileri-
ne frekans dağılımı da denmektedir. Dağılımlar hem kategorik hem de sayısal veriler için
oluşturulabilir. Sayısal veriler için oluşturulan dağılım serilerine nicel dağılım serileri, ka-
tegorik veriler için oluşturulan dağılım serilerine de nitel dağılım serileri adı verilmektedir.
Frekans Dağılımları
Bir değişkene ait değerlerin veya gözlem sonuçlarının tüm gözlem birimleri içerisindeki Bir grup birime ait veriler, bir
değişkenin düzeylerine göre
görülme sıklığına değerin frekansı denir. Frekans dağılımlarının belirlenmesi, temelde bir ayrılıp aynı düzey veya düzeyler
sayma ve sınıflama işlemidir. Frekans dağılımları hem nitel hem de nicel veriler için kulla- grubunda bulunan birimler
nılabilmektedir. Frekans dağılımları iki sütundan oluşmaktadır. İlk sütunda X rassal değiş- kümelendiğinde, her kümede
bulunan gözlem sayısı frekans
ken değerleri ve ikinci sütunda rassal değişken değerlerinin görülme sıklığı yer almaktadır. olarak tanımlanmaktadır.
Frekans dağılımları, basit seriler ve gruplandırılmış seriler için oluşturulabilmektedir.
Yaş Aralığı Frekans Tablo 2.1

25-29 8 Sağlık Ürünleri
Satmakta Olan
30-34 484 Bir Firmanın
35-39 773 Müşterilerinin Yaşlara
40-44 1087 Göre Dağılımı
45-49 1110
50-54 778
55-59 457
60-64 468
65-69 490
70-74 356
75-79 129
80-84 33
85-89 8
90-94 8
95-99 3
Toplam 6192
Histogram, sayısal veriler için yaygın olarak kullanılan grafiksel sunum yöntemidir. His-
togramlar herhangi bir frekans dağılımı ile özetlenmiş olan veri seti için oluşturulabilirler.
Histogram, çeşitli sınıf ya da aralıklarda yer alan frekansların sütunlar ile temsil edilmesi
olup, oluşturulurken yatay eksene değişkenler, dikey eksene ise değişkenlerin frekansı yazılır.
Şekil 2.2
Histogram
Müşteri Dağılımının
1200
Histogram Olarak
Gösterilişi 1000
Frekans 800
600
400
200
0
25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 75-79 80-84 85-89 90-94 95-99
Yaş Aralığı
Histogram, sadece oranlı ölçekle ölçülmüş değişken değerlerinden oluşan veriler için oluş-
turulmaktadır.
Frekans poligonu, bir frekans dağılımının grafiksel gösterimidir. Verilen gruplandırıl-
mış frekans dağılımının frekans poligonu çizilirken öncelikle dağılımın histogramı çizilir.
Histogram içerisinde bulunan dörtgenlerin tepe orta noktalarının doğrusal olarak bir çiz-
gi ile birleştirilmesiyle frekans poligonu oluşur.
Şekil 2.3
Müşteri Dağılımının Frekans Poligonu
Frekans Poligonu 1200
1000
800
Frekans
600
400
200
0
25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 75-79 80-84 85-89 90-94 95-99
Yaş Aralığı
Frekans poligonu, sadece oranlı ölçekle ölçülmüş değişken değerlerinden oluşan veriler için
kullanılmaktadır.
Zaman Serisi
Zamana bağlı bir değişkenin zaman içerisinde almış olduğu farklı değerlerin ölçülüp bu
ölçüm sonuçlarının kronolojik olarak sıralanmasıyla oluşan serilere zaman serisi adı veri-
lir. Zaman serileri iki sütundan oluşur; birinci sütunda zaman değişkeninin ölçme düzey-
leri yer alırken ikinci sütunda ilgili zaman düzeyine karşılık gelen ölçüm değeri yer alır.
Zaman serileri, nicel değerlerden oluşmaktadır. Zaman serisi analizinde, zaman içerisinde
düzenli aralıklarla gözlemlenen verilerin incelenmesi ve gelecek dönemlerde elde edilebi-
lecek tahminî verilerin öngörüsünün güvenilir bir şekilde yapılabilmesi amaçlanmaktadır.
Örneğin, bir fabrika işçilerin günlük performanslarını kayıt altında tutarak bir işçinin bir
üretimi ne kadar süre içerisinde yapabileceğini kestirebilir.
Mekân Serisi
Değişkenin aldığı değerlerin mekâna göre sınıflandırılmasıyla oluşan serilere mekân serisi
adı verilmektedir. Mekân serisinde kullanılacak mekânlar ülke, bölge, il, ilçe, köy gibi yer-
leşim merkezleri olabilir. Yapılmış olan bir nüfus sayımının illere göre dağılımı ya da bir
fabrikanın farklı satış noktalarında yapmış oldukları aylık satışlar mekân serisine örnek
olarak gösterilebilir. Mekân serilerinin ilk sütununda ilgili mekânlar, ikinci sütununda ise
ölçülen değerler bulunur.
Merkezi Eğilim Ölçüleri (Ortalamalar)

Merkezi eğilim ölçüleri, veri setlerine ilişkin özet bilgilerin elde edilmesinde kullanılmak-
tadır. Ortalama olarak da adlandırılan bu ölçüm değerleri; içinde bulundukları serinin en
küçük değeri ile en büyük değeri arasında yer alır. Ortalamalar ölçüm değerlerinin mer-
kezinde yer alırlar ve ortalamalardan yola çıkarak serileri anlamlandırmak mümkündür.
Duyarlı ortalamalar ve duyarlı olmayan ortalamalar olmak üzere iki ana grupta incelen-
mektedir. Duyarlı ortalamalar, veri setindeki tüm değerleri hesaplamaya katan ve set içeri-
sindeki herhangi bir değişiklikten hemen etkilenen merkezi eğilim ölçüleridir. Aritmetik
ortalama, geometrik ortalama, harmonik ortalama ve kareli ortalama duyarlı ortalamalara
örnektir. Örneğin bir işçinin bir işi ortalama ne kadar sürede bitirebileceği daha önceden
aynı işi yapma sürelerinin bütününün aritmetik ortalaması alınarak tahminî olarak belir-
lenebilir. Buradaki ortalama hesabında bütün değerler hesaplamaya katılmak zorundadır.
Duyarlı olmayan ortalamalar, veri setindeki uç değerlerden etkilenmeyen ve hesap- “Uç değer”, veri setindeki diğer
lamaya, veri setindeki tüm değerleri katmayan merkezî eğilim ölçüleridir. Mod, medyan verilerle karşılaştırıldığında veri
setine uygun olmadığı düşünülen
ve kantil değerleri bu gruba giren merkezî eğilim ölçülerindendir. Örneğin bir ayakkabı aşırı küçük veya büyük değerlerdir.
üreticisi hangi numara ayakkabıdan aylık kaç adet üreteceği bilgisine daha önceki satışla-
rın mod değerlerine bakarak ulaşabilir. Böyle bir işlem için uç değerlerin önemi yoktur.
Değişkenlik Ölçüleri
Merkezî eğilim ölçüleri bir seriyi özetlemek için gerekli olmakla beraber çoğu zaman tek
başlarına yetersiz kalırlar. Merkezî eğitim ölçülerinin yanında değişkenlik ölçülerinin de
hesaplanması veri setinin anlaşılması konusunda etkili bir yöntemdir. Seriyi oluşturan
gözlem değerlerinin birbirlerinden ve duyarlı bir ortalama olan aritmetik ortalamadan ne
derece uzaklaştıklarının bilgisi değişkenlik ölçüleriyle anlaşılabilir. Değişkenlik ölçüleri
arasında değişim aralığı, değişim katsayısı, standart sapma ve varyans yer almaktadır.
Bir fabrika kaynak sıkıntısından dolayı ürettiği 2 ürünün birisinden vazgeçmek zorundadır. ÖRNEK 1
İki ürünün de son 1 yıl içerisinde sağlamış olduğu kâr ortalamalarına bakıldığında 1500 TL
olduğu görünmektedir. Böyle bir durumda sadece ortalamalardan yola çıkarak iki üründen
birisini elemek yanlış olacaktır. Bu noktada değişkenlik ölçülerinin de hesaplanması gerek-
mektedir. Şekil 2.4’te ilgili iki ürünün ay bazlı kâr dağılımı görülmektedir.
Şekil 2.4
14 5 Ürün A ve Ürün B’nin
12 4
10 12 4
Aylara Göre Kâr
Frekans
Frekans
8 3 Dağılımları
3 3
6 2
4 2
2 1
0 0
900-1200 1201-1500 1501-1800 1801-2100 900-1200 1201-1500 1501-1800 1801-2100
Ürün A’nın Aylara Göre Kâr Dağılımı Ürün B’nin Aylara Göre Kâr Dağılımı
Şekil 2.4’ten yola çıkan bir yöneticinin, B ürünündeki aylık kâr farklılıkları ve 1500
TL’nin üzerinde kâr sağlanan ayların 1500 TL’nin altında kâr sağlanan aylardan daha az
oluşunu göz önünde bulundurarak B ürününden vazgeçmesi uygun olacaktır.
Asimetri Ölçüleri
Bir serinin merkezî eğilim ölçülerinin ve değişkenlik ölçülerinin bilinmesi kadar dağı-
lım şeklinin bilinmesi de önemlidir. Seriler incelendiğinde seri içerisindeki verilerin
bazılarının ortadaki değere yakın noktalarda yoğunlaştığı, bazılarının en büyük değere
bazılarının ise en küçük değere yakın bir noktada yoğunlaştıkları gözlenebilir. Normal
dağılımdan uzaklaşan bu serilerin özellikleri basıklık ve çarpıklık ölçüleri ile anlamlandı-
rılabilir. Basıklık ve çarpıklık veri setini içerisindeki değerlerin dağılımının şeklini ortaya
koyan ölçülerdir. Basıklık, serinin frekans dağılımının normal dağılıma kıyasla daha sivri
ya da daha düz olduğunun belirlenmesini sağlar. Pozitif bir sonuç daha sivri bir dağılımı
gösterirken, negatif bir sonuç daha düz bir dağılımı göstermektedir. Çarpıklık ise seride
bulunan değerlerin aritmetik ortalama etrafında dağılımının asimetri düzeyini vermek-
tedir. Pozitif bir sonuç, değerlerin aritmetik ortalamadan daha büyük olduğu yönde bir
çarpıklık gösterirken, negatif bir sonuç ise tam tersi bir sonucu ifade etmektedir. Verinin
dağılım şekilleri işletmelerin karar verme süreçlerinde faydalandıkları önemli bir ölçüdür.
Merkezî eğilim ölçüleri, değişkenlik, asimetri ölçüleri ve endeksler başlıklarıyla ele alınan
konular ve hesaplamalarına Özer Serper’in “Uygulamalı İstatistik 1 (Bursa: 5. Baskı, 2004)”
adlı kitabından ayrıntılı olarak ulaşabilirsiniz.
Endeksler
Zaman ya da mekân içerisinde değişime uğrayan herhangi bir yığın olay için endeks he-
saplanabilir. Endeks; bir veri ya da veri setinin, zamana ya da mekâna göre aldığı değerlerin
oransal değişimini gösteren bir ölçüdür. Endekslerin hesaplanmasında birisi kıyaslanan,
birisi de baz alınan en az iki değere ihtiyaç vardır. Endeksler; çalışmanın amacına göre
mekân ve zaman endeksi olarak, değişken türüne göre sabit ve değişken esaslı endeksler,
değişken sayısına göre de basit ve bileşik esaslı endeksler olarak sınıflandırılmaktadırlar.
Basit esaslı endekste sadece bir malın fiyatı ya da miktarı kullanılmakta iken, bileşik esaslı
endekste birden fazla malın fiyatı ya da miktarı kullanılır.
Endekslerin en yaygın kullanım örneklerinden birisi TÜFE (tüketici fiyat endeksi)’dir.
TÜFE, belirli bir zamanda satın alınan malın ya da hizmetin fiyatının başka bir zaman
aralığındaki fiyatıyla karşılaştırma yapılmasını sağlayan bir ölçüm yöntemidir. Bu işlevin-
den dolayı TÜFE, enflasyonu ölçmede kullanılmaktadır.
Şekil 2.5
Tüketici Fiyat Endeks
Rakamları
Kaynak: www.tuik.gov.tr
Değişkenler Arasındaki İlişkilerin Belirlenmesi

Üstyönetimde bulunan karar vericiler sıklıkla iki değişken arasındaki ilişkinin hesaplan-
masına ihtiyaç duyarlar. En basit örneği, bir fabrikadaki işçilerin performansları ile ma-
aşları arasında bir ilişki olup olmaması durumunun incelenmesidir. Böyle bir durumda
korelasyon analizine ihtiyaç duyulur. Korelasyon, betimsel bir ölçü olup iki ya da daha
fazla değişken arasındaki doğrusal ilişkiyi ifade etmektedir. Korelasyon analizi ise genel
olarak iki değişken arasındaki ilişkinin yönünü, derecesini ve önemini ortaya koyan is-
tatistiksel bir yöntemdir. Değişkenler arasındaki ilişkinin yönünü ve derecesini belirten
katsayıya korelasyon katsayısı denir. Korelasyon katsayısı küçük r harfi ile gösterilir ve bu
katsayı -1 (eksi bir) ile +1 (artı bir) arasında değerler alır. Eğer r değeri, -1’e yakın değerler
alıyor ise değişkenler arasında negatif yönde, +1’e yakın değerler alıyor ise pozitif yönde
bir ilişki olduğu ifade edilebilir. r değerinin sıfıra yakın değer aldığı durumlarda ise iki
değişken arasında çok zayıf bir ilişki olduğu ya da hiçbir ilişki olmadığı sonucuna varılır.
Yaygın olarak kullanılan korelasyon katsayıları Pearson korelasyon katsayısı ve Spearman
korelasyon katsayısıdır. Değişken değerleri, oranlı ya da aralıklı ölçek ile elde edilmiş ve
normal dağılıma uygunluk gösteriyorsa, bu durumda Pearson korelasyon katsayısı hesap-
lanmaktadır. Değişken değerleri oranlı ya da aralıklı ölçek ile elde edilmiş ancak normal
dağılıma uygunluk göstermiyorsa, Spearman korelasyon katsayısı yararlı olmaktadır.
Görselleştirme Teknikleri
Eğitim bilimleri, psikoloji ve diğer alanlarda yapılan çalışmalar göstermektedir ki insan
beyni şekiller ve grafikler gibi görsel nesneleri, yazılı metinlerden çok daha hızlı bir şekil-
de algılayıp yorumlayabilmektedir. Klasik formatta sunulan karmaşık ve dağınık verileri
bir araya toplayarak, şekilsel, grafiksel veya görüntü gibi görseller aracılığıyla anlaşılır,
yorumlanabilir hale getirmek verilerden anlamlı sonuçların çıkarılması sürecini olumlu
yönde etkilemektedir. Görselleştirme teknikleri; yığın halinde olan verileri, tek bir alan
içerisinde göstererek ya da özetleyerek, insanın algılama yeteneklerini ve insanlar arası yo-
rumlama farklılıklarını dikkate alarak problem çözümüne olanak sağlamaktadır. Verilerin
görselleştirilmesi konusunda çok farklı yöntem ve metotlardan faydalanılmakla beraber, iş
süreçlerinde oluşturulan raporlarda tablolar, gösterge tabloları ve kurumsal karneler gibi
araçlardan sıklıkla yararlanılmaktadır.
Tablolar
Verilerin görselleştirilmesi konusunda verilmesi gereken ilk kararlardan birisi en verimli
görselleştirme tekniğinin seçilmesidir. Bu teknik bir tablo olabileceği gibi bir grafik ya da
bir diyagram olabilir. Genellikle grafikler ve diyagramlar daha hızlı bir şekilde anlaşılma-
sına rağmen bazı durumlarda tabloların kullanılması daha uygun olmaktadır. Bu durum-
lardan bazıları aşağıda verilmiştir:
• Okuyucunun tablo değerleri arasında göreceli karşılaştırmalar yerine kesin bir kı-
yaslama yapması gerekiyorsa,
• Okuyucu göreceli olmayan belirli değerlere ihtiyaç duyuyorsa,
• Değerler farklı birimler ya da çok farklı büyüklüklerden oluşuyorsa
böyle durumlarda tabloların tercih edilmesi uygun olacaktır.
Mevsimler Tablo 2.2

Mevsimlere Göre
İlkbahar Yaz Sonbahar Kış Toplam Gelirler ve Masraflar
Masraflar 24.500,00 TL 42.500,00 TL 23.000,00 TL 39.600,00 TL 129.600,00 TL Tablosu
Gelirler 47.300,00 TL 36.000,00 TL 62.000,00 TL 42.000,00 TL 187.300,00 TL
Şekil 2.6 incelendiğinde hangi mevsimde ne kadar masraf ve ne kadar gelir olduğu
açıkça görülebilmektedir. Eğer bu bilgiler bir tablo yerine bir grafikte verilseydi, okuyu-
cuların bu değerleri bu kadar açık bir şekilde görmeleri zorlaşacaktı (Şekil 2.6). Bununla
birlikte tabloya bakılarak değerler arasındaki ilişkilerin görülmesi, anlamlandırılması ve
yorumlanması süreci grafiklere nazaran çok daha yavaş işleyecektir. Kullanım amaçlarına
göre farklı tablo türleri mevcuttur.
Şekil 2.6
Mevsimlere Göre Mevsimlere göre gelir-masraf grafiği
Gelirler ve Masraflar 70.000,00 TL
Grafiği 60.000,00 TL
Masraflar
50.000,00 TL Gelirler
40.000,00 TL
30.000,00 TL
20.000,00 TL
10.000,00 TL
- TL İlkbahar Yaz Sonbahar Kış
Mevsimler
İki veya daha fazla değişkenin ilişkilerini göstermek için kullanılan tablolardan en
kullanışlı olanı matris raporları olarak da bilinen çapraz (olumsallık) tablolardır. Çapraz
tablolar, verileri kesişim noktalarındaki özetlenmiş bilgilerle birlikte satırlar ve sütunlar
hâlinde gösterir. Sınıflayıcı veya sıralayıcı ölçekle elde edilmiş verileri analiz etmek için
pazar araştırmasında, sosyal bilimlerde ve başka birçok alanda kullanılan istatistiksel bir
araçtır. İki veya daha fazla değişken düzeyi arasındaki ilişkinin karşılaştırılması ve birbir-
leriyle olan ilişkilerinin anlaşılmasına olanak sağlar. Tablo 2.3’te bir işletmenin ürünleri
fiyatlar bazında kategorilere ayrılmış ve her bir fiyat grubuna ilişkin kalite dereceleri be-
lirlenmiştir. Söz konusu veriyi özetleyen çapraz tablo örneği verilmiştir.
Tablo 2.3 Kalite Derecesi 10-19 TL 20-29 TL 30-39 TL 40-49 TL Toplam

Çapraz Tablo Örneği
Kötü 84 80 4 0 168
İyi 68 128 92 12 300
Çok İyi 4 28 56 44 132
Toplam 156 236 152 56 600
Yukarıda verilen çapraz tablo incelendiğinde, örneğin, 20-29 TL fiyat grubunda yer
alan ürünlerin 128 tanesi “iyi” kalite derecesine sahiptir. Toplam 600 ürünün 152 tanesi-
nin fiyatı 30-39 TL aralığında yer almaktadır.
Özet tablolar diğer bir deyişle pivot tablolar; büyük veri yığınlarının, çok fazla satır
içeren tabloların gruplanmasına, alt toplamlarının alınmasına, filtrelenmesine ve özetlen-
mesine olanak sağlayan önemli bir veri analiz aracıdır. Özet tablolar; genişletme (expand)
ve daraltma (collapse) yetenekleriyle verideki detayların gösterilmesi konusunda esneklik
sağlamaktadır. Özet tablolar ile veriler, anlaşılır ve yeniden düzenlenebilir özet bir çizelgeye
dönüştürülmekte ve böylece yüzlerce satır ya da sütundan oluşan veri tablolarından anlam-
lı bir veri sunumu oluşturabilmektedir. Farklı mekanlarda farklı zamanlarda satışı yapılan
farklı ürünlerin satış, miktar ve kâr değerlerinin bulunduğu bir veri seti için; ürünlerin me-
kanlara ve zamana göre satış tutarı veya satış miktarı, zamana göre ürünlerin ve mekanların
satış tutarı veya satış adedi, mekanların ürün ve zamana göre satış tutarı veya satış adedi
vb. karşılaştırmaların yapılması özet tablolarla mümkündür. Ayrıca satış, miktar veya kar
değerlerinin toplamı ya da ortalaması gibi pek çok farklı hesaplamalar da özet tablolarla
elde edilebilmektedir. Şekil 2.7’de iki farklı futbol takımı oyuncularının bir sezon içeresinde
atmış oldukları gol sayılarını gösteren bir özet tablo sunulmuştur. Yüzlerce kayıttan oluşan
bu iki takımın maç istatistikleri arasından istenilen kayıtların hızlı bir şekilde alınıp isteğe
bağlı olarak özetlenebilmesi veri analiz sürecini büyük ölçüde hızlandırmaktadır.
Şekil 2.7
İki Farklı Futbol
Takımı Oyuncularının
Bir Sezon İçerisinde
Atmış Oldukları
Golleri Gösteren Özet
Tablo
Gösterge Panosu (Dashboard)

Bir ya da daha fazla amaca ulaşma konusunda gerekli olan bilgilerin bir bakışta anla-
şılabilecek, tek bir ekrandaki derlenmiş ve organize edilmiş sunumuna gösterge panosu
adı verilir. Gösterge panoları, birçok verinin aynı sayfada özetlenmesini ve verilerin hızlı
analiz edilmesini sağlayan özet tablolar, özet grafikler ve dilimleyicilerden oluşmaktadır.
Gösterge panoları ile bütün görsel ögeler tek bir ekran ile sunulup sayfalar arası herhangi
bir gezinti yapılmadan bütün bilgilere erişmek hedeflenmektedir. Bu panolar, en kritik ve
sürekli değişen performans ölçümlerini hızlı bir şekilde yorumlamaya olanak sağlamakta-
dır. Bununla birlikte pano içerisindeki grafikler ve çizelgeler üzerinde filtreleme ya da ay-
rıntılara girip çıkma (drill down/up) gibi etkileşimler isteğe bağlı olarak kullanılabilmek-
tedir. Gösterge panoları doğrudan üstyönetimdeki karar vericiler için tasarlanmamış olup
kolay ve anlaşılır yapıları ile iş ve işçi performansları gibi durumları ölçmek için de işlet-
melerde sıkça kullanılmaktadırlar. Gösterge panoları güncellenme konusunda herhangi
bir kullanıcı etkileşimine ihtiyaç duymazken işletmenin yapısına ya da amaçlarına göre en
az günlük olarak otomatik bir şekilde güncellenebilmektedirler. Dünya’ da ve ülkemizde
çok az bilinen bu araçlar özellikle üstyönetimindeki karar vericilerin durum raporlarını
kolayca okumasını ve kullanmasını mümkün kılmaktadır.
Şekil 2.8
Bir Gösterge Panosu
Örneği
Anahtar Performans Göstergesi (Key Performance Indicator - KPI)

Anahtar performans göstergeleri Anahtar performans göstergeleri, işletmenin kurumsal hedeflerine ne derece ulaştığının
genellikle üstyönetim tarafından
belirlenir.
ölçülmesinde kullanılan metriklerdir. İşletmeler farklı düzeylerdeki hedeflerine ulaşma
konusundaki başarılarını ölçme gereksinimi duymaktadırlar. KPI’lar, işletmelerin strate-
jik hedefleri ile mevcut durumlarının karşılaştırılıp ne derece örtüşüp örtüşmediklerini
ortaya çıkararak üstyönetime karar verme konusunda destek olmaktadırlar. KPI’lar farklı
özelliklere sahip olmakla birlikte stratejik, gerçekçi, ölçülebilir, anlaşılabilir, zaman çerçe-
veli ve belirli bir temele dayanan metrikler olmalıdırlar.
Stratejik olma: KPI’lar stratejik bir hedefi somutlaştırmak için belirlenmelidirler.
Gerçekçi olma: KPI’lar göreceli, belirsiz ya da somutlaştırılamayacak hedefler üzerine
kurulmamalıdır.
Ölçülebilir olma: Hedefler belirli bir aralıkta belirlenmelidirler. Örneğin, geçen yıla
göre satışların %10 oranında artması gibi.
Anlaşılabilir olma: Kullanılan yazılımın görsel sunumu desteklemesi gerekir. Örneğin,
ölçümlerin farklı şekillerde renklendirilmesi çıktıların daha anlaşılır olmasını sağlayacaktır.
Zaman çerçeveli olma: Belirlenecek olan hedeflerin belirli bir zaman çerçevesi olması
beklenmektedir. Örneğin, “önümüzdeki 6 ay içerisinde üç yeni şubenin açılmış olması”
gibi bir hedef 6 aylık bir zaman çerçevesine sahiptir.
Belirli bir temele dayanma: Hedefler belirli bir noktaya göre ölçülmelidir. Örneğin, ge-
çen yılın sonuçlarına göre bu yıl için bir hedef belirlemek.
Kurumsal Karne (Skorkartları)

Kurumsal karne, birden fazla İlk kez 1992 yılında Dr. Robert Kaplan ve David Norton tarafından bir makale olarak
performans bileşeninin ölçülerek
ölçüm sonuçlarının özet bir Harvard Business Review (HBR)’da sunulan Kurumsal Karne kavramı, HBR tarafından
şekilde raporlanmasına dayanan 1925-2000 yılları arasındaki en etkili işletme fikirlerinden birisi olarak seçilmiştir. Bir
performans karnesidir.
stratejik performans yönetim sistemi olarak kabul edilen kurumsal karneler, işletmenin
kritik ve stratejik amaçlarını belirlemek, yönetmek ve ölçmek için kullanılmaktadır. Kap-
lan ve Norton tarafından sunulan kurumsal karne kavramı, bir işletmenin genel amaç-
larını dört boyuta indirgemekle birlikte buradaki amaç oluşturulan dört boyutlu modeli
bütün işletmelerde bir şablon olarak kullanmaktır. Bu boyutlar aşağıda verilmiştir.
Finansal boyut; bir işletmenin finansal amaçlarını kapsamakla birlikte üstyönetimdeki ka-
rar vericilerin finansal süreci ve paydaş ilişkilerini değerlendirmesine olanak sağlamaktadır.
Müşteri boyutu; müşteri memnuniyetini, ürün ve servis özelliklerini kapsamakla bir-
likte müşterilerin işletme hakkındaki görüşlerine önem vermektedir.
Dâhilî iş süreçleri boyutu; müşteri hedeflerine ulaşmak için gerekli olan kritik süreçleri
ve işletme içi operasyonların bütününü kapsamaktadır.
Öğrenme ve gelişim boyutu ise insan faktörleri, işletme faktörleri, bilgi kullanımı, ku-
rumsal kültür ya da liderlik vasfı gibi somut olmayan başarı ölçütlerini kapsamakta ve bu
ölçütlerin sürekliliğini ölçmektedir.
Bir işletmenin kurumsal karne anlayışı ve uygulamaları, pazardaki rekabet gücünü
arttırma konusunda önemli bir unsurdur. Kurumsal karne fikri ortaya atıldığından beri
işletmelerin performanslarının belirlenmesi konusunda yapılan araştırmalarda kullanıl-
makla beraber kamu kurumlarında, endüstride ve ticarette yaygın olarak kullanılmaya
başlanmıştır. En yaygın türü, dengeli kurumsal karnelerdir (Şekil 2.9).
Şekil 2.9
Müşteri Dengeli Kurumsal

Karne (Turban, 2014)
Dâhilî İş
Finansal Vizyon ve Strateji
Süreçleri
Öğrenme ve
Gelişim
Verinin görsel olarak grafikler veya diyagramlar yerine tablolar ile gösterilmesi hangi du-
rumlarda daha uygundur? 1
KESTİRİMCİ ANALİTİK: YÖNTEMLER
Üstyönetimdeki karar vericiler, işletmenin sürekliliğini sağlamak ve gelecekte de mevcut
pozisyonlarını korumak ya da geliştirebilmek için karşılaşılabilecek problemleri sezgile-
riyle kestirmek ve bu problemler için uygulanabilir çözümler üretmek zorundadırlar. Bu
amaçlarını gerçekleştirme konusunda kestirimci analitiklerden yararlanılması daha tutarlı
geri dönüşler sağlayacaktır. Kestirimci analitikler; tahmin teorisine dayalı ve işletmelerin
gelecekte karşılaşabilecekleri durumları önceden öngörmeyi hedefleyen yöntemlerin bü-
tünüdür. Genel amaçları; bağımsız değişkenlerin aldıkları değerlere dayanarak, bağımlı
değişkenin değerini kestirmek için model geliştirerek gelecekteki bir durum için tahmin Tahmin, örneklemden elde
yapmaktır (Han ve Kamber, 2006). Geleceğe dönük olarak yapılacak bu tahminler iki edilen örneklem istatistiği
yardımıyla evren parametresinin
farklı tür olarak değerlendirilebilir. Bunlardan birisi; bir kitle parametresini tahmin etmek değerinin tahmin edilmesidir.
için kullanılan örnek istatistiğinin değerini tahminlemeye yönelik nokta tahmini, diğeri
ise; parametreyi tahmin etmek için kullanılan değerleri içeren bir aralığın tahmin edilme-
sinde kullanılan aralık tahminidir (Şekil 2.10).
Şekil 2.10
İstatistiksel İstatistiksel
Yöntemlerin
Yöntemler
Sınıflandırılması
Betimsel Kestirimci
Tahmin Hipotez Testleri
Nokta Tahmini Aralık Tahmini
Günümüzde karar vericilerin en yaygın olarak kullandığı kestirimci analitik yönte-

mi veri madenciliğidir. Veri madenciliği, mevcut verilerden yola çıkılarak daha önceden
keşfedilmemiş yeni bilgilerin ortaya çıkarılması ve bulunan bu bilgilerin karar verme aşa-
malarında kullanılması mantığına dayanan bir yöntemdir. Veri madenciliği işlemlerinde
verilerin trendleri, veriler arasındaki ilişkiler ve verilerde zamana bağlı olarak görülen
değişimler gibi istatistiksel yöntemlerle ortaya çıkarılabilecek bilgiler, uygun algoritma ve
tekniklerle araştırılmakta ve anlamlandırılmaktadır. Veri madenciliği işlemlerinin sağlıklı
bir şekilde gerçekleşebilmesi ve verilerden anlamlı sonuçların çıkarılabilmesi için kulla-
nılacak olan verilerin kalitesi, işlemlerde kullanılması gereken algoritmaların tutarlılığı
ve doğruluğu büyük önem taşımaktadır. Günümüzde birçok işletme veri madenciliğin-
den faydalanmakla birlikte pazardaki gücünü arttırmak için yapmış oldukları madencilik
işlemlerinin sonuçlarından maksimum ölçüde yarar sağlamaktadır. Yapılacak olan veri
madenciliği işlemleri doğrultusunda verilen kararlar sayesinde doğru kişiye doğru ürünü
sunmak, mevcut müşteriyi elde tutmak, kaybedilen müşterileri yeniden kazanmak gibi
ileriye dönük kazanımlar sağlanabilir. Veri madenciliği işlemleri için kullanılan model ve
algoritmalarda regresyon analizi, lojistik regresyon, karar ağaçları, kümeleme teknikleri ve
yapay sinir ağları gibi tekniklerden sıkça faydalanılmaktadır.
Regresyon Analizi (Regression)

Üstyönetimdekiler karar verirken sıklıkla iki ya da daha fazla değişken arasındaki ilişkileri
inceler ve yaptıkları karşılaştırmalar sonucu bir karar verirler. Örneğin, reklam giderleri
ve satışlar arasındaki ilişkiden yola çıkan bir satış müdürü, şirketin gelecek yıl reklamlar
için ayırdığı bütçeyi değerlendirerek reklamlar sayesinde ne kadar satış geliri sağlayabile-
ceklerini tahmin edebilir. Bu tahminleri yaparken bir istatistiksel yöntem olan regresyon
analizinden faydalanılmaktadır. Regresyon analizi, bir ya da daha fazla değişkenin (ba-
ğımlı değişken) başka değişkenler (bağımsız/açıklayıcı değişken) cinsinden tahmin edil-
mesini sağlayacak ilişkiler bulmak ve bu ilişkileri anlamlandırmaktır. Bağımlı ve bağımsız
değişkenler arasında bulunan ilişkinin ifade edildiği matematiksel fonksiyona regresyon
denklemi adı verilmektedir. Regresyon denkleminde kullanılacak olan bağımlı ve bağım-
sız değişkenlerin sayılabilir ve ölçülebilir olması gerekmektedir. Kurulacak bu denklem
ile bağımlı ve bağımsız değişkenler arasındaki ilişkiyi kuran parametre değerleri tahmin
edilecektir. Bağımlı değişkenden yola çıkarak bağımsız değişkenlerin tahmin edilebilmesi,
işletmelerde alınacak olan kararların belirlenmesinde büyük pay sahibi olmaktadır. Tek
değişkenli regresyon modelleri; basit doğrusal regresyon, birden fazla bağımsız değişke-
nin olduğu regresyon modelleri de çoklu regresyon modelleri olarak adlandırılmaktadır.
Lojistik Regresyon Analizi (Logistic Regression)

Lojistik regresyon analizi, doğrusal regresyon analizine çok benzer olmakla beraber; bağımlı
değişkenin kategorik ya da kesikli (sürekli olmayan) bir değişken olması gerekmektedir.
Lojistik regresyon analizi, bağımlı değişkenin; iki, üç veya daha çok sayıda kategoride göz-
lemlendiği durumlarda açıklayıcı değişkenlerle ilişkisini belirlemek için yaygın olarak kul-
lanılan bir tekniktir. Klasik doğrusal regresyon analizinde belirli varsayımların sağlanması
koşulu vardır. Ancak lojistik regresyon analizinde normal dağılım varsayımı ve bağımsız
değişkenlerin sürekli olması gibi koşullar söz konusu değildir. Lojistik regresyon analizi,
oluşturulan lojistik modellere göre parametre tahminleri yapan ve olasılık kurallarına uy-
gun olarak sınıflama olanağı sağlayan bir tekniktir. Lojistik regresyonun kullanımında bir
teklife yanıt verme ya da kesikli değerler arasından bir seçim yapma gibi amaçlar gözetil-
mektedir. Lojistik regresyon analizinde ikili (binary) lojistik regresyon, nominal lojistik reg-
resyon ve sıralı (ordinal) lojistik regresyon olmak üzere üç temel teknik kullanılmaktadır.
İkili (Binary) Lojistik Regresyon Tekniği

Bağımlı değişken düzeylerinin ikili veya iki değere indirgenmiş olduğu durumlarda, ikili
lojistik regresyon tekniği uygun bir teknik olmaktadır. Bir veya daha fazla bağımsız de-
ğişken ile iki düzeyli bağımlı değişkenin her bir kategorisi arasındaki ilişkiyi ortaya koyar.
Bağımlı değişken var-yok, başarılı-başarısız, olumlu-olumsuz gibi değerler alır. Bağımsız
değişkenler iki grupta incelenir. Açıklayıcı değişkenler kategorik nominal ölçekli ise fak-
tör değişken, sürekli ise ortak değişken (covariate) olarak ifade edilir.
Multi-Nominal Lojistik Regresyon Tekniği

Nominal lojistik regresyon tekniği bağımlı değişkenin sınıflayıcı yani nominal ölçekli ve
en az üç kategorili olduğu durumda uygulanır. Meslek dalları (tıp, mühendislik, turizm,
öğretmenlik vs.), medeni durum (bekar, evli, boşanmış), öğrenim düzeyi (ortaöğretim,
lise, yüksekokul, lisans, vs.) gibi değişkenler nominal değişken grubuna örnek olarak
verilebilir. Bu modelde bağımlı değişken kategorileri doğal bir sıraya sahip değildir ve
kodlama yapılırken doğal bir sıra izlemesi şartı yoktur. Multi-Nominal lojistik regresyon
modeli, sıralı lojistik regresyon modeli de olduğu gibi ikili lojistik regresyon modelinin
genelleştirilmiş halidir. Bu modelde ikiden fazla kategori olduğu için ilk veya son kategori
referans kategorisi olarak belirlenir (Özdamar, 1999). Belirlenen referans kategorisinin
diğer kategoriler ile ilişkisi olasılık kurallarına uygun olarak incelenir.
Sıralı (Ordinal) Lojistik Regresyon Tekniği

Bağımlı değişkenin kategorilerinin sıralı ölçekle ölçüldüğü durumlarda uygulanan bir
tekniktir. Bağımlı değişken en az üç kategoriye sahiptir ve kategoriler doğal bir sıraya göre
ve küçükten büyüğe doğru kodlanmalıdır. Sıralı kategorik değişkene, hastalığın şiddeti
(en az şiddetliden en çok şiddetliye doğru), gelir düzeyi (düşük gelir düzeyi, orta gelir
düzeyi ve yüksek gelir düzeyi) gibi birçok örnek verilebilir. Sıralı lojistik regresyon anali-
zinde, bağımsız değişkenlerin tümünün sürekli veya kategorik olmasına ilişkin herhangi
bir koşul yoktur. Ancak yapılan çalışmalarda, sürekli sayısal bağımsız değişkenlerin tercih
edilmesi önerilmektedir.
Karar Ağaçları (Decision Trees)

Karar ağaçları, öngörü ve sınıflandırma için yaygın olarak kullanılan ve oldukça güvenilir
olan bir veri madenciliği tekniğidir. Sınıflandırma ağacı da olarak adlandırılan bu yapılar;
bağımlı değişkenler arasındaki farklardan yola çıkarak değişken setini sıralı bir şekilde
gruplamayı hedeflemektedir. Buradaki temel yöntem değişkenler arasındaki farkların en
büyük olduğu durumların değerlendirilmesidir. Karar ağaçları; karar düğümleri, dal ve
yapraklardan oluşmaktadır (Şekil 2.11). Bu yapısı, betimsel istatistik yöntemleri kullanıla-
rak bulunan sonuçların anlamlandırılması noktasında çıkan zorlukları bir ölçüde aşarak
karar verici için veriler arasında bir ilişki kurmakta ve kararı destekleyen bir yapıya dö-
nüşmektedir. Uygulanmasında düğümlerden yapraklara doğru inilerek kurallar yazılır ve
karar verici bu kurallara bakarak anlamlı sınıflandırmaların gerçekleşip gerçekleşmediği
konusunda bir fikir sahibi olacaktır. Yaygın bir örneği bankacılıkta kullanılmakta olup,
kredi başvurularının değerlendirmesinde kullanılan risk gruplarının belirlenmesinde ka-
rar ağaçlarından faydalanılmaktadır.
Şekil 2.11
Karar Ağaçlarının
Yapısı
Düğüm
Dal Dal
Düğüm Düğüm
Dal Dal
Yaprak Yaprak
Karar ağaçları algoritmalarına ilişkin ayrıntılı açıklamalar Gökhan Silahtaroğlu’nun “İs-

tanbul: 2. Basım, Veri Madenciliği: Kavram ve Algoritmaları, 2013” adlı kitabında ayrıntılı
olarak verilmiştir.
Kümeleme Yöntemleri (Clustering)

Kümeleme yöntemleri, verinin belirli özelliklerden yararlanılarak olabildiğince homojen
gruplara ayrılması ve farklı gruplar arasındaki ilişkinin de olabildiğince az olması görü-
şüne dayanan veri madenciliği tekniğidir. Bu yöntemler, veriyi bölümleyerek belirlenmiş
olan kriterlere göre değerlendirmektedir. Kümeleme yöntemlerinde, veriye ve istenilen
kümeleme kriterlerine göre farklı algoritmalar kullanılmaktadır. Bu algoritmalardan yay-
gın olarak k-means ve k-medoids algoritmaları kullanılmaktadır. k-means algoritmasının
temelinde her kümenin kendi merkezi ile k-medoids algoritmasının temelinde ise her kü-
menin küme içerisindeki bir değişken ile temsil edilmesi yatmaktadır.
Şekil 2.12
y Kümeleme Örneği
Yapay Sinir Ağları (Artificial Neural Networks)

Yapay sinir ağları, insan beyninden yola çıkarak nöronların arasındaki iletişimin mate-
matiksel olarak modellenmesi ve veri madenciliği işlemlerinde bu modellerden faydala-
nılmasına dayanır. Yapay sinir ağları istatistiksel yöntemlerden farklı olarak herhangi bir
parametrik modeli öngörmemekle birlikte, insan beyninin öğrenme ve öğrenilenlerden
yeni bilgiler türetebilme sürecinde izlediği yolu kendisine model alarak, bunun otomatik
olarak gerçekleştirilmesi konusunda geliştirilen sistemlerdir. İnsan beynindeki nöronların
incelenerek modellenmesi veri işleme işlemlerinin yeni bir boyut kazanmasını sağlamıştır.
Bir bankaya kredi başvurusunda bulunan bir müşteriye kredi verilip verilmemesi kararının
verilmesinde hangi kestirim tekniğinden faydalanılması daha uygun olacaktır? 2
İŞLETME ANALİTİĞİ YAZILIMLARI

2013 yılında dünya çapında yapılan araştırmada, teknolojinin gelişmesi ve işletmelerin
talepleri doğrultusunda İşletme Analitiği yazılım pazarının %8,2 büyüyerek 37,7 milyar
ABD Dolarına ulaştığı bildirilmiştir. 2018 yılına kadar yazılım gelirlerinin %9,4 büyüye-
ceği tahmin edilmektedir.
İşletme analitiği yazılım pazarı; veri ambarı platformu, işletme analitiği araçları, perfor-
mans yönetimi ve analitik uygulamaları olmak üzere 3 alt yazılım grubundan oluşmaktadır.
En iyi 20 İşletme Analitiği tedarikçi firmaları arasında %18’lik pay ile en büyük pazara
sahip olan ORACLE firmasını sırasıyla SAP (KXEN’i de bünyesine katarak), IBM ve Mic-
rosoft takip etmektedir.
İlk 10 tedarikçi firma arasında ise sadece SAS ve Teradata salt İşletme Analitiği yazılım-
larına yönelmiştir. İlk 10 tedarikçi pazarın %68,5’ine sahiptir. İşletme Analitiği yazılım paza-
rında birçok tedarikçi yer almakla birlikte, IBM, FICO, Oracle, Revolution Analytics, Salford
Systems, SAP, SAS, TIBCO, MICROSOFT, Statsoft, Tableau Software işletmelerin ihtiyaçla-
rını karşılayan çözüm önerileri getiren en popüler tedarikçiler arasında yer almaktadır.
Her gün sayısı katlanarak artan işletme analitiği araçlarının takibi giderek zorlaşmak-
tadır. Bu bölümde, son yıllarda işletme analitiği araçları arasında önemli yer edinmiş ve
işletmeler tarafından sık kullanılan bazı araçlara yer verilecektir. Böylece, ele alınan işlet-
me analitiği yazılımlarının, işletmelere, öğrencilere ve diğer kullanıcılara belirli bir bakış
açısı kazandırması ve faydalı olabilmesi amaçlanmıştır.
Betimsel Analitik Yazılımları

Betimsel analitik yazılımları, veri görselleştirme araçları ve betimsel istatistik analiz araçları-
nı kapsamaktadır. Betimsel analitik yazılımları; işletmelerin sıkça başvurdukları, kaydı tutu-
lan verilerden işletmenin mevcut durumunun gözlemlenebildiği yazılımlar olmakla birlikte,
üstyönetimdeki karar vericilere şirket politikalarının belirlenmesinde büyük katkılar sağla-
maktadır. Aşağıda işletmelerde sık kullanılan betimsel analitik yazılımlarına yer verilmiştir.
Microsoft Business Intelligence Suite

• Microsoft İş Zekâsı (BI), Microsoft SQL Server özelliklerinin üzerine kurulmuştur.
• Microsoft SharePoint ve Microsoft Office Excel ile birlikte tam donanımlı bir bilgi
platformu sunar.
• Kuruluşların değişen ihtiyaçlarına hızlı cevap verebilmek için esneklik sağlamaktadır.
• SQL Server Analysis Services, OLAP küplerinden anlamlı verilerin elde edilmesi-
ne ve analizlerde kullanılmasına olanak sağlamaktadır.
• Kuruluşlar ile ilgili karmaşık veri setlerinden raporlamalar yaparak oluşturulan
gösterge panoları (dashboard) ile yöneticilerin işleriyle alakalı bilgileri analiz et-
mesine olanak tanır.
Oracle Business Intellegence Suite

Oracle Business Intelligence Standard Edition One, orta ölçekli işletmeler veya çalışma
gruplarına yönelik bir yazılımdır. Yazılım kendi içerisinde 5 farklı özelliği içeren ek paket-
lerden oluşmaktadır.
• Oracle Warehouse Builder: Çoklu kaynak istemlerini temel alan yüksek kaliteli bir
veri ambarı oluşturmayı ve sürdürebilirliğini sağlayan bir veritabanı sistemidir.
• Oracle Business Intelligence Server: Çoklu kaynaklardan gelen verileri tek bir nokta-
da birleştirerek daha basit şekilde görülebilmelerini sağlayan bir araştırma ve ana-
liz sunucusudur.
• Oracle Business Intelligence Interactive Dashboards: Özel veri analizlerini ve uygun
özet raporları anında görebilmeyi mümkün kılan sezgisel bir ağ tarayıcı arayüzüdür.
• Oracle Business Intelligence Answers: Bir ince istemci (thin client) olmakla beraber
özel durum araştırma ve analiz çözümüdür.
• Oracle Busıness Intellıgence Publisher: Bir işletmenin sahip olduğu tüm dokümanla-
rın ve analiz raporlarının yaratımı, yönetimi ve dağıtımı için birleşik bir çözümdür.
IBM Cognos Insight

Kullanıcıların iş performansını anlamaya çalışırken, kişilerin düşünme ve çalışma yöntemi-
ni desteklemeye yardımcı olacak raporlar, özet istatistikler, gösterge panolarını ve kurumsal
karneler gibi işletme analitiğinde sıkça kullanılan araçları hazırlama imkânı sunmaktadır.
SAP Business Objects

• Şirketlerin yapmış olduğu işlem temelli kayıtları anlamlı bir bütün haline getirip
çapraz raporlamalar yardımı ile karar alma süreçlerinde farklı bakış açıları sunar.
• Farklı ortamlardaki verilere kolay erişim ve pekiştirme sağlar.
• Doğru verilerin, doğru zamanda, doğru kullanıcılara sunulmasını sağlamak için
tek bir bilgi altyapısı sağlar.
• Geçmiş verilerden eğilimleri belirlemek ve potansiyel getirilerini tahmin etmek
için gelişmiş analiz sağlar.
• Karmaşık verileri kolayca görsel öğelere dönüştürmek için interaktif modellerde
gösterge panoları ve görsel öğeler içerir.
• Verilerin pratik ve kolay yöntemlerle görselleştirilebilmesini sağlar.
• Bilgi teknolojileri dışında iş alanlarındaki kullanıcıların da gerektiğinde Excel ya
da Access gibi veri kaynaklarından kişisel raporlar oluşturma ve görsellerin Micro-
soft Office, PDF, Web ya da kurum portalı üzerinden paylaşımına imkân tanır.
SAS Business Intelligence

SAS, veri kaynakları ve son kullanıcılar arasında etkileşimi sağlamak için geliştirilmiş bir
platformdur. Kullanıcıların raporlama ve analizlerini kendilerinin gerçekleştirebilmeleri
için veri entegrasyonu imkânı sağlamaktadır. Pratikte betimsel istatistikler, tahmin model-
leri, veri madenciliği ve metin madenciliği uygulamalarını içermektedir. SAS Analitikleri ve
SAS Veri Yönetimi gücünü birleştirerek işletmelerin daha etkin kararlar almaları için kulla-
nıcılara güçlü bir araç sağlamaktadır. Öne çıkan özelliklerinden bazıları aşağıda verilmiştir.
• Özelleştirilmiş işlem panoları geliştirme,
• Veri görselleştirme,
• Web tabanlı raporlama,
• Ofis dışından birden fazla mobil işletim yeteneği,
• Güçlü sorgu ve analiz imkânı,
• Gelişmiş meta-veri yönetimi seçenekleri,
• Model geliştirme ve analizler için sihirbazlar ile desteklenen uygulama geliştirme
Kestirimci Analitik Yazılımları

Kestirimci analitik yazılımları, çeşitli analizler ile veri desenlerini inceleyerek geleceğe dö-
nük tahminlerin yapılmasını sağlamaktadırlar. Bu yazılımlar; işletmelerin gelecek planla-
rını belirlemelerinde önemli teknolojiler olmakla beraber, analiz edilen verilerin kalitesiz
olma durumunda, karar vericilerin yanlış kararlar almasına da yol açabilmektedirler. Aşa-
ğıda işletmelerde yaygın olarak kullanılan kestirimci analitik yazılımlarına yer verilmiştir.
Microsoft Excel
Birçok tahmin modelleri ve veri madenciliği görevleri Excel içinde uygun eklentilerle ger-
çekleştirilebilmektedir. Excel için, 11Ants Model Builder, DataMinerXL ve XLMiner olmak
üzere en sık kullanılan üç farklı modelleme ve veri madenciliği eklentisi bulunmaktadır.
11Ants Model Builder: Analitik çözümleri, Microsoft Excel ortamında gerçekleştirilir
ve modeller daha sonra 11Ants Predictor kullanılarak kurumsal veritabanlarına dağıtıla-
bilir. 11Ants Model Builder;
• Karar ağacı,
• Gauss süreçleri,
• Lojistik regresyon,
başta olmak üzere çeşitli veri madenciliği algoritmalarını içermektedir.
DataMinerXL, geniş yelpazede veri madenciliği algoritmalarının uygulanmasına
imkân vermektedir.
• Regresyon analizi,
• Naive Bayes,
• Karar ağaçları,
• Yapay sinir ağları,
• Destek vektör makineleri (DVM)
algoritmalarını içermektedir. Bununla birlikte Predixion Kurumsal Insight, Hadoop’un
ve Greenplum gibi büyük veri kaynaklarından elde edilen verinin işlenmesine imkân ver-
mektedir. Üretilen modeller SharePoint panoları kullanılarak paylaşılabilmektedir.
XLMiner; veri hazırlama araçları, zaman serileri analizi ve görselleştirme araçlarının

doğrusal regresyon (lojistik ve doğrusal), Bayes sınıflandırıcı, birliktelik kuralları, sinir
ağları, sınıflandırma ve regresyon ağaçları, kümeleme, asal bileşenler ve diskriminant ana-
lizini içermektedir. Desteklenen veri kaynakları arasında Microsoft’un PowerPivot, Mic-
rosoft / IBM / Oracle veritabanları yer almaktadır.
IBM SPSS Predictive Analytics Enterprise (Statistics, Modeler)

SPSS Predictive Analytics Enterprise, kapsamlı ve ayrıntılı betimsel ve tahmine dayalı
analitik, veri hazırlama ve otomasyon özelliklerine sahiptir. Herhangi bir kaynaktan elde
edilen yapılandırılmış ve yapılandırılmamış verilerin analitiğini sağlar. Bu tek çözümle,
insan sermayesi yönetimine, kanıta dayalı tıbba, suçun tahmin edilmesine ve önlenme-
sine, tedarik zinciri analizine ve çok daha fazlasına istatistiksel analiz, veri madenciliği,
gerçek zamanlı puanlama ve karar yönetimi uygulama imkânı vermektedir.
SPSS Predictive Analytics Enterprise, tek ürün içerisinde IBM’in birinci sınıf tahmine
dayalı analitik yazılımlarının bir bileşimidir. Kullanıcılar sunduğu en önemli avantajları
aşağıda listelenmiştir.
• Kullanıcılarının ve üst düzey yöneticilerin, işletmenin tüm seviyelerinde alınan ka-
rarlarda tahmine dayalı çıkarsamadan yararlanmasını kolaylaştırmak için tahmine
dayalı analitiğe yönelik görsel bir yaklaşımı içermektedir.
• Yöneticilerinin, programlama ya da istatistik bilgi birikimine gereksinim duymaksı-
zın müşterileri ve ilişkilerini etkileyen faktörleri belirlemesine olanak sağlamaktadır.
• İş analistlerinin, analitik profesyonellerinin ve veri bilimcilerin gereksinimlerini kar-
şılayan kapsamlı ve derinlemesine veri erişimi, işleme ve algoritmaları sunmaktadır.
• Tahmine dayalı analitiği çok sayıda operasyon ortamında iş kuralları ile birleştire-
bilmektedir.
Platform, SPSS Statistics, SPSS Modeler, SPSS Analytic Server ve SPSS Collaboration/
Deployment Services olmak üzere 4 temel bileşenden oluşmaktadır.
IBM SPSS Statistics, iş sorunlarını ve/veya sorularını araştıran analistler için gelişmiş
istatistik ve veri yönetimi sağlamaktadır. Verilerin toplanması, analizi, açıklanması, yo-
rumlanması ve sunumuna imkân vermektedir. Bu ürün, bir veri örneğine ilişkin öngörü-
ler sağlamak için kullanılabilir ve verilere dayalı tahmine yönelik araçlar sağlamaktadır.
IBM SPSS Modeler, tahmine dayalı zekâyı bireylerin, grupların, sistemlerin ve kurulu-
şun aldığı kararlara dahil etmek üzere tasarlanan kapsamlı bir tahmine dayalı analitik plat-
formudur. SPSS Modeler, metin analitiği, varlık analitiği, karar yönetimi ve optimizasyonu
dâhil olmak üzere, bir dizi gelişmiş algoritma ve teknik sağlayarak, masaüstünden veya ope-
rasyonel sistemler içerisinde sürekli olarak doğru kararlar alınmasına olanak sağlamaktadır.
Ayrıca, büyük veriye Hadoop gibi kaynaklardan erişilmesi için SPSS Analytic Server
hizmeti sunmaktadır.
R
R istatistiksel yazılım geliştirme ortamı; veri manipülasyonu, hesaplama ve grafik gösteri-
mi için tasarlanmıştır. R dilinin söz dizimi kuralları (syntax) C diline benzerlik gösterir.
Fonksiyonel bir programlama dili olan R istatistikçiler ve matematikçiler için kod yazmayı
kolaylaştıran fonksiyonlara sahiptir. R en kapsamlı istatiksel analiz paketidir. Standart ista-
tistiksel testler ve modellerin hepsini içermektedir. Analizlerin yanı sıra, verileri yönetmek
ve işlemek için kapsamlı bir dil sağlamaktadır. R dilinin bazı özellikleri aşağıda verilmiştir.
• R yazılımı, 19 geliştiriciden oluşan çekirdek bir ekip tarafından geliştirilmektedir.
• Açık kaynak kodlu olduğu için, kapalı kaynak kodlu yazılım aksine, birçok ulusla-
rarası üne sahip istatistikçiler ve bilim adamları tarafından gözden geçirilmiştir.
• Hiçbir lisans kısıtlaması yoktur.
• Kullanıcılara, uygulama geliştirip lisans koşulları altında satma olanağı tanımaktadır.
• Etkin veri işleme ve saklama özelliğine sahiptir.
• Dizi ve özellikle matris hesaplamalarında kullanılabilecek özel operatörlere sahiptir.
• Veri analizi için kullanılabilecek uyumlu ve bir arada kullanılabilen 15.000’in üze-
rinde paket içermektedir.
• Veri çözümlemede kullanılabilecek grafiksel araçlara sahiptir.
• Microsoft Excel, Microsoft Access, Oracle, MySQL ve SQLite, Hadoop, SAS ve
SPSS gibi birçok araç ile bağlantı kurularak dış veri alma ve dışa veri aktarma iş-
lemleri gerçekleştirme olanağı sunmaktadır.
Rapid Miner
Açık kaynak kodlu bir araç olan Rapid Miner, veri analizi, önişleme, sınıflama, kümeleme,
birliktelik kuralları çıkarımı, nitelik seçimi işlemlerini içermektedir. Oracle, MS SQL Server,
PostgreSQL, MySQL, JDBC, Sybase, Access, IBM DB2, Ingres veritabanlarını ve metin dos-
yalarını destekleyen bir platformdur. Yazılım pazarında en kapsamlı yazılımlardan biri olarak
yerini almaktadır. Excel dosyalarıyla bağlantı kurabilme imkânı sunmaktadır. MS Windows,
GNU/Linux, Mac Os X işletim sistemlerinde kolayca ve hatasız olarak çalışabilmektedir.
RapidMiner’ı öne çıkaran özellikler;
• Birçok algoritmayı ve uzantıyı, formatı desteklemesi,
• Açık kaynak kodlu olması,
• Grafik öğelerine önem vermesi,
• Sürükle-bırak mantığı ile çalışmasından dolayı kurulumunun, kullanışının kolay
olması,
• Popüler veritabanlarını desteklemesi
olarak sıralanabilir.
Weka
Tamamen modüler bir tasarıma sahip olup, içerdiği özelliklerle veri kümeleri üzerinde;
görselleştirme, veri analizi, veri madenciliği gibi işlemler yapılabilmektedir. Kendisine
özgü olarak bir “.arff ” uzantısı desteği ile gelmektedir. CSV dosyalarını da ARFF forma-
tına çevirmeye yarayan araçlar mevcuttur. Sınıflandırma, kümeleme, birliktelik kuralları
olmak üzere veri madenciliği görevlerini gerçekleştirebilmektedir. Ayrıca, veri kümeleri
üzerinde veri ön işleme ve görselleştirme yapılmasına imkân vermektedir.
Statistica
StatSoft’un analitik yazılım ürünleri ve çözümleri içeren yazılım paketidir. Statistica;
• Veri analizi,
• Veri yönetimi,
• Veri görüntüleme,
• Veri madenciliği
için en kapsamlı prosedür setlerini önermektedir. Prosedür yelpazesi, bir yazılım platfor-
munda öngörü modellemesi, gruplama ve sınıflandırma yapılması için en geniş yöntem ve
araştırma metotlarını içermektedir.
Oracle Data Miner

Oracle Data Miner, veritabanı içinde veri ile doğrudan çalışma imkânı sunarak; veri gör-
selleştirme, yapılandırma ve birden çok veri madenciliği modellerinin uygulanmasına
olanak tanımaktadır. Özelliklerin bazıları aşağıda listelenmiştir.
• İş akışı içeriğinin tam desteklemek için SQL komutları oluşturur, verileri dönüş-
türmek veya yeni bir veri kaynağı sağlamak için SQL sorgularından yararlanır.
• R Dili kodlarıyla bütünleşik olarak çalışarak veri görselleştirme imkânı sağlamaktadır.
• Kümeleme, sınıflandırma, tahmin ve öngörü modeli oluşturma gibi çeşitli veri ma-
denciliği görevlerinin gerçekleştirilmesine imkân tanır.
Kavram olarak işletme analitiği doğru anlaşılmış ve yaygın kavramlardan biri değildir.
İşletme analitiğine yönelik fırsatları fark eden işletmelerin beklentileri, yazılım dünyasının
konuya bakışını da konuyu işleme şeklini de belirleyecektir. İşletme analitiği yazılımları-
nın, zaman içinde izleyeceği çizginin bir ucu profesyonel veri analistlerinin ofislerinden
başlayacağını ve karar vericilerin bilgisayarlarının masaüstünde yer alan analitik araçla-
rına doğru bir yol oluşturacağını bekleyebiliriz. Söz konusu karar vericilerin bir kısmını
işletmelerin profesyonel yöneticileri, diğer bir kısmını ise internet işletmeciliğinin bilinçli
müşterileri oluşturacaktır.
Betimsel analitik yazılımları ile kestirimci analitik yazılımları arasındaki en temel fark size
3 göre nedir?
Özet
Betimsel analitik yöntemleri ile ilgili temel kavramları Güncel İşletme Analitiği yazılımlarını ve özelliklerini
1 tanımlamak. 3 listelemek.
Betimsel analitikler, işletmelerin bulundukları koşul- Betimsel Analitik yazılımları, veri görselleştirme araç-
lardaki ve geçmişteki durumunun ve stratejik karar- ları ve betimsel istatistik analiz araçlarını kapsamak-
larına etkilerinin belirlenmesinde kullanılmaktadır. tadır. Microsoft Business Intelligence Suite, Oracle
Bu tür analitikler, işletmelerin durumunun kolay an- Business Intellegence Suite, IBM Cognos Insight, SAP
laşılabilmesi için verilerin sıralanması, düzenlenmesi, Business Objects, SAS Business Intelligence işletmele-
grafiğinin çizilmesi ve özetlemesi amaçlarına hizmet rin ihtiyaçlarını karşılayan çözüm önerileri getiren en
etmektedir. Betimsel analitikler, betimsel istatistik- yaygın yazılımlar arasında yer almaktadır. Betimsel
lerden yararlanmakla birlikte veri türleri, verilerin analitik yazımlarının temel görevi işletmenin mevcut
derlenmesi, veri dağılımları, merkezi eğilim ölçüle- durumunu yansıtacak teknik bilgilerin ve belgelerin
ri, değişkenlik ölçüleri, asimetri ölçüleri, endeksler, oluşmasına katkıda bulunmaktır. Kestirimci analitik
tablolar, gösterge panoları, anahtar performans gös- yöntemleri ise mevcut verilerin analiz edilerek bu
tergeleri ve kurumsal karneler, betimsel analitik için bilgilerden çeşitli kestirimler yapılmasına olanak sağ-
önemli kavramlardır. lamaktadır. Bu yazılımların başında; Microsoft Excel,
IBM SPSS, R, Rapid Miner, Weka, Statistica ve Oracle
Kestirimci analitik yöntemlerinin faydalandığı teknik- Data Miner gelmektedir.
2 leri açıklamak.
Karar verme zorunluluğunda olan işletmeler, mevcut
durumlarını korumak ve geliştirebilmek için gele-
cekte karşılaşabilecekleri durumları tahmin etmek
ve iyi bir plan çerçevesinde uygun çözümler üretmek
zorundadırlar. Bu amaçların gerçekleşmesi nokta-
sında kestirimci analitikler kritik rol oynamaktadır.
Kestirimci analitikler tahmin teorisine dayalı ve işlet-
melerin gelecekte karşılaşabilecekleri durumları ön-
ceden öngörerek çeşitli veri ve teknikleri kullanarak
önlemler alınmasını sağlamaktadır. Genel amaçları;
bağımsız değişkenlerin aldıkları değerlere dayanarak,
bağımlı değişkenin değerini kestirmek için bir model
geliştirerek, gelecekteki bir durum için tahmin yap-
maktır. Kestirimci analitik araçları; değişkenler ara-
sındaki ilişkileri inceleyen regresyon analizi ve lojistik
regresyon analizinden, bağımlı değişkenler arasın-
daki farklardan yola çıkarak değişken setini sıralı bir
şekilde gruplayan karar ağaçlarından, verilerin çeşitli
özelliklere göre gruplanmasını sağlayan kümeleme
yöntemlerinden ve insan beyninin çalışma mekaniz-
masından yola çıkarak bu mekanizmanın bilgisayar-
larda uygulanmasını sağlayan yapay sinir ağlarından
faydalanmaktadır.
1. Karar vericilerin, verileri anlamlandırarak durumbilgi- 6. Aşağıdakilerden hangisi anahtar performans göstergele-
lerine ve yöntembilgilerine dönüştürmesinde kullanılan tek- rinin özelliklerinden biri değildir?
nolojilerin bütününe ne ad verilir? a. Gerçekçi olma
a. İnsan Kaynakları Yazılımları b. Ölçülebilir olma
b. Büyük Veri c. Zaman çerçeveli olma
c. Veri Madeni d. Anlaşılabilir olma
d. İşletme Analitiği Araçları e. Modellenebilir olma
e. Veri Etiketleme Sistemleri
7. Bir ya da daha fazla amaca ulaşma konusunda gerekli
2. Aşağıdakilerden hangisi rekabet gücünü arttırmak iste- olan bilgilerin bir bakışta anlaşılabilecek, tek bir ekrandaki
yen karar vericilerin bilmesi gereken işletme analitiği araçla- derlenmiş ve organize edilmiş; özet tablolar, özet grafikler ve
rından biri değildir? dilimleyicilerden oluşan sunuma ne ad verilir?
a. Çevrimiçi Analiz İşleme Araçları a. Kurumsal Karneler
b. Görüntülü İletişim Araçları b. Karar Ağaçları
c. Veri Madenciliği Araçları c. Gösterge Panosu
d. Benzetim Araçları d. Anahtar Performans Göstergeleri
e. İş Kural Motorları e. OLAP
3. Üstyönetimdekiler ve analistler tarafından “analitiğin 8. Aşağıdakilerden hangisi betimsel analitik yöntemlerine

son ayağı” olarak tanımlanan işletme analitiği aracı aşağıda- örnektir?
kilerden hangisidir? a. Anahtar Performans Göstergeleri
a. Benzetim Araçları b. Karar Ağaçları
b. İşlemtabloları c. Regresyon Analizi
c. Görüntülü İletişim Araçları d. Yapay Sinir Ağları
d. OLAP e. Nokta Tahmini
e. Kantitatif Algoritmalar
9. Aşağıdakilerden hangisi betimsel analitik yazılımın yap-
4. Koşullu önermeleri kullanarak belirli iş kurallarını uygu- ması gerekenlerden biri değildir?
layan yazılım aşağıdakilerden hangisidir? a. Raporlama
a. OLAP b. Gösterge Panosu oluşturma
b. Görüntülü İletişim Araçları c. Kurumsal Karne oluşturma
c. Veri Madenciliği Araçları d. Optimizasyon yapma
d. İş Kural Motorları e. Histogram oluşturma
e. Kurumsal Karneler
10. Aşağıdaki yazılımlardan hangisi veri madenciliği işlem-
5. Gruplanan veya toplanan verilerin detaylı olarak görün- lerini gerçekleştirir?
mesini sağlayan, veriler üzerinde biçimleme (Formatting) ve a. Microsoft Business Intelligence Suite
grafik oluşturma imkânı sunan ve verinin görsel olarak özet- b. Statistica
lenmesini sağlayan analitik yöntem aşağıdakilerden hangisidir? c. Oracle Business Intellegence Suite
a. Frekans Poligonları d. IBM Cognos Insight
b. Lojistik Regresyon Araçları e. SAP Business Objects
c. Karar Ağaçları
d. Yapay Sinir Ağları
e. Özet Tablolar

1. d Yanıtınız yanlış ise “Giriş” konusunu yeniden göz- müşterilerin kredi sonuçlarının tahmin edilmesinde ikili (bi-
den geçiriniz. nary) lojistik regresyon ya da karar ağaçları tahmin modelle-
2. b Yanıtınız yanlış ise “Giriş” konusunu yeniden göz- rinin kullanılması uygun olacaktır.
den geçiriniz.
3. b Yanıtınız yanlış ise “Giriş” konusunu yeniden göz- Sıra Sizde 3
den geçiriniz. Betimsel analitik yazılımları genellikle betimsel istatistik-
4. d Yanıtınız yanlış ise “Giriş” konusunu yeniden göz- ten yararlanan ve verinin mevcut durumunun sunumunda
den geçiriniz. kullanılan yazılımlardır. Bu yazılımlar genelde raporlama ve
5. e Yanıtınız yanlış ise “Görselleştirme Teknikleri” ko- grafikler oluşturma gibi veri sunumları için kullanılmaktadır.
nusunu yeniden gözden geçiriniz. Kestirimci analitik yazılımları ise verinin sunumunun yanın-
6. e Yanıtınız yanlış ise “Anahtar Performans Göstergesi da genellikle veri madenciliği işlemleri için de kullanılabil-
(Key Performance Indicator - KPI)” konusunu yeni- mektedir. Verilerin mevcut desenlerini analiz etme ve veriler
den gözden geçiriniz. üzerinde çeşitli algoritmaları kullanarak analizler yapma gibi
7. c Yanıtınız yanlış ise “Betimsel Analitik: Yöntemler” daha karmaşık işlevleri yerine getirebilmektedirler.
konusunu yeniden gözden geçiriniz.
8. a Yanıtınız yanlış ise “Betimsel Analitik: Yöntemler”
konusunu yeniden gözden geçiriniz. Yararlanılan ve Başvurulabilecek
9. d Yanıtınız yanlış ise “Betimsel Analitik Yazılımları” Kaynaklar
konusunu yeniden gözden geçiriniz. Akmut, Ö., Aktaş, R., Binay, H. S. (1999). Öngörü Teknikleri
10. b Yanıtınız yanlış ise “Kestirimci Analitik Yazılımları” Ve Finansal Uygulamaları. Ankara Üniversitesi Siyasal
konusunu yeniden gözden geçiriniz. Bilgiler Fakültesi Yayını: 584.
Akpınar, H. (2014). DATA Veri madenciliği Veri Analizi.
Papatya Yayıncılık Eğitim, İstanbul.
Camm, J., Cochran, J., Fry, M., Ohlmann, J., & Anderson, D.
Sıra Sizde Yanıt Anahtarı
(2014). Essentials of Business Analytics. Cengage Lear-
Sıra Sizde 1
ning.
Verinin görsel sunumunda kullanılan şekiller ve grafikler
Davenport, T. H., & Harris, J. G. (2007). Competing on
insan beyni tarafından yazılı metne göre daha hızlı bir şekil-
analytics: The new science of winning. Harvard Busi-
de algılanmaktadır. Böyle bir durumda verinin olabildiğince
ness Press.
fazla görsel öge ile donatılması onun daha hızlı bir şekilde
http://m.kapanoglu.com/aof/ybs202u
anlamlandırılmasına yol açacaktır. Fakat bazı durumlarda
http://www.tuik.gov.tr/
verinin görselleştirmesi her ne kadar bütünü okuyucuya ak-
Özdamar, K. (1999). Paket Programlar ile İstatistiksel Veri
tarabilse de ayrıntılar konusunda yetersiz kalabilmektedir. Bu
Analizi. Kaan Kitapevi, Eskişehir.
durumlardan bazıları aşağıda verilmiştir:
Serper, Ö. (2004). Uygulamalı İstatistik 1 (5. Baskı). Bursa,
• Okuyucunun tablo değerleri arasında göreceli kar-
Ezgi Kitabevi.
şılaştırmalar yerine kesin bir kıyaslama yapmasının
Serper, Ö. (2004). Uygulamalı İstatistik 2 (5. Baskı). Bursa,
gerektiği durumlar.
Ezgi Kitabevi.
• Okuyucunun göreceli olmayan belirli değerlere ihti-
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P.
yaç duyması durumu.
(2014). Businesss Intelligence and Analytics: Systems
• Değerlerin farklı birimler ya da çok farklı büyüklük-
for Decision Support (10th Edition). Prentice Hall.
lerden oluşma durumu.
Silahtaroğlu, G. (2013). Veri Madenciliği: Kavram ve Algo-
ritmaları (2. Baskı). Papatya Yayıncılık Eğitim, İstanbul.
Sıra Sizde 2
Winkler, O. W. (2009). Interpreting economic and soci-
Bir bankanın müşterilerine kredi verip vermeyeceği prob- al data: A foundation of descriptive statistics. Berlin:
leminin çözümünde, kredi verilip verilmemesi, kredi sonuç Springer.
bağımlı değişkeninin düzeylerini ifade etmektedir. Burada Zaki, M. J., & Meira Jr, W. (2014). Data mining and analy-
bağımlı değişken ikili değer almaktadır. Yani sınıflayıcı öl- sis: fundamental concepts and algorithms. Cambridge
çekle ölçülmüş bir değişken söz konusudur. Bu durumda University Press.
3
Amaçlarımız
 Excel çalışma sayfalarında bulunan metin verilerini isteğe uygun olarak düzen-
leyebilecek,
 Excel’de istenilen verileri seçebilecek,
 Excel ile tarih ve zaman hesaplamaları yapabilecek,
 Excel ile koşullu ifadeler oluşturabilecek
Anahtar Kavramlar
• İşlev • Metin İşlevleri
• Parametre • Tarih ve Zaman İşlevleri
• Başvuru • Koşullu İfadeler
• Hücre Aralığı • Mantıksal Sınama
• Diyalog Kutusu
İçindekiler
• GİRİŞ
• METİN VERİLERİNİN DÜZENLENMESİ
VE DENETİMİ
İşlemtabloları ile Veri Düzenleme
İşletme Analitiği • VERİ ARAMA, ADRESLEME VE
ve Denetleme KONUMLANDIRMA
• TARİH VE ZAMAN İŞLEVLERİ
• KOŞULLU İFADELER OLUŞTURMA
İşlemtabloları ile Veri
Düzenleme ve Denetleme
GİRİŞ
İşletme analitiğinin kurumsallaşması ve yaygın bir yönetim aracı haline gelebilmesi, an-
cak yaygın bilgi yönetme ve işleme araçlarının sürecin bir parçası haline getirilebilmesi ile
başarılabilir. Her yönetici, departman veya çalışanlar her düzeydeki probleme, “bilgiye”
ve “fırsat”lara dönüştürülebilme anlayışı ile yaklaşabilmelidir. Analitik rekabet gücünden
üst düzeyde yararlanabilme, kapsamlı bir analitik kültürün işletmeye kazandırılmasını ge-
rektirir. Bu konuda işletmelerin en çok yararlanacakları teknolojik çözümlerin başında
işlemtabloları kullanımını işletme analitiği araçlarından biri yapmak gelmektedir.
İşlemtablolarının ilk tasarlandıkları ve ortaya çıktıkları problem alanı, muhasebeye
dönük veri düzenleme ve denetlemedir. Günümüzde beyaz yakalı çalışma rutini içinde
veri düzenleme ve denetleme görevi içermeyen çalışma alanı bulmak oldukça güçtür. Bu
derece yaygın bir sorumluluk alanının etkin ve güvenilir bir şekilde yerine getirilmesi,
ancak işlemtabloları kadar yaygın yazılımlarla olanaklıdır.
İşlemtablosu kullanma konusunda yetkinlik düzeyindeki kullanıcılarla, acemi kullanı-
cılara uygulanmış olan bir çalışmanın sonuçları dikkate değerdir. “Yapmam gereken işleri
işlemtablosu kullandığımda daha kısa sürede yapıyorum” diyenlerin oranı yetkin kullanıcı-
larda %100 iken, acemiler için bu sadece %12’dir. Bu iki oran incelendiğinde dikkate değer
sonuçlar ortaya çıkmaktadır. Acemiler için işlemtablosu, yapılan işe ayrılan süreyi kısalt-
mamaktadır. Uzman kullanıcıların tamamı işlemtablosu kullanarak işlerini daha kısa süre-
de bitirdiklerini söylemektedirler. İşletme verimliliği açısından konuya yaklaşılırsa, işlem-
tablosu kullanımındaki düzeyin göz ardı edilemeyecek kadar anlamlı olduğu ortaya çıkar.
Aynı çalışmada kullanıcıların işlemtablosu kullanım nedenleri sorgulanmıştır. Yetkin
kullanıcıların %82’si pek çok farklı görevi işlemtablosu ile yerine getirebildikleri için kul-
landıklarını ifade etmişlerdir. Yetkin olmayan kullanıcıların işlemtablosunun çok yönlü
görev yerine getirebilme özelliğinden yararlanma oranları çok daha düşüktür.
İşletme analitiği konusundaki çalışmaların bir kısmı istatistiksel yöntemlerle büyük
veriyi işlerken, bir kısmı işlemtabloları ile yapılan analitik çalışmalarını ön plana çıkar-
maktadırlar. Yukarıdan aşağıya bir yaklaşımla, bireysel analitik yeteneğinin güçlendiril-
mesi, kurumsal analitik anlayışına olumlu ve daha önce hiç görülmemiş bir katkı sağlama
potansiyeline sahiptir.
İşletme analitiği anlayışı ile işlemtablolarının kullanışlılığını bir araya getirme çaba-
sının en yaygın ticari işlemtablosunu kendine konu edinmesi doğal karşılanmalıdır. Bu
düşünce ile bu derste ağırlıklı olarak Excel’e ve bu ünitede Excel’in veri düzenleme ve
denetleme özelliklerinden bir kısmına yer verilecektir.
METİN VERİLERİNİN DÜZENLENMESİ VE DENETİMİ

Herhangi birisi tarafından yollanan verilerde ya da İnternet’ten bir veri indirildiğinde ge-
nellikle bu veriler istenilen şekilde biçimlendirilmemiş olmaktadır. Örneğin, indirilmiş
olan satış verilerinde, satış tarihi ve miktar bilgilerinin farklı hücrelerde bulunması isten-
mesine rağmen bu bilgiler aynı hücrede olabilir. İhtiyaç duyulan şekilde verilerin düzenle-
nebilmesi Excel metin işlevlerinin etkin bir şekilde kullanılması ile mümkün olacaktır. Bu
bölümde Excel metin işlevleri ve bu işlevlerin kullanımları anlatılacaktır.
Soldan (Left) İşlevi

SOLDAN(metin; k) işlevi, bir metinde bulunan ilk k tane karakteri döndürmektedir. k
değeri boş bırakılırsa 1 olarak alınır. Örneğin, A1 hücresinde Eskişehir metni bulunmakta
iken B1 hücresine =SOLDAN(A1; 4) formülü yazılırsa, B1 hücresindeki değer Eski şek-
linde olacaktır.
Sağdan (Right) İşlevi

SAĞDAN(metin; k) işlevi, bir metinde bulunan son k tane karakteri döndürmektedir. k
değeri boş bırakılırsa 1 olarak alınır. Örneğin, A1 hücresinde Eskişehir metni bulunmakta
iken B1 hücresine =SAĞDAN(A1; 5) formülü yazılırsa, B1 hücresindeki değer şehir şek-
linde olacaktır.
Parçaal (Mid) İşlevi

PARÇAAL(metin; k; m) işlevi, bir metin içerisindeki k’ıncı karakterden başlayarak m tane
karakteri döndürmektedir. Örneğin, A1 hücresinde Eskişehir metni bulunmakta iken B1
hücresine =PARÇAAL(A1; 3; 4) formülü yazılırsa, B1 hücresindeki değer kişe şeklinde
olacaktır.
Kırp (Trim) İşlevi

KIRP(metin) işlevi, bir metin içerisinde bulunan kelimeler arasındaki tek boşluklar hariç
bütün boşlukları kaldırarak yeni oluşturulan metni döndürmektedir. Örneğin, A1 hücre-
sinde Açıköğretim Fakültesi metni bulunmakta iken B1 hücresine =KIRP(A1) formülü
yazılırsa, B1 hücresindeki değer Açıköğretim Fakültesi şeklinde olacaktır. Yani Açıköğretim
ve Fakültesi kelimeleri arasında bulunan üç adet boşluk tek boşluğa inecektir ve Fakültesi
kelimesinden sonra bulunan iki adet boşluk da tamamen silinecektir.
Uzunluk (Len) İşlevi

UZUNLUK(metin) işlevi, bir hücrede bulunan toplam karakter sayısını (boşluklar dahil)
döndürmektedir. Örneğin, A1 hücresinde Açıköğretim Fakültesi metni bulunmakta iken B1
hücresine =UZUNLUK(A1) formülü yazılırsa, B1 hücresindeki değer 21 şeklinde olacaktır.
Bul (Find) ve Mbul (Search) İşlevleri

BUL(bulunacak_metin; içerisinde_arama_yapılacak_metin; [k]) işlevi, bir metin içerisin-
de istenen metni, k’ıncı karakterden sonra aramakta ve bulduğu takdirde metnin başlangıç
pozisyonunun kaçıncı karakter olduğu değerini döndürmektedir. k parametresi opsiyonel
olup, girilmediği takdirde 1 olarak alınacaktır. BUL işlevi büyük-küçük harfe duyarlı-
dır. Örneğin, A1 hücresinde Açıköğretim Fakültesi metni bulunmakta iken B1 hücresine
=BUL(“a”;A1;1) formülü yazılırsa, B1 hücresindeki değer 14 şeklinde olacaktır. Eğer bu
formül =BUL(“A”;A1;1) şeklinde yazılsa idi, B1 hücresindeki değer 1 şeklinde olacaktı.
MBUL işlevi ise BUL işlevi ile aynı parametrelere sahiptir ve aynı işlevi yapmaktadır
fakat büyük-küçük harfe duyarlı değildir. Örneğin, A1 hücresinde Açıköğretim Fakültesi
3. Ünite - İşlemtabloları ile Veri Düzenleme ve Denetleme 55
metni bulunmakta iken B1 hücresine =MBUL(“a”;A1;1) formülü yazılırsa, B1 hücresinde-
ki değer 1 şeklinde olacaktır.
Yinele (Rept) İşlevi

YİNELE(metin; n) işlevi, verilen metni n değeri kadar tekrar etmektedir. Örneğin, A1
hücresinde - metni bulunmakta iken B1 hücresine =YİNELE(A1; 5) formülü yazılırsa, B1
hücresindeki değer ----- şeklinde olacaktır.
Birleştir (Concatenate) İşlevi ve & Operatörü

BİRLEŞTİR(metin1; metin2; …) işlevi, parametre olarak verilen metinleri birleştirerek
tek bir metin oluşturmakta ve hücreye bu değeri döndürmektedir. BİRLEŞTİR işlevi ye-
rine & operatörü de kullanılabilmektedir. Örneğin, A1 hücresinde Açık metni, A2 hüc-
resinde öğretim metni, A3 hücresinde Fakültesi metni bulunmakta iken B1 hücresine
=BİRLEŞTİR(A1;A2;” “;A3) ya da =A1&A2&” “&A3 formülü yazılırsa, B1 hücresindeki
değer Açıköğretim Fakültesi şeklinde olacaktır.
Değiştir (Replace) İşlevi

DEĞİŞTİR(eski_metin; k; m; yeni_metin) işlevi, parametre olarak verilen eski metnin
k’ıncı karakterinden başlayarak m tane karakterini yeni metin ile değiştirmekte ve hücre-
ye bu değeri döndürmektedir. Örneğin, A1 hücresinde Avrupa metni bulunmakta iken B1
hücresine =DEĞİŞTİR(A1; 4; 3; “asya”) formülü yazılırsa, B1 hücresindeki değer Avrasya
şeklinde olacaktır.
Sayıyaçevir (Value) İşlevi

SAYIYAÇEVİR(metin) işlevi, parametre olarak verilen ve rakamlardan oluşan metni sa-
yıya çevirmekte ve hücreye bu değeri döndürmektedir. Örneğin, A1 hücresinde 26 metni
bulunmakta iken B1 hücresine =SAYIYAÇEVİR(A1) formülü yazılırsa, B1 hücresindeki
değer 26 şeklinde olacaktır. A1 hücresinde bulunan değer metin olduğu için sola hiza-
lanmış bir şekilde iken B1 hücresindeki değer sayı olduğu için sağa hizalanmış olacaktır.
Büyükharf (Upper), Küçükharf (Lower) ve Yazım Düzeni

(Proper) İşlevleri
BÜYÜKHARF(metin) işlevi, parametre olarak verilen metnin bütün harflerini büyük
harfe dönüştürmekte ve hücreye bu değeri döndürmektedir. Örneğin, A1 hücresinde Es-
kişehir metni bulunmakta iken B1 hücresine =BÜYÜKHARF(A1) formülü yazılırsa, B1
hücresindeki değer ESKİŞEHİR şeklinde olacaktır.
KÜÇÜKHARF(metin) işlevi, parametre olarak verilen metnin bütün harflerini küçük
harfe dönüştürmekte ve hücreye bu değeri döndürmektedir. Örneğin, A1 hücresinde Es-
kişehir metni bulunmakta iken B1 hücresine =KÜÇÜKHARF(A1) formülü yazılırsa, B1
hücresindeki değer eskişehir şeklinde olacaktır.
YAZIM.DÜZENİ(metin) işlevi, parametre olarak verilen metin içerisindeki kelimele-
rin ilk harflerini büyük harfe, diğer harflerini ise küçük harfe dönüştürmekte ve hücreye
bu değeri döndürmektedir. Örneğin, A1 hücresinde açıköğretim fakültesi metni bulun-
makta iken B1 hücresine =YAZIM.DÜZENİ(A1) formülü yazılırsa, B1 hücresindeki de-
ğer Açıköğretim Fakültesi şeklinde olacaktır.
Damga (Char) İşlevi

DAMGA(sayı) işlevi, parametre olarak ASCII kodu verilen karakteri döndürmektedir.
Parametre değeri 1 ile 255 arasında olmalıdır. Örneğin, =DAMGA(65) formülü A karak-
terini, = DAMGA(82) formülü de R karakterini döndürmektedir.
ASCII kodları hakkında daha detaylı bilgiye https://en.wikipedia.org/wiki/ASCII bağlantısı

aracılığı ile ulaşabilirsiniz.
Temiz (Clean) İşlevi

TEMİZ(metin) işlevi, parametre olarak verilen metin içerisindeki yazdırılamaz karakter-
leri temizlemekte ve hücreye bu değeri döndürmektedir. Örneğin, A1 hücresine =DAM-
GA(10) formülü yazıldığında A1 hücresinde ASCII kodu 10 olan karakter bulunacaktır
ve bu yazdırılamaz bir karakterdir. A1 hücresi boş olarak görünse de 1 adet karakter içer-
mektedir. B1 hücresine =TEMİZ(A1) formülü yazılırsa, B1 hücresi bir formül içermesine
rağmen hücrenin değeri boş olacaktır ve temizleme işlemi gerçekleştiği için B1 hücresi
herhangi bir karakter içermeyecektir.
Yerinekoy (Substitute) İşlevi

YERİNEKOY(metin; eski_metin; yeni_metin; [n]) işlevi, parametre olarak verilen metin
içerisinde eski metni bulduğu takdirde eski metni yeni metin ile değiştirmektedir. n para-
metresi opsiyoneldir ve metin içerisinde eski metnin kaçıncı tekrarının değiştirileceğinin
belirlenmesini sağlamaktadır. n parametresi yazılmaz ise, metin içerisinde bulunan bütün
eski metinler yeni metin ile değiştirilecektir.
Şekil 3.1
Bazı Metin
Düzenleme
İşlevlerinin Kullanım
Örnekleri
ÖRNEK 1
Bir bilgisayar firmasında bulunan ürünlerin bilgileri bir metin dosyasında tutulmaktadır
(Şekil 3.2). 35 farklı ürünün bulunduğu listenin her bir satırında; ürün kodu, ürün açıkla-
ması ve stok miktarı bilgileri bulunmakta ve bu bilgiler ; (noktalı virgül) işareti ile ayrılmak-
tadır. Listede bulunan ürünler bu bilgilere göre farklı şekillerde sıralanmak istenmektedir
ve bu yüzden listenin bir çalışma sayfasına aktarılarak sütunlara bölünmesi gerekmektedir.
İstenen tablonun oluşturulabilmesi için izlenmesi gereken adımlar nelerdir?
Şekil 3.2
Ürün Bilgilerini İçeren
Metin Dosyası
Çözüm 1: Öncelikle metin dosyası içerisinde bulunan satırlar kopyalanarak bir Excel
çalışma sayfasına yapıştırılmalıdır. Yapıştırma işlemi tamamlandıktan sonra metin dosya-
sında bulunan her bir satır (metin dosyasının yapısına bağlı olarak), çalışma sayfasında
ayrı bir hücre içerisinde tutulacaktır (Şekil 3.3).
Şekil 3.3
Metin Dosyasından
Kopyalanan Verilerin
Çalışma Sayfasına
Yapıştırılması
Her bir hücrenin bir ürün bilgisi içerdiği görünmektedir. Alınan metin her ne kadar
okunaklı olsa da göze çarpmayan fakat yapılacak çalışmaları olumsuz etkileyebilecek boş-
luklar içeriyor olabilir. Bu yüzden öncelikle Kırp işlevinin kullanılması gerekmektedir. B2
hücresine =KIRP(A2) formülü yazılarak bu işlev gerçekleştirilir ve diğer 34 değer için de
B2 hücresinde bulunan formül kopyalanır. Böylelikle verilerde bulunan gereksiz boşluklar
temizlenmiş olacaktır.
Şekil 3.4
Verilerin Kırp İşlevi ile
Gereksiz Boşluklardan
Temizlenmesi
Her bir hücrede bir ürünün ürün kodu, ürün açıklaması ve stok miktarı değerleri ol-
duğu bilinmektedir. Metnin parçalanması işlemine geçilmeden önce üç farklı sütun; ürün
kodu, ürün açıklaması ve stok miktarı değerleri için ayrılmalıdır. C, D ve E sütunları bu
işlem için kullanılabilir. C sütununda ürün kodları yer alacağı için C1 hücresine Ürün
Kodları, D sütununda ürün açıklamaları yer alacağı için D1 hücresine Ürün Açıklamaları
ve E sütununda da stok miktarları yer alacağı için E1 hücresine de Stok Miktarları yazmak
uygun olacaktır (Şekil 3.5).
Şekil 3.5
Ürün Kodu, Ürün
Açıklaması ve Stok
Miktarı Alanlarının
Oluşturulması
Daha sonra sıra, hücre içerisinde bulunan metinlerin istenilen şekilde parçalanma-
sı işlemine gelmiştir. Ürün kodu, ürün açıklaması ve stok miktarı değerleri ; (noktalı
virgül) işareti ile ayrılmıştır. Her bir hücrede ilk noktalı virgül işaretinden önce ürün
kodunun, ikinci noktalı virgül işaretinden önce ürün açıklamasının ve sonra ise stok
miktarının bulunduğu görünmektedir. Parçalama işleminde de ; (noktalı virgül) işare-
tinin kullanılması faydalı olacaktır. Öncelikle metin içerisindeki noktalı virgül işaret-
lerinin pozisyonlarının bulunması gerekmektedir. =BUL(“;”;B2) formülü yazılarak B2
hücresi içerisindeki ilk noktalı virgül işaretinin pozisyonu, =BUL(“;”;B2;BUL(“;”;B2)+1)
formülü yazılarak da B2 hücresi içerisindeki ikinci noktalı virgül işaretinin pozisyonu
bulunabilecektir. İkinci noktalı virgülün bulunması işlemi için yazılacak olan formülün
içerisinde BUL(“;”;B2)+1 ifadesinin kullanılması, arama işleminin ilk noktalı virgülden
bir karakter sonra başlaması ve sonraki ilk noktalı virgülün pozisyonunu bulması için-
dir. Noktalı virgül işaretlerinin pozisyonlarının bilinmesi ile hücre içerisindeki metnin
SOLDAN, SAĞDAN ve PARÇAAL işlevleri ile parçalanması kolaylıkla yapılabilecektir.
İkinci satır için uygulanan formüller diğer satırlara da kopyalanarak istenilen tablo oluş-
turulmuş olacaktır (Şekil 3.6).
• Ürün kodunun bulunabilmesi işlemi, soldan başlayıp noktalı virgül karakterine SOLDAN işlevi içerisinde bulunan
-1 değeri yazılmasaydı, formül
kadar olan karakterlerin bulunmasıyla olacaktır. Bunun için C2 hücresine yazıl- noktalı virgül karakterini de
ması gereken formül =SOLDAN(B2;BUL(“;”;B2)-1) şeklindedir. kapsayacaktı.
• Ürün açıklamasının bulunabilmesi işlemi, metnin içinden ilk noktalı virgül ile
ikinci noktalı virgül arasında olan metin parçasının alınması ile olacaktır. Bunun
için D2 hücresine yazılması gereken formül =PARÇAAL(B2;BUL(“;”;B2)+1;BUL(
“;”;B2;BUL(“;”;B2)+1)-BUL(“;”;B2)-1) şeklindedir.
• Stok miktarının bulunabilmesi işlemi, metnin uzunluğundan son noktalı virgülün
pozisyonun çıkartılması sonucu elde edilen karakter sayısı kadar sağdan karakte-
rin bulunmasıyla olacaktır. Bunun için de E2 hücresine yazılması gereken formül
=SAĞDAN(B2;UZUNLUK(B2)-(BUL(“;”;B2;BUL(“;”;B2)+1))) şeklindedir.
Şekil 3.6
Ürün Bilgilerinin;
Ürün Kodu, Ürün
Açıklaması ve Stok
Miktarı Değerlerine
Ayrılmış Tablosu
A1 hücresinde bulunan Türkiye Cumhuriyeti metninden TC kısaltmasını oluşturmak için

A2 hücresine yazılması gereken formül nasıl olmalıdır? 1
VERİ ARAMA, ADRESLEME VE KONUMLANDIRMA

Excel’de tablolar içerisinde aramalar yapmak, adresler ve başvurular ile çalışmak ve veri-
lerin ya da formüllerin çalışma sayfaları üzerinde konumlandırılması, işlemtablolarının
kullanımının etkinliğini arttırmaktadır. Örneğin, bir şirketin son bir yıl içerisinde almış
olduğu siparişlerin bir dökümü istendiğinde çok karmaşık bir liste ile karşılaşmak müm-
kündür. Arama, adresleme ve konumlandırma yöntemleri ile böyle bir karmaşıklık içeri-
sinden kolaylıkla çıkılabilmektedir. Bu bölümde Excel’de bulunan arama araçları ile bazı
arama ve başvuru işlevleri anlatılacaktır.
Bul (Find) ve Değiştir (Replace) Özellikleri

Excel’in bul ve değiştir özellikleri oldukça güçlü birer veri arama ve düzenleme aracıdır.
Bul özelliği ile çalışma sayfası üzerinde bulunan metin ya da değerler aranabilmekte, de-
ğiştir özelliği ile de arama işlemi yapılıp bu işlem sonucunda bulunan değerler istenilen
yeni değerler ile değiştirebilmektedir. Arama sonuçlarını, belirli bir formattaki metin ya
da değerlerin aranması gibi ya da büyük-küçük harf eşleştirmesi gibi özellikler kullanıla-
rak daraltmak mümkündür.
Şekil 3.7
Bul ve Değiştir
Diyalog Kutusu
Altındaki Bul Sekmesi
Bul ve Değiştir diyalog kutusuna giriş sekmesindeki düzenleme bölümü altında bu-
lunan bul ve seç düğmesi yardımı ile ulaşılmaktadır. Metin ya da değerleri aramak için
Bul sekmesi kullanılmaktadır (Şekil 3.7). Aranan kutusuna arama yapılmak istenen değer
yazılmalı, daha sonra Tümünü Bul ya da Sonrakini Bul düğmeleri kullanılarak istenen
şekilde bir arama işlemi gerçekleştirilebilmektedir.
Şekil 3.8
Bul ve Değiştir
Diyalog Kutusu
Altındaki Değiştir
Sekmesi
Metin ya da değerleri aramak ve değiştirmek için Değiştir sekmesi kullanılmaktadır

(Şekil 3.8). Aranan kutusuna arama yapılmak istenen değer, Yeni değer kutusuna da ara-
nan değerin bulunduğu takdirde hangi değer ile değiştirileceği yazılmalıdır. Daha sonra
Tümünü Bul ya da Sonrakini Bul düğmeleri kullanılarak istenen şekilde bir arama ya da
Tümünü Değiştir ya da Değiştir düğmeleri yardımı ile istenilen şekilde bir değiştirme işle-
mi yapılabilmektedir.
Değiştir düğmesi yardımı ile Bul ve Değiştir sekmeleri altında bulunan Seçenekler düğmesi yardımı ile ek seçenek-
çalışma sayfası içerisinde bulunan lere ulaşmak mümkündür. Ek seçenekler ile aranan ya da yeni değerin biçimi, yapılacak
bir sonraki değer, Tümünü Değiştir
düğmesi yardımı ile de çalışma işlemin çalışma sayfası içinde mi yoksa çalışma kitabı içinde mi yapılacağı, yapılacak iş-
sayfasındaki bütün değerler lemin satır satır mı sütun sütun mu yapılacağı, değerin konumu, büyük küçük harf du-
değiştirilebilmektedir.
yarlılığı olup olmadığı ve tüm hücre içeriğinin birebir uyumlu olup olmaması gerekliliği
seçilebilmektedir.
Bul ve değiştir araçları ile belirli bir hücre aralığı seçilip arama işleminin sadece o aralık içeri-
sinde yapılması sağlanabilir. Eğer bütün çalışma sayfası içerisinde bir arama işlemi yapılmak
isteniyor ise çalışma sayfası üzerindeki herhangi bir hücre seçili iken arama işlemi yapılmalıdır.
Özel Git (Go To Special)

Excel’in Özel Git aracı, çalışma sayfası üzerinde bulunan belirli tipteki hücreleri hızlı bir
şekilde seçme imkânı sağlamaktadır. Özel Git aracına giriş sekmesindeki düzenleme bö-
lümü altında bulunan bul ve seç düğmesi yardımı ile ulaşılmaktadır. Özel Git aracı ile
istenilen türdeki hücrelerin seçilebilmesi için, araç penceresinden istenilen hücre özelliği
seçilip Tamam düğmesine basılmalıdır.
Şekil 3.9
Özel Git Diyalog
Kutusu
Açıklamalar, açıklama içeren bütün hücreleri seçer.

Sabitler, sabit değere sahip (formül içermeyen) hücreleri seçer. Sayılar, metin, mantık-
sal ve hatalar olarak seçim daraltılabilir.
Formüller, formül içeren hücreleri seçer. Sayılar, metin, mantıksal ve hatalar olarak
seçim daraltılabilir.
Boşluklar, boş olan bütün hücreleri seçer.
Geçerli bölge, seçimin dahil olduğu veri bloğunu seçer.
Geçerli dizi, seçimin dahil olduğu diziyi seçer.
Nesneler, çalışma sayfasında bulunan bütün nesneleri (şekiller, resimler, grafikler, vb.)
seçer.
Satır farklılıkları, seçilmiş bir satırda, seçili olan hücreden farklı içeriğe sahip hücreleri
seçer.
Sütun farklılıkları, seçilmiş bir sütunda, seçili olan hücreden farklı içeriğe sahip hüc-
releri seçer.
Etkileyenler, seçilmiş olan hücreyi etkileyen hücreleri seçer. Yalnızca doğrudan etkile-
yen hücreler ya da bütün etkileyen hücreler olarak seçim daraltılabilir.
Etkilenenler, seçilmiş olan hücreden etkilenen hücreleri seçer. Yalnızca doğrudan etki-
lenen hücreler ya da bütün etkilenen hücreler olarak seçim daraltılabilir.
Son hücre, çalışma sayfasındaki kullanılmış olan en son hücreyi seçer. Veri içeren ya da
biçimlendirilmiş olan en son hücre seçilecektir.
Yalnızca görünür hücreler, seçilmiş olan aralıktaki sadece görünür hücreleri seçer.
Koşullu biçimler, koşullu biçimlendirme uygulanmış hücreleri seçer. Bütün hücreler ya
da sadece seçili olan hücre ile aynı biçimlendirmeye sahip olan hücreler seçilebilir.
Veri doğrulama, veri doğrulama uygulanmış hücreleri seçer. Bütün hücreler ya da sa-
dece seçili olan hücre ile aynı veri doğrulama ölçütlerine sahip olan hücreler seçilebilir.
Özel Git aracı sadece aktif çalışma sayfasında bir seçim yapmakta, bütün çalışma kitabı için
yapmamaktadır.
Özel Git aracı seçili olan aralıkta bir seçim işlemi yapmaktadır. Eğer bütün çalışma sayfası
için bir seçim yapmak isteniyorsa çalışma sayfasındaki sadece bir hücre seçilmelidir.
Satır (Row) ve Satırsay (Rows) İşlevleri

SATIR([başvuru]) işlevi, parametre olarak verilen hücre başvurusunun satır numarası de-
ğerini döndürmektedir. Başvuru parametresi opsiyonel olup, eğer herhangi bir başvuru
belirtilmez ise işlev, formülün yazılmakta olduğu hücrenin başvurusunu parametre olarak
alacaktır.
SATIRSAY(dizi) işlevi, parametre olarak verilen bir dizi, hücre aralığı ya da başvuru-
daki satır sayısını döndürmektedir.
Şekil 3.10
SATIR ve SATIRSAY
Örnekleri
Sütun (Column) ve Sütunsay (Columns) İşlevleri

SÜTUN([başvuru]) işlevi, parametre olarak verilen hücre başvurusunun sütun numarası
değerini döndürmektedir. Başvuru parametresi opsiyonel olup, eğer herhangi bir başvuru
belirtilmez ise işlev, formülün yazılmakta olduğu hücrenin başvurusunu parametre olarak
alacaktır.
SÜTUNSAY(dizi) işlevi, parametre olarak verilen bir dizi, hücre aralığı ya da başvuru-
daki sütun sayısını döndürmektedir.
Şekil 3.11
SÜTUN ve
SÜTUNSAY
Örnekleri
Düşeyara (VLookUp) ve Yatayara (HLookUp) İşlevleri

DÜŞEYARA ve YATAYARA işlevleri, çalışma sayfasında bulunan bir hücre aralığında ara-
ma yapma imkanı sunmaktadır. Excel 2013’te DÜŞEYARA işlevi ile dikey olarak arama,
YATAYARA işlevi ile de yatay olarak arama işlemi yapılabilmektedir. Dikey arama işlem-
lerinde arama ilk sütundan, yatay arama işlemlerinde de arama ilk satırdan başlamaktadır.
DÜŞEYARA(aranan_değer; tablo_dizisi; sütun_indis_sayısı; [aralık_bak]) işlevi, pa-
rametre olarak verilen tablo dizisinin ilk sütununda aranan değeri aramakta ve bulduğu
takdirde aynı satırda bulunan ve sütun indis sayısı verilen hücredeki değeri döndürmekte-
dir. Aralık_bak parametresi opsiyonel olup, işlevin tam eşleşme mi yoksa yaklaşık eşleşme
mi bulmasının istendiği mantıksal değerlerle ifade edilmektedir.
YATAYARA(aranan_değer; tablo_dizisi; satır_indis_sayısı; [aralık_bak]) işlevi, tablo Mantıksal değerler 1 (DOĞRU) ya
da 0 (YANLIŞ) değerleridir.
dizisi içerisinde arama işlemini yatay olarak, ilk satır içerisinde yapmakta ve bulduğu tak-
dirde de satır indis sayısı verilen hücredeki değeri döndürmektedir.
DÜŞEYARA ve YATAYARA işlevlerinde, aralık bak parametresi belirtilmemiş ise ya da DOĞ-

RU değerini alırsa, tablo dizisinde arama yapılacak olan satır ya da sütun içindeki değerlerin
kesinlikle A’dan Z’ye sıralanmış olması gerekmektedir.
Şekil 3.12’deki çalışma sayfasında bulunan tabloda ürün kodları, talep miktarları ve ürün- ÖRNEK 2
lerin birim fiyatları bulunmaktadır. SG324 kodlu ürünün birim fiyatının bulunabilmesi için
E1 hücresine yazılması gereken formül nedir?
Şekil 3.12
Ürün Kodu, Talep
Miktarı ve Ürünlerin
Birim Fiyat Tablosu
Çözüm 2: Tablo incelendiğinde sütunlarda ürün kodlarının, talep miktarlarının ve

birim fiyatların olduğu görünmektedir. Elimizde SG324 ürün kodu bulunmaktadır ve bu
ürünün birim fiyatı sorulmaktadır. Böyle bir durumda DÜŞEYARA(aranan_değer; tab-
lo_dizisi; sütun_indis_sayısı; [aralık_bak]) işlevi kullanılmalıdır. Tablo içerisinde aranan
değer SG324, tablo dizisi A1:C5, sütun indis sayısı birim fiyat arandığı için 3 olmalıdır.
Ürün kodları sürekli değerler olmadığı için burada herhangi bir aralık bak parametresine
ihtiyaç duyulmamaktadır. Sonuç olarak E1 hücresine yazılması gereken formül;
=DÜŞEYARA(“SG324”; A1:C5; 3)
şeklinde olmalıdır. Düşeyara işlevi, tablo dizisinin ilk sütunu olan ürün kodu sütunu içe-
risinde SG324 değerini arayacak ve bulduğu takdirde birim fiyatların bulunduğu 3. sütuna
gidip aynı satırda bulunan hücrenin değerini döndürecektir.
İndis (Index) İşlevi

İNDİS işlevinin dizi biçimi ve başvuru biçimi olmak üzere iki farklı kullanım biçimi var- Yaygın olarak dizi biçimi
dır. Dizi biçimi olarak kullanıldığında İNDİS(tablo_dizisi; satır_sayısı; [sütun_sayısı]) kullanılmaktadır.
işlevi, parametre olarak verilen tablo dizisinde bulunan hücrenin değerini satır sayısı ve
sütun sayısı indisleriyle seçerek döndürmektedir. Sütun_sayısı parametresi opsiyoneldir.

Örneğin, Şekil 3.13’te bulunan tablonun E1 hücresine =İNDİS(A1:C5;3;1) formülü yazılır
ise, İNDİS işlevi belirtilen tablo dizisine giderek bu dizinin 3. satırı ve 1. sütununda bulu-
nan SD184 değerini döndürecektir.
Şekil 3.13
Ürün Kodu, Talep
Birim Fiyat Tablosu
Başvuru biçimi olarak kullanıldığında ise İNDİS(başvuru; satır_sayısı; [sütun_sayı-

sı]; [alan_sayısı]) işlevi, parametre olarak bir ya da birden fazla hücre aralığına yapılan
başvuruda bulunan hücrenin değerini satır sayısı ve sütun sayısı indisleriyle seçerek dön-
dürmektedir. Sütun_sayısı ve alan_sayısı parametreleri opsiyoneldir. Birden fazla hücre
aralığı için bir başvuru değeri parametre olarak kullanılırsa alan sayısı ile hangi hücre
aralığı içerisindeki bir hücrenin döndürüleceği belirtilebilmektedir. Örneğin, Şekil 3.13’te
bulunan E2 hücresine;
=İNDİS((A1:B2;B4:C5);2;1;2)
formülü yazılır ise, İNDİS işlevi belirtilen başvuru değerindeki 2. alana (B4:C5 aralığına)
giderek bu alanın 2. satırı ve 1. sütununda bulunan 12 değerini döndürecektir.
Kaçıncı (Match) İşlevi

KAÇINCI(aranan_değer; aranılacak_dizi; [eşleştirme_türü]) işlevi, bir dizi içerisinde be-
lirtilen değeri arayarak, değerin ilk bulunduğu göreceli konumu döndürmektedir. Eşleş-
tirme_türü parametresi opsiyonel olup -1, 0 ya da 1 değerlerinden birisini alabilmektedir.
Bu parametre, aranan değerin aranılacak dizi içerisindeki değerlerle nasıl eşleştirileceğini
ifade etmektedir. 1 değerini alırsa ya da belirtilmezse aranan değere eşit ya da bu değerden
küçük olan en büyük değerin konumunu döndürmektedir. 0 değerini alırsa aranan değere
tam olarak eşit olan ilk değerin konumunu döndürmektedir. -1 değerini alırsa da aranan
değere eşit ya da bu değerden büyük olan en küçük değerin konumunu döndürmektedir.
Eşleştirme türü parametresinin 1 değerini aldığı ya da belirtilmediği durumlarda dizi A’dan

Z’ye sıralı, -1 değerini aldığı durumlarda ise dizi Z’den A’ya sıralı olmalıdır.
Örneğin, Şekil 3.14’teki çalışma sayfasının E3 hücresine =KAÇINCI(“SG242”;A2:A5;0)

işlevi yazılır ise, bu işlev A2:A5 aralığında SG242 değerini arayacak ve bu değeri buldu-
ğunda, değerin göreceli pozisyonu olan 3 değerini döndürecektir.
Şekil 3.14
Ürün Kodu, Talep
Birim Fiyat Tablosu
Kaçıncı işlevi, metin değerlerini eşleştirirken büyük-küçük harf ayrımı yapmamaktadır.
Kaydır (Offset) İşlevi

KAYDIR(başvuru; satırlar; sütunlar; [yükseklik]; [genişlik]) işlevi, parametre olarak baş-
vurusunu aldığı hücre ya da hücre aralığından belirtilen miktarda satır ve sütun uzaklıkta-
ki bir aralığın başvurusunu döndürmektedir. Yükseklik ve genişlik parametreleri opsiyonel
olup, yeni oluşturulacak başvurudaki satır ve sütun sayısını ifade etmektedir. Bu paramet-
reler belirtilmez ise başvurudaki yükseklik ve genişlik ile aynı olduğu kabul edilir.
Şekil 3.15’teki A1:C5 aralığında bulunan tabloda; ürün kodları, talep miktarları ve ürün- ÖRNEK 3
lerin birim fiyatları bulunmaktadır. A2:A5 aralığında bulunan ürünlerin talep miktarları
toplamını E4 hücresine yazdırmak için kullanılması gereken formül nasıl olmalıdır?
Şekil 3.15
Ürün Kodu, Talep
Birim Fiyat Tablosu
Çözüm 3: İstenilen hesabı yapacak bir formülün yazılabilmesi için ilk olarak talep
miktarlarının bulunduğu aralığın başvurusunun oluşturulması gerekmektedir. Bunun
için öncelikle bir hücrenin ya da hücre aralığının başvurusu belirlenmeli, daha sonra ne
kadar satır ve ne kadar sütun uzaklıkta bir başvuru oluşturulmak istendiği belirtilmeli ve
son olarak da işlemin yapılacağı aralığın yüksekliği ve genişliği ifade edilmelidir. Tablonun
üstbilgi satırı içerdiği ve tablo içerisinde ürün kodlarının sağındaki sütunda, talep miktar-
larının bulunduğu bilinmektedir. Başvuru parametresi olarak üstbilgi satırı dışında kalan
ve verileri içeren A2:C5 aralığı verildiği takdirde talep miktarlarının bulunduğu hücre
aralığının, belirtilen başvuru parametresine uzaklığı 0 satır ve 1 sütun şeklinde olacaktır.
Yükseklik parametresi bu örnek için 4 olarak ya da başvuru yüksekliği kadar belirtilebilir.
Başvuru yüksekliği değeri kullanılmak istenirse, yükseklik parametresi boş bırakılabilir.
Genişlik parametresi için ise sadece talep miktarları sütunu seçileceğinden 1 değeri ya-
zılmalıdır. Bu bilgiler ile talep miktarlarının bulunduğu aralığın başvurusu döndürülmek
istediğinde, kullanılacak formül;
=KAYDIR(A2:C5; 0; 1; ;1) ya da =KAYDIR(A2:C5; 0; 1; 4;1)
şeklinde olmalıdır. Talep miktarlarının toplamını bulmak için ise, KAYDIR işlevi ile oluş-
turulmuş olan yeni başvuru içerisindeki hücrelerin değerlerinin toplanması gerekmek-
tedir. Bu durumda, toplam talep miktarını bulmak için E4 hücresine yazılması gereken
formül;
=TOPLA(KAYDIR(A2:C5; 0; 1; ;1)) ya da =TOPLA(KAYDIR(A2:C5; 0; 1; 4;1))
şeklinde olacaktır.
KAYDIR işlevi, hücreleri gerçekten taşımaz veya seçimi değiştirmez, yalnızca oluşturulan
başvuruyu döndürmektedir.
Dolaylı (Indirect) İşlevi

DOLAYLI(başvuru_metni; [A1]) işlevi, metin olarak ifade edilen başvuru_metni para-
metresini başvuru olarak döndürmektedir. Örneğin, =DOLAYLI(“A”& “4”) formülü A4
başvurusunu yani dolaylı olarak A4 hücresinin değerini döndürecektir. A1 parametresi
opsiyonel bir mantıksal değer olup başvuru_metni parametresi içerisinde bulunan başvu-
runun hangi tür olduğunu ifade etmektedir. Bu parametre 1 (DOĞRU) değerini aldığın-
da ya da belirtilmediğinde başvuru metni A1-stili başvuru olarak değerlendirilmekte, 0
(YANLIŞ) değerini aldığında ise R1C1-stili başvuru olarak değerlendirilmektedir. R1C1-
stili başvurular, satır ve sütun değerlerinin sayısal olarak ifade edildiği başvurulardır. Ör-
neğin, R5C3 ifadesi 5. satır ve 3. sütunda bulunan hücreyi ifade etmektedir. Dolaylı işlevi-
nin bazı kullanım örnekleri Şekil 3.16’da verilmiştir.
Şekil 3.16
DOLAYLI İşlevinin
Bazı Kullanım
Örnekleri
Excel tablolarında varsayılan başvuru stili olan A1-stili yerine R1C1-stilini kullanabilmenin
2 sağladığı avantajlar nelerdir?
TARİH VE ZAMAN İŞLEVLERİ

Excel’de tarih ve zaman işlevleri ile çalışmak ve bu işlevler yardımıyla çeşitli hesaplamalar
yapabilmek iş hayatını kolaylaştırmaktadır. Örneğin, alınan bir kredinin vade tarihlerini
hesaplamak, bir projenin tamamlanması için verilen sürenin iş günü olarak karşılığını
bulmak, haftalık olarak yapılacak işler hakkında bir takvim çıkarmak Excel’in tarih ve
zaman işlevleri ile kolaylıkla yapılabilmektedir. Bu bölümde yaygın olarak kullanılmakta
olan tarih ve zaman işlevleri anlatılmakta ve bazı işlevlerin kullanım örneklerine yer ve-
rilmektedir.
Şimdi (Now) İşlevi

ŞİMDİ() işlevi, geçerli olan tarih ve saatin seri numarasını döndürmektedir. Bir hücreye ŞİMDİ işlevi için herhangi bir
parametre gerekmemektedir.
ŞİMDİ işlevi yazılmadan önce hücrenin biçimi Genel ise, işlev yazıldıktan sonra Excel
hücre biçimini Denetim Masası altında bulunan bölgesel tarih ve saat ayarlarında belir-
tilen tarih ve saat biçimlerine dönüştürmektedir. Seri numarasını görebilmek için hücre
biçimlendirmesi genel ya da sayı olarak değiştirilmelidir.
Excel, hesaplamalarda kullanılabilmeleri için tarihleri sürekli seri numaraları olarak sakla-
maktadır. Varsayılan olarak, 1 Ocak 1900’ün seri numarası 1’dir ve 1 Ocak 1900’den 42.369
gün sonra olması nedeniyle 1 Ocak 2016’nın seri numarası 42.370’tir.
Bugün (Today) İşlevi

BUGÜN() işlevi, geçerli olan tarihin seri numarasını döndürmektedir. Bu işlev, hücre bi- BUGÜN işlevi için herhangi bir
parametre gerekmemektedir.
çimlendirmesi için bölgesel tarih ve saat ayarlarında belirtilen tarih biçimini kullanmak-
tadır. Çalışma kitabı her açıldığında çalışma sayfasında günün tarihinin görüntülenmesi
için BUGÜN işlevi kullanılabilmektedir.
Gün (Day), Ay (Month) ve Yıl (Year) İşlevleri

GÜN(seri_numarası) işlevi, seri numarası verilen bir tarihin gününü verir. GÜN işlevi 1
ile 31 arasında bir tamsayı değeri döndürmektedir. Örneğin, 29 Ekim 1923 tarihinin seri
numarası 8.703’tür ve GÜN(8703) işlevi 29 değerini döndürecektir.
AY(seri_numarası) işlevi, seri numarası verilen bir tarihin ayını verir. AY işlevi 1
(Ocak) ile 12 (Aralık) arasında bir tamsayı değeri döndürmektedir. Örneğin, AY(8703)
işlevi 10 değerini döndürecektir.
YIL(seri_numarası) işlevi, seri numarası verilen bir tarihin yılını verir. YIL işlevi 1900
ile 9999 arasında bir tamsayı değeri döndürmektedir. Örneğin, YIL(8703) işlevi 1923 de-
ğerini döndürecektir.
Günsay (Days) ve Gün360 (Days360) İşlevleri

GÜNSAY(bitiş_tarihi; başlangıç_tarihi) işlevi, parametre olarak verilen iki tarih arasın-
daki gün sayısını döndürmektedir. Eğer bitiş tarihi, başlangıç tarihinden daha önceki bir
tarih olursa negatif bir değer döndürülecektir.
GÜN360(başlangıç_tarihi; bitiş_tarihi; [yöntem]) işlevi, parametre olarak verilen iki
tarih arasındaki gün sayısını bazı muhasebe hesaplamalarında kullanılan 360 günlük yıl
(her ay 30 gün) ile hesaplayıp döndürmektedir. Yöntem parametresi opsiyonel olup hesap-
lama işleminde kullanılacak olan yöntemi belirtmektedir. Bu parametre YANLIŞ değerini
alır ya da belirtilmez ise yöntem ABD (NASD) yöntemi olarak, DOĞRU değerini alırsa da
Avrupa yöntemi olarak belirlenir.
Tarih (Date) İşlevi

TARİH(yıl; ay; gün) işlevi; yıl, ay ve gün olarak verilen tarihin seri numarasını döndür-
mektedir. Bir hücreye TARİH işlevi yazılmadan önce hücrenin biçimi Genel ise, işlev ya-
zıldıktan sonra Excel hücre biçimini Denetim Masası altında bulunan bölgesel tarih ve
saat ayarlarında belirtilen tarih biçimine dönüştürmektedir.
Tarihsayısı (Datevalue) İşlevi

TARİHSAYISI(tarih_metni) işlevi, metin olarak ifade edilen tarihi Excel’in tarih olarak
tanıyacağı bir seri numarasına dönüştürmektedir. Çalışma sayfasında bulunan metin bi-
çimindeki tarihleri, tarih hesaplamalarında kullanabilmek için bu işlev oldukça kullanış-
lıdır.
Seritarih (Edate) ve Seriay (Eomonth) İşlevleri

SERİTARİH(başlangıç_tarihi; ay_sayısı) işlevi, parametre olarak verilen başlangıç tari-
hinden belirtilen ay sayısı kadar önceki ya da sonraki günün seri numarasını döndürmek-
tedir. Ay sayısı parametresi için girilen pozitif değerler ilerleyen ayları, negatif değerler ise
önceki ayları ifade etmektedir. Çek listeleri, kira kontratları ve ya taksitlendirme işlemleri
gibi aylık tarihlerin hesaplanması için kullanışlı bir işlevdir.
SERİAY(başlangıç_tarihi; ay_sayısı) işlevi ise parametre olarak verilen başlangıç tari-
hinden belirtilen ay sayısı kadar önceki ya da sonraki ayın son gününün seri numarasını
döndürmektedir. Aylık ödemelerin son ödeme tarihi, ayın son gününe gelen vade tarihi
ve ya son tarihi hesaplamak için oldukça faydalı bir işlevdir.
Haftanıngünü (Weekday) İşlevi

HAFTANINGÜNÜ(seri_numarası; [dönüş_türü]) işlevi, parametre olarak verilen seri
numarasına sahip olan günü sayısal ifade olarak döndürmektedir. Dönüş_türü paramet-
resi opsiyonel olup döndürülecek olan sayısal değerin türünü ifade etmektedir. Bu para-
metre 1 değerini aldığında ya da belirtilmediğinde haftanın ilk günü Pazar (1), son günü
Cumartesi (7) olarak değerlendirilmektedir. HAFTANINGÜNÜ işlevi için dönüş_türü
parametresinin alabileceği diğer değerler, Şekil 3.17’de açıklanmıştır.
Şekil 3.17
HAFTANINGÜNÜ
İşlevinde Bulunan
Dönüş Türü
Parametresinin
Alabileceği Değerler ve
Açıklamaları
Haftasay (Weeknum) İşlevi

HAFTASAY(seri_numarası; [dönüş_türü]) işlevi, parametre olarak verilen seri numa-
rasına sahip olan tarihin yıl içerisindeki kaçıncı haftada yer aldığını sayısal ifade olarak
döndürmektedir. Dönüş_türü parametresi opsiyonel olup döndürülecek olan sayısal de-
ğerin türünü ifade etmektedir. Bu parametre 1 değerini aldığında ya da belirtilmediğinde
haftanın ilk günü Pazar olarak değerlendirilmektedir. HAFTASAY işlevi için dönüş_türü
parametresinin alabileceği diğer değerler, Şekil 3.18’de açıklanmıştır.
Şekil 3.18
HAFTASAY İşlevinde
Bulunan Dönüş
Türü Parametresinin
Açıklamaları
İşgünü (Workday) ve İşgünü.ulusl (Workday.INTL) İşlevleri

İŞGÜNÜ(başlangıç_tarihi; gün_sayısı; [tatiller]) işlevi, parametre olarak verilen başlangıç
tarihinden, belirtilen gün sayısı kadar önceki ya da sonraki iş gününün seri numarasını
döndürmektedir. Hafta sonu (Cumartesi ve Pazar) ve tatil olarak tanımlanan günler iş
günü olarak sayılmamaktadır. Tatiller parametresi opsiyonel olup, tatil olarak kabul edi-
lecek günlerin seri numarası verildiği takdirde bu günler de çalışma takvimi dışındaki
günler olarak değerlendirilecektir.
İŞGÜNÜ.ULUSL(başlangıç_tarihi; gün_sayısı; [hafta_sonu]; [tatiller]) işlevi, paramet-
re olarak verilen başlangıç tarihinden, belirtilen gün sayısı kadar önceki ya da sonraki iş
gününün seri numarasını döndürmektedir. İŞGÜNÜ işlevinden farkı, opsiyonel paramet-
re olarak hafta sonu olarak sayılması istenilen günlerin bilgisinin alınması ve bu bilgi sa-
yesinde hafta sonu günlerinin belirlenebilmesidir. İŞGÜNÜ.ULUSL işlevi için hafta_sonu
parametresinin alabileceği değerler ve açıklamaları Şekil 3.19’da gösterilmiştir.
Şekil 3.19
İŞGÜNÜ.ULUSL
İşlevinde Bulunan
Hafta Sonu
Parametresinin
Açıklamaları
Şekil 3.20
İŞGÜNÜ ve İŞGÜNÜ.
ULUSL İşlevlerinin
Kullanım Örnekleri
Tamişgünü (Networkdays) ve Tamişgünü.ulusl (Networkdays.

INTL) İşlevleri
TAMİŞGÜNÜ.ULUSL işlevindeki TAMİŞGÜNÜ(başlangıç_tarihi; bitiş_tarihi; [tatiller]) işlevi, parametre olarak verilen
hafta sonu parametresi, İŞGÜNÜ. başlangıç tarihi ile bitiş tarihi arasındaki tüm çalışma günlerinin sayısını döndürmek-
ULUSL işlevindeki hafta sonu
parametresi ile aynı değerleri tedir. Hafta sonu (Cumartesi ve Pazar) ve tatil olarak tanımlanan günler iş günü olarak
(Şekil 3.19) alabilmektedir. sayılmamaktadır. Tatiller parametresi opsiyonel olup, tatil olarak kabul edilecek günlerin
seri numarası verildiği takdirde bu günler de tatil olarak değerlendirilecektir ve iş günü
sayısından düşülecektir.
TAMİŞGÜNÜ.ULUSL(başlangıç_tarihi; bitiş_tarihi; [hafta_sonu];[tatiller]) işlevi, pa-
rametre olarak verilen başlangıç tarihi ile bitiş tarihi arasındaki tüm çalışma günlerinin
sayısını döndürmektedir. TAMİŞGÜNÜ işlevinden farkı, opsiyonel parametre olarak haf-
ta sonu olarak sayılması istenilen günlerin bilgisinin alınması ve bu bilgi sayesinde hafta
sonu günlerinin belirlenebilmesidir.
Şekil 3.21
TAMİŞGÜNÜ ve
TAMİŞGÜNÜ.ULUSL
Örnekleri
Saat (Hour), Dakika (Minute) ve Saniye (Second) İşlevleri

SAAT(seri_numarası) işlevi, seri numarası verilen bir zamanın saat değerini verir. SAAT
işlevi 0 ile 23 arasında bir tamsayı değeri döndürmektedir. Örneğin, 19:17:46 zamanının
seri numarası 0,804’tür ve SAAT(0,804) işlevi 19 değerini döndürecektir.
DAKİKA(seri_numarası) işlevi, seri numarası verilen bir zamanın dakika değerini ve-
rir. DAKİKA işlevi 0 ile 59 arasında bir tamsayı değeri döndürmektedir. Örneğin, 19:17:46
zamanının seri numarası 0,804’tür ve DAKİKA(0,804) işlevi 17 değerini döndürecektir.
SANİYE(seri_numarası) işlevi, seri numarası verilen bir zamanın saniye değerini ve-
rir. SANİYE işlevi 0 ile 59 arasında bir tamsayı değeri döndürmektedir. Örneğin, 19:17:46
zamanının seri numarası 0,804’tür ve SANİYE(0,804) işlevi 46 değerini döndürecektir.
Zaman değerleri tarih değerinin bir parçasıdır ve seri numaralarının ondalık kısımları ile
ifade edilmektedir. Örneğin, 12:00:00 günün tam ortası olduğundan 0,5 olarak ifade edilir.
Zaman (Time) İşlevi

ZAMAN(saat; dakika; saniye) işlevi; saat, dakika ve saniye olarak verilen zamanın seri nu-
marasını döndürmektedir. Bir hücreye ZAMAN işlevi yazılmadan önce hücrenin biçimi
Genel ise, işlev yazıldıktan sonra Excel hücre biçimini Denetim Masası altında bulunan
bölgesel tarih ve saat ayarlarında belirtilen saat biçimine dönüştürmektedir.
Zamansayısı (Timevalue) İşlevi

ZAMANSAYISI(zaman_metni) işlevi, metin olarak ifade edilen zamanı Excel’in saat ola-
rak tanıyacağı bir seri numarasına dönüştürmektedir. Çalışma sayfasında bulunan metin
biçimindeki zamanları, tarih-zaman hesaplamalarında kullanabilmek için bu işlev olduk-
ça kullanışlıdır.
ZAMANSAYISI işlevi için parametre olarak bir tarih metni verilirse bu metin dikkate alınmaz.
Şekil 3.22
Bazı Tarih ve Zaman
Örnekleri
“11.10.2016 10:23:36” gibi bir tarih ve zaman ifadesi içeren hücrenin hücre biçimi Genel
3 olarak seçilir ise hücre içeriği bu değişiklikten nasıl etkilenir?
KOŞULLU İFADELER OLUŞTURMA

Belirli koşullara bağlı olarak çeşitli hesaplamalar yapabilmek, mantıksal ifadelerle ve öl-
çütlerle çalışmak iş hayatında karar verme konusunda önemli bir rol oynamaktadır. Örne-
ğin, birden fazla ölçüte sahip bir değerlendirmeyi yüzlerce belki binlerce girdi için anında
yapabilmek, çeşitli şartları sağlayan ürünleri belirleyebilmek ve bu ürünlerle ilgili çeşitli
hesaplamalar yapabilmek iş hayatında karşılaşılan problemleri çözme konusunda büyük
bir zaman kazandırmakta ve kararların daha hızlı verilebilmesini sağlamaktadır. Bu bö-
lümde koşullu ifadeler oluşturabilmek için kullanılan işlevlere yer verilmiştir.
Eğer (IF) İşlevi

EĞER(mantıksal_sınama; [eğer_doğruysa]; [eğer_yanlışsa]) işlevi, parametre olarak bir
mantıksal sınama işlemini almakta ve yapılacak olan sınama işleminin sonucu DOĞRU
ise bir değer, YANLIŞ ise başka bir değer döndürmektedir.
ÖRNEK 4 Şekil 3.23’teki tabloda bir kırtasiyenin toplu ürün satışları için uyguladığı indirimli fiyatlar
ve müşterilerinden gelen dinamik sipariş miktarları bulunmaktadır. A müşterisinden gelen
sipariş miktarlarına göre uygulanacak olan birim fiyatı C6 hücresine yazdırmak için gereken
formül nedir?
Şekil 3.23
Talep Bazlı Ürün
Birim Fiyatlarının
Değişimini İfade Eden
Tablo
Çözüm 4: İstenilen işlemi yapacak olan formülün yazılabilmesi için öncelikle mantık-
sal sınamada kullanılacak olan ölçütler belirlenmelidir. Bu örnekte kalem satışı için talep
miktarı bazlı bir sınama işlemi gerekmektedir. Eğer talep miktarı 500’den az ise kalem
ürününün birim fiyatı 5,00 TL, 500 veya daha fazla ise 4,85 TL olacaktır. Bu bağlamda,
mantıksal sınama için kullanılacak ölçüt, sipariş miktarının 500’den küçük ya da 500’e eşit
veya daha büyük olması durumlarından birisidir. Bu durumda mantıksal sınama B6<500
ya da B6>=500 şeklinde olmalıdır. Eğer B6<500 sınaması kullanılacak ise sınama sonucu
doğru olduğunda 5 değeri, yanlış olduğunda ise 4,85 değeri döndürülmelidir. Sonuç ola-
rak, C6 hücresine yazılması gereken formül;
=EĞER(B6<500; 5; 4,85)
şeklinde olmalıdır. Eğer sınama olarak B6>=500 ifadesi kullanılacak ise sınama sonucu
doğru olduğunda 4,85 değeri, yanlış olduğunda ise 5 değeri döndürülmelidir. Yani, C6
hücresine alternatif olarak yazılabilecek olan formül;
=EĞER(B6>=500; 4,85; 5)
şeklinde olabilir.
Birden fazla ölçütü tek bir formülde kullanabilmek mümkündür. Bunun için iç içe eğer iş-
levleri kullanılmaktadır.
Şekil 3.24’teki tabloda bir züccaciyecinin toplu ürün satışları için uyguladığı indirimli fiyatlar ÖRNEK 5
ve müşterilerinden gelen dinamik sipariş miktarları bulunmaktadır. A müşterisinden gelen
sipariş miktarlarına göre uygulanacak olan birim fiyatı C8 hücresine yazdırmak için gereken
formül nedir?
Şekil 3.24
Talep Bazlı Ürün
Birim Fiyatlarının
Değişimini İfade Eden
Tablo
Çözüm 5: İstenilen işlemi yapacak olan formülün yazılabilmesi için öncelikle mantık-
sal sınamada kullanılacak olan ölçütler belirlenmelidir. Bu örnekte bardak satışı için talep
miktarı bazlı bir sınama işlemi gerekmektedir. Eğer talep miktarı 100’den az ise bardak
ürününün birim fiyatı 10,00 TL, 100 ile 249 arasında ise 9,75 TL, 250 ile 499 arasında ise
9,60 TL ve 500 veya daha fazla ise 9,50 TL olacaktır. Birden fazla ölçütün bulunduğu bu gibi
durumlarda iç içe EĞER işlevleri kullanılmaktadır. C8 hücresine yazılması gereken formül;
=EĞER(B8<100; C2; EĞER(B8<=249; C3; EĞER(B8<=499; C4; C5)))
şeklinde olmalıdır. Değerlendirme işlemi en dıştaki EĞER işlevinden başlamaktadır. Sipa-

riş miktarı eğer 100’den küçük ise işlev C2 hücresinde bulunan birim fiyatı döndürecektir.
Örneğimiz için B8 hücresinde bulunan sipariş miktarı 125’tir. Bu bağlamdan yola çıkarak
ilk sınamanın sonucu YANLIŞ olduğu için 2. EĞER işlevine geçilecektir ve sipariş mikta-
rının 249’a eşit ya da daha küçük olma durumuna bakılacaktır. 125 değeri için 2. sınama-
nın sonucu DOĞRU olacaktır ve yazmış olduğumuz formül C3 hücresinde bulunan birim
fiyatı (9,75 TL) döndürecektir. Ayrıca, ilk sınama işleminde sipariş miktarının 100’den
küçük olma durumu kontrol edildiği için, 2. sınamaya 100’den küçük olan hiçbir değer
geçemeyecektir ve bu yüzden değerin 100’den büyük ya da eşit olma durumunun kontrol
edilmesine gerek kalmamaktadır.
EĞER işlevleri içerisinde VE, YADA ve DEĞİL gibi mantıksal işlevler de yaygın olarak kul-
lanılmaktadır.
Ve (And), Yada (Or) ve Değil (Not) İşlevleri

VE(mantıksal_ifade1; mantıksal_ifade2; mantıksal_ifade3; …) işlevi, parametre olarak
verilen bütün mantıksal ifadeler doğru ise DOĞRU değerini, herhangi bir tanesi ya da
daha fazlası yanlış ise YANLIŞ değerini döndürmektedir.
YADA(mantıksal_ifade1; mantıksal_ifade2; mantıksal_ifade3; …) işlevi, parametre

olarak verilen mantıksal ifadelerden bir tanesi ya da daha fazlası doğru ise DOĞRU değe-
rini, bütün mantıksal ifadeler yanlış ise YANLIŞ değerini döndürmektedir.
Bir VE ya da YADA işlevi ile 1 ila 255 tane mantıksal ifadeyi sınamak mümkündür.
DEĞİL(mantıksal_ifade) işlevi, parametre olarak verilen mantıksal ifadenin değerini

tersine çevirmektedir. Parametre olarak DOĞRU değerine sahip bir mantıksal ifade veril-
diği takdirde DEĞİL işlevi bu değeri YANLIŞ olarak, YANLIŞ değerine sahip bir mantık-
sal ifade verildiği takdirde ise DOĞRU olarak döndürmektedir. Şekil 3.25’te VE, YADA ve
DEĞİL işlevlerinin kullanım örnekleri sunulmuştur.
Şekil 3.25
VE, YADA ve DEĞİL
Örnekleri
EğerSay (CountIF) ve ÇokEğerSay (CountIFS) İşlevleri

EĞERSAY(aralık; ölçüt) işlevi, parametre olarak verilen aralık içerisinde belirlenmiş olan
ölçütü sağlayan hücrelerin sayısını döndürmektedir. İşlev içerisinde kullanılacak olan öl-
çüt parametresi sayı, ifade, hücre başvurusu ya da metin biçiminde olabilir. Örnek olarak
2016, >2016, ürünler veya A1 birer ölçüt olabilir.
ÇOKEĞERSAY(aralık1; ölçüt1; [aralık2; ölçüt2]; …) işlevi, parametre olarak verilen
aralıklar içerisinde belirlenmiş olan çoklu ölçütleri sağlayan satırların ya da sütunların
sayısını döndürmektedir. Döndürülecek değerin satır sayısı ya da sütun sayısı olması, ve-
rilerin bulunduğu tablo yapısına bağlıdır. ÇOKEĞERSAY işlevinde parametre olarak kul-
lanılacak olan aralıklar aynı veri tablosu üzerinde olmalıdır. Örneğin, aralık1 parametresi
için A2:A9 aralığı kullanılmış ise, diğer aralık parametreleri de 2. ve 9. satırlar arasında
olmak zorundadır.
Şekil 3.26
EĞERSAY ve
ÇOKEĞERSAY
Örnekleri
ETopla (SumIF) ve ÇokETopla (SumIFS) İşlevleri

ETOPLA(aralık; ölçüt; [toplam_aralığı]) işlevi, parametre olarak verilen aralık içerisinde
belirlenmiş olan ölçütü sağlayan değerlerin toplamını döndürmektedir. Toplam aralığı pa-
rametresi opsiyonel olup, aralık parametresinden farklı bir hücre aralığında bulunan de-
ğerlerin toplamının alınmasını sağlamaktadır. Örneğin, A2:A9 aralığında ölçütü sağlayan
değerler bulunduktan sonra E2:E9 aralığında aynı satırda bulunan değerler toplanabilir.
ÇOKETOPLA(aralık_toplamı; ölçüt_aralığı1; ölçüt1; [ölçüt_aralığı2; ölçüt2]; …) iş-
levi, parametre olarak verilen ölçüt aralıkları içerisinde belirlenmiş olan çoklu ölçütleri
sağlayan satırları ya da sütunları tespit edip aralık toplamı parametresi içerisinde aynı
satırlarda ya da sütunlarda bulunan değerlerin toplamını döndürmektedir. ÇOKETOPLA
işlevinde parametre olarak kullanılacak olan aralıklar aynı veri tablosu üzerinde olmalıdır.
Şekil 3.27
ETOPLA ve
ÇOKETOPLA
Örnekleri
EğerOrtalama (AverageIF) ve ÇokEğerOrtalama (AverageIFS)

İşlevleri
EĞERORTALAMA(aralık; ölçüt; [ortalama_aralığı]) işlevi, parametre olarak verilen ara-
lık içerisinde belirlenmiş olan ölçütü sağlayan değerlerin ortalamasını döndürmektedir.
Ortalama_aralığı parametresi opsiyonel olup, aralık parametresinden farklı bir hücre ara-
lığında bulunan değerlerin ortalamasının alınmasını sağlamaktadır. Örneğin, A2:A9 ara-
lığında ölçütü sağlayan değerler bulunduktan sonra E2:E9 aralığında aynı satırda bulunan
değerlerin ortalaması alınabilir.
ÇOKEĞERORTALAMA(aralık_ortalaması; ölçüt_aralığı1; ölçüt1; [ölçüt_aralığı2; öl-
çüt2;]; …) işlevi, parametre olarak verilen ölçüt aralıkları içerisinde belirlenmiş olan çoklu
ölçütleri sağlayan satırları ya da sütunları bulup aralık ortalaması parametresi içerisinde
aynı satırlarda ya da sütunlarda bulunan değerlerin ortalamasını döndürmektedir. ÇOKE-
ĞERORTALAMA işlevinde parametre olarak kullanılacak olan aralıklar aynı veri tablosu
üzerinde olmalıdır.
Şekil 3.28
EĞERORTALAMA ve ÇOKEĞERORTALAMA İşlevlerinin Kullanım Örnekleri
EğerHata (IFError) İşlevi

EĞERHATA(değer; eğer_hatalıysa_değer) işlevi, parametre olarak aldığı hücre değerinin
hatalı olması durumunda istenilen bir değeri döndürebilmektedir. Eğer hücre değeri hata-
lı değil ise hücrenin değeri döndürülecektir. EĞERHATA işlevi formüllerdeki hataları ya-
kalamak ve işlemek için kullanılmaktadır. EĞERHATA işlevi, #YOK, #DEĞER!, #BAŞV!,
#SAY/0!, #SAY!, #AD? veya #BOŞ! ifadelerini hatalı formül sonucu olarak değerlendir-
mektedir.
Şekil 3.29
EĞERHATA İşlevinin
Kullanım Örnekleri
ÇOKEĞERSAY, ÇOKETOPLA ve ÇOKEĞERORTALAMA işlevlerinde parametre olarak kul-

4 lanılacak olan aralıklar niçin aynı veri tablosu üzerinde olmalıdır?
Özet
Excel çalışma sayfalarında bulunan metin verilerini Excel ile tarih ve zaman hesaplamaları yapmak.
1 isteğe uygun olarak düzenlemek. 3 Tarih ve zaman verileri, veri yönetiminin belki de en
Metin verileri, sayısal verilere göre daha az yapılan- fazla özen gösterilmesi gereken veri türleri olarak kar-
dırılmış bir kullanıma sahiptirler. İşlemtabloları, me- şımıza çıkmaktadır. Veri ambarlarının verileri tarih
tin verilerinin düzenlenmesinde yeri doldurulamaz ve zaman damgalı olarak tutma zorunluluğu olduğu
bir yere sahiptir. Metin verilerinin veri tabanlarında da unutulmamalıdır. Excel’in tarih ve zaman konu-
düzenlenmesi ancak veri tabanında tutulacak kadar sunda zengin bir çalışma sayfası işlev kütüphanesi
yapılandırılmış veriler için söz konusudur. Oysa iş- vardır. Bu işlevler arasında verileri damgalama için
lemtabloları birçok farklı metin düzenleme özelliği kullanılabilecek Şimdi, Bugün, Gün, Ay, Yıl, Saat, Da-
sunmaktadır. Verilerin istenen özellikleri taşımadığı kika, Saniye ve takvimleme ve zamanlama işlevlerinde
durumlarda yararlanılabilecek Excel özelliklerinden yararlanılabilecek SeriTarih, SeriAy, GünSay, Gün360,
bazıları veri bölümlemesinin uygun olmadığı durum- HaftanınGünü, HaftaSay, Tarih, TarihSayısı, Zaman,
larda Soldan, Sağdan veya aradan ParçaAl’ma işlev- ZamanSayısı yer almaktadır. Diğer bazıları ise İşgünü,
lerinden yararlanılabilir. Bir metin içinde aranan ka- İşgünü.ulusl, Tamişgünü ve Tamişgünü.ulusl’dir.
rakterin pozisyonunun belirlenmesinde Bul ve MBul
işlevleri, metin üzerinde yapılacak düzenleme için Excel ile koşullu ifadeler oluşturmak.
4 Koşullu ifadeler, gerek görselleştirmede gerekse kar-
yardımcı bilgiler döndürmektedir. Metin düzenle-
mede diğer işlevlerden bazıları Kırp, Uzunluk, Yinele, maşık formüller oluşturmada çok kullanışlı işlevler
Birleştir, Değiştir, SayıyaÇevir, BüyükHarf, KüçükHarf, içermektedir. Diğer hücrelerdeki verilerin özellikleri-
Yazım.Düzeni, Damga, Temiz ve YerineKoy’dur. ne göre formülleri koşullandırmak mümkün olmak-
tadır. İşlev kategorilerinde mantıksal ve istatistiksel
Excel’de istenilen verileri seçmek. altında sınıflanan bu işlevlerden bazıları Eğer, Ve,
2 YaDa, Değil, EğerSay, ÇokEğerSay, Etopla, ÇokETopla,
Excel bir milyondan fazla satıra ve 65 binden fazla
sütuna sahiptir. Taşıyabileceği bilgi miktarı bilgisa- EğerOrtalama, ÇokEğerOrtalama ve EğerHata sayıla-
yarınızın belleği ile sınırlıdır. Bu koşullarda aranan bilir.
verinin gözle takip edilerek bulunması genellikle
olanaksızdır. Excel’in bu amaçla sunduğu özelliklerin
bir kısmı çalışma sayfası işlevleri iken bir kısmı menü
seçenekleri olarak karşımıza çıkmaktadır. Menü des-
tekli işlevler arasında Bul, Değiştir ve Özel Git yer
alırken, sayfa işlevleri arasında Satır, SatırSay, Sütun,
SütunSay, DüşeyAra, YatayAra, İndis, Kaçıncı, Kaydır
ve Dolaylı yer almaktadır.
1. A1 hücresinde Açıköğretim Fakültesi metni bulunuyor 5. Aşağıda verilen işlevlerden hangisinin açıklaması yanlış-
iken A2 hücresine =BUL(“a”;A1) formülü yazılırsa, A2 hüc- tır?
resinde bulunan sonuç aşağıdakilerden hangisi olur? a. SATIR işlevi, parametre olarak verilen hücre başvu-
a. 1 rusunun satır numarası değerini döndürmektedir.
b. Açıköğretim Fakültesi b. DOLAYLI işlevi, metin olarak ifade edilen başvuru
c. 14 metni parametresini başvuru olarak döndürmekte-
d. akültesi dir.
e. #DEĞER! c. KAÇINCI işlevi, bir dizi içerisinde belirtilen değeri
arayarak, değerin ilk bulunduğu göreceli konumu
2. A1 hücresinde Anadolu Üniversitesi metni bulunmakta döndürmektedir.
iken A2 hücresine =SAĞDAN(KIRP(A1);UZUNLUK(KIRP d. YATAYARA işlevi, tablo dizisi içerisinde arama iş-
(A1))-BUL(“ “;KIRP(A1))) formülü yazılırsa, A2 hücresinde lemini yatay olarak, ilk satır içerisinde yapmakta ve
bulunan sonuç aşağıdakilerden hangisi olur? bulduğu takdirde de satır indis sayısı verilen hücre-
a. Anadolu deki değeri döndürmektedir.
b. Üniversitesi e. KAYDIR işlevi, parametre olarak başvurusunu aldığı
c. Anadolu Üniversitesi hücre ya da hücre aralığını parametre olarak verilen
d. AÜ başvuruya taşımaktadır.
e. 12
6. A1 hücresinde 29 Ekim 1923 tarihi bulunuyor iken bu
3. Excel’in Özel Git aracı ile ilgili aşağıdaki ifadelerden han- tarihten 10 gün sonrasının ayın kaçıncı günü olduğunu bu-
gisi yanlıştır? labilmek için A2 hücresine aşağıdaki formüllerden hangisi
a. Çalışma sayfası üzerinde bulunan belirli tipteki hüc- yazılmalıdır? (A1 hücresinin hücre biçimlendirme kategorisi
releri hızlı bir şekilde seçme imkanı sağlamaktadır. tarih, A2 hücresinin hücre biçimlendirme kategorisi genel
b. Özel Git aracına giriş sekmesindeki düzenleme bö- olarak seçilmiştir.)
lümü altında bulunan bul ve seç düğmesi yardımı ile a. =GÜNSAY(A1;10)
ulaşılabilmektedir. b. =GÜN(A1+10)
c. Özel Git penceresinde bulunan boşluklar seçeneği ile c. =GÜN(A1)+10
aktif çalışma sayfasındaki boş olan bütün hücreler se- d. =TARİH(A1;10;1)
çilebilmektedir. e. =GÜNSAY(A1)+10
d. Özel Git aracı bütün çalışma kitabı içerisinde bir se-
çim yapmaktadır. 7. Bir işveren, ilgili departmanlar tarafından 75 üzerinden
e. Herhangi bir hücre aralığı seçili ise, Özel Git aracı sa- değerlendirilen işçi performansı verilerini 3 gruba ayırmak
dece bu aralıkta bir seçim işlemi yapacaktır. istemektedir ve bu işlemi yapmak için Excel üzerinde bir öl-
çüt tanımlamıştır. =EĞER(A1<25;”Düşük”;EĞER(A1<50;”O
4. Excel’de bulunan bir tablo ya da aralık içerisindeki ilk sü- rta”;EĞER(A1<75;”Yüksek”;”X”))) formülünü kullanan bu
tunda dikey olarak (satır satır) bir arama işlemi yapmak için işverenin performans notu 54 olan işçi için bulacağı perfor-
aşağıdaki işlevlerden hangisi kullanılır? mans sonucu aşağıdakilerden hangisidir?
a. Kaydır İşlevi a. 1
b. Yatayara İşlevi b. Düşük
c. Düşeyara İşlevi c. Orta
d. İndis İşlevi d. Yüksek
e. Dolaylı İşlevi e. X
8. I. =VE(1;1;1;1) IV. =YADA(1;1;0;0)
II. =VE(1;1;0) V. =DEĞİL(1)
III. =YADA(1;1;1;0) VI. =DEĞİL(YADA(1;0))
Yukarıda verilen formüllerden hangilerinin sonucu 1 (DOĞ-
RU) olarak döndürülecektir?
a. I ve II
b. I, III ve IV
c. I, V ve VI
d. III, IV ve V
e. I, II, III ve VI
9 ve 10 numaralı sorular aşağıdaki tabloya göre cevaplana-

caktır.
9. Çalışma sayfası üzerinde bulunan herhangi bir boş hücre

içerisine =ORTALAMA(KAYDIR(A1;1;1;5;1)) formülü yazı-
lacak olursa bu hücrenin son değeri aşağıdakilerden hangisi
olur?
a. 85
b. 85,5
c. 86
d. 9107141
e. 27321252
10. Çalışma sayfası üzerinde bulunan herhangi bir boş hücre

içerisine =EĞERORTALAMA(C2:C6;”<90”;B2:B6) formülü
yazılarak aşağıdakilerden hangisi bulunabilir?
a. Talep miktarı ya da stok durumu 90’dan az olan
ürünlerin stok durumunun ortalaması
b. Talep miktarı 90’dan az olan ürünlerin stok durumu-
nun ortalaması
c. Talep miktarı ya da stok durumu 90’dan az olan
ürünlerin talep miktarının ortalaması
d. Stok durumu 90’dan az olan ürünlerin talep miktar-
larının ortalaması
e. Stok durumu 90’dan az olan ürünlerin talep miktar-
ları ve stok durumlarının ortalaması

1. c Yanıtınız yanlış ise “Metin Verilerinin Düzenlenme- formüllerin daha kısa ve okunaklı olmasını sağlamaktadır.
si ve Denetimi” altındaki “Bul ve Mbul İşlevleri” ko- R1C1 stilinde ise her satır ve her sütun birer sayı ile ifade
nusunu yeniden gözden geçiriniz. edilmektedir; R1 ifadesi satır sayısını, C1 ifadesi ise sütun sa-
2. b Yanıtınız yanlış ise “Metin Verilerinin Düzenlenme- yısını ifade etmektedir. A1-stili yerine R1C1-stili ile çalışmak
si ve Denetimi” konusunu yeniden gözden geçiriniz. bazı işlevlerin ve makroların kullanılmasında büyük kolay-
3. d Yanıtınız yanlış ise “Özel Git (Go To Special)” konu- lıklar sağlamaktadır. Örneğin; KAÇINCI işlevi bize bir dizi
sunu yeniden gözden geçiriniz. içerisinde belirtilen değeri arayarak, değerin ilk bulunduğu
4. c Yanıtınız yanlış ise “Veri Arama, Adresleme ve Ko- göreceli konumu döndürmektedir. Eğer bu işlevde yatay bir
numlandırma” konusunu yeniden gözden geçiriniz. arama yapılırsa ve başlangıcı çalışma sayfasının ilk sütunun-
5. e Yanıtınız yanlış ise “Veri Arama, Adresleme ve Ko- da olursa bu işlevin döndüreceği indis değeri aslında sütun
numlandırma” konusunu yeniden gözden geçiriniz. numarası olacaktır. R1C1-stili kullanılan DOLAYLI işlevi
6. b Yanıtınız yanlış ise “Tarih ve Zaman İşlevleri” konu- içerisinde bir KAÇINCI işlevi kullanıldığında, döndürülen
sunu yeniden gözden geçiriniz. sütun numarası ile yeni başvurular kolaylıkla oluşturulabi-
7. d Yanıtınız yanlış ise “Eğer (IF) İşlevi” konusunu yeni- lecektir.
den gözden geçiriniz.
8. b Yanıtınız yanlış ise “Ve (And), Yada (Or) ve Değil Sıra Sizde 3
(Not) İşlevleri” konusunu yeniden gözden geçiriniz. Excel, hesaplamalarda kullanılabilmeleri için çalışma sayfala-
9. a Yanıtınız yanlış ise “Kaydır (Offset) İşlevi” konusunu rında bulunan tarih ve zaman ifadelerini seri numaraları ola-
yeniden gözden geçiriniz. rak saklamaktadır. Örneğin, “11.10.2016 10:23:36” ifadesinin
10. d Yanıtınız yanlış ise “Eğerortalama (AverageIF) ve seri numarası 42654,43306 şeklindedir ve Excel “11.10.2016
ÇokEğerOrtalama (AverageIFS) İşlevleri” konusunu 10:23:36” ifadesini 42654,43306 şeklinde saklamaktadır. Seri
yeniden gözden geçiriniz. numaralarının tarih gibi görünmesi, seri numaralarını içeren
hücrelerin biçimlendirilmesinden kaynaklanmaktadır. Biçim
olarak Genel biçimi seçilir ise tarih ve zaman ifadesi içeren
Sıra Sizde Yanıt Anahtarı hücrenin içeriği seri numarasına dönüşecektir.
Sıra Sizde 1
A1 hücresinde bulunan Türkiye Cumhuriyeti metninden TC Sıra Sizde 4
kısaltmasını oluşturan farklı formüller yazmak mümkündür. ÇokEğerSay, ÇokETopla ve ÇokEğerOrtalama gibi birden
Örneğin; çok ölçütün sınandığı işlevlerde parametre olarak kullanıla-
=SOLDAN(KIRP(A1);1)&PARÇAAL(KIRP(A1);BUL(“ “; cak olan aralıkların aynı veri tablosunda bulunmasının sebe-
KIRP(A1))+1;1) bi; aynı tür ögeleri farklı ölçütlerle sınamak ve bu sonuçlara
formülü bu işlem için kullanılabilir. T harfinin alınma- göre işlem yapmak için tasarlanmış birer işlev olmalarından
sı için SOLDAN(KIRP(A1);1) formülü kullanılmıştır. Bu kaynaklanmalıdır. Yani bir ürünün adı ve özelliklerinin bu-
formül yardımı ile kırpılmış olan A1 hücresindeki metnin lunduğu bir tabloda ürün özellikleri farklı ölçütlerle sınana-
soldan 1. harfi seçilmektedir. C harfinin alınması için ise rak, birden çok ölçütü sağlayan özelliklere sahip ürünlerin
PARÇAAL(KIRP(A1);BUL(“ “;KIRP(A1))+1;1) formülü tespit edilmesi ve yapılması istenilen işlevin bu ürün bilgileri
kullanılmıştır. Bu formül yardımı ile de kırpılmış olan A1 üzerinde uygulanması sağlanmaktadır. Bu işlemde her bir
hücresindeki metnin içerisinde bulunan boşluğun pozisyonu ürünün özelliklerinin belirlenen ölçütlere göre sınanması
BUL işlevi ile bulunmuş ve bu boşluğun bir fazlası pozisyon- yapıldıktan sonra istenilen ölçütleri sağlayan ürünler tespit
da bulunan C harfi PARÇAAL işlevi ile seçilmiştir. Son olarak edilebilecektir.
seçilmiş olan 2 harf & operatörü yardımı ile birleştirilmiştir.
Sıra Sizde 2
Excel’de varsayılan olarak kullanılmakta olan A1-stili her bir
sütunu harflerle, her bir satırı ise sayılarla ifade etmektedir.
Bu şekildeki başvuruların kullanılması hem satır-sütun ay-
rımının kolaylıkla yapılabilmesini hem de başvuru içeren
Kaynaklar
Bucki, L. A., Walkenbach, J., Alexander, M., Kusleika, R., &
Wempen, F. (2013). Office 2013 Bible: The comprehen-
sive tutorial resource (Vol. 808). John Wiley & Sons.
Evans, J. R., & Lindner, C. H. (2012). Business analytics:
the next frontier for decision sciences. Decision Line,
43(2), 4-6.
http://m.kapanoglu.com/aof/ybs202u/
https://support.office.com/en-us/
https://www.microsoft.com/en-us/
McFedries, P. (2013). Excel 2013 Formulas and Functions.
Que Publishing.
Ragsdale, C. T. (2004). Spreadsheet modeling and decision
analysis. Thomson South-Western.
Ferrari, A., & Russo, M. (2013). Microsoft Excel 2013 Bu-
ilding Data Models with PowerPivot: Building Data
Models with PowerPivot. Pearson Education.
Walkenbach. (2015). Excel 2016 Power Programming with
Vba. John Wiley.
Winston, W. (2014). Microsoft Excel 2013 Data Analysis
and Business Modeling. Pearson Education.
4
Amaçlarımız
 Excel’de bulunan aralıkları adlandırarak çeşitli işlemler için kullanabilecek,
 Excel’de farklı amaçlara yönelik çeşitli tablolar oluşturabilecek,
 Excel’de bulunan verilerden özet tablolar oluşturarak veri analiz işlemlerini ger-
çekleştirebilecek,
 Excel’in dilimleyici ve zaman çizelgesi filtrelerini kullanarak veri analiz işlemleri
yapabilecek
Anahtar Kavramlar
• Aralık Adlandırma • Özet Tablo
• Ad Kutusu • Sıralama
• Ad Yöneticisi • Filtreleme
• Tablo • Gelişmiş Filtreleme
• Alan • Dilimleyici
• Kayıt • Zaman Çizelgesi
• Üstbilgi Satırı
İçindekiler
• GİRİŞ
• ARALIK ADLANDIRMA
İşlemtabloları ile • TABLO OLUŞTURMA
Veri Yönetimi ve Analizi • ÖZET TABLO (PIVOTTABLE)
• DİLİMLEYİCİ (SLICER)
• ZAMAN ÇİZELGESİ (TIMELINE)
İşlemtabloları ile
Veri Yönetimi ve Analizi
GİRİŞ
Verilerin düzenli bir şekilde, erişilebilir ve kullanılabilir ortam ve olanaklarla sunulması,
verilerin içerdiği bilgilerden üst düzeyde yararlanabilme olanakları ile ancak anlam kaza-
nır. Özellikle büyük veri ile bir kez daha fark edilen, verilerden yöntembilgisi ve kurallar
gibi çok kıymetli bilgilerin de elde edilebilme olasılığı, analistlerin dikkatini her boyutta
veriye yeniden farklı bir bakış açısı ile yaklaşmaya yönlendirmiştir. Veri analizinde yön-
temler kadar analistin sektöre dönük yaratıcılığı ve teknolojik yetkinliği de önemlidir.
Hangi verinin ne tür fırsatlar içerdiğini işletme analitiği bakış açısı ile analiz etmeden
bilmek mümkün değildir. Her karar noktasında verinin analizi farklı fırsatlar yaratabile-
cektir. Bu bağlamda işlemtablolarının sunduğu olanaklardan yararlanmanın katkıları göz
ardı edilemez. İzleyen bölümlerde, tüm işlemtablolarında bir şekilde yer alan önemli bazı
özellik ve olanaklar Excel özelinde sunulmuştur.
ARALIK ADLANDIRMA
İşlemtabloları ile çalışırken TOPLA(A400:A409) şeklindeki formül kullanımlarıyla çok
sık karşılaşılmaktadır. Bu tarz durumlarda, formülün kullanım amacının anlaşılabilmesi
için A400:A409 aralığındaki hücrelerde bulunan değerlerin kontrol edilmesi gerekmekte-
dir. Eğer bu aralıktaki hücrelerin değerleri Mart ayında yapılmış olan harcamaların tutar-
ları ise, toplama işleminin yapılması için gereken işlevi TOPLA(MartGiderleri) şeklinde
yazabilmek, formülü çok daha anlaşılır kılacaktır. Bu bölümde Excel’de hücrelerin ya da
aralıkların nasıl adlandırılacağı ve yapılan adlandırmaların formüller içerisinde nasıl kul-
lanılabileceği anlatılacaktır.
Aralık adları oldukça esnek olmasına rağmen, adlandırma işlemi yapılırken bazı hu-
suslara dikkat edilmesi gerekmektedir. Bir aralık adı:
• En fazla 255 karakterden oluşabilir.
• Herhangi bir harfle, altçizgiyle (_) ya da ters eğik çizgi ile (\) başlamak zorundadır.
Geriye kalan karakterler boşluk karakteri ( ) hariç herhangi bir harf, rakam ya da
simge olabilir. Adlandırma işleminde eğer birden fazla kelime kullanılmak isteni-
yorsa, bu kelimeler arasındaki ayrım, altçizgi (_) ya da büyük-küçük harf kullanı-
larak yapılabilir.
• A1 gibi başvurular ya da +, -, /, *, <, > ve & gibi operatörler içermemelidir. Bu tarz
ifadeler formüllerde karışıklığa sebep olmaktadır.
• Formül yazımlarını kolaylaştırmak için olabildiğince kısa ve anlaşılır olmalıdır.
• Tek bir harften oluşabilir. Fakat R ve C harfleri satır ve sütunları ifade ettikleri için
bu harfler tek başlarına kullanılamamaktadır. Ayrıca CAT1, BA1423 gibi hücre
başvuruları da bir hücreyi ifade ettikleri için aralık adı olarak kullanılamamaktadır.
Excel’de aralıkların adlandırılabilmesi için farklı yöntemler kullanılabilmektedir. Bu

yöntemler: ad kutusu ile aralık adlandırma, seçimden oluştur ile aralık adlandırma ve ad
tanımla ya da ad yöneticisi ile aralık adlandırma yöntemleridir.
Ad Kutusu (Name Box) ile Aralık Adlandırma

Excel arayüzünde ad kutusu, A sütununun üzerinde bulunmaktadır (Şekil 4.1). Ad kutusu
ile bir aralığı adlandırmak için öncelikle adlandırılmak istenen hücre aralığı seçilmeli, sonra
ad kutusuna tıklanmalı ve daha sonra aralığa verilmek istenen ad, bu kutuya yazılarak Enter
tuşuna basılmalıdır. Ad kutusunun sağ tarafında bulunan aşağı ok simgesine tıklayarak, aktif
çalışma kitabında tanımlanmış olan aralık adları görüntülenebilmektedir. Ad kutusu içeri-
sinden herhangi bir ad seçildiğinde Excel bu adın kapsadığı hücreleri seçili hale getirecektir.
Bu işlem istenilen hücrenin ya da hücrelerin adlandırılıp
Şekil 4.1
adlandırılmadığını görme açısından oldukça kullanışlıdır.
Ad Kutusu Aralık adları büyük/küçük harfe duyarlı değillerdir.
Excel’de tek bir hücre ya da hücre aralığı adlandırıla-
bileceği gibi birbirinden bağımsız hücreler ya da hücre
aralıkları da adlandırılabilmektedir. Örneğin, son 5 yılın
satış kayıtlarının bulunduğu bir Excel çalışma sayfasın-
da, her yıl Mart aylarında yapılan satış miktarlarının top-
lamı bulunmak istenmektedir. Böyle bir durumda, Mart
aylarında yapılan satış miktarlarının bulunduğu bütün
hücreler Ctrl tuşu yardımı ile seçilerek MartSatışları şeklinde adlandırılabilir ve toplama
işlemi için kullanılması gereken formül =TOPLA(MartSatışları) şeklinde yazılabilir.
Seçimden Oluştur (Create from Selection) ile

Aralık Adlandırma
Aylara göre sipariş miktarlarının bulunduğu bir tabloda (Şekil 4.2), B2:B13 aralığında bu-
lunan sipariş miktarlarının ait oldukları aylara göre isimlendirilmesi istenebilir. Böyle bir
durumda Formüller sekmesi altında bulunan Tanımlı Adlar grubundaki Seçimden Oluştur
aracının kullanılması uygun olacaktır. Seçimden Oluştur aracı ile bir hücre aralığının adlan-
Şekil 4.2 dırılabilmesi için öncelikle kullanılacak olan adla-
rın ve adlandırılacak olan hücrelerin bulunduğu
Aylara Göre Sipariş
Miktarları
aralıklar birlikte seçilmeli, sonra Seçimden Oluştur
aracına tıklanmalı, daha sonra ekrana gelecek olan
Seçimden Ad Oluştur penceresi ile ad değerlerinin
alınacağı hücre grubunun seçim içerisindeki konu-
mu seçilmeli ve Tamam düğmesine basılmalıdır.
Örneğin, Şekil 4.2’deki gibi bir tabloda sipariş
miktarları ilişkili oldukları ay adları kullanılarak ad-
landırılmak istenirse, öncelikle A2:B13 aralığı seçil-
melidir. Daha sonra Seçimden Oluştur aracına tıklan-
malı ve açılan Seçimden Ad Oluştur penceresinde ay
değerleri soldaki sütunda bulunduğu için Sol Sütun
ifadesi seçilerek Tamam tuşuna basılmalıdır. Bu işlem tamamlandıktan sonra B2 hücresi seçildiği
zaman bu hücrenin artık “Ocak” olarak adlandırıldığı Ad Kutusu yardımıyla görülebilecektir.
Eğer bütün sipariş miktarları için bir adlandırma işlemi yapılmak istenirse, B1:B13
aralığı seçilerek Seçimden Ad Oluştur penceresindeki Üst Satır ifadesi seçilmelidir. Bu iş-
lem B2:B13 aralığının adını B1 hücresinde bulunan değere dönüştürecektir. Adlandırma
işlemlerinde boşluk karakteri kullanılamadığı için hücre aralığının adı Excel tarafından
“Sipariş_Miktarı” şekline dönüştürülecektir.
4. Ünite - İşlemtabloları ile Veri Yönetimi ve Analizi 85
Ad Tanımla (Define Name) ile Aralık Adlandırma

Adlandırma işleminin yapılabilmesi için kullanılan bir diğer yöntem ise Formüller sekme-
si altındaki Tanımlı Adlar grubunda bulunan Ad Tanımla aracı ile adlandırma işlemlerinin
yapılmasıdır. Ad Tanımla aracı seçildikten sonra Yeni Ad penceresi (Şekil 4.3) ekrana ge-
lecektir. Bu pencere içerisindeki ad metin kutusuna, aralığa verilmek istenen ad yazılmalı;
kapsam listesinden tanımlanacak olan adın hangi çalışma sayfalarında kullanılabileceği
seçilmeli; açıklama metin kutusuna, verilecek olan ad hakkında tanımlayıcı bir açıklama
yazılmalı; başvuru yeri kutusuna da adlandırılmak istenen hücre aralığı seçilerek yazılmalı
ve Tamam düğmesine basılmalıdır.
Şekil 4.3
Yeni Ad Penceresi
Ad Yöneticisi (Name Manager)

Ad kutusunda bulunan aşağı ok simgesine tıklayarak, aktif olan çalışma kitabındaki ad-
landırmaları görmek ve seçmek mümkün olmaktadır. Excel, bu listede bulunan tanımlan-
mış adları kolaylıkla düzenleme ve silme imkânını da sunmaktadır. Bunun için Formüller
sekmesi altında bulunan Tanımlı Adlar grubundaki Ad Yöneticisi aracı (Şekil 4.4) kulla-
nılmaktadır. Bu araç yardımı ile aktif çalışma kitabındaki tanımlı olan adların detaylı bir
listesi kullanıcıya sunulmaktadır. Buna ek olarak, araç kutusunun üst kısmında bulunan
Yeni düğmesi ile Yeni Ad diyalog kutusu açılarak yeni bir adlandırma yapılabilir, Düzenle
düğmesi ile listeden seçilmiş olan ad düzenlenebilir, Sil düğmesi ile seçilmiş olan ad siline-
bilir ve Filtre Uygula düğmesi aracılığı ile de çalışma kitabında bulunan adların yer aldığı
listede bir filtreleme işlemi yapılabilir.
Şekil 4.4
Ad Yöneticisi Araç
Kutusu
ÖRNEK 1 Şekil 4.5’te bulunan tabloda bir ailenin aylık giderleri kabaca listelenmiştir. Bu tabloya göre
fatura ve ulaşım giderlerinin toplam tutarları ayrı ayrı hesaplanmak istenmektedir. C9 ve
C10 hücrelerine yazılması gereken formüller nelerdir?
Şekil 4.5
Aylık Fatura ve
Ulaşım Giderlerinin
Listelendiği Tablo
Çözüm 1: Fatura ve ulaşım giderlerinin ayrı ayrı toplamlarının bulunabilmesi için ön-
celikle tablo üzerinde bu kayıtlar belirlenmeli daha sonra ise istenilen hücrelere toplama
işlemi için gerekli olan formülün yazılması gerekmektedir. Fatura giderlerinin tutarları
C2, C4, C5 ve C7 hücrelerinde; ulaşım giderlerinin tutarları ise C3 ve C6 hücrelerinde
bulunmaktadır. Bu bilgilere göre C9 hücresine yazılması gereken formül;
=TOPLA(C2;C4;C5;C7)
şeklinde ve C10 hücresine yazılması gereken formül de;
=TOPLA(C3;C6)
şeklinde olmalıdır. Tabloya yeni kayıtlar eklendikçe bu hücrelere yazılması gereken for-
müller giderek daha da karmaşık bir hal alacaktır. Bu karmaşıklıktan kurtulmak için ge-
rekli hücre ve hücre aralıkları uygun şekilde adlandırılmalıdır ve böylece formüller daha
basit şekillerde yazılabilecektir. Eğer ki C2, C4, C5 ve C7 hücreleri herhangi bir adlandır-
ma yöntemi ile “Fatura” olarak; C3 ve C6 hücreleri de “Ulaşım” olarak adlandırılırsa, C9 ve
C10 hücrelerine yazılması gereken formüller çok daha kısa ve anlaşılır bir hal alacaktır. C9
hücresine yazılması gereken formül =TOPLA(Fatura) ve C10 hücresine yazılması gereken
formül =TOPLA(Ulaşım) şeklinde olacaktır.
Excel’de bulunan bir hücre aralığını adlandırmanın sağladığı avantajlardan üç tanesini ya-
1 zınız.
TABLO OLUŞTURMA
Excel, bir işlemtablosu yazılımı olmasına rağmen ayrılmış olduğu satır ve sütun yapısı ile bir
veritabanının birçok özelliğini de sergileyebilmekte ve bu bağlamda bir veritabanı yönetim
yazılımı olarak da kullanılabilmektedir. Excel’de tablolar; belirli bir organizasyon yapısına
sahip, birbiri arasında ilişki bulunan bilgi topluluğudur. Tabloları kullanmak, ilişkili verile-
rin yönetimini ve çözümlenmesini kolaylaştırmaktadır. Şekil 4.6’da Excel’de tablo kullanımı-
nın bir örneği sunulmuştur. Excel tabloları için kullanılan bazı terimler aşağıda verilmiştir.
• Alan (Field): Ad, adet, gelir gibi, bilgilerin tekil bir türüdür. Excel tablolarında her
bir sütun bir alanı temsil etmektedir.
• Alan değeri (Field value): Bir alanda bulunan tek bir bilgidir. Excel tablolarında
alan değerleri tekil birer hücredir.
• Alan adı (Field name): Her bir alana (sütuna) verilen benzersiz adlardır. Bir Excel
tablosunun üstbilgi satırında bulunurlar.
• Kayıt (Record): İlişkili alan değerlerinin derlemesidir. Excel tablolarında her bir
satır bir kayıttır.
• Tablo aralığı (Table range): Bir çalışma sayfasında bulunan; kayıtları, alanları ve
alan adlarını içeren hücre aralığıdır.
Şekil 4.6
Bir Sigorta Şirketi
Çalışanlarının Bir
Ay İçerisinde Yapmış
Oldukları Poliçe Adedi
ve Sağlanan Gelir
Tablosu
Aralığı Tabloya Dönüştürme

Excel, tablo verileri ile verimli bir şekilde çalışılabilmesi için birçok komuta sahiptir. Bu
komutların sağlamakta olduğu avantajlardan faydalanabilmek için çalışılmakta olunan
hücre aralığının tabloya dönüştürülmesi gerekmektedir. Bir hücre aralığının tabloya dö-
nüştürülebilmesi için aşağıda bahsedilen adımlar uygulanmalıdır.
• Tabloya dönüştürülmek istenen hücre Şekil 4.7
aralığında bulunan herhangi bir hücre
Tablo Oluştur Diyalog
seçilmelidir. Kutusu
• Varsayılan formatta bir tablo oluşturmak
için Ekle sekmesi altında bulunan Tab-
lolar grubundan Tablo aracı seçilmelidir.
Eğer belirlenecek formatta bir tablo oluş-
turulmak istenirse, bu işlem Giriş sekmesi
altında bulunan Stiller grubundaki Tablo
Olarak Biçimlendir aracı ile de yapılabilir.
• Excel bir diyalog kutusu ile tablonun oluşturulabilmesi için gerekli olan bilgileri soracak-
tır (Şekil 4.7). Bu kutu içerisinde bulunan “Tablonuzun verileri nerede?” alanı otomatik
olarak, seçilen hücrenin bulunduğu aralığı önerecektir. Eğer kullanılmak istenen aralık
doğru değil ise, bu alan için tabloya dönüştürülmek istenen aralık yeniden seçilmelidir.
• Eğer kullanılmak istenen aralığın en üst satırında alan adları bulunmakta ise “Tab-
lom üstbilgi satırı içeriyor” seçeneğinin işaretlenmesi gerekmektedir.
• Daha sonra Tamam düğmesine basılarak istenen aralık tabloya dönüştürülebilecektir.
Bir hücre aralığı tabloya dönüştürüldüğünde, Excel bu aralık için üç temel değişiklik
yapmaktadır. Bunlar:
• Hücrelerin, tablo hücresi olarak biçimlendirilmesi,
• Her bir alan adının yanına aşağı ok simgesi eklenip bir açılır menü oluşturulması,
• Tablo içerisinde bir hücre seçildiği zaman “Tasarım” sekmesi eklenerek Tablo araçla-
rının kullanılabilir hale getirilmesidir.
Eğer tabloya dönüştürülen hücre aralığı eski haline dönüştürülmek istenirse; tablonun her-
hangi bir hücresi seçildiğinde eklenen Tasarım sekmesi altında bulunan Araçlar grubundaki
Aralığa dönüştür aracı kullanılabilir.
Temel Tablo İşlemleri

Hücre aralıkları tabloya dönüştürüldükten sonra oluşturulan tablo üzerinde temel işlem-
ler yapmak mümkün olmaktadır. Bu işlemlerden bazıları aşağıda verilmiştir.
• Bir kaydı seçmek – İmleç, tablo içerisinde seçilmek istenen kaydın (satırın) en sol-
daki sütunda bulunan hücresinin sol tarafına götürülmelidir. İmleç sağı işaret eden
bir oka dönüştüğünde tıklanırsa tablo içerisindeki ilgili kayıt seçilecektir. Aynı iş-
lem seçilmek istenen kaydın bulunduğu satırdaki bir hücre seçili iken Shift+Space
kısayolu ile de yapılabilmektedir.
• Bir alanın seçilmesi – İmleç, seçilmek istenen alanın (sütunun) adını içeren hüc-
renin üst tarafına götürülmelidir. İmleç aşağıyı işaret eden bir oka dönüştüğünde
bir kez tıklanırsa tablo içerisindeki ilgili alandaki veri içeren hücreler seçilecektir.
Tıklama işlemi ikinci kez yapılırsa alan adını içeren hücre de seçime dahil edile-
cektir. Veri içeren hücrelerin seçilmesi işlemi, seçilmek istenen alanın bulunduğu
sütundaki bir hücre seçili iken Ctrl+Space kısayolu ile de yapılabilmektedir. Bu
kısayol ikinci kez kullanılırsa alan adını içeren hücre de seçilmiş olacaktır.
Aynı işlem ikinci kez yapılırsa • Bütün tablonun seçilmesi – İmleç, tablonun sol üst köşesine götürülmelidir. İmleç
üstbilgi satırı da seçime dahil sağ altı işaret eden bir oka dönüştüğünde tıklanırsa tüm tablo seçilmiş olacaktır.
edilecektir.
Aynı işlem, tablo içerisindeki herhangi bir hücre seçili iken Ctrl+A kısayolu ile de
yapılabilmektedir.
• Tablonun altına yeni bir kayıt ekleme – Tablonun altında bulunan herhangi bir
hücre seçilip istenen değer girildiğinde, bu kayıt da mevcut tabloya eklenecektir.
Bu işlem Excel’in otomatik genişleme özelliği sayesinde yapılabilmektedir. Ayrıca
tablonun en alttaki satırında bulunan en son hücreye gidilerek Tab tuşuna basılırsa
da tablo yeni bir kayıt için genişlemiş olacaktır.
• Tabloda bulunan herhangi bir yere yeni bir kayıt ekleme – Yeni kaydın eklenmesi
istenilen satırın bir altındaki kayda ait herhangi bir hücre seçilmeli ve daha sonra
Giriş sekmesi altında bulunan Hücreler grubundaki Ekle düğme grubunda bulunan
Yukarıya Tablo Satırları Ekle komutu kullanılmalıdır. Bu komut, seçili olan hücrenin
bulunduğu satırın bir üstüne yeni verilerin girilebileceği boş bir satır ekleyecektir.
• Tablonun sağına yeni bir alan ekleme – Tablonun bir sağındaki sütunda bulunan
herhangi bir hücre seçilip istenen değer girildiğinde bu sütun yeni bir alan olarak
tabloya eklenecektir.
• Tabloda bulunan herhangi bir yere yeni bir alan ekleme – Yeni alanın eklenme-
si istenilen sütunun bir sağındaki alana ait herhangi bir hücre seçilmeli ve daha
sonra Giriş sekmesi altında bulunan Hücreler grubundaki Ekle düğme grubunda
bulunan Sola Tablo Sütunları Ekle komutu kullanılmalıdır. Bu komut, seçili olan
hücrenin bulunduğu sütunun soluna yeni verilerin girilebileceği boş bir sütun ek-
leyecektir.
• Bir kaydın silinmesi – Silinmesi istenen kayda ait herhangi bir hücre seçilmeli ve
daha sonra Giriş sekmesi altında bulunan Hücreler grubundaki Sil düğme grubun-
da bulunan Tablo Satırlarını Sil komutu kullanılmalıdır.
• Bir alanın silinmesi – Silinmesi istenen alana ait herhangi bir hücre seçilmeli ve
daha sonra Giriş sekmesi altında bulunan Hücreler grubundaki Sil düğme grubun-
da bulunan Tablo Sütunlarını Sil komutu kullanılmalıdır.
• Tablo toplamlarının görüntülenmesi – Tabloda bulunan bir ya da daha fazla alan
için tablo toplamları görüntülenmek isteniyorsa; tablo içerisinde bulunan herhan-
gi bir hücre seçilmeli ve daha sonra Tasarım sekmesi altında bulunan Tablo Stili
Seçenekleri grubundaki Tablo Toplamları seçeneği seçilmelidir. Bu işlemden sonra
Excel, tablonun altına bir Toplam satırı ekleyecektir. Toplam satırında bulunan her
bir hücre; Ortalama, Say, Toplam, StdSapma gibi birçok işlevi içeren açılır bir me-
nüye sahiptir.
Tablolarda Sıralama
Bir veri setinde bulunan verilerin sıralanması işlemi, veri analizinin vazgeçilmez bir par-
çasıdır. Excel; tablo içerisinde bulunan kayıtların, alan değerlerine göre alfabetik ya da
sayısal olarak istenilen düzende yeniden sıralanabilmesinin imkânını sunmaktadır. Sağ-
lanan bu imkân, tablo kayıtlarını farklı alanlara göre sıralayarak görüntülemeye, organize
etmeye, değerlendirmeye ve istenilen bilgilere daha hızlı ve doğru bir şekilde ulaşmaya
olanak sağlamaktadır. Böylelikle veri analizi ve karar verme süreçleri de hız kazanacaktır.
Excel tablolarında sıralama işlemleri:
• Giriş sekmesi altında bulunan Düzenleme grubundaki Sırala ve Filtre Uygula düğ-
me grubunda bulunan sırala komut düğmeleri kullanılarak,
• Veri sekmesi altında bulunan Sırala ve Filtre Uygula grubundaki sırala komut düğ-
meleri kullanılarak,
• Alan adlarının bulunduğu hücrelerde bulunan açılır menülerdeki sırala komut
düğmeleri kullanılarak,
• Sıralama işleminin yapılması istenilen alanda bulunan bir hücreye farenin sağ tuşu
ile tıklandığında açılan menüdeki Sırala alt menüsünde bulunan sırala komut düğ-
meleri kullanılarak,
yapılabilmektedir. Bir alanı en küçükten en büyüğe sıralamak için A’dan Z’ye Sırala komut
düğmesi, en büyükten en küçüğe sıralamak için de Z’den A’ya Sırala komut düğmesi kul-
lanılmalıdır. A’dan Z’ye Sırala komutunda yapılacak olan sıralama işlemi aşağıdaki önce-
liklere göre yapılmaktadır:
• Sayı değerleri – negatiften pozitife,
• Metin değerleri – Boşluk ! “ # $ % & ’ ( ) * + , - . / 0’dan 9’a rakamlar (metin olarak biçim-
lendirilmiş ise) : ; < = > ? @ A’dan Z’ye (büyük küçük harf gözetilmeksizin) [ \ ] ^ _ ’ {, } ~,
• Mantıksal değerler – yanlış/doğru değerleri,
• Hata kodları – bütün hata kodları eşit önceliğe sahiptir,
• Boş hücreler – A’dan Z’ye ya da Z’den A’ya sıralama gözetilmeksizin sırada her za-
man en sonda yer alırlar.
Tablolarda sıralama işlemi, tek bir alana göre yapılabileceği gibi birden fazla alana göre de
yapılabilmektedir. Aynı tablo üzerinde bulunan çoklu alanlar için bir sıralama işlemi yapıl-
mak istenirse; Giriş sekmesi altında bulunan Sırala ve Filtre uygula düğme grubunda bulu-
nan Özel Sıralama… ya da Veri sekmesi altında bulunan Sırala komut düğmesi kullanılmalı-
dır. Tablo seçilip komut düğmesine basıldıktan sonra Sırala diyalog kutusu ekrana gelecektir
(Şekil 4.8). Çoklu alanlar için yapılacak olan bir sıralama işleminde, her bir alan için Sırala
diyalog kutusunda bulunan Düzey Ekle komut düğmesi yardımı ile yeni bir düzey eklenerek
istenen sıralama ölçütü, sıralama koşulu ve sıralama düzeni belirtilmelidir. Sıralama işlemi;
öncelikle ilk düzeye göre yapılacak, daha sonra sıra ile diğer düzeylere göre devam edecektir.
Örneğin, adı ve soyadı alanlarını içeren bir personel listesi alfabetik olarak önce adlarına
daha sonra da soyadlarına göre Sırala diyalog kutusu yardımı ile kolayca sıralanabilmektedir.
Yapılacak olan bu sıralama işleminde öncelikle listede bulunan personeller adlarına göre,
daha sonra da aynı ada sahip olan personeller soyadlarına göre alfabetik olarak sıralanacaktır.
Şekil 4.8
Sırala Diyalog Kutusu
Sırala diyalog kutusunda bulunan komut düğmeleri ve işlevleri aşağıda açıklanmıştır.

• Düzey Ekle komut düğmesi ile yeni bir düzey eklenebilmektedir.
• Düzey Sil komut düğmesi ile seçili olan düzey silinebilmektedir.
• Düzeyi Kopyala komut düğmesi ile seçili olan düzeyin bir kopyası oluşturulabil-
mektedir.
• Yukarı Taşı ve Aşağı Taşı komut düğmeleri ile birden fazla düzey olması duru-
munda düzeylerin sırası değiştirilebilmektedir.
• Seçenekler komut düğmesi yardımı ile yapılacak olan sıralama işleminin büyük-kü-
çük harfe duyarlı olup olmayacağı ve sıralama işleminin yönelimi seçilebilmektedir.
• Verilerimde üstbilgi var seçeneği, sıralama yapılacak olan tablo alan adlarını içe-
ren bir üstbilgi satırı içeriyorsa seçilmelidir.
Tablolarda Filtreleme
Tablolarla çalışırken ortaya çıkan büyük sorunlardan birisi çok fazla kayıt içeren tablolarda
istenilen veriye hızlı ve doğru bir şekilde ulaşılamamasıdır. Her ne kadar tablolarda sıralama
işlemlerinin yapılabilmesi veri arama ve bulma sürecini hızlandırsa da istenilen veriye yine
Şekil 4.9 de tabloda bulunan bütün kayıtlar arasından ulaş-
Bir Tablodaki Ürün mak gerekmektedir. Böyle bir durumda Excel’in
Alanı İçin Oluşturulan filtreleme yetenekleri ile erişilmek istenen kayıtla-
Açılır Menü rın bazı özellikleri çeşitli ölçütlerle tanımlanarak,
Excel’in sadece belirlenen ölçütlere uyan kayıtları
sunması ve diğer kayıtları gizlemesi sağlanabil-
mektedir.
Excel’de bulunan bir hücre aralığı tabloya
dönüştürüldüğünde o tablo için Filtre özelliği
otomatik olarak aktif hale getirilmekte ve her bir
alan için etkinleştirilen açılır menü yardımı ile
kullanılabilmektedir. Açılır menü altında bulu-
nan filtreleme seçenekleri ile yapılacak olan bir
filtreleme işleminde kullanılacak ölçütler, renge
göre ya da hücre değeri türüne göre (metin, sayı
ve tarih) tanımlanabileceği gibi menünün alt kıs-
mında bulunan arama kutusu ve onay kutuları
yardımı ile de belirlenebilmektedir. Açılır menü-
nün alt kısmında, o alanda bulunan farklı hücre
değerlerinin her birinden birer adet sıralanmakta ve sıralanan değerlerin sol tarafında bu
değerlere ait birer onay kutusu bulunmaktadır (Şekil 4.9). Onay kutusu seçili olan değer-
lere eşit hücre değerlerine sahip kayıtlar tabloda listelenmekte, seçili olmayan değerlere
eşit hücre değerlerine sahip kayıtlar ise gizlenmektedir. İstenilen kayıtların görüntülendiği
filtrelenmiş tablolar ile çalışmak, bütün kayıtların gösterildiği tablolarla çalışmaya göre
çok daha hızlı ve pratik olacaktır.
Bir tablo için otomatik olarak aktif hale getirilen Filtre özelliği kaldırılmak istenirse, Veri sek-
mesi altında bulunan Sırala ve Filtre Uygula grubundaki Filtre komut düğmesi kullanılmalıdır.
Açılır menüde bulunan, Renge Göre Filtre alt menüsü yardımı ile filtre uygulanmak
istenen alandaki hücreler yazı tipi rengi ya da hücre rengine göre filtrelenebilmekte, Me-
tin/Sayı/Tarih Filtreleri alt menüsü yardımı ile de hücre değeri türüne göre özel olarak
tanımlanmış olan ifadeler kullanılarak bir filtre ölçütü oluşturulabilmektedir. Metin/Sayı
Filtreleri alt menüsünden herhangi bir ifade seçildiğinde ekrana, ölçütlerin oluşturulması-
nı sağlayan Özel Otomatik Filtre diyalog kutusu gelecektir (Şekil 4.10). Bu diyalog kutusu
yardımı ile isteğe bağlı ölçütler oluşturularak bir filtreleme işlemi yapmak mümkündür.
Tarih Filtreleri alt menüsü yardımı ile oluşturulacak bazı ölçütlerde Özel Otomatik Filtre
diyalog kutusu kullanılabileceği gibi, Metin/Sayı Filtreleri alt menüsünden farklı olarak
bugünün tarihine bağlı olan komutlar da kullanılabilmektedir. Örneğin, alt menüde bulu-
nan Bu Yıl komutu ile bu yıl içerisinde bulunan tarihleri içeren bütün kayıtların buluna-
bilmesi sağlanabilmektedir.
Şekil 4.10
Özel Otomatik Filtre
Diyalog Kutusu
Metin Filtreleri alt menüsü yardımı ile oluşturulacak olan ölçütlerde bir ya da bir-
den fazla karakterin yerine geçebilen joker karakterleri (wildcard characters) kullanmak
mümkündür. Bir ifade içerisinde kullanılacak olan; ? (soru işareti) joker karakteri herhan-
gi bir karakteri, * (yıldız işareti) joker karakteri ise herhangi bir karakter grubunu ifade
etmektedir.
Eğer oluşturulmak istenen ifade ? ya da * karakterlerinden birisini içeriyorsa bu karakterler

joker karakterler olduğu için önlerine ~ (tilda işareti) karakteri yazılması gerekmektedir.
Filtrelenmiş alan içeren bir çalışma sayfası aşağıdaki özelliklere sahiptir:

• Filtreleme uygulanmış alan adlarının sağında bulunan aşağı ok simgesinin yanın-
da bir huni simgesi belirmektedir.
• Fare, herhangi bir alan adının sağında bulunan aşağı ok simgesinin üzerine gö-
türüldüğünde, o alan için uygulanmış olan filtreleme ölçütleri metin olarak ifade
edilir. O alanda, eğer herhangi bir filtreleme kullanılmamış ise açıklama olarak
(Tümünü Gösterir) ifadesi kullanılmaktadır.
• Excel; durum çubuğunda, filtre uygulanmış kayıt sayısını göstermektedir.
Uygulanan filtre temizlenmek istenirse, açılır menü altında bulunan “[alan adı] Filt-
resini Temizle” komutu ya da filtrenin uygulandığı alanda bulunan herhangi bir hücre
seçilerek Veri sekmesi altında bulunan Sırala ve Filtre Uygula grubunda bulunan Temizle
komut düğmesi kullanılmalıdır.
Çoklu Ölçütler
Filtreleme işlemleri tek bir ölçüte bağlı olarak yapılabileceği gibi birden fazla ölçüte bağlı
olarak da yapılabilmektedir. Birden fazla ölçüte bağlı olarak oluşturulan ifadelere çoklu
ölçütler (multiple criteria) adı verilmektedir. Filtreleme işlemlerinde kullanılan çoklu öl-
çütler, tablo alanlarını farklı ölçütlere göre sınamakta ve bu ölçütleri sağlayan hücre değer-
lerine sahip kayıtları bulup listelemektedir. Excel ile yapılacak olan filtreleme işlemlerinde
kullanılacak olan çoklu ölçütler, ölçütlerin Ve ya da Veya mantıksal operatörleriyle birleş-
tirilmesinden oluşturulmaktadırlar.
Özel Otomatik Filtre diyalog kutusu ile de bir alan için çoklu ölçütler oluşturmak
mümkündür. Çoklu ölçütlerin oluşturulabilmesi için diyalog kutusu yardımı ile iki fark-
lı ifade oluşturulması ve bu ifadelerin Ve ya da Veya mantıksal operatörleri kullanılarak
istenilene uygun bir şekilde birleştirilmesi gerekmektedir. Ve mantıksal operatörü kulla-
nıldığında tanımlanmış olan iki ölçütü birden sağlayan kayıtlar, Veya mantıksal operatörü
kullanıldığında ise iki ölçütten en az birisini sağlayan kayıtlar bulunacak ve listelenecektir.
Örneğin, Miktar alanı için hücre değeri 500’den 999’a kadar olan değerlerin bulunabilmesi
için oluşturulması gereken çoklu ölçüt Şekil 4.11’de bulunan diyalog kutusunda gösterilmiştir.
Şekil 4.11
Miktar Alanı İçin
Hücre Değeri
500’den 999’a Kadar
Olan Kayıtların
Bulunabilmesi İçin
Kullanılabilecek Çoklu
Ölçüt
Gelişmiş Filtreleme
Veri sekmesi altında bulunan Filtre komut düğmesi gerekli olan birçok filtreleme işlemini
yapabilmesine rağmen karmaşık filtreleme işlemleri için yetersiz kalmaktadır. Excel ile
çoklu ölçütlere sahip karmaşık bir filtreleme işlemi yapabilmek için aynı düğme grubu
altında bulunan Gelişmiş komut düğmesi kullanılmalıdır. Gelişmiş komut düğmesine tık-
landığında Gelişmiş Filtre diyalog kutusu ekrana gelecektir (Şekil 4.12). Bu diyalog kutusu
ile filtreleme işleminin yapılacağı bir Liste aralığı, filtreleme işleminde kullanılacak olan
ölçütlerin bulunduğu bir Ölçüt aralığı, yapılacak eylemin türü ve sadece benzersiz kayıtla-
rın seçilip seçilmeyeceği belirtilebilmektedir.
Gelişmiş filtreleme işlemlerinin en kri- Şekil 4.12
tik adımı, filtreleme işleminde kullanılacak Gelişmiş Filtre Diyalog
olan ölçüt aralığının doğru ve titiz bir şe- Kutusu
kilde düzenlenmiş olmasıdır. Kullanılacak
olan ölçüt aralığının ilk satırı filtre uygu-
lanmak istenen liste aralığı ile aynı alan
adlarını ya da o alan adlarının bir kısmını
içermek zorundadır. Ayrıca oluşturulacak
ölçüt aralığı ile liste aralığı arasında en az
bir satır ya da sütun boşluk olması gerek-
mektedir. Filtreleme işleminde kullanılması
istenen ölçütler, ölçüt aralığındaki uygun
alan adları altına yazılmalıdır ve Excel iste-
nilen ölçütleri liste aralığında bulunan aynı
adlara sahip alanlar üzerinde uygulayarak
sağlayan kayıtları bulup listeleyecektir. Ge-
lişmiş filtreleme işlemlerinde kullanılacak olan ölçüt aralığının da çalışma sayfası içerisin-
de olması iki temel avantaj sağlamaktadır. Bunlar:
• Bir alan için birden fazla satır ya da sütunu kullanarak çoklu ölçütlerin oluşturula-
bilmesi,
• Kullanılacak olan ölçütlerin de birer formüle sahip olması ve böylece hesaplanmış
ölçütlerin oluşturulabilmesidir.
Şekil 4.13’te bulunan tabloda bir beyaz eşya firmasının yapmış olduğu satışların bir listesi ÖRNEK 2
bulunmaktadır. Kayıt numarası 500.000’den büyük olan, alışveriş tarihi 1 Ocak 2014 günü
ya da sonra olan ve çamaşır makinesi satın alan müşteri kayıtları bulunmak istenmektedir.
Şekil 4.13
Beyaz Eşya
Firmasının Satışlarını
Gösteren Tablo
Çözüm 2: Böyle karmaşık bir filtreleme işleminin yapılabilmesi için gelişmiş filtre
kullanılması gerekmektedir. Öncelikle bir ölçüt aralığı oluşturulmalıdır. Tablo içerisinde-
ki kayıtların çok fazla olduğu ve tabloya yeni kayıtların eklenebileceği düşünülürse, ölçüt
aralığını mevcut tablonun üst kısmındaki bir alana konumlandırmak çok daha kullanışlı
olacaktır. Bunun için de tablonun üzerine yeni satırlar eklenmesi gerekmektedir. Gelişmiş
Filtre diyalog kutusu yardımı ile bir seçim yapılacağı için istenilen miktarda satır eklenebil-
mektedir. Fakat unutulmamalıdır ki, ölçüt aralığı ile liste aralığı arasında en az bir boş satır
ya da sütun olmak zorundadır. Ölçüt aralığı için alan adları, ölçütler ve bir boş satır gerek-
liliği düşünülürse, bu örnek için tablonun üzerine üç adet satır eklemek yeterli olacaktır.
Ölçüt aralığının birinci satırına alan adlarının yazılması gerekmektedir. Örnekte be-
lirtilen ölçüte bakıldığı zaman “Kayıt No”, “Alışveriş Tarihi” ve “Ürün” alanları kesinlikle
ölçüt aralığında yer almalıdır. Ölçüt aralıkları oluşturulurken her bir satırın ve sütunun
bir anlamı bulunmaktadır. Excel’de aynı satırda bulunan ölçütler arasında Ve mantıksal
operatörü, farklı satırlarda bulunan ölçütler arasında da Veya mantıksal operatörü kul-
lanılmış olarak değerlendirilir. Örnekte üç farklı ölçütü de sağlayan alanların bulunması
istenmektedir, bu yüzden yazılacak ölçütlerin hepsi aynı satır üzerinde yer almak zorun-
dadır. İstenen ölçüt aralığı Şekil 4.14’te gösterilmiştir. Alışveriş tarihi için bir hesaplanmış
ölçüt (calculated criteria) kullanılmıştır. Formül yazımında kullanılması gereken = (eşit-
tir) işaretinden sonra metin olarak >= (büyük eşittir) operatörü kullanılmış ve TARİHSA-
YISI işlevinin sonucu ile birleştirilmiştir. Bu hesaplanmış ölçüt 1 Ocak 2014 tarihini ve bu
tarihten sonraki tarihleri ifade etmektedir.
Şekil 4.14
Örnek 2 İçin
Oluşturulması
Gereken Ölçüt Aralığı
Ölçüt aralığı oluşturulduktan sonra Veri sekmesi altında bulunan Sırala ve Filtre
Uygula bölümündeki Gelişmiş komut düğmesi seçilmeli ve Gelişmiş Filtre diyalog ku-
tusunda istenen bilgiler girilmelidir (Şekil 4.15). Liste aralığı olarak tablonun tamamı,
ölçüt aralığı olarak da A1:E2 hücre aralığı seçilmelidir. Filtreleme işleminin sonucu,
kullanılan tablo yerine başka bir alana aktarılmak istenirse bu işlem Eylem bölümü al-
Şekil 4.15 tında bulunan Başka bir yere kopyala seçe-
neği ve daha sonra aktif hale gelecek olan
Örnek 2 İçin
Kullanılacak Olan Hedef metin kutusu yardımı ile yapılabile-
Gelişmiş Filtre Diyalog cektir.
Kutusu Listeye yerinde filtre uygula seçeneği
seçili iken Tamam tuşuna basıldığı düşü-
nülürse tablo üzerinde bir filtreleme işlemi
yapılacak ve kayıt numarası 500.000’den
büyük olan, alışveriş tarihi 1 Ocak 2014
günü ya da sonra olan ve çamaşır makinesi
satın alan müşteri kayıtları bulunabilecektir
(Şekil 4.16).
Şekil 4.16
Gelişmiş Filtreleme
İşleminin Sonucu
Şekil 4.17’de bir otobüs firmasının yapmış olduğu seferler ve bu seferlere katılan yolcu bilgi- ÖRNEK 3
leri bulunmaktadır. 10 Şubat 2016 günü 21.00 - 23.59 saatleri arasında Afyon ili ve çevre-
sinde beklenen elverişsiz hava koşulları nedeniyle seferlerde gecikmeler yaşanabileceği sap-
tanmıştır. Firma, yolcuların mağdur olmaması için bu bilgiyi ilgili saatlerde Afyon ilinde
bulunması beklenen otobüslerin yolcularına SMS ile bildirmek istemektedir. Bu gecikmeden
Antalya’dan 18.30’da kalkıp İstanbul istikametine gidecek olan, İzmir’den 19.00’da kalkıp
Ankara istikametine gidecek olan ve Afyon’dan belirlenen saat aralığında kalkacak olan oto-
büslerin etkilenmesi beklenmektedir. Firmanın bütün sefer ve yolcu bilgilerinin bulunduğu
listeden ilgili yolcuları bulması için kullanması gereken ölçüt aralığı nasıl düzenlenmelidir?
Şekil 4.17
Bir Otobüs Firmasının
Sefer ve Yolcu Bilgileri
Çözüm 3: Böyle bir ölçüt aralığının oluşturulabilmesi için Antalya’dan 18.30’da kalkıp
İstanbul istikametine gidecek olan ya da İzmir’den 19.00’da kalkıp Ankara istikametine gide-
cek olan ya da Afyon’dan 21.00 – 23.59 saatleri arasında kalkacak olan otobüslerin bulunması
gerekmektedir. Mantıksal bir ifade olarak bu çoklu ölçütün örnek yazılışı aşağıda verilmiştir.
(Kalkış = “Antalya” ve Varış = “İstanbul” ve Sefer Tarihi = “10.2.2016” ve Sefer Saati =
“18:30”) veya (Kalkış = “İzmir” ve Varış = “Ankara” ve Sefer Tarihi = “10.2.2016” ve Sefer
Saati = “19:30”) veya (Kalkış = “Afyon” ve Sefer Tarihi = “10.2.2016” ve Sefer Saati >=
“21:00” ve Sefer Saati <= “23:59”)
Oluşturulacak olan ölçüt aralığında kalkış, varış, sefer tarihi ve sefer saati alanları ke-
sinlikle bulunmalıdır. Ölçüt aralıkları oluşturulurken, aynı satırda bulunan ölçütler ara-
sında Ve mantıksal operatörü, farklı satırlarda bulunan ölçütler arasında da Veya mantık-
sal operatörü kullanılmış olarak değerlendirildiği bilinmektedir. Ayrıca ölçüt aralıklarında
alan adları birden fazla kez yazılabilmekte ve bulunacak değerlerin aynı alan adı altındaki
her ölçütü sağlaması gerekmektedir. Örnek 3 için oluşturulmuş olan mantıksal ifadenin
ölçüt aralığına dönüştürülmüş hali Şekil 4.18’de gösterilmiştir.
Şekil 4.18
Örnek 3 İçin
Düzenlenmiş Olan
Ölçüt Aralığı
Excel’de tablolarla çalışmanın sağladığı avantajlardan üç tanesini yazınız.

2
ÖZET TABLO (PIVOTTABLE)

Genellikle iş ortamlarında karşılaşılan tablo ve veritabanları yüzlerce kayıttan oluşmakta
ve çok fazla detay içermektedir. Bu tarz tablo ve veritabanları üzerinde yapılacak olan veri
analiz işlemlerinde doğru araçlar kullanılmadığı takdirde istenilen bilgiye ulaşmak eziyet
olmakta ve ayrıca işgücü ve zaman kaybına da yol açmaktadır. Excel’in etkin bir veri analiz
aracı olan özet tablolar, veri analiz işlemlerinin kolaylıkla yapılabilmesini sağlamaktadır.
Excel, bir kaynakta bulunan verileri, anlaşılır ve yeniden düzenlenebilir özet bir çizelgeye
dönüştürmekte ve böylece yüzlerce satır ya da sütundan oluşan veri tablolarından anlamlı
bir veri sunumu oluşturabilmektedir. Özet tablolar, sahip oldukları esneklik sayesinde bir
tablo ya da veritabanında bulunan verileri farklı açılardan görebilmeyi ve değerlendirebil-
meyi sağlamaktadır.
Özet Tablonun Yapısı

Özet Tablo, veri alanı olarak adlandırılan bir alanda bulunan veriyi diğer alanlarda bulu-
nan verilere göre parçalara bölerek özetlemektedir. Diğer alanlarda bulunan tekil değerler
(unique values) satır alanı olarak adlandırılmakta ve bu değerlerin her biri birer satır eti-
ketine dönüşmektedir. Örneğin Şekil 4.19’da farklı şehirlerde şubesi bulunan bir turizm
şirketinde çalışan satış danışmanlarının yılın ilk altı ayında yapmış oldukları satış miktar-
larını içeren bir tablo bulunmaktadır.
Şekil 4.19
Bir Turizm Şirketinde
Çalışan Satış
Danışmanlarının Yılın
İlk Altı Ayında Yapmış
Oldukları Satış
Miktarları
Oluşturulacak olan özet tablo ile Satış Miktarı alanında bulunan değerler diğer alanlar-
da bulunan değerlere göre kolaylıkla parçalanabilmekte ve anlaşılır bir özet çizelge oluştu-
rulabilmektedir. Şekil 4.20’de Satış Miktarı alanında bulunan değerler Şube alanında bulu-
Şekil 4.20 nan değerlere göre parçalara ayrılmıştır.
Her bir farklı şubede, listede bulunan
Toplam Satış
Miktarlarının Şubelere bütün aylarda ve bütün satış danışman-
Göre Özetlenmesi ları tarafından yapılan satış miktarlarının
toplamı otomatik olarak hesaplanarak
oluşturulan özet tabloda sunulmuştur.
Bu özet tabloda veri alanı Satış Miktarı
alanı, satır alanı ise Şube alanıdır. Şube
alanında bulunan her bir tekil değer ise
satır etiketine dönüşmüştür.
Oluşturulmuş olan özet tabloyu üçüncü bir alan belirleyerek daha küçük parçalara
ayırmak da mümkündür. Eklenecek olan üçüncü alan bir satır alanı ya da bir sütun ala-
nı olabilir. Eğer bir satır alanı eklenmek
Şekil 4.21
istenirse Satır etiketleri birer menüye dö-
nüşecek ve yeni eklenen satır alanında bu- Toplam Satış
Miktarlarının,
lunan her bir tekil değer bu menülerin alt Şubelere ve İlgili
elemanları haline gelecektir. Oluşturulmuş Şubelerde Çalışmakta
olan özet tabloya yeni bir satır alanı olarak Olan Satış
Danışmanlarına Göre
Satış Danışmanları alanı eklenirse, her bir Özetlenmesi
satır etiketi altında, o şubeye ait olan satış
danışmanları ve onların ilk altı ay içerisin-
de yapmış oldukları toplam satış miktarları
özetlenecektir (Şekil 4.21). Bir menü haline
dönüşen satır etiketlerinin alt elemanlarını,
her bir etiketin yanında bulunan - (eksi)
işareti ile gizlemek, + (artı) işareti ile de ye-
niden görünür hale getirmek mümkündür.
Oluşturulmuş olan özet tabloya bir sü-
tun alanı olarak Ay alanı eklenirse, şubenin
ve satış danışmanının ilgili ayda yapmış
oldukları toplam satış miktarları da özet tabloda yer alacaktır (Şekil 4.22). Ay alanında
bulunan her bir tekil değer ise sütun etiketine dönüşmüş olacaktır.
Şekil 4.22
Toplam Satış
Miktarlarının;
Şubelere, Şubelerde
Çalışmakta Olan
Satış Danışmanlarına
ve İlgili Aylara Göre
Özetlenmesi
Özet tablolar özel bir terminolojiye sahip olup özet tablolar ile ilgili sık kullanılan bazı
terimler aşağıda verilmiştir.
• Veri kaynağı (Data source): Verinin orijinal halidir. Özet tablo oluşturmak için bir
hücre aralığı, bir tablo, dış bir kaynaktan alınmış veriler ya da doğrudan bir dış veri
kaynağı kullanılabilmektedir.
• Alan (Field): Şube, ay, satış danışmanı gibi verinin bir türüdür. Özet tablolar ge-
nellikle Excel tablolarından oluşturuldukları için özet tablo alanları genelde tablo
alanlarını temsil etmektedir.
• Etiket (Label): Özet tablodaki bir alanda bulunan her bir elemandır.
• Satır alanı (Row field): Özet tablolarda satır etiketleri olarak kullanılacak olan tekil
değerlerin veri kaynağında bulunduğu alandır. Şube ve Satış Danışmanı alanları gibi.
• Sütun alanı (Column field): Özet tablolarda sütun etiketleri olarak kullanılacak
olan tekil değerlerin veri kaynağında bulunduğu alandır. Ay alanı gibi.
• Filtre alanı (Report filter): Özet tablolarda filtreleme işlemlerinde kullanılacak
olan tekil değerlerin veri kaynağında bulunduğu alandır.
• Veri alanı (Data field): Özetlenmesi istenilen verinin veri kaynağında bulunduğu alandır.
• Anahat (Layout): Özet tablo üzerindeki alanların ve ögelerin genel yerleşim düzenidir.
Özet Tablo Oluşturmak

Excel ile oluşturulacak olan bir özet tablonun veri kaynağı bir hücre aralığı, bir Excel tablosu,
dış bir kaynaktan alınmış veriler ya da doğrudan bir dış veri kaynağı olabilmektedir. Excel
tabloları bu kaynaklar arasında en sık kullanılan veri kaynağıdır. Kullanışlı bir özet tablo oluş-
turulabilmesi için veri kaynağı içerisinde bulunan alanlardan en az bir tanesi gruplanabilir bir
veri içermeli (sınırlı sayıda tekil değerleri içeren) ve her bir alan bir alan adına sahip olmalıdır.
Şekil 4.23’te bir restoranın mutfak için yapmış olduğu üç aylık sebze ve meyve alım
bilgilerini içeren bir tablo bulunmaktadır. Tabloda bulunan her bir kayıt; alım numarası,
ürünün türü, ürünün kategorisi, alınan ürünün kg olarak miktarı, alınan ürünün kg fiyatı,
alım tutarı ve alım tarihi bilgilerine sahiptir.
Şekil 4.23
Bir Restoranın Mutfak
İçin Yapmış Olduğu
Üç Aylık Sebze ve
Meyve Alım Bilgilerini
Gösteren Tablo
Alım tablosunda bulunan verileri daha okunaklı bir hale getirmek için özet tablo oluş-
turulmak istenirse aşağıdaki adımlar izlenmelidir.
• Tablo üzerinde bulunan herhangi bir hücre seçilmeli ve daha sonra ortaya çıkacak
olan Tasarım sekmesinde bulunan Araçlar bölümündeki PivotTable Kullanarak
Özetle komut düğmesine basılmalıdır. Bu işlem sonucunda ekrana PivotTable Oluş-
tur diyalog kutusu gelecektir (Şekil 4.24). PivotTable Oluştur diyalog kutusuna, çalış-
ma sayfasında bulunan herhangi bir hücre seçili iken Ekle sekmesi altında bulunan
Tablolar bölümündeki PivotTable komut düğmesi yardımı ile de ulaşılabilmektedir.
Şekil 4.24
Pivottable Oluştur
Diyalog Kutusu
• PivotTable Oluştur diyalog kutusu ile özetlenmesi istenilen veri seti, oluşturu-
lacak olan özet tablonun konumu ve kaynak veri setinde bulunan verilerin Veri
Modeli’ne eklenip eklenmeyeceği belirtilmelidir.
• Alım tablosu için bir özet tablo oluşturulmak istendiğinden, “Çözümlemek iste-
diğiniz verileri seçin” bölümünden Tablo veya aralık seçin seçeneği seçilmeli ve
tablonun konumu belirtilmelidir. Eğer dış bir veri kaynağında bulunan veriler için
bir özet tablo oluşturulmak istenseydi, Dış veri kaynağı kullan seçeneği seçilerek
veri kaynağına ulaşılabilecek olan bağlantı seçilmeliydi.
• Daha sonra oluşturulacak olan özet tablonun konumu belirtilmelidir. Özet tabloyu
yeni bir çalışma sayfasında ya da var olan çalışma sayfası içerisinde konumlandır-
mak mümkündür. Yeni Çalışma Sayfası seçeneği seçilir ise özet tablo, aynı çalışma
kitabına yeni bir çalışma sayfası eklenerek A1 hücresinden itibaren konumlandırı-
lacaktır. Varolan Çalışma Sayfası seçeneği seçildiğinde ise aktif çalışma sayfasında
bulunan herhangi bir hücre seçilerek özet tablonun bu hücreden itibaren konum-
landırılması sağlanmaktadır.
• Excel (2013 versiyonundan itibaren), her bir çalışma kitabı içerisinde bir veri
modeli kurmaktadır ve çalışma kitabında kullanılan verileri istenildiği takdirde
bu model içerisinde konumlandırmaktadır. Bu özellik sayesinde farklı sayfa-
larda bulunan veri kaynakları arasında çeşitli ilişkiler kurulabilmekte ve Excel
çalışma kitapları birer veritabanı olarak kullanılabilmektedir. Veri modelleri
genellikle PivotTable, PivotChart ve PowerPivot gibi Excel bileşenlerinde kulla-
nılabilmektedir. PivotTable Oluştur diyalog kutusunda bulunan Bu verileri Veri
Modeli’ne ekle seçeneği seçilir ise, oluşturulacak olan özet tablo içerisinde aynı
çalışma kitabında bulunan farklı tablolardaki alanları da özetlemek mümkün
olabilecektir.
Diyalog kutusu yardımı ile gerekli seçenekler belirtildikten sonra, seçilmiş olan
konumdan itibaren boş bir özet tablo oluşturulacaktır. Oluşturulan bu özet tablo üze-
rindeki bir alana tıklandığı anda PivotTable Alanları araç kutusu ekrana gelecektir (Şe-
kil 4.25). Bu araç kutusu yardımı ile rapora eklenecek tablo alanları fare ile seçilerek
istenilen özet tablo bölgelerine sürüklenmeli ve böylelikle özet tablo istenilen şekilde
düzenlenmelidir. Bir özet tablo satırlar, sütunlar, değerler ve filtreler olmak üzere dört
farklı bölgeye sahiptir.
• Satırlar bölgesinde bulunan alanlar, özet tablonun satır değerlerini oluşturacaktır.
• Sütunlar bölgesinde bulunan alanlar, özet tablonun sütun değerlerini oluşturacaktır.
• Değerler bölgesindeki alanlar, formüller ile yapılacak olan çeşitli hesaplamalarda
kullanılacak olan verileri içermektedir.
• Filtreler bölgesinde bulunan alanlar, özet tablo için kullanılabilecek birer filtrele-
me ölçütü oluşturmayı sağlamaktadır.
PivotTable Alanları araç kutusunda bulunan alanları bölgelere sürüklemek yerine her bir
alana ait onay kutusunu işaretleyerek de bir özet tablo oluşturmak mümkündür. Excel, onay
kutusuna tıklanan alan metin ya da tarih içeriyorsa o alanı satırlar bölgesine, sayısal ifadeler
içeriyor ise değerler bölgesine taşıyacaktır.
Şekil 4.25
Oluşturulan Özet
Tablo ve Pivottable
Alanları Araç Kutusu
Özet tablo içerisinde bulunan bir bölgeye birden fazla alanı sürüklemek mümkündür.
Anlaşılır bir özet tablo oluşturulabilmesi için sürüklenen alanların öncelik sırası önemli-
dir. Satırlar ve sütunlar bölgeleri için üstte bulunan alanlar, altta bulunan alanların bir üst
grubu şeklinde olmalıdır. Alım tablosuna bakılacak olursa; ürünler ve ürünlerin ait oldu-
ğu kategorilerin bulunduğu görülecektir. Böyle bir tablo için üst grup kategoriler (meyve
ve sebze), alt grup ise ürünler (havuç, domates, elma, salatalık, armut, portakal, biber,
soğan ve patates) olmalıdır. Yapılacak olan hesaplamalar düşünüldüğünde bu iki alanın da
satır alanı olarak kullanılması uygundur.
Değerler bölgesinde ise hesaplama işlemlerinde kullanılmak istenen alanlar bulunma-
lıdır. Alım tablosu için, her bir kategorinin ve kategori altında bulunan her bir ürünün
toplam alım fiyatlarının, kg cinsinden toplam miktarlarının ve alım sayısının hesaplan-
ması kullanışlı olacaktır. Böyle bir durumda değerler bölgesine Alım No, Miktar (Kg.) ve
Alım Fiyatı alanları sürüklenmelidir. Sürüklenen bu alanlar sayısal değerleri içermekte ise
genellikle toplama işlemine tabi tutulmaktadırlar. Fakat Alım No alanı için bir toplama
değil sayma işlemi gerekmektedir. Bunun için Alım No değerler bölgesine sürüklendikten
sonra oluşan Toplam Alım No ögesine tıklanarak açılan menüden Değer Alanı Ayarları…
seçeneğine tıklanmalı ve sonra ekrana gelen liste kutusundan Say hesaplama türü seçil-
melidir. Değerler bölgesinde bulunan ögelerin öncelik sırası, özet tablo üzerinde bulunan
hesaplamaların da sırasını ifade etmektedir. En üstte bulunan öge özet tabloda en solda
yer alacaktır.
Değer Alanı Ayarları… seçeneği yardımı ile toplam, say, ortalama, en büyük, en küçük, çar-
pım, sayıları say, standart sapma, tüm popülasyonu temel alan standart sapma, varyans ve
tüm popülasyonu temel alan varyans hesabı gibi hesaplama türlerini seçmek mümkündür.
Ayrıca değer gösterimi sekmesi yardımı ile değerlerin yüzde (%) olarak gösterimi de sağla-
nabilmektedir.
Alım tablosu için Alım Tarihi alanı filtre olarak kullanılabilir. Bir filtre ölçütü belirtil-
diğinde özet tablo sadece belirtilen ölçüte uyan kayıtları özetleyecektir. Alım tablosu için
bahsedilen alanların kullanıldığı örnek bir özet tablo Şekil 4.26’da sunulmuştur.
Şekil 4.26
Alım Tablosu İçin
Hazırlanmış Olan
Örnek Özet Tablo
Örnek özet tabloda herhangi bir filtre ölçütü kullanılmamıştır. Alım tarihinin ya-
nındaki hücrede bulunan açılır menüye tıklayarak bir filtre ölçütü tanımlanabilir. Açılır
menüde bulunan arama kutusuna *.03.* gibi joker karakterlerden oluşan bir ifade yazı-
larak, Mart ayında yapılan bütün alımlar sıralanıp daha sonrasında tümünü seç seçeneği
ile seçilebilir ve böylelikle özet tablonun sadece Mart ayı içerisinde yapılmış olan alımları
özetlemesi sağlanabilir. Filtreleme işleminde çoklu seçim yapabilmek için açılır menünün
altında bulunan Birden Çok Öğe Seç seçeneği seçilmelidir. Böyle bir filtreleme işlemi yapıl-
dığında oluşacak olan özet tablo Şekil 4.27’de sunulmuştur.
Şekil 4.27
Sadece Mart Ayında
Yapılmış Olan
Alımların Özetini
Gösteren Özet Tablo
Özet tabloda bulunan alan adlarını formül çubuğu ya da Değer Alanı Ayarları… diyalog
kutusu yardımı ile isteğe bağlı olarak değiştirmek ve böylece daha anlaşılır bir özet tablo
oluşturmak mümkündür.
Excel’de özet tablolar oluşturmanın sağladığı avantajlardan üç tanesini yazınız.

3
DİLİMLEYİCİ (SLICER)
Herhangi bir tablo, özet tablo ya da özet grafik üzerinde istenilen şekilde filtrelemeler yap-
mak veri analiz işlemlerini oldukça hızlandırmaktadır. Filtreleme işlemlerinde yaşanılan
en büyük sorun, aynı veri aralığı için birden fazla filtre kullanıldığı takdirde yapılmış olan
filtreleme işlemlerinin takibinin zorlaşmasıdır. Çok sık filtreleme işlemlerinin yapıldığı
veri aralıkları için bu kontrol giderek zorlaşmaktadır. Excel, 2010 ve sonrası sürümlerinde
filtreleme işlemlerini kolaylaştırmak için dilimleyici (slicer) kullanımını sunmuştur. Di-
limleyiciler, verileri görsel olarak hızlı bir şekilde filtrelemeyi sağlayan, kullanımı oldukça
kolay olan Excel’in filtreleme bileşenleridir.
Tabloya Dilimleyici Eklemek

Excel’de bulunan bir tabloya dilimleyici eklemek için, tablo üzerinde bulunan herhangi
bir hücre seçili iken Ekle sekmesi altındaki Filtreler bölümünden Dilimleyici komut
düğmesi seçilmelidir. Tablo üzerindeki bir hücre seçildikten sonra sekmeler arasına
eklenecek olan Tasarım (Tablo Araçları) sekmesi al-
Şekil 4.28 tındaki Araçlar bölümünde bulunan Dilimleyici Ekle
Dilimleyici Ekle komut düğmesiyle de bir dilimleyici eklemek müm-
Diyalog Kutusu kündür. Komut düğmesine tıklandıktan sonra ekra-
na Dilimleyici Ekle diyalog kutusu gelecektir (Şekil
4.28). Diyalog kutusu içerisinde, seçilmiş olan tabloda
bulunan alan adları listelenmiş olacaktır. Bu diyalog
kutusu yardımı ile dilimleyici oluşturulmak istenen
alanların onay kutusu seçilmeli ve daha sonra Tamam
düğmesine basılmalıdır. Excel, seçilen her bir alan için
ayrı bir dilimleyici oluşturacaktır. Oluşturulacak olan
dilimleyiciler üzerinde ilgili alanlarda bulunan tekil
değerlerin birer listesi bulunacaktır. Liste yardımı ile
istenilen değer ya da değerler seçilerek kolaylıkla filt-
releme işlemi yapılabilecektir. Liste içerisinden birden
fazla değer seçilmek istenirse Ctrl tuşuna basılı tutarak
seçim yapılması gerekmektedir.
Örneğin, bir turizm şirketinin dört farklı şubesinde çalışan satış danışmanlarının
yılın ilk altı ayı içerisinde yapmış oldukları satış miktarlarının tutulduğu bir tablo yar-
dımı ile farklı şubelerin farklı dönemlerde yapmış oldukları satış miktarlarını analiz
etmek için filtreleme işlemleri yapılması istenmektedir. Böyle bir durum için dilimleyici
kullanılması uygun olacaktır. Öncelikle komut düğmesi kullanılarak, Dilimleyici Ekle
diyalog kutusu açılmalı ve daha sonra Şube ve Ay alanları seçilerek Tamam düğmesine
basılmalıdır. Bu işlemden sonra çalışma sayfası üzerinde Şube ve Ay alanları için iki
farklı dilimleyici oluşacaktır (Şekil 4.29). Dilimleyiciler içerisinde ilgili alanlarda bu-
lunan tekil değerler listelenecektir. Fare yardımı ile istenilen değerler seçilerek hızlı ve
kolay bir şekilde filtreleme işlemi gerçekleştirilebilecektir. Aynı tablo için kullanılacak
olan iki farklı dilimleyici birbirleriyle bağımlı olarak çalışacaktır ve yapılan seçimler
çoklu ölçütler olarak değerlendirilecektir.
Şekil 4.29
Şube ve Ay Alanları
İçin Oluşturulan
Dilimleyiciler
Özet Tabloya Dilimleyici Eklemek

Excel’de oluşturulmuş olan bir özet tabloya dilimleyici eklemek için, özet tablo üzerinde
bulunan herhangi bir hücre seçili iken Ekle sekmesi altındaki Filtreler bölümünde bulu-
nan Dilimleyici komut düğmesi seçilmeli ya da Çözümle (Pivottable Araçları) sekmesi
altında bulunan Filtrele bölümündeki Dilimleyici Ekle komut düğmesi kullanılmalıdır.
Komut düğmesine tıklandıktan sonra ekrana Dilimleyici Ekle diyalog kutusu gelecektir.
Diyalog kutusu içerisinde, Pivottable alanları listelenmiş olacaktır. Dilimleyici oluşturul-
mak istenen alanlar seçildikten sonra tablolardaki gibi her bir alan için ayrı birer dilimle-
yici oluşturulacaktır. Özet tablo için oluşturulmuş olan örnek dilimleyiciler Şekil 4.30’da
verilmiştir.
Şekil 4.30
Erkek Satış
Danışmanlarının Yılın
İlk Üç Ayında Yapmış
Oldukları Satışların
Satış Miktarlarını
Gösteren Özet Tablo
Herhangi bir dilimleyici ile gerçekleştirilmiş olan bir filtreleme işlemi temizlenmek
istenirse, dilimleyicinin sağ üst köşesinde bulunan filtre temizle komut düğmesi kullanıl-
malıdır. Komut düğmesine basıldıktan sonra dilimleyici içerisinde listelenmiş olan bütün
değerler otomatik olarak seçilecektir.
Oluşturulmuş olan herhangi bir dilimleyici seçildikten sonra eklenecek olan Seçenekler (Di-
limleyici Araçları) sekmesi altında bulunan araçlar yardımı ile dilimleyicileri biçimlendir-
mek mümkün olacaktır.
ZAMAN ÇİZELGESİ (TIMELINE)

Zaman çizelgeleri, dilimleyiciler gibi Excel’in sunmakta olduğu bir diğer filtreme aracıdır.
Zaman çizelgeleri, dilimleyicilerden farklı olarak tablolar için kullanılamamakla beraber, sa-
dece tamamen tarih değerleri içeren bir alana sahip olan özet tablolar ya da özet grafikler için
kullanılabilmektedir. Zaman çizelgelerinin kullanımı dilimleyicilere çok benzemekle beraber
bu araç, belirli bir tarih ya da tarih aralığı için bir filtreleme işlemi gerçekleştirmektedir.
Excel’de bulunan bir özet tabloya zaman çizelgesi ekle-
Şekil 4.31
mek için, özet tablo üzerinde bulunan herhangi bir hücre
Zaman Çizelgeleri seçili iken Ekle sekmesi altındaki Filtreler bölümünden
Ekle Diyalog Kutusu Zaman Çizelgesi komut düğmesi seçilmelidir. Aynı işlem
özet tablo üzerindeki bir hücre seçildikten sonra sekme-
ler arasına eklenecek olan Çözümle (PivotTable Araçları)
sekmesi altındaki Filtrele bölümünde bulunan Zaman Çi-
zelgesi Ekle komut düğmesiyle de yapılabilmektedir. Ko-
mut düğmesine basıldıktan sonra ekrana Zaman Çizel-
geleri Ekle diyalog kutusu gelecektir (Şekil 4.31). Diyalog
kutusu içerisinde, seçilmiş olan özet tablonun pivottable
alanları arasında bulunan ve sadece tarih değerlerini içe-
ren alanların adları listelenmiş olacaktır. Diyalog kutusu
yardımı ile zaman çizelgesi oluşturulmak istenen alanların
onay kutusu seçilmeli ve daha sonra Tamam düğmesine
basılmalıdır. Seçilen her bir alan için ayrı bir zaman çizel-
gesi oluşturulacaktır. Oluşturulacak olan zaman çizelgesinin sağ üst köşesinde bulunan menü
yardımı ile çizelgenin dilimleri yıl, çeyrek, ay ya da gün olarak belirlenebilmektedir. Zaman çi-
zelgesi ile bir tarih aralığı seçebilmek için farenin sol tuşuna basılı tutarak bir seçim yapılması
gerekmektedir. Aynı özet tablo için dilimleyiciler ve zaman çizelgeleri eklemek mümkündür.
Eklenen bütün filtreleme araçları birbirleriyle bağımlı olarak bir filtreleme işlemi yapacaklardır.
Özet tablo için oluşturulmuş olan örnek zaman çizelgesi Şekil 4.32’de verilmiştir.
Şekil 4.32
Bir Restoranın
Mart, Nisan ve
Mayıs Aylarında
Yapmış Olduğu Alım
Bilgilerini Özetleyen
Özet Tablo İçin 1-7
Nisan 2016 Tarihleri
Arasındaki Alımları
Filtreleyen Zaman
Çizelgesi
Zaman çizelgeleri ile birden fazla tarih aralığının seçimi mümkün değildir. Seçilen tarihler
sürekli değerler olmalıdır.
Birer filtreleme aracı olan dilimleyici ve zaman çizelgesi arasındaki farklardan üç tanesini yazınız.
4
Özet
Excel’de bulunan aralıkları adlandırarak çeşitli işlemler Excel’de bulunan verilerden özet tablolar oluşturarak
1 için kullanmak. 3 veri analiz işlemlerini gerçekleştirmek.
Excel’de aralıkların adlandırılması yalnızca veri yöne- OLAP ile başlayan verilerin çevrimiçi analiz edilmesi
timi ve analizi değil, formül ve işlevlerin esnek kul- çabalarının Excel’deki karşılığı Özet tablolardır. Özet
lanımı açısından da önemli katkılar sağlamaktadır. tablo ismi orijinal olarak pivot tablo olarak adlandı-
Alanların adlandırılması ile veri adresleme, probleme rılmaktadır. Özet tabloların yalnızca özetleme yap-
özel bir okunurluk kazandırmaktadır. Yapılan işlem- madığı unutulmamalıdır. Özet tablolar, Excel orta-
lerin içeriği hatta ne amaçla kullanıldığı doğru adlan- mında olan veya bir veritabanına bağlı olarak Excel’de
dırma ile ek bir çaba olmadan görünür hale gelir. Bir bulundurulan verilerin çok boyutlu görüntülenmesi
A1:A5000 gibi satır sütun gösterimi yerine ürün_fi- ve özetlenmesini sağlar. Bu aynı zamanda Ayrıntıla-
yatları gibi bir isimle adresleme, ilgili alandan herke- ra İnebilme (Drill-Down) özelliğini de içermektedir.
sin aynı şeyi anlamasını ve kurum içi bilgi ve belgele- Kullanıcı veriyi değişik boyutlarda dinamik olarak
rin okunurluğunu kolaylaştıracaktır. tablolaştırarak verilere ilişkin analiz ve anlamlandır-
malar yapabilir. Özet tablolama, özet grafiklerin oluş-
Excel’de farklı amaçlara yönelik çeşitli tablolar oluşturmak. turulmasını da çok etkin bir şekilde desteklemektedir.
2
Excel’de verilerin hücrelerden oluşan çalışma sayfa-
larında tutulması, verilerin düzenlenmesinde kulla- Excel’in dilimleyici ve zaman çizelgesi filtrelerini kulla-
nıcılara bir kolaylık ve esneklik getirmektedir. Ancak 4 narak veri analiz işlemleri yapmak.
sayfada tutulan verilerin düz bir veritabanı özelliği Dilimleyiciler, veri tablolarına verilen boyut için seç-
taşıması halinde, bunları Tablo olarak tanımanın ge- me sorgusu uygulanmasını sağlayan görsel yardımcı-
tirdiği bir takım üstünlükleri bulunmaktadır. İster bir lardır. Özet tabloda belirli verilerin tabloda yer alması
veritabanından alınmış bir tablo bilgisi olsun, isterse veya çıkarılması işlemini etkin bir şekilde yerine geti-
bir veritabanında sorgu sonucu elde edilmiş veriler rirler. Zaman çizelgeleri ise dilimleyicilere benzer bir
olsun bunlar sayfa içine aktarıldıktan sonra Tablo işlev yerine getirmekle beraber özellikle zaman eksen-
olarak tutulmalıdır. Tablo olarak tanımlanan verilerin li veri analizleri için kullanılmaktadır. Ayrıca zaman
adlandırılması halinde, Tablo’ya uygulanacak güncel- çizelgelerinin kullanım yeri dilimleyicilere göre daha
lemeler adlandırmaya yansıtılmaktadır. Bu ise deği- sınırlıdır.
şen veri boyut ve içeriğinden Tablo’ya bağlı işlemlerin
etkilenmesini önlemektedir.
Verilerin raporlanması ve analizinde uygulanan en
yaygın işlevlerin başında sıralama gelmektedir. Sı-
ralama aynı zamanda verilere görsellik de kazandır-
maktadır. Excel’in çok ölçütlü, dikey ve yatay sıralama
yapabilmesi veri denetimi ve analizi açısından son
derece kullanışlıdır.
Sıralama kadar belki daha kullanışlı araçlardan biri
de verilerin kullanıcının arzu ettiği özelliklere uygun
olarak ayıklaması için sunulan filtreleme özelliğidir.
Otomatik filtreleme, hızlı seçme sorgularını gerçek-
leştirmektedir. Gelişmiş filtreleme özelliği ise verileri
yalnızca süzmekle kalmayıp farklı bir alana veya çalış-
ma sayfasına aktarılabilmesine olanak sunmaktadır.
Gelişmiş filtreleme ile paralel çalışan veritabanı işlev-
leri ile tanımlanan ölçütlere uygun olarak süzülmüş
veri istatistikleri türetmektedir.
1. Excel’de tanımlanacak bir aralık adı için aşağıdakilerden 4. Aşağıdakilerden hangisi Excel’de oluşturulmuş olan bir
hangisi doğru değildir? tabloya yeni bir kayıt (satır) eklemek için kullanılan yöntem-
a. Bir aralık adı en fazla 255 karakterden oluşabilir. lerden biridir?
b. Aralık adları B25 gibi başvurular içermemelidir. a. Tablo içerisinde bulunan herhangi bir üstbilgi satırı-
c. Aralık adları R ve ya C gibi tek bir harften oluşabilir. na farenin sağ tuşu ile tıklayıp açılan menüden tablo
d. Herhangi bir harfle, altçizgiyle (_) ya da ters eğik çiz- başlığı altındaki aralığa dönüştür seçeneğini seçmek
gi ile (\) başlamak zorundadır. b. Tablonun en alttaki satırında bulunan en son hücreye
e. Aralık adları boşluk ( ) karakteri içeremez. gidilerek Tab tuşuna basmak
c. Tablonun bir altında bulunan satıra farenin sağ tuşu
2. ile tıklayıp açılan menüden açıklama ekle seçeneğini
seçmek
d. Tablonun tamamını seçip seçim üzerinde farenin sağ
tuşu ile tıklayıp açılan menüden ekle başlığı altındaki
aşağıya tablo satırı seçeneğini seçmek
e. Oluşturulacak olan bir tablo için satır ve sütun de-
Yukarıdaki tabloya göre, her bir ayda yapılmış olan ciroları ğerleri tablo oluşturulurken belirtilmeli sonradan
ilgili ay isimleriyle adlandırmak için uygulanması gereken en herhangi bir satır ya da sütun eklenemez
uygun yöntem aşağıdakilerden hangisidir?
a. A1:C3 aralığını seçerek Seçimden Oluştur aracında 5. Bir çalışma sayfasında bulunan tablodaki;
bulunan Sol Sütun konumunu seçmek I. Boş Hücreler IV. Mantıksal değerler
b. A2:C3 aralığını seçerek Seçimden Oluştur aracında II. Metin Değerleri V. Sayı değerleri
bulunan Sol Sütun konumunu seçmek III. Hata kodları
c. A3:C3 aralığını seçip Ad Tanımla aracını kullanarak içeren veriler, A’dan Z’ye sırala seçeneği ile sıralanırken önce-
seçili hücre grubuna Ad değeri olarak Ocak, Şubat, lik sırası nasıl olur?
Mart adını yazmak a. IV – II – V – I – III
d. A2:C3 aralığını seçerek Seçimden Oluştur aracında b. I – IV – II – V – III
bulunan Üst Satır konumunu seçmek c. I – IV – V – II – III
e. A3:C3 aralığını seçip Ad Kutusunu kullanarak seçili d. II – V – IV – III – I
hücre grubuna Ocak_Şubat_Mart adını vermek e. V – II – IV – III – I
3. Excel tabloları için kullanılan aşağıdaki terimlerden han- 6. (X < 75 ve X > 40) veya (X < 0)
gisinin açıklaması yanlıştır? Buna göre; X bir tamsayı olmak üzere, mantıksal bir ifade
a. Alan (Field): Bilgilerin tekil bir türüdür. Excel tablo- olarak yukarıda verilen çoklu ölçütün sağladığı değer aralığı
larında her bir sütun bir alanı temsil etmektedir. aşağıdakilerden hangisidir?
b. Alan değeri (Field value): Bir alanda bulunan tek bir a. X, 75’ten küçük ve 40’tan büyük negatif bir tamsayıdır.
bilgidir. Excel tablolarında alan değerleri tekil birer b. X, 75’ten küçük ya da eşit, 40’tan büyük ya da eşit
hücredir. negatif bir tamsayıdır.
c. Alan adı (Field name): Her bir tabloya verilen ben- c. X, negatif bir tamsayı ya da 40 ile 75 arasındaki pozi-
zersiz adlardır. tif bir tamsayıdır.
d. Kayıt (Record): İlişkili alan değerlerinin derlemesi- d. X, 75’ten küçük ya da 40’tan büyük negatif bir tamsa-
dir. Excel tablolarında her bir satır bir kayıttır. yıdır.
e. Tablo aralığı (Table range): Bir çalışma sayfasında e. X, 40’tan büyük ya da 0’dan küçük bir tamsayıdır.
bulunan; kayıtları, alanları ve alan adlarını içeren
hücre aralığıdır.
7. Excel’de oluşturulan bir Özet Tablo (PivotTable) dört 10. Zaman Çizelgesi (Timeline) ile ilgili aşağıdaki bilgiler-
farklı bölgeden oluşmaktadır. Bu bilgiye göre aşağıdakilerden den hangisi doğrudur?
hangisi Özet Tablo (PivotTable) bölgelerinden biridir? a. Zaman çizelgeleri sadece belirli bir tarih ya da tarih
a. Değerler (Values) aralığı için filtreleme işlemi gerçekleştirebilmektedir.
b. Hesaplamalar (Calculations) b. Bir zaman çizelgesi ile birden fazla tarih aralığını seç-
c. Alt Toplam (Sub Total) mek mümkündür.
d. Üstbilgi (Header) c. Zaman çizelgeleri bir hücre aralığı, bir tablo ya da bir
e. Dilimleyici (Slicer) özet tablo için eklenebilmektedir.
d. Aynı özet tablo için dilimleyici ve zaman çizelgesi
8. Özet Tablo (PivotTable) ile ilgili aşağıdaki bilgilerden eklenememektedir. Bir özet tabloya bu iki araçtan sa-
hangisi doğrudur? dece birisi eklenebilir.
a. Bir çalışma sayfasına Özet Tablo ekleme işlemi For- e. Bir özet tablo için eklenen farklı filtreleme araçları
müller sekmesi altında bulunan Özet Tablo araçları birbirlerinden bağımsız olarak çalışmaktadırlar.
komut düğmesi ile yapılabilmektedir.
b. Özet Tablo, veri alanı olarak adlandırılan bir alanda
bulunan veriyi diğer alanlarda bulunan verilere göre
parçalara bölerek özetlemektedir.
c. PivotTable Oluştur diyalog kutusu ile çözümlenecek
olan veri aralığı kesinlikle Excel çalışma sayfasında
bulunan bir tablo olmalıdır.
d. Bir veri aralığından oluşturulacak olan Özet Tablo
(PivotTable) sadece yeni bir çalışma sayfasında oluş-
turulabilmektedir.
e. Özet Tablo (PivotTable) seçilmiş olan veri aralığında-
ki verileri görsel özetleyerek herhangi bir hesaplama
işlemi yapamamaktadır.
9. Dilimleyici (Slicer) ile ilgili aşağıdaki bilgilerden hangisi

doğrudur?
a. Dilimleyiciler seçili olan bir tabloyu satır satır ya da
sütun sütun bölerek bir tablodan birden fazla tablo
oluşturmak için kullanılmaktadır.
b. Dilimleyici yardımı ile oluşturulan yeni tablolar, Veri
sekmesi altında bulunan Birleştir komut düğmesi ile
birleştirilerek tekrar bir tablo haline getirilebilmektedir.
c. Bir dilimleyici ile birden fazla alanı kontrol etmek
mümkündür.
d. Dilimleyiciler bir tabloda bulunan verileri görsel ola-
rak hızlı bir şekilde filtrelemeyi sağlamaktadır.
e. Dilimleyicilerin şekli standart olup hiçbir şekilde bi-
çimlendirilemezler.

1. c Yanıtınız yanlış ise “Aralık Adlandırma” konusunu 3. Tablolara kolaylıkla yeni bir alan ya da kayıt ekleyerek
yeniden gözden geçiriniz. veri girişi yapılabilmektedir.
2. d Yanıtınız yanlış ise “Aralık Adlandırma” konusunu 4. Herhangi bir kayıt için yeni bir alana eklenen formül
yeniden gözden geçiriniz. tüm tablo için kolaylıkla uygulanabilmektedir.
3. c Yanıtınız yanlış ise “Tablo Oluşturma” konusunu ye- 5. Herhangi bir alan için Toplam Satırı eklenerek tablo
niden gözden geçiriniz. üzerinde yapılan değişikliklerde üretilen formül oto-
4. b Yanıtınız yanlış ise “Temel Tablo İşlemleri” konusu- matik olarak güncellenecektir.
nu yeniden gözden geçiriniz. 6. Tablo üzerinde bulunan değerler için dinamik grafik-
5. e Yanıtınız yanlış ise “Tablolarda Sıralama” konusunu ler oluşturmak mümkündür. Tablo üzerinde yapılan
yeniden gözden geçiriniz. değişikliklerde oluşturulan grafik otomatik olarak
6. c Yanıtınız yanlış ise “Tablolarda Filtreleme” konusu- güncellenecektir.
nu yeniden gözden geçiriniz.
7. a Yanıtınız yanlış ise “Özet Tablo Oluşturmak” konu- Sıra Sizde 3
sunu yeniden gözden geçiriniz. Excel’de özet tablolar oluşturmak kullanıcılara birçok avantaj
8. b Yanıtınız yanlış ise “Özet Tablo (PivotTable)” konu- sağlamaktadır. Bu avantajlardan bazıları aşağıda verilmiştir:
sunu yeniden gözden geçiriniz. 1. Çok fazla kayıttan oluşan tablolardaki kritik bilgileri
9. d Yanıtınız yanlış ise “Dilimleyici (Slicer)” konusunu küçük bir alanda görme imkânı sağlamaktadır.
yeniden gözden geçiriniz. 2. Karar vericilerin veriyi daha etkili bir şekilde kullana-
10. a Yanıtınız yanlış ise “Zaman Çizelgesi (Timeline)” bilmelerini sağlamaktadır.
konusunu yeniden gözden geçiriniz. 3. Özet tablolar içerisinde veri, daha organize bir şekilde
tutulmaktadır.
4. İnteraktif bir veri analizi imkânı sağlamaktadır.
Sıra Sizde Yanıt Anahtarı 5. Değerler bölgesinde tanımlanabilecek olan hesap-
Sıra Sizde 1 lamalar ile çok uzun sürede yapılabilecek hesaplar
Excel’de bulunan bir hücre aralığını adlandırmak kullanıcı- kolaylıkla yapılabilmektedir (Bir müşterinin yıl içeri-
lara birçok avantaj sağlamaktadır. Bu avantajlardan bazıları sinde yapmış olduğu farklı alımların toplam tutarının
aşağıda verilmiştir: bulunması gibi).
1. Anlamlı bir şekilde verilen aralık adlarını (MartSatış-
ları gibi) hatırlamak, hücre başvurularını (C42:C85 Sıra Sizde 4
gibi) hatırlamaktan çok daha kolaydır. Dilimleyici ve zaman çizelgesi arasındaki farklardan bazıları
2. Ad kutusu yardımıyla istenilen aralık adı seçilerek il- aşağıda verilmiştir:
gili hücrelere hızlı bir şekilde ulaşmak mümkündür. 1. Zaman çizelgeleri sadece özet tablolar (PivotTable)
3. Formüller içerisinde hücre aralığı seçmektense aralık ve özet grafikler (PivotChart) için kullanılabilirken;
adının kullanılması daha pratik olmaktadır. dilimleyiciler tablolar, özet tablolar ve özet grafikler
4. Aralık adlarının formüller içerisinde kullanılması, için kullanılabilmektedir.
formüllerin daha anlaşılır olmasını sağlamaktadır. 2. Zaman çizelgesi sadece tarih içeren sürekli değerler
Örneğin =D25-E25 yerine =SatışGeliri-Maliyet şek- için kullanılabilirken dilimleyiciler için böyle bir kısıt
linde yazılan bir formülden bu işlemin kâr hesabı ol- bulunmamaktadır.
duğu rahatlıkla anlaşılabilmektedir. 3. Zaman çizelgeleri ile birden fazla tarih aralığı seçmek
mümkün değilken dilimleyiciler ile Ctrl kısayolu kul-
Sıra Sizde 2 lanılarak çoklu seçim yapılabilmektedir.
Excel’de tablolarla çalışmak kullanıcılara birçok avantaj sağ-
lamaktadır. Bu avantajlardan bazıları aşağıda verilmiştir:
1. Tablo üzerinde hızlı ve kolay bir şekilde sıralama ve
filtreleme araçları kullanılabilmektedir.
2. Tablolar kolaylıkla tablo stilleri kullanılarak biçim-
lendirilebilmektedir.
Kaynaklar
Alexander, M., Decker, J., & Wehbe, B. (2014). Microsoft Bu-
siness Intelligence Tools for Excel Analysts. John Wiley
& Sons.
Bucki, L. A., Walkenbach, J., Alexander, M., Kusleika, R., &
Wempen, F. (2013). Office 2013 Bible: The comprehen-
sive tutorial resource (Vol. 808). John Wiley & Sons.
Evans, J. R., & Lindner, C. H. (2012). Business analytics: the next
frontier for decision sciences. Decision Line, 43(2), 4-6.
http://m.kapanoglu.com/aof/ybs202u/
https://support.office.com/en-us/
https://www.microsoft.com/en-us/
McFedries, P. (2013). Excel 2013 Formulas and Functions.
Que Publishing.
Ragsdale, C. T. (2004). Spreadsheet modeling and decision
analysis. Thomson South-Western.
Ferrari, A., & Russo, M. (2013). Microsoft Excel 2013 Bu-
ilding Data Models with PowerPivot: Building Data
Models with PowerPivot. Pearson Education.
Walkenbach. (2015). Excel 2016 Power Programming with
Vba. John Wiley.
Winston, W. (2014). Microsoft Excel 2013 Data Analysis
and Business Modeling. Pearson Education.
5
Amaçlarımız
 Veri ve bilgi için grafik oluşturabilecek,
 İşlemtablosunda koşullu biçimlendirme işlemini gerçekleştirebilecek,
 Gösterge panosu yardımıyla rapor hazırlayabilecek
Anahtar Kavramlar
• Pasta Grafiği • Saçılım Grafiği
• Fitts’in Kanunu • Gösterge Panosu
• Histogram • Kıvılcım Grafiği
• Koşullu Biçimlendirme • 3B Harita
• Pareto Grafiği
İçindekiler
• GİRİŞ
Veri ve Bilginin İşlemtablosu ile • GRAFİKLER
Görselleştirilmesi • KOŞULLU BİÇİMLENDİRME
• GÖSTERGE PANOSU
Veri ve Bilginin İşlemtablosu
ile Görselleştirilmesi
GİRİŞ
Verinin derlenmesi aşamasına ilişkin bilgiler üniversite ve yüksekokullarda genellikle İs-
tatistik dersleri kapsamında ele alınır. Derlenen verilerin hedef kitleye anlaşılır ve uygun
bir dil ile açıklanması beklenir. Bu aşamada özetleyici tablolar çok kullanışlı olmaktadır.
Ancak sadece özetleyici tablolar yardımıyla kimi durumlarda probleme ilişkin sonuçların
sunulması, istenen etkiyi vermeyebilir. Beyin-göz sistemi çok karmaşık bir bilgi işleme
sistemidir, bu sistem grafik gösterim yardımıyla veri yapısı hakkında daha derin bilgiler
elde etmemizi sağlar. Grafik yardımıyla, hedeflenen kitleye çok daha fazla niceliksel bilgi
aktarımı yapılabilir. Örneğin satış değişkeni için uzun dönemde meydana gelen dalga-
lanmaları görmek, grafikler yardımıyla daha kolay hale gelebilir. Veri içerisinde meydana
gelen değişimlerin görülmesi için her zaman çok sayıda veriye ihtiyaç olmayabilir. Bazen
grafikler yardımıyla veri miktarı az da olsa ilgili değişkenin genel yapısına ilişkin artma,
azalma, dalgalanma ve normalden uzaklaşma gibi ek bilgiler gözlemlenebilir.
Bilgisayar dünyasında yazılımcılara ergonomik grafiksel arayüz dizaynı geliştirme-
lerinde teorik destek sağlayan ve üzerinde derinlemesine çalışmaların yapıldığı kural,
Fitts’in kanunu olarak bilinmektedir. Paul Fitts bir psikologdur. Kendisi, ekranda bir nok-
tadan diğer noktaya olan ilerlemeyi, hedefe ayrılan alanın büyüklüğü ile hedef arasındaki
uzaklık arasında bir fonksiyon olarak tanımlayan matematiksel bir model geliştirmiştir.
Modern bilgisayarların ortaya çıkması ve bilgisayarlarda fare kullanımı ile Fitts’in ortaya
koyduğu kanunun halen geçerli olduğu, insanların fare yardımıyla ekrandaki herhangi bir
noktaya ne kadar çabuk ulaşabildiğine ilişkin çalışmalar yardımıyla gösterilmiştir. Temel
olarak hedef ne kadar uzak ise fare ile o hedefe ulaşma süresi artarken; hedef ne kadar
küçük ise hedefe fare ile ulaşmak da o kadar zor olmaktadır. Microsoft araştırmacıları
Microsoft Office yazılımının geliştirilmesinde sıklıkla Fitts’in kanunu yaklaşımını benim-
semişlerdir. Özellikle verinin grafikler yardımıyla hedeflenen kitleye aktarımı söz konusu
ise çizilen grafik oluşturulurken Fitts’in kanunu prensiplerinin dikkate alınmasında fayda
bulunmaktadır.
Ünitenin anlaşılabilirliğini arttırmak için ünitenin bu kısmında bazı kavramlar sizlere
tekrar hatırlatılacaktır.
Değişken, Birim Araştırmacının ihtiyaç duyduğu grafik türünü tespit etmek amacıyla
verinin iyi anlaşılması gerekir. Verinin iyi anlaşılması için birkaç tanımı tekrar hatırla-
mada fayda vardır. Araştırmacılar problemlerine çözüm ararlarken veri derleme işlemini
gerçekleştirmede probleme özgü değişken ya da değişkenleri tanımlarlar. Değişken; fark-
lı bilim dallarında farklı biçimlerde tanımlanmak ile beraber, temel olarak “birimlerin
sahip oldukları ve birbirlerinden ayırt edilmelerini sağlayan özelliklere” değişken denilir.

Birim ise “bir araştırmada, hakkında bilgi edinilmek istenilen, üzerinde özellikleri ile il-
gili ölçüm, sayım ya da gözlemlerin yapılabildiği canlı, cansız varlıklar veya olayların her
biri” olarak tanımlanabilir. Belli bir amaç için birimden elde edilen değerler de veri olarak
tanımlanabilir. Veriler ölçülebilir, sayılabilir ya da sıralanabilir özellikler taşırlar. Değiş-
kenler, ortaya çıkış biçimleri bakımından iki kategoride ele alınır. Değişkenin ortaya çıkış
biçimi rakam ile ifade edilemiyor ise nitel değişken; değişkenin ortaya çıkış biçimi rakam
olarak ifade edilebiliyorsa nicel değişken tanımlaması yapılır. Nitel değişkene örnek olarak
cinsiyet değişkeni verilebilir. Cinsiyet değişkeninin Kadın ve Erkek olmak üzere iki sonu-
cu vardır, görüldüğü gibi, bu sonuçlar rakamlar ile ifade edilen sonuçlar değildir. Nicel
değişkene örnek olarak ise Yaş değişkeni verilebilir. Kişilerin yaşı 25, 45 ve 47 gibi rakam-
lar yardımıyla ifade edilir. Dolayısıyla Yaş değişkeni nicel değişkendir. Nicel değişkenlerin
alacağı değerler sadece tam sayı olarak belirlenebiliyor ise ilgili nicel değişken kesikli de-
ğişken olarak adlandırılır. Örneğin bir sınıfta yer alan öğrenci sayısı tam sayılı değer oldu-
ğundan kesikli değişkendir. Eğer ilgilenilen değişkenin sonuçları sayı doğrusu üzerinde
kesirli ondalık sayılar olarak ifade edilebiliyor ise, değişken tipi sürekli değişken olarak
adlandırılır. Sürekli değişkenlere örnek olarak ağırlık, zaman aralığı ve oran verilebilir.
Farklı değişken tipleri için farklı grafik teknikleri geliştirilmiştir. Örneğin nitel değiş-
ken için çizilen bir grafik nicel değişken için uygun olmayabilir. Önemli olan değişkenin
özelliklerini ve hedef kitleye aktarılmak istenen bilginin özelliklerini en iyi şekilde taşıyan
grafik türünün seçilmesidir.
Ölçme ve Ölçekler: Birimlerin sahip oldukları özelliklerin anlamlı rakam, sayı ve sim-
geler ile ifade edilmesi işlemine ölçme adı verilir. Ölçme işlemi gerçekleştirilirken ilgi-
li rakam, sayı ve simgelerin, ölçülen değişken içinde olabilecek tüm ilişkileri göstermesi
beklenir. Psikolog Stevens (1946) yapılabilecek ölçümler için dört adet farklı ölçek türü
olduğunu belirtmiştir. Stevens ölçek türlerini en basitten en karmaşığa doğru ilerleyen
bir yapıda kurgulamıştır. En basit ölçek düzeyi sınıflayıcı ölçektir. Sınıflayıcı ölçek nitel
değişkenlerin ölçülmesi sırasında kullanılır. Bu ölçek türünde, değişken ölçme düzey-
leri kategorilerden oluşur. Sınıflayıcı ölçekte değişken sonuçlarını temsil eden kategoriler
arasında doğal bir sıralama yoktur. Örneğin cinsiyet değişkeni nitel bir değişkendir, bu
değişkenin alacağı sonuçlar Kadın ya da Erkek kategorilerinde ele alınırlar. Bu kategori-
lerden hangisinin daha önce ele alınacağını gösteren doğal bir sıralama söz konusu de-
ğildir. İkinci ölçek türü ise Sıralayıcı ölçek olarak adlandırılır. Sıralayıcı ölçek, sınıflayıcı
ölçek türüne benzer biçimde nitel değişkenler için kullanılır ve ilgili değişken sonuçları
kategorilerde bir araya getirilir. Ancak sınıflayıcı ölçeğe göre en büyük farklılık sıralayıcı
ölçek türünde değişken sonuçlarının doğal bir sıralamasının yapılabilmesidir. Örneğin
bir yemek lezzet yarışmasında yapılan sıralama ele alınabilir. İlk sırada yer alan yemek
en lezzetli olarak adlandırılabilir. Daha sonraki derecelerde yer alan yemekler ise ilk sı-
rada yer alan yemeğe göre daha az lezzetli olacaktır. Burada sıralama işleminde yer alan
yemeklerin ilgili yarışmaya katılanlar oldukları ve bu yemeklerin lezzet kriterlerine göre
sıralandıkları unutulmamalıdır. Yemek yarışması sonucunda bir sıralama olmakla bera-
ber, birinci ile ikinci arasındaki lezzet farkının ölçülmesi veya bu farkın matematiksel ola-
rak ikinci ve üçüncü arasındaki fark ile karşılaştırılması mümkün değildir. Üçüncü ölçek
türü Eşit aralıklı ölçektir. Eşit aralıklı ölçek, sıralayıcı ölçek türünün tüm özelliklerini içer-
mekle birlikte, birimler arasındaki özellik farkları matematiksel olarak belirlenebilir. Eşit
aralıklı ölçek, nicel değişkenlerin ölçümünde kullanılır. Bu ölçekte ilgili ölçümün belirli
bir başlangıç noktası, bitiş noktası ve ölçü birimi vardır. Özellikler arasındaki farklar eşit
ölçme düzeyleri ile temsil edilir. Eşit aralıklı ölçek kullanılan değişkenlerin bulunduğu
problemlerde ilgili değişken ölçümü için yokluk anlamı taşımayan bir sıfır ölçme düzeyi
5. Ünite - Veri ve Bilginin İşlemtablosu ile Görselleştirilmesi 113
olabilir. Eşit aralıklı ölçek için ayakkabı büyüklükleri verilebilir. Ayakkabı büyüklüğünü
temsil eden numaralar ülkeden ülkeye değişiklik gösterir. Bu ölçek matematiksel hesapla-
malara olanak veren bilgiler üretmemizi sağlasa da oran hesaplaması yapılması mümkün
değildir. Dördüncü ve son ölçek türü ise Oranlı ölçektir. Bu ölçek daha önceki tüm ölçek
türlerinin özelliklerini taşımakla beraber, oranlı ölçekte sıfır başlangıç noktası tüm ölçüm
araçlarında aynı anlamı taşır. Örneğin dikildiğim noktadan ileriye doğru gerçekleştirdi-
ğim eylem miktarı “sıfırdır” ifadesi, ölçüm metrik türüne (sıfır milimetre, sıfır kilometre,
sıfır inç vb.) bakmaksızın yerinizden kımıldamadığınız anlamı taşır. Nicel değişkenlerin
analizinde kullanılan oranlı ölçek, ölçme düzeyleri arasında matematiksel ve oransal ana-
lizler yapılmasına olanak verir.
Bu ünitede araştırmacıların kullanabileceği bazı grafik seçenekleri ele alınacaktır. Ek
olarak veri setinin gösteriminde kullanılabilen bazı biçimlendirme tekniklerinden de bah-
sedilecektir. Son olarak günümüzde sıklıkla kullanımına rastlanan Gösterge Panosu kav-
ramı ele alınacaktır.
GRAFİKLER
Türk Dil Kurumu Büyük Türkçe Sözlük’te grafik için “Bir olayın çeşitli durumlarını göster-
meye veya birkaç şey arasında karşılaştırma yapmaya yarayan çizgilerden oluşmuş biçim,
çizge” tanımı verilmektedir. Teknolojiye bağlı olarak oluşturulabilecek birçok grafik türü
bulunmaktadır. Grafiklerin oluşturulabilmesi için araştırmacıların kullanabilecekleri on-
larca yazılım bulunmaktadır. Yazılımlar sadece grafik çizme amaçlı olabileceği gibi analiz
amaçlı yazılımların içerisinde yer alan fonksiyon ve menü kullanımı ile de grafik çizilmesi
mümkündür. Günümüzde grafik çizim amacı için kullanılan yazılımlardan bazıları Go-
ogle Sheets, Microsoft Excel, Apple Numbers, Easy Office, Tableau, Gephi, OpenOffice,
Libre Office, GeoGebra, R, Maple, Matlab ve Mathematica olarak sayılabilir. Çeşitli bilim
alanları için geliştirilen bu yazılımlar yardımıyla uygun veri-grafik eşleşmesinin yapılması
mümkündür. Bu ünite kapsamında grafik çizim işlemleri için Microsoft Excel yazılımı
kullanılacaktır. Microsoft tarafından açıklanan verilere göre günümüzde 1,2 milyardan
fazla insan Microsoft’un Office ürününü kullanmaktadır. Tam olarak kaç kişinin Micro-
soft Excel ürününü kullandığını tespit etmek zor olmakla beraber, Excel kullanıcı sayısı-
nın azımsanmayacak bir büyüklükte olduğunu kabul edebiliriz. Microsoft Excel dışında
kullanılabilecek onlarca işlemtablosu yazılımı bulunmaktadır. Bunlardan bazıları ücretsiz
olarak temin edilebilmektedir. Farklı yazılımların farklı işlem sınırları bulunmaktadır. Ör-
neğin Microsoft Excel 2003 sayfa başına 65.536 satırı destelerken Microsoft Excel 2007
1.048.576 satırı desteklemektedir. Benzer şekilde sayfa başına desteklenen sütun sayısı in-
celendiğinde MS Excel 2003 için 256 olan değer, MS Excel 2007 için 16.384’e yükselmiştir.
Gelişen teknoloji ve yeni algoritma yapıları sayesinde bu değerler gittikçe artmaktadır ve
kimi yazılımlar sayfa başına satır ve sütun sayısı sınırının programa ayrılan hafıza mik-
tarına göre belirlendiğini ifade etmektedir. Donanımın daha fazla hafıza içermesi, daha
fazla verinin sayfa içerisinde ele alınmasına olanak vermektedir. Bu ünitede verinin gör-
selleştirilmesi için uygulanabilecek teknikler Microsoft Excel yardımıyla aktarılacaktır.
Ünitenin kalan kısmında, Microsoft Excel yerine işlemtablosu ifadesi kullanılacaktır.
İyi grafiklerin oluşturulabilmesi için araştırmacının iyi bir yazılıma ihtiyaç duyması-
nın yanı sıra, en önemli unsur, grafiği çizilecek olan veriyi iyi anlamasıdır. Kimi durum-
larda araştırmacı herhangi bir yazılıma ihtiyaç duymadan da grafik oluşturabilir. Önemli
olan doğru veri tipi için doğru grafik türünün tespit edilmesidir. Grafikler doğrudan göze
hitap ettikleri için hedef kullanıcının kafasında probleme ilişkin bir algı oluşturmada et-
kin olarak kullanılırlar. Grafiklerin renk ve desen gibi destekleyici niteliklerle de bera-
ber kullanımı, arzulanan etkinin artmasına katkı sağlayacaktır. Grafikler çoğunlukla de-
tayların gözükmesini kolaylaştırdıkları gibi problemin bir bütün olarak da görülmesini

sağlayacaktır. Grafik oluştururken araştırmacı, grafik içerisinde yer almasını istediği bilgi
miktarını dikkatli ayarlamalıdır. Grafik üzerinde konumlandırılacak çok fazla bilgi oku-
yucuyu yanıltabilir. Aynı şekilde az miktarda bilgi verilmesi de grafikten istenen etkinin
veya algının elde edilememesine neden olabilir. Önemli olan grafik yardımıyla bilginin
ulaştırılacağı hedefin, grafikten ne kadar bilgiyi algılayabileceğini tespit edebilmektir.
Göz, özellikle örüntüleri yakalamada çok başarılıdır. Dolayısıyla, oluşturulan grafik yar-
dımıyla, değişken için örüntüler ortaya çıkarılabilir. Göz, özellikle grafik içerisinde kulla-
nılan farklı renkleri, desenleri hızlı bir şekilde algılamamıza ve karşılaştırma yapma şansı
yakalamamıza yardım eder. Ancak renk ve desen kullanımlarında dikkatli olunmalı ve
kullanılan bu özelliklerin, asıl amaçlanan bilginin okuyucuya ulaştırılmasında sapmalara
neden olmasına izin verilmemelidir. Algı bozuklukları oluşturan renk ve desen kullanım-
larından kaçınılmalıdır. Doğru grafik türünün seçimi bir sanat olarak kabul edilebilir. Bu,
zaman içerisinde ve yavaş yavaş gelişen bir yetenektir. Çizdiğiniz grafik sayısına bağlı ola-
rak doğru problemde doğru grafik kullanma oranınız doğal olarak artacaktır.
Piyasaya sürülen her yeni yazılım ile yepyeni grafik türleri de ortaya çıkmaktadır. An-
cak her ne kadar farklı türlerde grafikler olsa da tüm grafiklerin bazı temel özellikleri
bulunmaktadır. Bu özelliklerden bazıları çizgi ve dikdörtgenlerin olması, eksenlerin bu-
lunması ve göstergenin yer alması olarak sayılabilir. Araştırmacının elinde bulunan veri-
nin ölçüm düzeyi, değişkenin sürekli veya kesikli olması gibi durumlar da kullanılacak
grafiğin tespitinde önemlidir.
Grafiklerin Temel Bileşenleri

Doğru grafiğin oluşturulabilmesi için, grafiğin hedef kitlenin ilgi alanı ve bilgi düzeyi-
ne göre hazırlanması beklenir. Karmaşık ilişkileri içeren bir grafik, hedef grubun bilgi
yetersizliği dolayısıyla anlaşılamaz ise grafik yardımıyla bilgi aktarımı düşüncesi başarı-
sız olacaktır. Grafik ile hedef grubun ne anladığını iyi analiz etmek gerekir. Grafikte yer
alacak değişken ya da değişkenlerin neler olacağı iyi tespit edilmelidir. Eğer hedef grup
karşılaştırma yapma ihtiyacı içerisinde ise karşılaştırma yapma olanağı veren bir grafik
oluşturulmalıdır. Eğer hem araştırmacının hem de hedef grubun veri içerisinde yer alan
örüntüleri görmesi isteniyor ise grafik üzerinde bu örüntülerin ön plana çıkarılmasına
çalışılmalıdır. Grafik mümkün olduğunca kolay anlaşılır olmalıdır. Fazladan çizilen sü-
tunlar, renklendirmeler, taramalar veya gereksiz yere eklenen alt başlıklar katkıdan çok
zarara sebep olabilir. Verinin sizi grafik çizimi için yönlendirmesine izin verilmesinde
fayda vardır. Karşılaştırma yapılırken kullanılan sembol ve şekiller göz yanılgısı yarat-
mayacak biçimde seçilirler. Değişkenler arasındaki ilişkiler grafik yardımıyla anlatılırken
bazen üç boyutlu grafik çizime ihtiyaç duyulabilir. Böyle bir durumda araştırmacının üç
boyutlu grafiğin gerekliliğini iyi değerlendirmesi gerekir. Bazen değişkenlerin iki boyutlu
grafik kombinasyonlarının birlikte çizilmesi, üç boyutlu bir grafikten daha çok bilgi vere-
bilir. Kimi durumlarda ise bunun tersi doğru olabilir.
Hangi yazılım kullanılır ise kullanılsın, herhangi bir değişken için ölçümlenen değer-
lerin grafiği çizilmek istendiğinde grafik içerisinde yer alması beklenen bazı temel unsur-
lar bulunmaktadır. Şekil 5.1’de bir işlemtablosu ve örnek grafik yer almaktadır. Bu resmin
dikkatli bir biçimde incelenerek özümsenmesi, yapılacak çalışmalarda çizilmesi beklenen
grafiklerde nelere ihtiyaç olduğu konusunda sizlere gerekli ipuçlarını verecektir.
Şekil 5.1
Grafik Bileşenlerinin
İşlemtablosu İçerisinde
Gösterimi
Şekil 5.1 Türkiye için 1927 yılından 2000 yılına kadar nüfus istatistiklerini içermek-
tedir. Bu amaç ile A sütunu Sayım Yılı değişkeninin aldığı değerleri, B sütunu ise Nüfus
değişkeninin aldığı değerleri göstermektedir. Bu iki sütun içerisinde yer alan hücreler veri
tablomuzu oluşturmaktadır (A1:B15). İşlemtablosu üzerinde oluşturulan grafik, kartez-
yen koordinat sisteminde iki boyutlu bir grafiktir ve 1927 yılından başlayarak 2000 yılına
kadar Türkiye nüfusunda meydana gelen değişimi göstermektedir. Grafik yardımıyla ta-
nımlanan alanları izleyen biçimde kısaca ele alabiliriz.
Çizim alanı, grafiği oluşturulacak değişken veya değişkenlere ilişkin çizimleri yapabil-
mek amacı ile ayrılan alandır. Bu alanın içi seçilen grafik türüne göre dolacaktır. Grafik
alanı ise çizim alanından daha büyüktür ve çizim alanını sınırlayan değerleri, değişken
isimlerini, başlıkları ve istenen diğer bilgileri içerecektir. Bu bölge, istenen bilgi miktarına
göre genişletilebilir, ancak çizim alanı ile grafik alanı arasında çok fazla bilgi olmasının
okuyucu için oluşturabileceği zorluklar unutulmamalıdır.
Çizim alanına dikkat çekmek amacı ile çizim alanı arka planı farklı biçimlerde oluş-
turulabilir. Örneğin çizim alanı arka planı tarama çizgileri ile taranabilirken çizim alanı
ile grafik alan arası boş bırakılabilir. Önemli olan çizim alanı içinde yer alan grafik çizimi
ile arka planının birbirini engelleyici olmamasıdır. Çizim alanları genellikle bir çerçeve ile
sınırlandırılırlar. Çerçeve içerisinde düşey ve yatay eksende yer alan değişkenlerin büyük-
lüklerine veya araştırmacının belirleyeceği aralıklara göre kılavuz çizgileri yer alır. Örneğin
Şekil 5.1’de Yıl değişkeni için kılavuz çizgiler her 20 yılı temsil edecek biçimde çizilmiştir.
Grafikler, okuyucu tarafından anlaşılabilmeleri için gereken tüm bilgiyi içermelidir.
Grafik alanı içerisinde grafik başlığı, eksen başlıkları, alt başlık, kaynak, eksen etiketleri
ve çizimi yapılan gösterge/değişken bilgisi yer almalıdır. Grafik ana başlığı; grafiği çizilen
değişken bilgisini, varsa zaman bilgisini ve grafiğin temsil ettiği diğer unsurları içerecek
şekilde kısa ve öz olmalıdır. Genellikle çizim alanın hemen üzerinde ve çizim alanını orta-
layacak şekilde yerleştirilirler. Ana başlık oluşturulurken olayı anlatan bir cümle kurmak
yerine kısa tanımlamalar kullanılması daha faydalıdır. Ayrıca grafik başlığı okuyucuyu
herhangi bir biçimde etkileyecek veya yönlendirecek bilgiler içermemelidir. Grafik alan
içerisinde yer alacak metinlerin mümkün olduğunca yatay konumlandırılması okuma ko-
laylığı sağlayacaktır. Eksen başlıkları eksenlere paralel biçimde konumlandırılır.
İyi bir araştırmacı, kendisine sunulan bir grafiği incelemek için öncelikle grafik başlı-
ğından okumaya başlamalıdır. Daha sonra ise eksenlerde yer alan değişkenler belirlenme-
li, bu değişkenlerin ölçek birimleri ve değerleri tespit edilmelidir. Her eksen için en küçük
ve en büyük değerin ne olduğu özümsenmeli, varsa kılavuz çizgi aralıkları incelenmeli ve
en son çizim alanı içerisinde yer alan grafik çizim, kazanılan bu ilk bilgiler ışığı altında
incelenmelidir.
Grafik alanının bir başka önemli bileşeni de gösterge alanıdır. Gösterge, grafik çizim
alanında yer alan değişkene ilişkin bilgileri içerecektir. Şekil 5.1’de göstergemiz Nüfus
bilgisidir. Gösterge alanı araştırmacının tercihine göre grafik çizim alanı ile grafik alanı
arasındaki herhangi bir boş bölgede yer alabileceği gibi, grafik çizim alanı içerisinde de
yer alabilir. Grafik başlığının grafik çizim alanının hemen üzerinde olduğu durumlarda
göstergenin grafik başlığı üzerinde olması istenmeyen bir durumdur.
Grafik çizim alanı içerisinde yapılacak çizimlerde çizgi tipi seçimi, çizgi kalınlığı seçi-
mi, sembol seçimi ve renk seçimi gibi unsurlar da büyük önem arz etmektedir. Eğer çizim
alanında yer alan bilgilerden bazılarına vurgu yapılmak veya dikkat çekilmek isteniyor-
sa, bu bölgelerde farklı renk ya da çizgi türü (kesikli veya düz çizgi vb.) kullanılmasın-
da sakınca yoktur. Ancak bu işlem gerçekleştirilirken etik kuralları çerçevesinde hareket
edilmeli; kullanılan renk, sembol gibi yardımcılar ile grafiğin gözü yanıltması, dolayısıyla
okuyucunun aldatılması yoluna gidilmemelidir.
Grafik Türleri
Araştırmacının ilgilendiği değişkenlerin ölçme düzeyleri, çizilecek grafiğe karar verilme-
sinde önemli etkendir. Bu ünitede kullanılan işlemtablosu 15 farklı gruplama yardımıyla
grafik seçenekleri sunmaktadır. Her grup içerisinde yer alan seçeneklerde, sayıldığında
araştırmacının kullanabileceği 59 farklı seçenek vardır. Bu seçeneklere ek olarak kullanı-
cının özelliklerini kendi belirlediği grafikleri de oluşturmasına olanak verilmektedir. Bu
ünite kapsamında araştırmacıların sıklıkla başvurduğu grafik tekniklerinden birkaç tanesi
ele alınmıştır. Şekil 5.2’de işlemtablosu grafik seçim penceresi görüntülenmektedir.
Şekil 5.2
İşlemtablosu Grafik
Seçim Diyalog Kutusu
İşlemtablosu kullanıcısının bu diyalog kutusuna ulaşabilmesi için Ekle sekmesinden
Grafikler grubunu kullanması gereklidir. Microsoft Excel 2016 hangi grafiği seçeceğini
bilemeyen araştırmacılara yön vermek için Grafikler kısmında Önerilen Grafikler seçe-
neğini vermektedir. Sayfa içerisinde hücrelerin, değişken isimlerinin ve tiplerinin doğ-
ru atandığı varsayımı altında seçili hücreler için olabilecek grafik seçenekleri Önerilen
Grafikler seçeneği ile gerçekleştirilebilir. Şekil 5.3’te bir yemekhanede öğlen yemeğinde
sunulan dört farklı meyveden kaçar tane yenildiği frekans tablosu işlemtablosunda işa-
retlenmiştir (A1:B5). Hücreler seçildikten sonra Önerilen Grafikler sembolüne tıklanarak
Şekil 5.3’te yer alan öneriler araştırmacıya işlemtablosu tarafından sunulmuştur. Şekil
5.3’ten de görülebileceği gibi ünitenin ilerleyen kısımlarında incelenecek olan pasta grafi-
ği araştırmacıya önerilmiştir.
Şekil 5.3
Yemekhane Meyve
Dağılımı İçin Önerilen
Grafiği İçeren
İşlemtablosu
Sütun Grafikleri
Araştırmacının ilgilendiği değişkenin sınıflayıcı ya da sıralayıcı ölçek ile ölçümlendiği du-
rumlarda sütun grafiği (çubuk grafiği) uygundur. Sütun grafiklerinde değişkenin aldığı
farklı sonuçları temsil etmek üzere sütunlar yer alır. Düşey eksende genellikle frekans de-
ğerleri yer alır. Ancak kimi durumlarda araştırmacı frekans yerine oranları da kullanabilir.
Yatay eksende ise yan yana ilgili değişkenin sonuçları birer sütun ile temsil edilirler. Sü-
tunların yüksekliği, ilgili sonuç sayısı ile orantılıdır. Örneğin Cinsiyet değişkeni için ölçek
türü sınıflayıcı ölçektir. Bir araştırmada 15 Erkek ve 25 Kadın var ise çizilebilecek sütun
grafiği Şekil 5.4’te yer almaktadır. Şekil 5.4’te yer alan grafik oluşturulurken işlemtablosu
kullanıcısı ya Önerilen Grafikler seçeneğini kullanır ya da Ekle sekmesi içerisinde yer alan
Grafikler grubundan sütun grafiğini seçer. Grafik çizimi tamamlandıktan sonra işlemtab-
losu içerisinde bulunan grafik alanının hemen dışında, ilgili grafiğin çeşitli özelliklerini
değiştirmek için seçenekler yer almaktadır. Bu seçenekler artı işareti, fırça işareti ve huni
işareti ile sembollenmiştir. Bu yan sekmeler kullanılarak grafiğe birçok bilgi aktarımı ve
çeşitli düzenlemeler yapılması mümkündür. Şekil 5.5’te bu üç seçeneğe tıklanması halinde
elde edilen seçenekler gösterilmiştir. İşlemtablosu bu üç seçeneği tüm grafik alternatifleri
için vermektedir. Dolayısıyla ünitenin ilerleyen kısımlarında ele alınan grafiklerde de bu

seçenekler buradaki kullanımında olduğu gibi kullanılabilir. Dolayısıyla diğer grafiklerde
bu menüler tekrar ele alınmamıştır.
Şekil 5.5 (a) grafiğe ek bilgiler eklenmesi, (b) renk gibi görsel etkilerin oluşturulması ve
(c) ise grafikte yer alacak değişkenlere ilişkin düzenlemeler yapılmasına olanak verir. Şekil
5.6’da Şekil 5.5’te verilen seçenekler yardımıyla oluşturulmuş sütun grafiği yer almaktadır.
Şekil 5.4
Cinsiyet Değişkeni İçin
İşlemtablosu İçinde
Oluşturulan Sütun
Grafiği
Şekil 5.5
Sütun Grafiği İçin
Sunulan Ek Özellikler
a) b) c)
Şekil 5.6
Cinsiyet Değişkeni
Sütun Grafiği
Çizilen bir grafiğin bileşenlerinin değiştirilmesi için kullanılabilecek bir başka yöntem
ise, işlemtablosu içerisine grafik oluşturulduktan sonra, grafiğe fare yardımıyla iki kez tık-
lanması ile ana menüde aktif hale gelen Grafik Öğesi Ekle seçeneğidir. İlgili seçenek için
ekran görüntüsü Şekil 5.7’de yer almaktadır.
Şekil 5.7
Grafik Öğesi Ekle
Sekmesi Bileşenleri
Grafik Öğesi Ekle yardımıyla çizilen sütun grafiğine ilişkin eklemeler çıkarmalar ko-
laylıkla yürütülür. Sütun grafikleri, değişken sonuçlarının kategoriler olarak ortaya çıktığı
durumlarda sonuçların genel dağılımının görülmesinde çok faydalıdır. Sütun grafikleri
karşılaştırma yapılmasına da olanak verir, karşılaştırma amaçlı hazırlanan örnek veri ve
ilgili sütun grafiği Şekil 5.8’de verilmiştir.
Şekil 5.8
Mevsim ve İllere
Göre Satış Miktarları
Sütun Grafiği İçin
İşlemtablosu
Şekil 5.8’de yer alan sütun grafiğinden kolaylıkla görüleceği gibi ilgilenilen ürün/de-
ğişken değerleri Antalya’da yazın artış gösterirken, kışın azalış göstermektedir. Şekil 5.8’de
verilen sütun grafiği incelenerek veri içinde yer alan Ankara ve Eskişehir illeri için de
benzer bilgiler üretilebilir. Dikkat edilirse sütun grafiği sayesinde iller ve mevsimler ara-
sındaki ilişkinin fark edilmesi daha kolaydır.
İlgilenilen değişkenin kategori isimleri çok uzun ise sütun grafikleri yatay olarak da çi-
zilebilir. Böyle bir durumda frekanslar yatay eksende, değişken kategori isimleri ise düşey
eksende yer alır. Şekil 5.2’ye göre böyle bir değişkenin grafik çizimi Çubuk grafiği seçeneği
ile gerçekleştirilir. Çubuk grafiğine bir örnek işlemtablosu, Şekil 5.9’da yer almaktadır.
Şekil 5.9
Çubuk Grafiği İşlemtablosu Örneği
Pasta Grafiği
Özellikle ilgilenilen değişken sonuçlarının oransal olarak ifade edildiği veya gösterilmek
istendiği durumlarda pasta grafikleri kullanılır. Pasta grafikleri; sınıflayıcı ve sıralayıcı öl-
çek ile ölçümlenmiş değişkenlerin sonuç dağılımını, oransal olarak göstermek üzere kul-
lanılırlar. Pasta grafiği temel olarak, her değişken sonuç değerinin toplam içindeki oranı-
nın, bir dairenin ilgili oran kadarlık alana sahip dilimi ile temsil edilmesi işlemidir. Pasta
grafikleri gelişen teknolojiye bağlı olarak çok farklı biçimlerde çizilebilir. Ancak mümkün
olduğunca sade oluşturulan bir pasta grafiği bilginin hedeflenen kitleye aktarımında daha
büyük başarı sağlar. Elle oluşturulmaları her sonuç değeri için hesaplanan oran değerinin
daire içerisindeki payının açısal hesaplaması ve çizimini içereceğinden zordur.
Örneğin, bir kişinin bir ay içerisinde çeşitli kalemlere yaptığı harcamalara ilişkin bir
veri seti için oluşturulan pasta grafiği işlemtablosu Şekil 5.10’da yer almaktadır. Şekil 5.10’a
göre üzerinde araştırma yapılan kişinin en yüksek harcaması %51 oranı ile kira kategorisi
için gerçekleşmiştir. Şekil 5.10’a göre iki kategori aynı orana sahip gözükmektedir. Ancak
işlemtablosunda inceleme yapıldığında ilgili kategorilerin frekanslarının 75 ve 80 olduğu,
dolayısıyla birbirlerine eşit olmadığı görülebilir. Bu tür durumlarda pasta grafiği üzerinde
her pay için gösterilen oran etiketleri üzerine iki kez tıklandığında işlemtablosunun sağ
kısmında Veri Etiketlerini Biçimlendir seçeneğine ulaşılır. Bu seçeneğin en altında yer
alan Sayı ayarı ile pasta grafiği üzerindeki ondalık gösterim sayısı arttırılabilir. Örneği-
miz için ondalık sayı 3’e çıkarılmıştır. İlgili işlemleri içeren işlemtablosu görüntüsü Şekil
5.11’de yer almaktadır.
Şekil 5.10
Harcama Verisi
İçin Pasta Grafiği
İşlemtablosu
Şekil 5.11
Veri Etiketlerini
Biçimlendir Seçeneği
İle Pasta Grafiğinin
İyileştirilmesi
Histogram
Üzerinde çalışılan sürekli bir değişkenin değer aralığı içerisinde nerelerde yoğunlaşma
gösterdiğini görebilmek için oluşturulurlar. Eşit aralıklı ölçek ile ölçümlenmiş sürekli de-
ğişkenler için oluşturulurlar. Değişken sonuçları değer aralığı içerisinde eşit büyüklük-
te kategorilere/sınıflara ayrılarak, her kategori için ilgili kategorinin frekansı ile orantılı
sütunlar çizilir. Bu yapıları ile sütun grafiklerine benzerler. Ancak sütun grafiklerinde
kategoriler arasında boşluklar bulunurken histogramlar sürekli değişkenler için oluştu-
rulduklarından sütunlar arasında boş alan bulunmaz. Sütunlar, histogramda birbirlerine
bitişik olarak oluşturulurlar. Histogram çiziminde yatay eksen, histogramı çizilen değiş-
kenin değerlerine göre ayarlanırken düşey eksen ise her kategori/sınıf için ilgili frekans
veya oransal frekans değerine göre düzenlenir. Histogramların oluşturulabilmesi için veri
setinin gruplandırılmış frekans serisi kullanılır.
İşlemtablosunda histogram oluşturabilmek için öncelikle ilgili değişken ölçüm sonuçları

bir sütunda yer alacak şekilde veri girişi gerçekleştirilir. Daha sonra ilgili sütundaki veriye ait
gözeler seçilir. Şekil 5.2’de verilen Grafik Ekle seçeneğinin Histogram grubu yardımıyla se-
çilen hücrelerin histogramı çizilir. Şekil 5.12’de Uzunluk değişkenine ilişkin ölçüm sonuçları
A sütunu’nun (A2:A52) hücre aralığında yer almaktadır. Bu alanın seçilmesi ve Grafik Ekle
ekranı yardımıyla oluşturulan histogram işlemtablosu Şekil 5.12’de yer almaktadır.
Şekil 5.12
Uzunluk Değişkeni
İçin Histogram
İşlemtablosu
Şekil 5.12’de yer alan histogram yardımıyla araştırmacı ilgilendiği değişkeni 5 ayrı sı-
nıfta bir araya getirmiştir. Her sınıfta yer alan frekanslar sütunlar üzerinde yer almaktadır.
İşlemtablosu yardımıyla histogram çizimi sırasında sınıflar içerisinde hangi değerlerin yer
aldığını anlamak için yatay eksende yer alan eksen etiketlerine bakılır. Her sınıf/sütun
altında o sınıfa ait alt ve üst sınır değerleri yer alır. Her sınıfın alt ve üst sınırlarının ilgili
sınıfa/sütuna dahil olup olmadığını anlamak için sınırların kapalı ya da açık aralık olarak
nasıl yapılandırıldığına bakılır. Açık aralık için sınır değeri “(” veya “)” işaretleri ile gös-
terilirken, kapalı aralık için “[” veya “]” işaretleri kullanılır. Örneğin Şekil 5.12’ye göre 26
değerine sahip birey ikinci sınıfta yer alırken, 14 değerine sahip birey birinci sınıfta yer
alacaktır. İşlemtablosunda oluşturulan histogram ile örneğin, 38 ve 38’den daha az değer
alan birim sayısı, ilk üç sütunun frekansları toplanarak tespit edilebilir.
Saçılım Grafiği
Birden fazla sürekli değişkenin bulunduğu çalışmalarda ilgili değişkenler arasındaki iliş-
kinin araştırılması için saçılım grafiği oluşturulur. Araştırmacılar iki değişken arasında-
ki ilişkinin yönü ve derecesini belirlemek için korelasyon katsayısını kullanırlar, ancak
özelikle saha çalışmalarında kısa bir sürede iki değişken arasındaki ilişki hakkında bilgi
edinmek için saçılım grafiği faydalı olacaktır. Saçılım grafiğinde, çizilen değişkenler, araş-
tırmacının isteği ve problemin yapısına göre yatay ve düşey eksenlere yerleştirilir. Her
eksenin en küçük ve en büyük değeri, ilgili değişkenin değerlerine bağlıdır. Saçılım grafi-
ği çizilebilmesi için öncelikle işlemtablosu içerisinde verinin bulunduğu iki sütun seçilir.
Daha sonra Şekil 5.2’de verilen Grafik Ekle seçeneğinin X Y (dağılım) kategorisi kullanılır.
İlgili seçenek içerisinde grafiğin sadece noktalardan mı oluşacağı yoksa noktalar arasında
bağlantı çizgileri olup olmayacağına göre uygun grafik türü seçilir. Şekil 5.13 Boy uzunlu-
ğu ve Ağırlık değişkenlerine ilişkin saçılım grafiğini içermektedir.
Şekil 5.13
Boy Uzunluğu ve
Ağırlık Değişkenleri
İçin Saçılım Grafiği
İşlemtablosu
Saçılım grafikleri genellikle değişkenler arasında var olan ilişkilerin modellemesi aşa-
masında faydalı olmaktadır. Şekil 5.13’te temsili olarak verilen değişkenler için regresyon
analizi yapılmak istenebilir. Ağırlık değişkeninin bağımlı ve boy değişkeninin bağımsız
değişken olarak ele alındığı bir basit doğrusal regresyon analizi İşlemtablosu ana şeridinde
etkin durumda bulunan Hızlı Düzen seçeneği ile kolaylıkla gerçekleştirilebilir. Bu duru-
mun örneklendiği işlemtablosu Şekil 5.14’de yer almaktadır.
Şekil 5.14
Hızlı Düzen
Yardımıyla Regresyon
Denklemi ve Saçılım
Grafiği İşlemtablosu
Saçılım grafiklerinin bir başka kullanım alanı da zaman serilerinde ortaya çıkmak-
tadır. İlgilenilen değişkenin aldığı sonuçların zamana göre değişimini görmek için yatay
eksende zaman (yıl, ay, hafta, saat vb) ve düşey eksende ilgili değişken değerleri yer alan
saçılım grafiği çizilir. Ancak yatay eksendeki değişkenin zaman olması durumunda göz-
lem değerlerini temsil eden noktalar arasına çizgi çizilir. Daha önce incelediğimiz Şekil
5.1, zamana göre Türkiye nüfusundaki değişimi gösteren bir zaman serisi saçılım grafiği-
dir. Saçılım grafiklerinde noktalar arasının çizgi ile birleştirildiği durumlarda grafik, çizgi
grafiği olarak da adlandırılmaktadır. Çizgi grafiği Şekil 5.2’te verilen Grafik Ekle seçene-
ğinin Çizgi kategorisi yardımıyla çizilir. Bu kategori içerisinde kullanıcılara 7 farklı çizgi
grafiği seçeneği sunulmaktadır. Şekil 5.15’te bir ürünün aylara göre satış miktarları çizgi
grafiği bulunmaktadır. Grafik oluşturulurken Çizgi kategorisi içerisinde yer alan İşaretçi-
leri Olan Çizgi seçeneği kullanılmıştır. İstenmesi halinde grafik üzerindeki birçok bileşen
işlemtablosu ana şeridi üzerinde bulunan Grafik Araçları sekmesi içerisindeki Tasarım
kategorisi ile geliştirilebilir. Tasarım kategorisi kullanılarak zenginleştirilmiş çizgi grafiği
Şekil 5.16’da yer almaktadır.
Şekil 5.15
İşaretçileri Olan Çizgi
Şekil 5.16
Tasarım Yardımıyla
Zenginleştirilmiş
İşaretleri Olan Çizgi
Pareto Grafiği
İşletmeler ürettikleri ürünlerin hatasız olması ve müşterilerine hatasız bir şekilde ulaşması
için alınabilecek tüm önlemleri alırlar. Bu önlemlerden bir tanesi de Kalite Kontrol’dür.
Üretim hattından müşteriye ulaşmak üzere gönderilecek her ürün, üretim aşamasının bir-
kaç adımında veya son aşamada mutlaka kalite kontrol işleminden geçer. Benzer şekilde
işletmeler günlük faliyetlerini yürütürlerken çeşitli problemler ile karşılaşırlar. Hem kalite
kontrol sırasında hem de günlük faliyetler sırasında ortaya çıkan sorunların önem sırası-
na göre sıralanması işlemlerinde Pareto grafikleri kullanılır. Pareto grafiğinin yatay ekse-
ninde, karşılaşılan sorunlar yan yana ve sorun sıklık sayısına göre büyükten küçüğe göre
sıralanırlar. Sorun’un sıklık sayısı ya da frekanslar düşey eksende yer alır. Her sorun için
yüksekliği ilgili frekans ile orantılı bir sütun yer alır. Bu yapıları ile sütun grafiklerini andı-
rırlar. Ancak sütun grafiklerine ek olarak grafik alanının sağ kısmında oransal frekansları
içeren üçüncü bir eksen yer alır. Problem kaynağı ile ilgili oransal frekans değerleri, bu
eksene göre eşleştirilerek, ortaya çıkan noktalar çizgi yardımıyla birleştirilir. Birleştirme
sırasında kümülatif oranlardan yararlanılır. Bir fabrikada derlenen, ürün kusurları prob-
lem kaynaklarına ilişkin tablo ve Pareto grafiği Şekil 5.17’de yer almaktadır.
Şekil 5.17
Pareto Grafiği
İşlemtablosu
Şekil 5.17 oluşturulurken Tüm Grafikler içerisinden Histogram kullanılmıştır. His-

togram seçeneği Pareto Grafiği çizimini de içermektedir. Pareto grafikleri önceliklerin
belirlenmesinde yardımcı olan grafiklerdir. Çeşitli problemlerin ya da problem kaynakla-
rının oransal önemlerini gösterebilmek amacı ile oluşturulurlar. Dolayısıyla Şekil 5.17’ye
göre en büyük problem kaynağı Boya’dır. Üreticinin öncelikle bu problem kaynağı ile ilgili
önlemler alması beklenir. Şekil 5.17’de sunulan Problem kaynağı frekans tablosu incelen-
diğinde veya Pareto Grafiğindeki portakal renkli çizginin üçüncü eksen ile eşleştirilmesi
ile ilk iki sorun kaynağının tüm sorun kaynaklarının %70’ini oluşturduğu görülebilir.
3B Harita Grafiği
Coğrafi bilgi sistemleri, üzerinde çalışılan problemin yer/konum parametreleri ile iliş-
kilendirilmesi ile çözüme ulaşmak için gösterilen çabaların bütünü olarak ele alınabilir.
Coğrafi bilgi sistemleri uygulamalarında belirli bir probleme ilişkin veri ile beraber bu
verinin derlendiği yer/konum bilgisi de yer alır. Örneğin bir derenin farklı noktalarından
örnek alınması işlemi sırasında örnek alınma noktası koordinatları kayıt altına alınabilir,
şehir merkezinin değişik noktalarında hava kirliliği ölçümü yapılırken hem ölçüm sonucu
hem de ölçüm yapılan yer/konum bilgisi kayıt altına alınır. İlgilenilen değişkenin farklı
sonuçlarının yer/konum bilgisine göre farklılık gösterip göstermediği araştırılır. İşlemtab-
losu Ekle sekmesi içerisinde yer alan 3B Harita ikonu yardımıyla harita çizme ekranına
ulaşılır. Harita çizilebilmesi için ilgilenilen değişken sonuçları ve her sonuca ilişkin yer/
konum bilgisi ya ülke/şehir/köy adı biçiminde ya da uygun coğrafi koordinat değeri biçi-
minde işlemtablosuna kodlanır. Kodlama işleminden sonra değişken sonuçları ve koordi-
nat bilgilerini içeren hücreler seçilerek 3B ikonuna tıklanır.
Şekil 5.18
Microsoft Excel 3B
Harita Ekranı
Şekil 5.18’de Türkiye İstatistik Şekil 5.19

Kurumu tarafından 2013 yılı için 3B Harita Çizimi İçin
gerçekleştirilen Yaşam Memnuni- Veri Seti İşlemtablosu
yeti Araştırması mutlu olma seçe-
neğinin illere göre oransal dağılımı
görülmektedir. Microsoft Excel 3B
haritalar ekranı harita üzerinde
birçok özelliğin değiştirilmesine
olanak vermektedir. Kullanıcılara
problemi en iyi şekilde yansıtacak
şekilde birçok harita parametre-
sinde değişiklik yapabilmektedir.
Şekil 5.18’in oluşturulması için
Katman Seçeneklerinden Renk öl-
çeği ve etki yarıçapı parametreleri
ayarlanmıştır. Haritaya göre rengin koyulaşması ve kırmızıya dönmesi mutluluk değişke-
ninin aldığı değerin yükseldiğini göstermektedir. Şekil 5.18’in oluşturulması için kullanı-
lan işlemtablosu Şekil 5.19’da yer almaktadır.
Kıvılcım Grafiği (Sparklines)

Grafikler ilgilenilen değişkenin genel görüntüsünü incelemek için çok faydalıdır. Ancak
kimi durumlarda araştırmacılar tüm veri setinin genel görüntüsünü görmek yerine küçük
zaman kesitlerini incelemek isteyebilir. Ek olarak inceleme sırasında verinin işlemtablo-
su içinde olması durumunda küçük zaman kesitine ilişkin bilgi verecek grafiği bir hücre
içinde oluşturmak isteyebilir. Kıvılcım grafikleri bu tür durumlarda kullanılır. Kıvılcım
grafikleri yardımıyla işlemtablosunun sütun veya satırında yer alan verilerin tek bir hücre
içerisinde özet görüntüsü elde edilir. Kıvılcım grafikleri temel olarak işlemtablosunda se-
çili alanda yer alan veri için, grafiğin işlemtablosunun bir hücresi içerisine çizilmesi işle-
midir. İşlemtablosunda kıvılcım grafikleri Mini Grafikler olarak adlandırılır. Ekle sekmesi
Şekil 5.20 içerisinde yer alırlar. Mini grafikler araş-

Mini Grafik Oluştur
tırmacıya üç adet seçenek sunmaktadır.
Diyalog Kutusu Bunlar çizgi, sütun ve kazanç/kayıp olarak
etiketlendirilmiştir. İşlemtablosunda kı-
vılcım grafiği çizilebilmesi için Ekle sek-
mesinden sunulan üç seçenekten istenen
bir tanesine tıklanır, Şekil 5.20’den görüle-
bilecek diyalog kutusunda hangi hücrele-
rin grafiğinin çizileceği ve hangi hücreye
grafiğin yerleştirileceği tanımlanır.
Şekil 5.20’ye göre B3:B14 aralığında
yer alan veri için kıvılcım grafiği çizilerek B15 hücresi içerisinde gösterilecektir. Şekil
5.21’de bir işletmenin Ankara ve Eskişehir şubelerindeki satış rakamlarına ilişkin kıvılcım
grafikleri gösterilmiştir. Kazanç kayıp kıvılcım grafiği, en yüksek ve en düşük değerin gö-
rülebilmesi için farklı renkli işaretlemeler içermektedir.
Şekil 5.21
Satışlar İçin Kıvılcım
Grafikleri İşlemtablosu
İşlemtablosunun B15 ve C15 hücreleri incelenerek aylara göre satışlar bakımından

iki farklı ilin bir farklılık gösterip göstermediği incelenebilir. Kıvılcım grafiklerinden de
görülebileceği gibi Ankara ili için satışlar mevsimsel bir dağılım göstermekle beraber,
mevsimsel dalgalanmadan farklı bir satış dalgalanmasının Eskişehir ilinde olduğu bilgisi
üretilebilir. Şekil 5.22’de bir araştırmacının ilgilendiği indeks değerine ilişkin işlemtablosu
Kazanç/Kayıp kıvılcım grafiklerini içermektedir. Farklı hisse senetlerinin farklı zamanlar
için gösterdikleri performanslar kıvılcım grafiklerinin yer aldığı üç hücrede kolaylıkla gö-
rülmektedir.
Şekil 5.22
Hisse Senedi İndeks
Değerleri Kazanç/
Kayıp Kıvılcım
Grafikleri İşlemtablosu
Aşağıda verilen tabloda yer alan verinin sütun grafiğini çiziniz.

1
Aylar Ocak Şubat Mart Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim Kasım Aralık
Satış
75 95 105 155 180 250 260 240 160 130 95 80
Miktarı
KOŞULLU BİÇİMLENDİRME
Kimi durumlarda üzerinde çalışılan veri seti için grafik çizmek yerine araştırmacının il-
gilendiği değişkenin önemli değerlerini liste gösteriminde görsel olarak vurgulaması iste-
nebilir. Bu tür durumlarda koşullu biçimlendirme işlemi gerçekleştirilir. Koşullu biçim-
lendirme yardımıyla ilgili değişkenin önemli değerleri görsel olarak çubuk, renk, simge ve
diğer ayırt ediciler kullanılarak ön plana çıkartılabilir. Araştırmacının ilgilendiği koşula
ve biçimlendirme türüne göre koşulu sağlayan işlemtablosu hücresi renk veya şekil de-
ğiştirirken, koşulu sağlamayan hücrede bir değişiklik meydana gelmez. İşlemtablosu yazı-
lımında koşullu biçimlendirme Giriş sekmesi içerisinde Koşullu biçimlendirme menüsü
olarak yer alır ve Şekil 5.23’de gösterilmiştir.
Şekil 5.23
Koşullu Biçimlendirme
Menüsü
Şekil 5.23’den görülebileceği gibi hücrelerin koşullu biçimlendirilmesi için beş temel
seçenek verilmiştir. İlgili seçenekler; Hücre Kurallarını Vurgula, İlk/Son Kuralları, Veri
Çubukları, Renk Ölçekleri ve Simge Kümeleri’dir. Ek olarak araştırmacının kendi seçe-
neklerini oluşturabilmesi ve yönetebilmesi için gerekli seçenekler de menü içerisinde yer
almaktadır. Şekil 5.24’de Koşullu Biçimlendirme menüsünde yer alan ilk beş seçeneğin
hangi alternatifleri sunduğu menüde yer alış sıralarına göre gösterilmiştir.
Şekil 5.24’de gösterilen seçeneklerin uygulanması için araştırmacının farklı koşulları
inceliyor olması gerekir. Her seçeneğin uygulanabileceği koşullara ilişkin bilgiler kısaca
izleyen biçimde açıklanabilir.
Hücre kurallarını vurgula;

• Bir değer aralığında olunması,
• Bir metine tam uyum olması,
• İki tarih arasında bulunulması,
• İstenilen aralıkta yalnızca bir kez ya da birden fazla olunması koşulları sağlanır.
İlk/Son kuralları;
• Seçili hücrelerde yer alan birimlerin en üst ya da en düşük değerinin belirli bir
oranında bulunulması,
• Seçili hücrelerde yer alan değerlerin aritmetik ortalamasının üzerinde veya altında
değer alınması,
• Seçili hücrelerde araştırmacı tarafından belirlenen sayıda en yüksek ve en düşük
değerli birimlerin seçilmesi koşulları sağlanır.
Şekil 5.24
Koşullu Biçimlendirme
Ekran Seçenekleri
a) b) c)
d) e)
Veri Çubukları; seçilen hücreler içerisinde büyük, küçük veya ortanca değerlerin gös-
terilmesi için kullanılır. Örneğin büyük değerli birimler için büyük çubuklar kullanılır.
Ancak veri çubukları kullanılırken dikkat edilmesi gereken nokta, seçili hücreler içeri-
sinde yer alan birimlerin değerleri birbirine yakın ise çubuk uzunluklarının da birbirine
yakın olacağıdır. Bu durumda araştırmacının bu seçenekten elde edeceği bilgi miktarı is-
tenen düzeyde olmayabilir.
Renk Ölçekleri; seçilen hücrelerde yer alan birimlerin değerleri arttıkça seçilen renk
değişerek birimler arasındaki değer farklılıkları görülebilir. Ayrıca aynı değer aralığında
yer alan birimler aynı renklerde gösterilerek birimlerin kendi içerisindeki gruplanmaları
incelenebilir.
Simge Kümeleri; Şekil 5.24’te incelendiğinde bu grupta dört farklı sınıflamaya olanak
verildiği görülebilir. Bu sınıflamalar yönler, şekiller, göstergeler ve derecelendirmelerdir.
Araştırmacının, seçili hücrelerin, sayılan bu sınıflamalardan hangisi yardımıyla sembolle-
neceğine doğru karar vermesi gerekir. Her sembollemenin üreteceği bilgi farklı olacaktır.
Örneğin değerlerdeki artışı göstermek için yukarı oku kullanılabileceği gibi, azalışı göster-
mek için aşağı oku kullanılabilir.
Koşullu biçimlendirme menüsünün son üç seçeneğinden ilki olan Yeni Kural, araştır-
macının yukarıda sayılan koşullara uymayan özel durumları tanımlamasını sağlar. İkinci
seçenek olan Kuralları Temizle araştırmacının ya seçilen hücrelerdeki ya da tüm sayfadaki
kuralları temizlemesine olanak verir. Son seçenek ise tanımlanan kurallar üzerinde deği-
şiklikler yapılmasına olanak sağlar.
Bir araştırmada 15 öğrenci için Boy değişkeni verisi derlenerek işlemtablosunda sıralanmış- ÖRNEK 1
tır. Koşullu Biçimlendirme kullanarak birimleri gruplara ayırınız.
Çözüm 1: İşlemtablosu tarafından sunulan beş Koşullu Biçimlendirme türünden birer

tanesini bu veri kümesi için uygulayabiliriz. Koşullu biçimlendirmenin uygulanabilmesi için
öncelikle ilgili hücrelerin seçilmesi gerekir. Şekil 5.25’te bazı koşullu biçimlendirme sonuçla-
rı sunulmaktadır. A sütunu Hücre Kurallarını vurgula seçeneği içerisinde yer alan Büyüktür
işlemi ile oluşturulmuştur. Hangi değerden büyük değerler ile ilgilenildiğini göstermek için
152 değeri seçilmiştir. Bir sonraki adımda kuralın uygulanacağı hücreler A3:A15 aralığı se-
çilir. Daha sonra Koşullu biçimlendirme → Hücre Kurallarını Vurgula → Büyüktür sıralaması
ile koşul tanımlama ekranına ulaşılır. Burada Şundan BÜYÜK OLAN hücreleri biçimlendir
gözesi içerisine 152 yazılır, tamam tuşuna basılması ile işlem tamamlanır.
Benzer biçimde B sütununda B3:B15 aralığında yer alan değerlerden aritmetik orta-
lamadan büyük olanlar İlk/Son Kuralları, C sütununda C3:C15 aralığında yer alan de-
ğerlerin veri çubuğu çizimleri Veri Çubuğu, D sütununda D3:D15 aralığında yer alan
değerlerim renk sınıflamaları Renk Ölçekleri ve E sütununda E3:E15 aralığında yer alan
değerlerin simge sınıflamaları Simge Kümeleri seçeneği yardımıyla oluşturulmuştur.
Şekil 5.25
Beş Farklı Koşullu
Biçimlendirme ile
Boy Değişkenine
İlişkin Verinin
Görselleştirilmesi
D sütunu ve E sütunu incelendiğinde hem renk benzerlikleri hem de sembol benzer-

likleri yardımıyla verinin farklı kümelere/gruplara ayrılabileceğini görebiliriz. A sütunu
incelendiğinde ise ilgili koşul yardımıyla 152 değerinden daha küçük değerli üç birimin/
öğrencinin bulunduğu, 152 değerinden daha büyük değerli on iki birimin/öğrencinin bu-
lunduğu bilgisi kolaylıkla üretilebilir. B sütunu ve ilgili koşul yardımıyla aritmetik ortala-
madan küçük değere sahip birim sayısının altı olduğu görülebilir.
İktisada giriş dersini alan 16 öğrencinin Arasınav ve Final puanları işlemtablosunda yer al-
2 maktadır (Şekil 5.26). Koşullu biçimlendirme yardımıyla her sınav için ortalamanın üstün-
de olan puanları gösteriniz?
Şekil 5.26
GÖSTERGE PANOSU
Gösterge panoları son yıllarda kullanıma girmiştir. Bilginin kullanıcılara aktarımında sık-
lıkla kullanılmaktadır. Temel olarak bir grafiksel arayüzdür. Bu arayüz üzerinde bilgiler,
okunması, anlaşılması ve yorumlanması kolay olacak biçimde sunulur. Gösterge panosu,
üzerinde düşünülmüş ve öne çıkarılması gereken özellikleri yansıtabilen grafikleri, farklı
kaynaklardan elde edilen bilgileri ve tabloları içerir. Gösterge panosu genellikle tek bir
sayfa olarak dizayn edilir. Böylece gösterge panosu amacını temsil ettiği düşünülen tüm
bileşenler (grafik, tablo, şekil vb) bir arada kolaylıkla görülebilir. Web sayfaları üzerinde
hazırlanan gösterge panoları, gösterge panosu içeriklerinin bir veritabanına bağlı olarak
anlık güncellenmesi özelliğini içeriyor ise çok daha faydalı olacaktır. Örneğin insan kay-
nakları ile ilişkili bir gösterge panosu, açık iş pozisyonu sayısı, işçi başına düşen toplam
maliyet, toplam çalışan sayısı, izinli olan çalışan sayısı gibi bilgileri içerebilir. Buraya kadar
gösterge panoları için ele alınan bilgiler ışığı altında, gösterge panolarının özelliklerini
izleyen başlıklarda toplayabiliriz.
• Genel olarak gösterge panoları, amaca ilişkin son eğilimlerin, karşılaştırmaların ve
istisnaların görülmesini sağlayan grafiksel yapıdadır.
• Gösterge panosu, sadece panonun hazırlanma amacına hizmet eden nitelikleri içerir.
• Sadece belirli bir amaca yönelik hazırlandıklarından, yapıları itibari ile zaten ta-
mamlanmış bazı analiz ve sonuçları sunarak, okuyucunun veya karar vericilerin
işini bir nebze de olsa kolaylaştırırlar.
Elinizde bulunan ve öğrenme süreci içerisinde olduğunuz İşletme Analitiği kitabından
şu ana kadar öğrendiğiniz ve kitabın kalan kısımlarından öğreneceğiniz tüm tablolama,
analiz, grafik vb. araçlarını kullanarak gösterge panosu hazırlayabilirsiniz.
Gösterge panosu hazırlanırken dikkat edilmesi gereken en önemli unsur hazırlanan
görselin mümkün olduğunca basit ve anlaşılır olmasıdır. Çok fazla ölçüm sonucu, farklı
grafik tipleri, renk karmaşaları gösterge tablosundan elde edilecek faydaları azaltacaktır.
Hatırlanacağı gibi ünitenin giriş kısmında Fitts’in kanunu kavramından bahsedilmişti.
Gösterge panosu hazırlanırken bu kavramın akılda tutulmasında fayda vardır. Gösterge
panosu odaklanmanızı sağlayacak biçimde dizayn edilmelidir. İnsanlar ister istemez önle-
rine sunulan bir sayfanın farklı noktalarına odaklanmaktadır. Genellikle, yapılan araştır-
malara göre, okuyucuların en çok odaklandıkları nokta sayfanın sol üst kısmı olmaktadır.
Gösterge panosu içerisinde kullanılacak sayı formatı ve font kullanımı da özenle seçilme-
lidir. Ondalıklı sayılara ihtiyaç olup olmadığı sıkı bir şekilde incelenmeli ve gerçekten ih-
tiyaç duyuluyor ise tablo üzerinde ondalıklı sayı kullanımına gidilmelidir. Benzer şekilde
binler basamağı için bir ayraç kullanılması (Türkçe için nokta işareti) sayının anlaşılırlı-
ğını arttıracaktır. Örneğin 1785329 biçiminde yazım yerine 1.785.329 yazımı daha doğ-
rudur. Gösterge panosuna eklenen her bileşenin etiket ve başlıklarının doğru, eksiksiz ve
okunaklı olması önemlidir. Böylece okuyucu etiket veya başlıktan aldığı bilgiler ile tablo
ya da grafikten algıladıklarını daha iyi harmanlayacaktır.
Gösterge panolarının hazırlanması için herkes tarafından kabul edilmiş bir yöntem
bulunmamaktadır. Teknolojideki ilerlemeler ile çok daha güzel ve anlaşılır gösterge pano-
larının oluşturulabileceğini söylemek yanlış olmaz. Önemli olan gösterge panosunun ge-
nel amacını karşılayan verinin, doğru, eksiksiz bir şekilde derlenerek uygun tablo ve/veya
grafikler yardımıyla özetlenmiş olmasıdır. Bu aşamalarda yapılacak hatalar gösterge pa-
nosunu da hatalı duruma getirecektir. Her ne kadar gösterge panosunun hazırlanmasında
herkesin kabul ettiği bir yöntem olmasa da izleyen sıralama size yol gösterici olabilir.
• Gösterge panosu için araştırmalarınızı gerçekleştirin: Bu aşamada öncelikle neden
gösterge panosu oluşturduğunuzu tam olarak kavramanız gerekir. Veri kaynağı-
nın ne olduğu, değişken tipleri, gösterge tablosunun hedef kitlesinin kim olduğu
(patron, müşteri, işletme yöneticisi vb.) ve istenen bazı performans göstergelerinin
olup olmadığı tespit edilir. Veri derlenerek analize hazır hale getirilir.
• Taslak bir gösterge panosu hazırlayın: Bir A4 kağıt üzerine veya size uygun olan
boş bir İnternet sayfasına kabaca gösterge tablosu bileşenlerini yerleştirin. Hangi
analiz sonuçlarının hangi yapıda olacağı, grafiklerin büyüklüklerinin ne olacağı,
başlıkların büyüklükleri, kullanılacak font’ların neler olabileceği gibi nitelikleri ve
gösterge panosu üzerindeki pozisyonlarını belirleyin.
• İşlemtablosu yazılımı ile işlemlerinize başlayın: Verinizi işlemtablosu içerisine alı-
nız. Gösterge panosu işlemlerinde, özellikle koşullu atamalar yapılabilmesine ola-
nak sağlaması bakımından, genellikle verinin sütunlar halinde verilmesinde fayda
vardır. Mümkünse işlemtablosu içerisinde üç farklı sayfa oluşturun. Birinci sayfa
verinizi, ikinci sayfa analizlerle grafiklerinizi ve üçüncü sayfa da gösterge panonu-
zu içerebilir.
• Tüm analizlerinizi gerçekleştirin: Bu aşamada ise tablolar oluşturabilir, işlemtablo-
sunun size sunduğu fonksiyonları kullanabilir, şekiller çizebilir, koşullu biçimlen-
dirmeler ve grafikler oluşturabilirsiniz. Belki de gösterge panosu hazırlamanın en
uzun aşaması burası olacaktır. Çünkü gösterge panosu hazırlama amacına uygun
olan tüm işlemler, bu aşamada yürütülecektir.
• Gösterge panonuzu oluşturun: Taslak gösterge panosundaki planınıza göre gös-
terge panosunun tüm bileşenlerini bir araya getirin. İşlemtablolarının tüm ilişkisel
yapılarını burada kullanma şansına sahipsiniz.
Gösterge panosu oluşturulurken işlemtablosu hem derlenen verinin tablolanması hem

de grafiklerinin çizilmesinde yardımcı araç olacaktır. Şekil 5.27’de Türkiye Büyükşehir Be-
lediyeleri nüfus bilgilerine ilişkin bir gösterge panosu hazırlanmıştır. Gösterge panosu
hazırlanırken pasta grafiği, sütun grafiği, 3B harita (dış kaynak’tan) ve kıvılcım grafiği
(mini grafik) seçenekleri kullanılmıştır.
Şekil 5.27
Türkiye Büyükşehir Belediyeleri İçin Örnek Gösterge Panosu
Kendi belirleyeceğiniz bir probleme ilişkin veri derleme, analiz ve grafik işlemlerini gerçek-
3 leştirerek bir gösterge panosu oluşturunuz.
Özet
Veri ve bilgi için grafik oluşturmak.
1
Araştırmacıların derledikleri verileri tablolar halinde
özetlemesi kimi durumlarda veri içerisinde muhtemel
ilişkileri görmesine engel olabilir. Bazı durumlarda ise
değişkenin izlediği doğal bir desen olabilir. Örneğin
mevsimlere göre dalgalanmalar veya belirli bir süre
sonunda anlık yükselmelerin olduğu verilerdeki bu
durumlar grafikler yardımıyla daha kolay görülebilir.
Ek olarak kullanıcılara iletilen bilginin görsel mater-
yaller ile desteklenmesi her zaman o bilginin özüm-
senmesine yardımcı olacaktır. Grafikler oluşturulur-
ken ilgilenilen değişkenin ölçüm düzeyi ve değişken
türüne dikkat edilmesi gerekir. Değişken ölçüm düze-
yi ve değişken türünün tespiti ile doğru grafik çizimi
gerçekleştirilir.
İşlemtablosunda koşullu biçimlendirme işlemi gerçek-

2 leştirmek.
Grafik çizmek yerine işlemtablosu içerisinde çeşit-
li özelliklere sahip değişken sonuçlarını görebilmek
için koşullu biçimlendirme işlemi gerçekleştirilebilir.
Koşullu biçimlendirme de araştırmacı istediği koşulu
sağlayan değişken sonuçlarını renk, şekil ve semboller
ile etiketleyerek fark edilmelerini kolaylaştırır. Geli-
şen teknoloji ile beraber işlemtablolarının koşullu bi-
çimlendirme için sunduğu seçenekler de gün geçtikçe
artmaktadır.
Gösterge panosu yardımıyla rapor hazırlamak.

3
Belirli bir amaca yönelik derlenen verilere ilişkin tab-
lo, grafik ve şekillerin bir araya getirilmesi ile gösterge
panoları oluşturulur. Gösterge panoları bir çeşit kısa
rapor olarak kabul edilebilir. İşletmeler, gösterge pa-
nolarını, yürüttükleri projelerin durum değerlendir-
mesinde, karar verme süreçlerinde ve günlük basit
raporlama faaliyetlerinde kullanmaktadır. Gösterge
panosu oluşturulurken temel kural, panonun sadece
bir amaca yönelik sonuçları içerecek şekilde hazırlan-
masıdır. Gösterge panoları mümkün olduğunca sade
ve kolay anlaşılabilir olmalıdır. Gösterge panosunu
inceleyenlerin odaklanmasını bozabilecek şekil, renk
ve diğer unsurların kullanımından kaçınılmalıdır.
1. Belirli bir amacı açıklamak için grafik, şekil, analiz gibi 4. “İzleyen diyalog kutusu” işlemtablosu içerisinde nerede
bilgileri bir araya getiren gösterim şekline ne ad verilir? bulunur?
a. Pasta grafiği
b. Regresyon
c. Gösterge panosu
d. Harita
e. Ortalama
2. Sınıflayıcı ölçek ile ölçümlenmiş bir değişkenin sonuçla-

rına ilişkin oranlar hesaplanmıştır.
Buna göre kullanılabilecek grafik aşağıdakilerden hangisidir?
a. Pareto
b. Pano
c. 3B harita
d. Regresyon
e. Pasta
3. Araştırmacının bir ürün üzerindeki kusurları büyükten

küçüğe doğru sıralı olarak görebilmesine olanak veren grafik
aşağıdakilerden hangisidir?
a. Çetele a. Biçimler
b. Zaman Çizgisi b. Sabitler
c. Histogram c. Koşullar
d. Pareto d. Sütun grafiği ek özellikleri
e. 3B Harita e. Grafikler
5. Yukarıdaki işlemtablosunda görülen veri için, kaç farklı

grup tanımlaması yapılmıştır?
a. 1
b. 3
c. 8
d. 10
e. 14
8. Aşağıdakilerden hangisi “Grafik Ögesi Ekle” diyalog ku-
tusunda yer almaz?
a. Koşullu biçimlendirme
b. Eksenler
c. Veri etiketleri
d. Hata çubukları
e. Eğilim çizgisi
9. Aşağıdakilerden hangisi “Grafik Araçları” sekmesinin

ana bileşenlerinden biridir?
a. Veri
b. Tür değiştir
c. Grafik alanı
d. Tasarım
e. Grafik düzenleri
6. Yukarıda verilen işlemtablosunda kırmızı değerler orta- 10. Verinin sadece işlemtablosunun bir hücresi içerisinde
lamanın üzerinde olunduğunu gösteriyor ise ortalamadan az grafiğinin çizilmesi için kullanılan grafik türü aşağıdakiler-
kaç tane birim vardır? den hangisidir?
a. 3 a. Pareto
b. 8 b. Ortalama
c. 9 c. Histogram
d. 11 d. Kıvılcım
e. 13 e. Sütun
7. Verilen sütun grafiğine göre Sakarya’da çalışan işçi sayısı

nedir?
a. 80
b. 90
c. 110
d. 120
e. 130
Kendimizi Sınayalım Yanıt Anahtarı Sıra Sizde Yanıt Anahtarı

1. c Yanıtınız yanlış ise “Gösterge Panosu” konusunu ye- Sıra Sizde 1
niden gözden geçiriniz.
2. e Yanıtınız yanlış ise “Pasta Grafiği” konusunu yeni-
3. d Yanıtınız yanlış ise “Pareto Grafiği” konusunu yeni-
4. d Yanıtınız yanlış ise “Sütun Grafiği” konusunu yeni-
5. b Yanıtınız yanlış ise “Koşullu Biçimlendirme” konu-
sunu yeniden gözden geçiriniz.
6. b Yanıtınız yanlış ise “Koşullu Biçimlendirme” konu-
Sıra Sizde 2
Koşullu Biçimlendirme sekmesi yardımıyla sonuçlar Şekil-
7. c Yanıtınız yanlış ise “Sütun Grafikleri” konusunu ye-
deki gibi ortaya çıkacaktır.
8. a Yanıtınız yanlış ise “Sütun Grafikleri” konusunu ye-
9. d Yanıtınız yanlış ise “Sütun Grafikleri” konusunu ye-
10. d Yanıtınız yanlış ise “Kıvılcım Grafiği” konusunu ye-
Sıra Sizde 3
Yararlanılan ve Başvurulabilecek Yararlanılan ve Başvurulabilecek

Kaynaklar İnternet Adresleri
Alexander M. (2014). Excel Dashboards & Reports for Microsoft Developer, “Giving you Fitts”, Erişim tarihi Nisan 2016,
Dummies, John Wiley & Sons, New Jersey. https://blogs.msdn.microsoft.com/jensenh/2006/08/22/
Cook, R.D. ve Weisberg S. (1999). Applied Regression giving-you-fitts/
Including Computing and Graphics, Wiley Inter- SearchBusinessAnalytics, “Business Intelligence
Science. Dashboard”, Erişim tarihi Nisan 2016, http://
Er F. (2003). Açıklayıcı Veri Analizi, Kaan Kitabevi. searchbusinessanalytics.techtarget.com/definition/
Freund J.E. ve Williams F.J. (1966). Dictionary/Outline of business-intelligence-dashboard
Basic Statistics, Dover. Treacy M., Udemy blog. “Excel Dashboard Reports”,
Dalgard P. (2002). Introductory Statistics with R, Springer- Erişim tarihi Nisan 2016, https://blog.udemy.com/excel-
Verlag New York, Inc. dashboard
Harvey G. (2016). Excel 2016 For Dummies, John Wiley & Vikipedia, “Türkiye Büyükşehir Belediyeleri Haritası”,
Sons, New Jersey. Erişim Tarihi Nisan 2016 https://commons.wikimedia.
Myatt G.J. (2007). Making Sense of Data A Practical Guide org/wiki/File:BlankMapTurkeyMM.png#/media/
to Exploratory Data Analysis and Data Mining, Wiley. File:BlankMapTurkeyMM.png, Yükleyenin kendi
Walkenbach J. (2016). Microsoft Excel 2016 Bible, John çalışması, http://www.gnu.org/ copyleft/ fdl.html,
Wiley & Sons, Indianapolis. GNU Free Documentation License, https://commons.
Warkentin M. (2016). The Best Thinking in Business wikimedia.org/w/ index.php?curid=29868566
Analytics From The Decision Sciences Institute,
Decision Sciences Institute, New Jersey.
6
Amaçlarımız
 Veriyi işlemtabloları ile özetleyebilecek,
 Değişkenlerin merkezî eğilim ölçülerini ve değişkenliğini hesaplayabilecek,
 Olasılıkta sayma kurallarını hesaplayabilecek,
 Değişkenin olasılık dağılımını inceleyebilecek
Anahtar Kavramlar
• Sayma, “SAY” • Mod
• En Büyük, “MAK” • Varyans, “VAR”
• En Küçük, “MİN” • Standart Sapma, “STDSAPMA”
• Ortalama • Çarpınım
• Geometrik Ortalama, • Permütasyon
“GEOORT” • Kombinasyon
• Harmonik Ortalama, • Binom Dağılımı, “BİNOM.
“HARORT” DAĞ”
• Ortanca • Normal Dağılım, “NORM.DAĞ”
İçindekiler
• GİRİŞ
• İŞLEMTABLOLARIYLA VERİNİN
ÖZETLENMESİ
İşletme Analitiği İşlemtablolarıyla Betimsel Analitik • İŞLEMTABLOLARIYLA MERKEZÎ EĞİLİM
VE DEĞİŞKENLİK ÖLÇÜLERİ
• İŞLEMTABLOLARIYLA OLASILIK VE BAZI
OLASILIK DAĞILIMLARI
İşlemtablolarıyla Betimsel
Analitik
GİRİŞ
Nicel alanda yapılan araştırmalarda veriyle ilgili olan ilk aşama verilerin toplanmasıdır.
Bu aşamada veri, ham veri olarak tanımlanabilir. Toplanan ham verinin hakkında daha
kolay bilgi alabilmek için belirli kurallara göre derlenmesi gerekir. Verinin belirli kural-
lara göre derlenmesi aşaması uzun sürebilen ve dikkatli olunması gereken bir aşamadır.
Araştırmacı veriye ait frekans, maksimum değer, minimum değer, merkezî eğilim ölçüleri,
değişkenlik ölçüleri gibi istatistikleri verilerin derlenmesi aşamasından sonra daha kolay
elde eder. Verinin doğru anlaşılmasını sağlayan bu istatistikler, doğru tablo ve grafik kul-
lanımını kolaylaştıracağı gibi daha sonraki aşamalarda yapılacak istatistiksel analizler için
de belirleyici nitelikte olabilir.
Elde edilen verilerin belirli kurallara göre derlenmesi, tablo ve grafiklerinin oluştu-
rulması çoğu zaman yeterli olmayabilir. İlgilenilen verinin merkezînin nerede olabileceği
konusunda bilgi veren ortalamalara (merkezî eğilim ölçüleri) ve verinin nasıl bir dağılıma
sahip olduğu konusunda bilgi veren ölçülere (değişkenlik ölçüleri) ihtiyaç duyulur.
Karar vericiler ve veri analistleri çoğu zaman gözlenen veriler üzerinde çıkarımda bu-
lunma ve belirsizlik durumunda karar verme ile karşı karşıya kalır. Örneğin, bir kalite
kontrol uzmanı incelediği bir ürünü onaylarken, bir sigortacı yaşam sigortası primlerini
belirlerken, bir iktisatçı ekonomik duruma ilişkin öngörüde bulunurken belirsizlik duru-
mu söz konusudur. Belirsizlik içeren durumlarda model belirlemede olasılık kuralların-
dan yararlanılır.
Bu ünitede işlemtablolarıyla veriler hakkında özet bilgilerin elde edilmesi, merkezî
eğilim ölçülerinin ve değişkenlik ölçülerinin hesaplanması, olasılıkta sayma kuralları ve
bazı olasılık dağılımları üzerinde durulacaktır.
İŞLEMTABLOLARIYLA VERİNİN ÖZETLENMESİ

Merkezî eğilim ölçüleri ve değişkenlik ölçüleri verileri özetlemenin en iyi yollarından ol-
malarına rağmen veriyi ilk bakışta özetleyebilecek ve hakkında bir fikir verebilecek tür-
den istatistiklere de ihtiyaç duyulur. Bu istatistikler; veri setinde kaç adet gözlem değeri
olduğu, veri setinin maksimum gözlem değeri, minimum gözlem değeri gibi değerleridir.
Hesaplama gerektirmezler, sayma ya da gözlem yoluyla elde edilebilirler.
Veri setine ait kaç gözlem değerinin olduğunun sayılması işlemi, işlemtablolarında
farklı biçimlerde yapılabilir.
Sayma İşlemi
BAĞ_DEĞ_SAY komutu, bir sayı dizisinde yer alan ve sayı içeren hücre sayısını verir.
Komut yazımı BAĞ_DEĞ_SAY(değer1;değer2;...) şeklindedir.
ÖRNEK 1 A2:A10 aralığında verilen öğrencilerin kilo değerlerine ilişkin değerlerin kaç tane olduğu-
nu bulmak için aşağıdaki formül A15 hücresine yazılabilir:
=BAĞ_DEĞ_SAY(A2:A10)
Bir sayı dizisinde yer alan ve sayı Örnekte ilgili aralıkta 9 adet sayı değeri olduğundan A15 hücresindeki sonuç 9 olarak
içeren hücre sayısını BAĞ_DEĞ_ görülür. Örneğin görüntüsü Şekil 6.1’de verilmiştir.
SAY komutu verir.
BAĞ_DEĞ_SAY komutu ile birden daha çok sütundaki sayı dizilerinde yer alan ve sayı
içren hücre sayısı da bulunabilir. Sütunları belirlemek ve birbirinden ayırmak için “;” nok-
talı virgül sembolu kullanılır.
ÖRNEK 2 A2:A10 aralığında verilen öğrencilerin kilo değerlerine ve B2:B6 aralığında verilen günlük
toplu taşıma aracı kullanma sıklığına ilişkin değerlerin kaç tane olduğunu bulmak için aşa-
ğıdaki formül B15 hücresine yazılabilir:
=BAĞ_DEĞ_SAY(A2:A10;B2:B10)
Örnekte ilgili aralıkta 16 adet sayı değeri olduğundan B15 hücresindeki sonuç 16 olarak
görülür. Örneğin görüntüsü Şekil 6.2’de verilmiştir.
Şekil 6.1 Şekil 6.2

BAĞ_DEĞ_SAY Komutu İşlemi Birden Çok Sütunlu BAĞ_DEĞ_SAY Komutu
6. Ünite - İşlemtablolarıyla Betimsel Analitik 143
Koşullu Sayma İşlemi

EĞERSAY işlevi, verilen bir koşula uygunluk gösteren aralık içindeki hücre sayısını verir.
İşlev yazımı EĞERSAY(aralık;ölçüt) biçimindedir.
İşlemtablosunun C2:C13 aralığında verilen ülke isimlerinden Fransa’nın kaç kez tekrarlan- ÖRNEK 3
dığını bulmak için izleyen formül işlemtablosunun C15 hücresine yazılabilir:
=EĞERSAY(C2:C13; “Fransa”)
Örnekte, ilgili aralıktaki ülke isimlerinden Fransa’nın tekrar değeri olan 5, işlemtablosu-
nun C15 hücresinde gösterilmiştir. Örneğin görüntüsü Şekil 6.3’te verilmiştir.
İşlemtablosunun A2:A10 aralığında verilen öğrenci kilo değişkeni sonuç değerlerinden, ÖRNEK 4
80’den büyük kaç tane değer olduğu izleyen formülün işlemtablosunun A16 hücresine yazıl-
masıyla bulunabilir:
=EĞERSAY(A2:A10; “>80”)
Örnekte, ilgili aralıkta 9 değer vardır. Kilo değeri 80’den daha büyük olan hücre sayısı ise
A16 hücresinde 3 olarak görülmektedir. Örneğin görüntüsü Şekil 6.4’te verilmiştir.
Şekil 6.3 Şekil 6.4

Ülkeler Sütunu İçin EĞERSAY İşlevi İşlemi Kilo Sütunu İçin EĞERSAY İşlevi İşlemi
Boşluk Sayma İşlemi

BOŞLUKSAY işlevi, verilen aralıktaki boş hücrelerin sayısını verir. İşlev yazımı
BOŞLUKSAY(aralık) biçimindedir.
B2:B10 aralığında verilen günlük toplu taşıma kullanma sütununda kaç tane boş hücre ol- ÖRNEK 5
duğunu bulmak için izleyen formül işlemtablosunun B15 hücresine yazılabilir:
=BOŞLUKSAY(B2:B10)
Örnekte, günlük toplu taşıma kullanma sütununda ilgili aralıktaki boş hücre sayısı 2, iş-
lemtablosunun B15 hücresinde gösterilmiştir. Örneğin görüntüsü Şekil 6.5’te verilmiştir.
Şekil 6.5
Günlük Toplu
Taşıma Sütunu İçin
BOŞLUKSAY İşlevi
İşlemi
Bir işlemtablosu hücresine yazılan =EĞERSAY(C3:C21;“<25”) işlev yazımında yapılmak is-

1 tenen işlemi açıklayınız.
En Büyük Değer Bulma İşlemi

MAK işlevi, bir veri setindeki en büyük değeri verir. Bu işlev, veri seti içerisinde yer alabi-
lecek muhtemel mantıksal değerleri ve metni yok sayar. Veri setinde sayı yoksa, işlev sıfır
değerini verir. İşlev yazımı MAK(sayı1;sayı2;...) biçimindedir.
ÖRNEK 6 İşlemtablosunun A2:A10 aralığında verilen kilo değişkeni veri sütununda en büyük değerin
kaça eşit olduğunu bulmak için izleyen formül işlemtablosunun A15 hücresine yazılabilir:
=MAK(A2:A10)
A15 hücresine yazılan formül işletildiğinde, A2:A10 aralığındaki en büyük değerin 98 ol-
duğu görülür. Örneğin görüntüsü Şekil 6.6’da verilmiştir.
Şekil 6.6
Kilo Sütunu İçin MAK
İşlevi İşlemi
En Küçük Değer Bulma İşlemi

MİN işlevi, bir veri kümesindeki en küçük değeri verir. Bu işlev, veri seti içerisinde yer
alabilecek muhtemel mantıksal değerleri ve metni yok sayar. Veri setinde sayı yoksa işlev
sıfır değerini verir. İşlev yazımı MİN(sayı1;sayı2;...) biçimindedir.
İşlemtablosunun A2:A10 aralığında verilen kilo değişkeni sonuçları sütununda en küçük ÖRNEK 7
değerin kaça eşit olduğunu bulmak için izleyen formül işlemtablosunun A15 hücresine
yazılabilir:
=MİN(A2:A10)
A15 hücresine yazılan formül işletildiğinde A2:A10 aralığındaki en küçük değerin 57 ol-
duğu görülür. Örneğin görüntüsü Şekil 6.7’de verilmiştir.
Şekil 6.7
Kilo Sütunu İçin MİN
İşlevi İşlemi
İŞLEMTABLOLARIYLA MERKEZÎ EĞİLİM VE DEĞİŞKENLİK

ÖLÇÜLERİ
Derlenen verilerin herkes tarafından daha kolay anlaşılır duruma getirilmesi için tablo
ve grafiklerin oluşturulabileceğinden ünitenin giriş kısmında bahsedilmişti. Verilerin
derlenmesi, tablo ve grafiklerin oluşturulması ve bazı değerlerinin (minimum, maksi-
mum, toplam veri sayısı, vb. gibi) hesaplanması, ilk aşamada verinin genel özelliklerinin
anlaşılabilmesi için çok uygun olmakla birlikte, istatistiksel çıkarsamalar yapılmasına
olanak tanımazlar. Bu nedenle araştırmacılar, üzerinde çalıştıkları değişkenlere ilişkin
tipik bir değer verme eğiliminde olurlar. Bu tipik değer ilgilenilen değişken hakkında çı-
karsamalar yapmak için kullanılır. İstatistikte bu tipik değer ortalama olarak adlandırılır.
Ortalama kavramı günlük hayat içerisinde genellikle herhangi bir değişkeni temsil ettiği
düşünülen ve onun hakkında genel bir fikir edinmeye yardımcı olan değerdir. Örneğin
“Bisküvi üretimi yapan bir fabrikada bir vardiyada üretilen ortalama ürün miktarı 540
kg’dır.” ifadesinde yer alan ortalama kavramı, bisküvi üretimi yapan bir fabrikada bir var-
diyada kg cinsinden üretilen bisküvi miktarının hangi değer etrafında toplandığı hakkın-
da bir fikir verir. Ortalamalar, ilgilenilen veri kümesinin merkezînin nerede olabileceği
konusunda bilgi verdikleri için merkezî eğilim ölçüleri adı altında toplanmaktadırlar.
Aritmetik Ortalama Hesaplama İşlemi

Duyarlı ortalamalardan olan, diğer bir deyişle ilgilenilen değişkenin tüm değerleri dikkate
alınarak hesaplanan merkezî eğilim ölçülerinden aritmetik ortalama, değişkendeki tüm
değerlerin toplamının, toplamı oluşturan gözlem sayısına bölünmesi yoluyla elde edilir.
Bir değişkene ait aritmetik ortalama hesaplamak için işlemtablosunda kullanılacak iş-
lev ORTALAMA(sayı1;sayı2;...) biçimindedir.
Bir otoparkta bulunan arabaların sayısı her saat başı kaydedilmektedir. Buna göre 24 saat ÖRNEK 8
hizmet veren bu otoparkta, belirli bir günde her saat başı sayılan araba sayısı Şekil 6.8’de ve-
rilmiştir. İşlemtablosunun B2:B25 aralığında verilen araba sayısı değişkeni sonuçlarını içeren
sütunun aritmetik ortalamasını hesaplamak için izleyen formül işlemtablosunun B26 hücre-
sine yazılabilir:
=ORTALAMA(B2:B25)
B26 hücresine yazılan formül işletildiğinde işlemtablosunun B2:B25 aralığında verilen

araba sayısı değişkenine ait aritmetik ortalama değerinin 230 araba olduğu görülür.
Şekil 6.8
Araba Sayısı Sütunu
İçin ORTALAMA
İşlevi İşlemi
Belirli bir koşulu sağlayan veya ölçüte uyum sağlayan değerlerin, bir başka deyişle veri
setinin kurala bağlı seçilen bir alt kümesinin, aritmetik ortalaması hesaplanmak istenirse
EĞERORTALAMA(aralık;ölçüt;aralık_ortalaması) işlev yazımı kullanılabilir.
Bir satış firmasının ürettiği 3 farklı ürünün Yaz ve Kış mevsimlerindeki satış miktarları (kg ÖRNEK 9
olarak) Şekil 6.9’daki işlemtablosunda verilmiştir. Bu bilgiler doğrultusunda, Yaz ve Kış mev-
simlerindeki ortalama satış miktarlarını ayrı ayrı hesaplamak amacıyla Kış mevsimi için
işlemtablosunun E14 hücresine izleyen formül yazılabilir.
=EĞERORTALAMA(B2:B13;"Kış";C2:C13)
Aynı ifade Yaz mevsimi için işlemtablosunun E15 hücresinde izleyen biçimde yeniden
düzenlenebilir.
=EĞERORTALAMA(B2:B13;“Yaz”;C2:C13)
Bu işlemler sonucunda Kış mevsimi için ortalama değer 2459,66667 olarak hesaplanır.
Yaz mevsimi için ortalama değer ise 2201,66667 olarak hesaplanır.
Şekil 6.9
Kış ve Yaz
Mevsimi İçin
EĞERORTALAMA
İşlevi İşlemi
Belirli birden çok koşulu sağlayan veya birden çok ölçüte uyum sağlayan değerlerin,
bir başka deyişle veri setinin birden çok koşula veya ölçüte bağlı olarak seçilen bir alt
kümesinin, aritmetik ortalaması hesaplanmak istenirse ÇOKEĞERORTALAMA(aralık_
ortalaması;ölçüt_aralığı;ölçüt;...) işlev yazımı kullanılabilir.
ÖRNEK 10 Bir satış firmasının ürettiği birbirinden farklı A, B ve C ürünlerinin Yaz ve Kış mevsimle-
rindeki satış miktarları (kg olarak) Şekil 6.10’daki işlemtablosunda verilmiştir. Bu bilgiler
doğrultusunda B ürününün Yaz mevsimlerindeki ortalama satış miktarını hesaplamak için
işlemtablosunun E16 hücresine izleyen formül yazılabilir.
=ÇOKEĞERORTALAMA(C2:C13;B2:B13;"Yaz";A2:A13;"B")
İşlem sonucunda E16 hücresinde B ürünü için Yaz satış miktarı ortalaması 2415 kg olarak
elde edilir.
Şekil 6.10
B Ürününün Yaz
Mevsimi İçin
ÇOKEĞERORTALAMA
İşlevi İşlemi
Kırpılmış Ortalama Hesaplama İşlemi

Kırpılmış ortalama küçükten büyüğe veya büyükten küçüğe sıralanmış değişken sonuç
değerlerinin, belirli bir oranda en yüksek ve en düşük değerleri atıldıktan sonra geriye ka-
lan gözlem değerleri için aritmetik ortalama hesaplama işlemidir. Örneğin %40 kırpılmış
ortalama hesaplamak için küçükten büyüğe veya büyükten küçüğe sıralanmış değişken
değerlerinin ilk %20’si ile son %20’sinde yer alan değerler yokmuş gibi düşünülerek, geriye
kalan değerler üzerinden aritmetik ortalama hesaplaması yapılır.
Bir değişkene ait kırpılmış ortalama hesaplamak için işlemtablolarında işlev yazımı
KIRPORTALAMA(dizi;yüzde) biçimindedir.
Örnek 6.10’da verilen işlemtablosundaki satış miktarı değişkenine ilişkin sonuçlar D sütu- ÖRNEK 11
nunda küçükten büyüğe doğru sıralanmış olsun. Küçükten büyüğe doğru sıralanmış satış
miktarı sonuçlarının %50 kırpılmış ortalamasını hesaplamak için işlemtablosunun E15 hüc-
resine izleyen formül yazılabilir.
=KIRPORTALAMA(D2:D13;0,5)
İşlem sonucunda E15 hücresinde satış miktarı değişkeninin %50 kırpılmış ortalaması
1914,5 kg olarak elde edilir. Örneğin görüntüsü Şekil 6.11’de verilmiştir.
Şekil 6.11
Sıralanmış Satış
Miktarı Değişkeni İçin
KIRPORTALAMA
İşlevi İşlemi
Bu işlemle 12 gözlem değerine sahip küçükten büyüğe doğru sıralanmış satış miktarı
değişkeninin ilk %25’lik kısmı (ilk 3 gözlem değeri) ve son %25’lik kısmı (son 3 gözlem
değeri) göz ardı edilerek kalan değerler üzerinden kırpılmış ortalama hesaplanmış olur.
Geometrik Ortalama Hesaplama İşlemi

Geometrik ortalama, ilgilenilen değişkenin oran, indeks, yüzde ya da artış oranı olarak
ölçüldüğü durumlarda değişkenin ortalamasını hesaplamak için kullanılır. Duyarlı orta-
lamalar arasında yer alır. Değişken değerlerinin pozitif ve sıfırdan farklı olması gereklidir.
İşlemtablosunda geometrik ortalama hesaplamak için işlev yazımı GEOORT(sayı1;sayı2;...)
biçimindedir.
ÖRNEK 12 Bir şirketin 5 yıl boyunca yaptığı yatırımın getiri miktarlarının yüzde olarak verildiği işlem-
tablosu Şekil 6.12’de verilmiştir. 5 yıl boyunca yapılan yatırımın yıllık ortalama getirisini
hesaplamak için işlemtablosunun A8 hücresine izleyen işlev yazılır.
=GEOORT(A2:A6)
Örneğin görüntüsü Şekil 6.12’de verilmiştir.

Şekil 6.12
GEOORT İşlevi İşlemi
Şirketin 5 yıl boyunca yaptığı yatırımın yıllık ortalama getirisi A8 hücresinde %4,834 ola-
rak hesaplanmıştır.
Harmonik Ortalama Hesaplama İşlemi

Hesaplanmasında değişkendeki tüm değerlerinin kullanıldığı harmonik ortalama; hız, ve-
rim, üretkenlik gibi oranlara dayalı olan nicelikler için hesaplanır. Değişken değerlerinin
pozitif ve sıfırdan farklı olması gereklidir.
İşlemtablosunda harmonik ortalama hesaplamak için işlev yazımı HARORT(sayı1;sayı2;...)
biçimindedir.
AB şehrinden XY şehrine giderken 95 km/saat hızla, XY şehrinden AB şehrine dönerken 75 ÖRNEK 13

km/saat hızla gidilmişse ortalama hızı harmonik ortalama ile hesaplamak için izleyen işlev
işlemtablosunun A5 hücresine yazılır.
=HARORT(A2:A3)
Örneğin görüntüsü Şekil 6.13’te verilmiştir.

Şekil 6.13
HARORT İşlevi İşlemi
Ortalama hız harmonik ortalama ile A5 hücresinde 83,82 km/saat olarak hesaplanmıştır.
Medyan (Ortanca) Hesaplama İşlemi

Aritmetik ortalama bir değişkenin değerlerini özetlemek için kullanışlı olmasına rağmen
değişkende bulunan çok büyük veya çok küçük değerlerden etkilenir. Çok büyük değer
değişkenin aritmetik ortalamasını arttıracak, çok küçük değer ise değişkenin aritmetik or-
talamasını azaltacaktır. Bu tür durumlarda hesaplanan aritmetik ortalama ilgili değişken
için temsili olmayacaktır. Medyan, değişkende bulunan çok büyük veya çok küçük değer-
lerden etkilenmeyeceğinden tercih edilmesi gereken ortalama olmalıdır. Bir değişkenin
medyan değeri hesaplanırken, o değişkenin tüm değerleri hesaplamaya dahil edilmez.
Medyan, değişkene ilişkin sıralanmış değerlerin tam ortasında yer alan sonuç değerini
(orta değeri) verir. Orta değer, değişken değerleri sayısı tek ise küçükten büyüğe doğru
sıralanmış değişken değerlerinin tam ortadaki değerine eşit olacaktır. Eğer çiftse ortadaki
iki değerin aritmetik ortalaması olacaktır. Bu özelliği nedeniyle medyan duyarlı olmayan
ortalamalar grubunda yer alır. Medyana ortanca da denilmektedir.
İşlemtablolarında medyan hesaplamak için işlev yazımı ORTANCA(sayı1;sayı2;...) bi-
çimindedir.
ÖRNEK 14 İşlemtablosunun A2:A10 hücrelerinde verilen A Değişkeni sonuç değerlerinin medyanı,

izleyen işlev işlemtablosunun A12 hücresine yazılarak hesaplanır. Şekil 6.14’te işlemtablo-
sunun görüntüsü verilmiştir.
=ORTANCA(A2:A10)
Şekil 6.14
ORTANCA İşlevi
İşlemi
Bu işlem sonucunda A12 hücresinde medyan değeri 15 olarak elde edilir.
Mod Hesaplama İşlemi

Bir değişkende en çok tekrarlanan gözlem değerine mod denir. Hesaplanması en kolay
ortalama türüdür. Hesaplanmasında değişkene ilişkin tüm gözlem değerlerinden yararla-
nılmadığı için duyarlı olmayan ortalamalar arasında yer alır.
Işlemtablosunda mod hesaplamak için işlev yazımı ENÇOK_OLAN.ÇOK(sayı1;sayı2;...)
biçimindedir.
ÖRNEK 15 İşlemtablosunun A2:A20 hücrelerinde verilen tornadan çıkan parça uzunlukları (cm olarak)
değişkeni mod değerini hesaplamak için izleyen işlev işlemtablosunun A22 hücresine yazıla-
rak hesaplanır. Şekil 6.15’de işlemtablosu görüntüsü verilmiştir.
= ENÇOK_OLAN.ÇOK(A2:A20)
Bu işlem sonucunda A22 hücresinde mod değeri 5,8 cm olarak elde edilir.
Şekil 6.15
ENÇOK_OLAN.ÇOK
İşlevi İşlemi
Bir şirkete ait çalışanların çeşitli bilgilerinin yer aldığı bir işlemtablosunda D2 ile D3350
hücreleri arasında çalışanların aldıkları ücretler, C2 ile C3350 hücreleri arasında ise yaş- 2
larına ilişkin değerler bulunmaktadır. İzleyen işlev yazımıyla ne yapılmak istendiğini
açıklayınız.
=EĞERORTALAMA(C2:C3350;"=<40";D2:D3350)
Varyans ve Standart Sapma Hesaplama İşlemi

Aritmetik ortalama yardımıyla hesaplanan varyans ve standart sapma en sık kullanılan de-
ğişkenlik ölçüleridir. Terimlerin aritmetik ortalamadan olan karesel farklarının ortalaması
alınarak varyans elde edilir. Varyans, değişkenin ölçüm birimini karesel olarak ifade eder-
ken, standart sapma bu problemi ortadan kaldırarak, değerin orijinal ölçüm birimi cinsin-
den ifade edilmesine olanak verir. Varyansın karekökü alınarak standart sapma elde edilir.
Bir değişkendeki gözlem değerlerinin birbirine yakınlığı standart sapma ile ifade edi-
lir. Genel olarak değişkendeki gözlem değerleri hesaplanan aritmetik ortalamaya yakın
değerlerden oluşuyorsa standart sapma değeri küçük, uzak değerlerden oluşuyorsa stan-
dart sapma değeri büyük olur.
Bir değişkene ilişkin varyansı hesaplamak için işlemtablolarındaki işlev yazımı iki
farklı şekilde gerçekleşir. VAR.P(sayı1;sayı2;...) işlevi ana kütleye ilişkin varyansı hesap-
larken, VAR.S(sayı1;sayı2;...) işlevi örnekleme ilişkin varyansı hesaplar.
ÖRNEK 16 İşlemtablosunun A2:A20 hücrelerinde verilen tornadan çıkan parça uzunlukları (cm olarak)
değişkenine ilişkin varyans, değişkenin ana kütle olduğu varsayımı ile hesaplanırsa, işlem-
tablosunun B22 hücresine izleyen işlev yazılır.
=VAR.P(A2:A20)
Bu işlem sonucunda işlemtablosunun B22 hücresinde 0,47 değeri hesaplanmış olur.

İşlemtablosunun A2:A20 hücrelerinde verilen tornadan çıkan parça uzunlukları (cm ola-
rak) değişkenine ilişkin varyans, değişkenin örneklem olduğu varsayımı ile hesaplanırsa,
işlemtablosunun B23 hücresine izleyen işlev yazılarak elde edilir.
=VAR.S(A2:A20)
Bu işlem sonucunda işlemtablosunun B23 hücresinde 0,50 değeri hesaplanmış olur. Bu

işlemler Şekil 6.16’da verilmiştir.
Şekil 6.16
VAR.P ve VAR.S
İşlevleri İşlemi
Bir değişkene ilişkin standart sapmayı hesaplamak için işlemtablolarındaki işlev ya-
zımı iki farklı şekilde gerçekleşir. STDSAPMA.P(sayı1;sayı2;...) işlevi ana kütleye ilişkin
varyansı hesaplarken, STDSAPMA.S(sayı1;sayı2;...) işlevi örnekleme ilişkin varyansı
hesaplar.
İşlemtablosunun C2:C13 hücrelerinde verilen satış miktarı (kg) değişkenine ilişkin standart ÖRNEK 17
sapma, değişkenin ana kütle olduğu varsayımı ile hesaplanırsa işlemtablosunun D15 hücre-
sine izleyen işlev yazılır.
=STDSAPMA.P(C2:C13)
Bu işlem sonucunda işlemtablosunun D15 hücresinde 1978,73 değeri hesaplanmış olur.

İşlemtablosunun C2:C13 hücrelerinde verilen tornadan çıkan parça uzunlukları (cm ola-
rak) değişkenine ilişkin varyans, değişkenin örneklem olduğu varsayımı ile hesaplanırsa
işlemtablosunun D16 hücresine izleyen işlev yazılır.
= STDSAPMA.S(C2:C13)
Bu işlem sonucunda işlemtablosunun D16 hücresinde 2066,72 değeri hesaplanmış olur.

Bu işlemler Şekil 6.17’de verilmiştir.
Şekil 6.17
STDSAPMA.P
ve STDSAPMA.S
İşlevleri İşlemi
İŞLEMTABLOLARIYLA OLASILIK VE BAZI OLASILIK

DAĞILIMLARI
Merkezî eğilim ölçüleri ve değişkenlik ölçüleri tanımlayıcı istatistik altında geçmişte ger-
çekleşen olaylardan derlenen verilerin özetlenmesi ile ilgilidir. İstatistiksel çıkarım deni-
len, bir durumun ortaya çıkma veya gerçekleşme şansının hesaplanmasında ise olasılık
kuramından yararlanılır.
Ünitenin izleyen kesiminde, istatistiksel çıkarımda kullanılan olasılık kavramları ve
bazı olasılık dağılımlarının işlemtablolarında nasıl elde edilebileceği üzerinde durulacaktır.
Faktöriyel, Permütasyon ve Kombinasyon Hesaplama İşlemi

Faktöriyel, permütasyon ve kombinasyon hesaplamalarına geçmeden önce saymanın te-
mel prensibinden bahsetmek gerekir. İstatistiğin birçok alanında verilen bir durum için
olası bütün seçenekleri ortaya koymak ya da en azından kaç tane farklı seçenek bulundu-
ğunu belirtmek gerekir. Kaç tane farklı seçeneğin bulunduğuna ilişkin olarak saymanın
temel prensibi olarak bilinen teorem kullanılır. Bu prensibe göre, eğer bir süreç birincisi
n1 farklı yolla, ikincisi n2 farklı yolla gerçekleşmek üzere iki adımdan oluşuyorsa sürecin
tamamı n1 x n2 farklı yolla gerçekleşir.
n pozitif tam sayısından küçük ve eşit bütün pozitif tamsayıların çarpımı n faktöriyel
olarak adlandırılır ve bu ifade “n!” ile gösterilir. Özel olarak; 0!=1 ve 1!=1’dir.
İşlemtablolarında faktöriyel hesaplamak için ÇARPINIM(sayı) işlev yazımı kullanılır.
ÖRNEK 18 8 faktöriyel (8!=1×2×3×4×5×6×7×8) işleminin sonucunu işlemtablosunda hesaplamak için

izleyen işlev işlemtablosunun A1 hücresine yazılırsa 40320 sonucuna ulaşılır.
=ÇARPINIM(8)
Bu işlem Şekil 6.18’de verilmiştir.
Şekil 6.18
ÇARPINIM İşlevi
İşlemi
Bazı durumlarda belli bir düzende sıralanmış nesnelerden oluşan bir toplulukta so-
nuçların kaç farklı biçimde ortaya çıktığıyla ilgilenilir. Örneğin, beş farklı bardağın bir
rafa kaç farklı şekilde dizilebileceği hesaplanmak istenebilir. Bu örnekte olduğu gibi ya-
pılabilecek her bir farklı düzenleme bir permütasyon olarak adlandırılır. Tanım vermek
gerekirse Permütasyon, n sayıda elemandan oluşan bir kümenin herhangi bir alt küme-
sinden yapılan her farklı sıralamadır. Permütasyonda, sıralanan nesnelerin dizildiği sıraya
dikkat edilmesi gerekir.
İşlemtablolarında permütasyon hesaplamak için PERMÜTASYON(sayı;sayı_seçilen)
işlev yazımı kullanılır.
ÖRNEK 19 İSTANBUL kelimesinin harflerinden üçer harfli anlamlı ya da anlamsız kaç kelime
oluşturulabilir
İSTANBUL kelimesi 8 harften oluşur. Bu 8 harften 3 harfli oluşturulabilecek kelime sayısı

işlemtablolarında izleyen işlevin işlemtablosunun A1 hücresine yazılması gerekir.
=PERMÜTASYON(8;3)
Bu işlem sonucunda işlemtablosunun A1 hücresinde 336 sonucu görülecektir.

Şekil 6.19
PERMÜTASYON
İşlevi İşlemi
n sayıda nesne arasından r adet nesnenin diziliş sırası dikkate alınmadan kaç farklı
biçimde seçilebileceğinin belirlenmesine ilişkin problemler ile karşılaşılabilir. Bu durum-
da yapılabilecek düzenleme sayısı kombinasyon yardımı ile bulunur. Buna göre, n sayıda
nesneden herhangi r tanesi (r ≤ n) rastgele seçilir ve bu r eleman herhangi bir sırada
yazılırsa, buna r-dereceli kombinasyon denilir. Kombinasyon ile permütasyon arasındaki
fark, nesnelerin diziliş sıralaması permütasyonda önemli iken, kombinasyonda önemli
olmamasıdır.
İşlemtablosunda kombinasyon hesaplamak için KOMBİNASYON(sayı;sayı_seçilen)
işlev yazımı kullanılır.
3 kadın ve 6 erkek yönetici arasından 5 kişilik bir kurul oluşturulacaktır. Bu kurulun, 2 ka- ÖRNEK 20
dın ve 3 erkek yöneticiden oluşması gerekmektedir. Buna göre, kaç farklı seçim yapılabilir?
Kurula girecek, 2 kadın yönetici için 3’ün 2’lisi (3C2) farklı seçim, 3 erkek yönetici için ise
6’nın 3’lüsü (6C3) farklı seçim yapılabilir. Buna göre 5 kişilik farklı kurul sayısı, saymanın
temel prensibi de dikkate alınarak; (3C2)(6C3)=60 olarak elde edilir.
Bu sonuca işlemtablolarında A1 hücresine izleyen işlev,
=KOMBİNASYON(3;2)
A2 hücresine izleyen işlev,
=KOMBİNASYON(6;3)
ve son olarak A3 hücresine izleyen işlev yazılarak ulaşılabilir.
=A1*A2
SERAMİK kelimesinin harflerinden 2’şer harfli anlamlı ya da anlamsız kaç kelime oluşturu-
lacağını bulmak için hangi işlev yazımı kullanılır? 3
Binom Dağılımına İlişkin Hesaplama İşlemi
İşlemtablolarında Binom dağılımına ilişkin hesaplamaya geçmeden önce, dağılımla ilgili
hatırlatma yapmak faydalı olacaktır. İstatistik ve olasılıkta deneme sayısının sabit olduğu,
her denemede istenen olayın gerçekleşme olasılığının değişmediği ve tüm denemelerin
birbirinden bağımsız yapıldığı tekrarlı denemeler çok önemli bir yer tutar. Tüm dene-
melerin aynı koşullarda tekrarlandığı ve her tekrarda birbirinden bağımsız iki olaydan
birinin meydana geldiği denemeler Binom dağılımı ile ilgilidir. Binom dağılımı değerleri
sayma yoluyla elde edilen ve sonuçları başarılı-başarısız, var-yok, ölü-sağ, pozitif-negatif
gibi ikili biçimde değer alan nitel değişkenlere ilişkin bir dağılımdır.
Bir denemenin “başarılı” ve “başarısız” gibi olası iki sonucu bulunduğunu ve bu so-
nuçların ortaya çıkma olasılıklarının sırasıyla p ve 1 – p = q olduğu hilesiz bir bozuk para
atılması denemesinde ilgilenilen özellik paranın yazı gelmesi olsun. Bu durumda p=0,5
ve q=0,5 sonuç olarak p+q=1 olacaktır. Deneme birden çok, yani n kez tekrarlanırsa bu
deneme Binom denemesi olur.
Binom denemesi izleyen özellikleri gösterir:
• Yapılacak n adet deneme, daima aynı koşullarda tekrarlanmalıdır.
• Yapılacak her denemenin sonunda var olan iki sonuçtan birisi ortaya çıkmalıdır.
Bu sonuçlardan birisi ilgilenilen durum, diğeri ise bunun tümleyeni olan ilgilenil-
meyen durumdur.
• Tek bir denemede ilgilenilen durumun ortaya çıkma olasılığı p ve bunun tersi du-
rumunun olasılığı q tüm denemelerde aynı kalmalıdır.
• Denemeler birbirinden bağımsız yapılmalıdır. Bir denemenin sonucu, diğer bir de-
nemenin sonucunu etkilememelidir.
• X kesikli rassal değişkeni, n bağımsız denemede gözlenen istenen durum sayısını
belirtir.
Yukarıda belirtilen koşullarda, n denemede x adet istenen durum ortaya çıkması ola-
sılığını hesaplayabilmek için Binom dağılımının olasılık fonksiyonu kullanılır. Buna göre,
bir X rassal değişkeni Binom dağılımına sahip ise, bu değişken için olasılık fonksiyonu;
p(x) = n C x p x q n-x , x = 0,1,2,...n

=0 , diğer x değerleri için
olarak verilir. Burada;
n: Deneme sayısı,
p: Tek bir denemede istenen durumun ortaya çıkma olasılığı,
q=1-p: Tek bir denemede istenmeyen durumun ortaya çıkma olasılığı,
x: n denemede istenen durumun görülme sayısıdır.
İşlemtablolarında Binom dağılımına ilişkin hesaplama BİNOM.DAĞ(başarı_
sayısı;denemeler;başarı_olasılığı;kümülatif) işlev yazımı ile yapılabilir. BİNOM.DAĞ sa-
bit test veya deneme sayısı olan problemlerde denemelerin sonucu yalnızca başarılı veya
başarısızsa, denemeler bağımsızsa ve başarı olasılığı deney boyunca sabitse kullanılır. Ör-
neğin doğacak ilk üç çocuktan ikisinin erkek olma olasılığı BİNOM.DAĞ ile hesaplanabilir.
İşlev yazımındaki parametreler izleyen biçimde açıklanır:
Başarı_sayısı: Denemelerdeki başarı sayısıdır, gereklidir.
Denemeler: Bağımsız deneme sayısıdır, gereklidir.
Başarı_olasılığı: Her denemedeki başarı olasılığıdır, gereklidir.
Kümülatif: İşlevin biçimini belirleyen mantıksal değerdir, gereklidir. Kümülatif DOĞ-
RU ise BİNOM.DAĞ, en çok başarı_sayısı başarı olasılığı olan kümülatif olasılık fonksi-
yonu üzerinden hesaplama yapar, YANLIŞ ise, başarı_sayısı başarı olasılığı olan yukarıda
verilen olasılık fonksiyonu üzerinden hesaplama yapar.
ÖRNEK 21 İnceleme sonucunda eczane sahibi eczaneye gelen her 5 reçeteden 1’inin Bağ-Kur reçetesi
olduğunu tespit etmiştir. Buna göre ertesi gün gelecek ilk 3 reçetenin Bağ-Kur reçetesi olması
olasılığı nedir?
Örnekte verilen bilgilere göre denemelerdeki başarı sayısı 3, bağımsız denemelerin sa-
yısı 3 ve her denemenin başarı olasılığı diğer bir deyişle her 5 reçeteden 1’i Bağ-Kur re-
çetesi olması 0,2’dir. Bu bilgiler Şekil 6.20’deki işlemtablosuna aktarıldığında ve izleyen
işlev yazımı işlemtablosunun C2 hücresine yazıldığında, işlemtablosunun C2 hücresin-
de 0,008 sonucuna ulaşılacaktır.
=BİNOM.DAĞ(A2;A3;A4;YANLIŞ)
Hesaplama olasılık fonksiyonu ile yapılacağı için kümülatif işlevi YANLIŞ olarak belir-
tilmiştir.
Şekil 6.20
BİNOM.DAĞ İşlevi
İşlemi
Bir üretim bandından çıkan her bir bisküvi paketinin kusursuz olması olasılığı %83 olduğu ÖRNEK 22
bilinmektedir. Bu üretim bandından arka arkaya 1500 bisküvi paketi alınmıştır. 1150 biskü-
vi paketinin kusursuz olması olasılığı nedir?
Bu örneği işlemtablosunda çözebilmek için BİNOM.DAĞ.ARALIK

(denemeler;başarı_olasılığı;başarı_sayısı;başarı_sayısı2) işlev yazımından yararlanılır.
Denemeler: Bağımsız deneme sayısıdır, gereklidir. 0’a eşit veya daha büyük olmalıdır.
Başarı_olasılığı: Her bir denemedeki başarı olasılığıdır, gereklidir. 0’a eşit veya daha
büyük ve 1’e eşit veya daha küçük olmalıdır.
Başarı_sayısı: Denemelerdeki başarı sayısıdır, gereklidir. 0’a eşit veya daha büyük ve
Denemeler’e eşit veya daha küçük olmalıdır.
Başarı_sayısı2: Sağlanırsa, başarılı deneme sayısının başarı_sayısı ile başarı_sayısı2
arasına düşme olasılığını verir, isteğe bağlıdır. Başarı_sayısı’na eşit veya daha büyük ve
Denemeler’e eşit veya daha küçük olmalıdır.
Örnekte verilen bilgilere göre denemelerdeki deneme sayısı 1500, başarı olasılığı 0,83 ve
başarı sayısı 1150’dir. Bu bilgiler Şekil 6.21’deki işlemtablosuna aktarıldığında ve izleyen
işlev yazımı işlemtablosunun C2 hücresine yazıldığında, işlemtablosunun C2 hücresinde
0,00787 sonucuna ulaşılır.
=BİNOM.DAĞ.ARALIK(A2;A3;A4)
Şekil 6.21
BİNOM.DAĞ.
ARALIK İşlevi İşlemi
Normal Dağılıma İlişkin Hesaplama İşlemi

İşlemtablolarında Binom dağılımına ilişkin hesaplamaya geçmeden önce dağılımla ilgili
hatırlatma yapmak faydalı olacaktır.
İstatistik teorisinde kullanılan temel olasılık dağılımlarından tartışmasız en önemli
dağılımlardan biri olan Normal dağılım günlük hayatta en çok karşılaşılan istatistiksel
dağılımdır. Normal dağılım gösteren bir değişken, izleyen özelliklere sahiptir.
• Dağılımın grafiği çan eğrisi şeklinde ve ana kütle aritmetik ortalaması parametre-
sine göre simetrik bir görünümdedir.
• Eğri –∞ ile +∞ arasında süreklilik gösterir (Eğrinin iki ucu X ekseni ile sonsuzda
kesişir).
• Eğrinin altında kalan alan 1’e eşittir.
• Normal dağılım, nicel değişkenlerin dağılım biçimidir. Dolayısıyla bu değişkenler
süreklidirler. Veriler, ölçme ve tartma yoluyla elde edilir.
• Aritmetik ortalaması ve standart sapması belli bir normal dağılımda ana kütle arit-
metik ortalaması ve ana kütle standart sapması değerleri arasında değişmez iliş-
kiler vardır. Bu ilişkiler yardımıyla aritmetik ortalamadan ne kadar uzaklaşılırsa,
hangi büyüklükte bir alan elde edileceği bilinebilir.
Şekil 6.22’de Normal dağılım grafiği verilmiştir.
Şekil 6.22
Normal Dağılım f(x)
Grafiği
x
Mod
Medyan
Matematiksel olarak X sürekli rassal değişkeninin olasılık yoğunluk fonksiyonu izle-

yen gibi yazılır.
2
1⎛⎜ x–µ ⎞⎟
1 – ⎜ ⎟
f(x) = e 2⎜⎝ σ ⎟⎠ , –∞ < x < ∞
σ 2π
Bu fonksiyonda, x; sürekli değişkenin aldığı değerdir. μ parametresi; ana kütle aritme-
tik ortalamasını, σ parametresi ise, ana kütle standart sapmasını belirtir. e; doğal logaritma
tabanı ve π; pi sayısını ifade eder.
İşlemtablolarında Normal dağılıma ilişkin hesaplama NORM.DAĞ(x;ortalama;standart_
sapma;kümülatif) işlev yazımı ile yapılabilir. İşlev yazımındaki parametreler izleyen biçimde
açıklanır:
x: Dağılımı bulunmak istenen değer, gereklidir.
Ortalama: Dağılımın aritmetik ortalaması, gereklidir.
Standart_sapma: Dağılımın standart sapması, gereklidir.
Kümülatif: İşlevin biçimini belirleyen mantıksal değerdir, gereklidir. Kümülatif
DOĞRU’ysa NORM.DAĞ işlevi kümülatif dağılım işlevini verir; YANLIŞ’sa olasılık kütle
işlevini verir.
NORM.DAĞ ile anakütle aritmetik ortalaması, standart sapması bilinen ve Normal
dağıldığı bilinen bir değişken için verilen bir x değerine karşılık yukarıdaki f(x) değeri
hesaplanır.
Normal dağıldığı bilinen bir değişkenin aritmetik ortalaması 150, standart sapması 17 ola- ÖRNEK 23
rak verilmiştir. x=142 değerine karşılık gelen f(x) değeri kaçtır?
Örnekte verilen değerlerden fonksiyon değeri bulunmak istenen 142 değeri işlemtablosu-
nun A2, değişkenin aritmetik ortalaması 150 işlemtablosunun A3 ve değişkenin standart
sapması 17 işlemtablosunun A4 hücrelerine girilirse, işlemtablosunun C2 hücresine iz-
leyen işlev yazımı yazıldığında 0,0210 değerine işlemtablosunun C2 hücresinde ulaşılır.
=NORM.DAĞ(A2;A3;A4;YANLIŞ)
Şekil 6.23’te bu işleme ilişkin bilgi verilmiştir.

Şekil 6.23
NORM.DAĞ İşlev
İşlemi
Normal dağılım fonksiyon değeri bulunmak istenen 14 değeri C2, değişkenin aritmetik or-
talaması 15 C3 ve değişkenin standart sapması 1,37 C4 hücrelerine girilirse, E2 hücresine 4
hangi işlev yazımı yazılması gerekir?
Özet
Veriyi işlemtablolarıyla özetlemek. n pozitif tam sayısından küçük ve eşit bütün pozitif
1
Merkezî eğilim ölçüleri ve değişkenlik ölçüleri verile- tam sayıların çarpımı, n faktöriyel olarak adlandırı-
ri özetlemenin en iyi yollarından olmalarına rağmen lır ve bu ifade “n!” ile gösterilir. Özel olarak; 0!=1 ve
veriyi ilk bakışta özetleyebilecek ve hakkında bir fikir 1!=1’dir.
verebilecek türden istatistiklere de ihtiyaç duyulur. Bu Bazı durumlarda belli bir düzende sıralanmış nes-
istatistikler, veri setinde kaç adet gözlem değeri oldu- nelerden oluşan bir toplulukta sonuçların kaç farklı
ğu, veri setinin maksimum gözlem değeri, minimum biçimde ortaya çıktığıyla ilgilenilir. Permütasyon, n
gözlem değeri gibi değerleridir. Hesaplama gerektir- sayıda elemandan oluşan bir kümenin herhangi bir
mezler, sayma ya da gözlem yoluyla elde edilebilirler. alt kümesinden yapılan her farklı sıralamadır.
Işlemtablolarında veriyi özetleyecek işlev yazılımları n sayıda nesneden herhangi r tanesi (r ≤ n) rastgele
olarak SAY, EĞERSAY, BOŞLUKSAY, MAK, MİN iş- seçilir ve bu r eleman herhangi bir sırada yazılırsa,
levleri üzerinde durulmuştur. buna r-dereceli kombinasyon denilir. Kombinasyon
ile permütasyon arasındaki fark, nesnelerin diziliş sı-
Değişkenlerin merkezî eğilim ölçülerini ve değişkenliğini ralaması permütasyonda önemli iken, kombinasyon-
2 hesaplamak. da önemli olmamasıdır.
Verilerin derlenmesi, grafiklerinin oluşturulması ve
bazı değerlerinin (minimum, maksimum, toplam veri Değişkenin olasılık dağılımını incelemek.
4
sayısı, vb. gibi) hesaplanması ilk aşamada verinin genel Binom dağılımı değerleri sayma yoluyla elde edilen ve
özelliklerinin anlaşılabilmesi için çok uygun olmakla sonuçları başarılı-başarısız, var-yok, ölü-sağ, pozitif-
birlikte istatistiksel çıkarsamalar yapılmasına olanak ta- negatif gibi ikili biçimde değer alan nitel değişkenlere
nımazlar. Bu nedenle araştırmacılar üzerinde çalıştıkları ilişkin bir dağılımdır.
değişkenlere ilişkin tipik bir değer verme eğiliminde Normal dağılım günlük hayatta en çok karşılaşılan
olurlar. Bu tipik değer ilgilenilen değişken hakkında istatistiksel dağılımdır. Normal dağılım gösteren bir
çıkarsamalar yapmak için kullanılır. İstatistikte bu tipik değişken izleyen özelliklere sahiptir.
değer ortalama olarak adlandırılır. • Dağılımın grafiği çan eğrisi şeklinde ve ana kütle arit-
Aritmetik ortalama yardımıyla hesaplanan varyans ve metik ortalaması parametresine göre simetrik bir gö-
standart sapma en sık kullanılan değişkenlik ölçüle- rünümdedir.
ridir. Terimlerin aritmetik ortalamadan olan karesel • Eğri –∞ ile +∞ arasında süreklilik gösterir.
farklarının ortalaması alınarak varyans elde edilir. • Eğrinin altında kalan alan 1’e eşittir.
Varyansın karekökü alınarak standart sapma elde edilir. • Normal dağılım, nicel değişkenlerin dağılım biçimi-
Bir değişkendeki gözlem değerlerinin birbirine yakın- dir. Dolayısıyla bu değişkenler süreklidirler.
lığı standart sapma ile ifade edilir. Genel olarak değiş- Aritmetik ortalaması ve standart sapması belli bir
kendeki gözlem değerleri hesaplanan aritmetik orta- normal dağılımda ana kütle aritmetik ortalaması ve
lamaya yakın değerlerden oluşuyorsa standart sapma ana kütle standart sapması değerleri arasında değiş-
değeri küçük, uzak değerlerden oluşuyorsa standart mez ilişkiler vardır. Bu ilişki yardımıyla aritmetik or-
sapma değeri büyük olur. talamadan ne kadar uzaklaşılırsa, hangi büyüklükte
bir alan elde edileceği bilinebilir.
Olasılıkta sayma kurallarını hesaplamak.
3
İstatistiğin birçok alanında verilen bir durum için ola-
sı bütün seçenekleri ortaya koymak ya da en azından
kaç tane farklı seçenek bulunduğunu belirtmek ge-
rekir. Kaç tane farklı seçeneğin bulunduğuna ilişkin
olarak saymanın temel prensibi olarak bilinen teorem
kullanılır. Bu prensibe göre, eğer bir süreç birincisi n1
farklı yolla, ikincisi n2 farklı yolla gerçekleşmek üzere
iki adımdan oluşuyorsa sürecin tamamı n1 x n2 farklı
yolla gerçekleşir.
1. Bir sayı dizisinde yer alan ve sayı içeren hücre sayısını 6. Bir değişkende en çok tekrarlanan gözlem değerini bul-
veren işlev yazılımı aşağıdakilerden hangisidir? mak için kullanılan işlev aşağıdakilerden hangisidir?
a. BOŞLUKSAY a. EĞERORTALAMA
b. SAY b. KIRPORTALAMA
c. ORTALAMA c. ORTANCA
d. MİN d. ORTALAMA
e. MAK e. ENÇOK_OLAN.ÇOK
2. Verilen bir koşula uygunluk gösteren aralık içindeki hüc- 7. Aşağıdakilerden hangisi 10 faktöriyel (10!=1x2x3x4x5x
re sayısını hesaplamayı sağlayan işlev yazımı aşağıdakilerden 6x7x8x9x10) işleminin sonucunu işlemtablolarında hesapla-
hangisidir? mak için kullanılır?
a. SAY a. =PERMÜTASYON(10)
b. BOŞLUKSAY b. =ÇARPINIM(10)
c. EĞERSAY c. =KOMBİNASYON (10)
d. MAK d. =ÇARPINIM(10;1)
e. MİN e. =ÇARPINIM(10;10)
3. Bir veri kümesindeki en büyük değerin verildiği işlev ya- 8. Aşağıdakilerden hangisi 5 rakamdan 2 basamaklı kaç
zımı aşağıdakilerden hangisidir? farklı sayı oluşturulduğunu hesaplamak için kullanlılır?
a. MAK a. =PERMÜTASYON(5;2)
b. MİN b. =PERMÜTASYON(2;5)
c. EĞERORTALAMA c. =KOMBİNASYON(5;2)
d. EĞERMAK d. =ÇARPINIM(5;2)
e. ORTALAMA e. =ÇARPINIM(5)
4. Verilen belirli birden çok koşul ve ölçüte uyum sağlayan 9. Aşağıdakilerden hangisi BİNOM.DAĞ işlev yazımına
değerlerin aritmetik ortalamasını hesaplanmak için kullanı- ilişkin işlevlerden biri değildir?
lan işlev yazılımı aşağıdakilerden hangisidir? a. Başarı_sayısı
a. EĞERORTALAMA b. Başarı_olasılığı
b. ORTALAMA c. Denemeler
c. KIRPORTALAMA d. Kümülatif
d. ÇOKEĞERORTALAMA e. Başarısızlık_sayısı
e. ORTANCA
10. Aşağıdakilerden hangisi NORM.DAĞ işlev yazımına iliş-
5. Küçükten büyüğe veya büyükten küçüğe sıralanmış de- kin işlevlerden biri değildir?
ğişken değerlerinin belirli bir oranda en yüksek ve düşük a. x
değerleri atıldıktan sonra geriye kalan gözlem değerleri için b. Ortalama
yapılan hesaplama işlemine ne ad verilir? c. Varyans
a. Aritmetik ortalama d. Standart_sapma
b. Kırpılmış ortalama e. Kümülatif
c. Mod
d. Medyan
e. Geometrik ortalama
Kendimizi Sınayalım Yanıt Anahtarı Sıra Sizde Yanıt Anahtarı

1. b Yanıtınız yanlış ise “İşlemtablolarıyla Verinin Özet- Sıra Sizde 1
lenmesi” konusunu yeniden gözden geçiriniz. =EĞERSAY(C3:C21;”<25”) işlev yazımı ile C3 ile C21 hüc-
2. c Yanıtınız yanlış ise “İşlemtablolarıyla Verinin Özet- releri arasında yer alan bir değişkene ilişkin değerlerden kaç
lenmesi” konusunu yeniden gözden geçiriniz. tanesinin 25 değerinden küçük olduğu bulunabilir.
3. a Yanıtınız yanlış ise “İşlemtablolarıyla Verinin Özet-
lenmesi” konusunu yeniden gözden geçiriniz. Sıra Sizde 2
4. d Yanıtınız yanlış ise “İşlemtablolarıyla Merkezî Eği- =EĞERORTALAMA(C2:C3350;"=<40";D2:D3350) işlev
lim ve Değişkenlik Ölçüleri” konusunu yeniden göz- yazımıyla çalışanlardan yaşları 40 ve daha küçük olanların
den geçiriniz. aldıkları ücretlerin ortalaması hesaplanmak istenmektedir.
5. b Yanıtınız yanlış ise “İşlemtablolarıyla Merkezî Eği-
lim ve Değişkenlik Ölçüleri” konusunu yeniden göz- Sıra Sizde 3
den geçiriniz. =PERMÜTASYON(7;2) işlev yazımı kullanılmalıdır.
6. e Yanıtınız yanlış ise “İşlemtablolarıyla Merkezî Eği-
lim ve Değişkenlik Ölçüleri” konusunu yeniden göz- Sıra Sizde 4
den geçiriniz. =NORM.DAĞ(C2;C3;C4;YANLIŞ)
7. b Yanıtınız yanlış ise “İşlemtablolarıyla Olasılık ve
Bazı Olasılık Dağılımları” konusunu yeniden göz-
den geçiriniz.
8. a Yanıtınız yanlış ise “İşlemtablolarıyla Olasılık ve
den geçiriniz.
9. e Yanıtınız yanlış ise “İşlemtablolarıyla Olasılık ve
den geçiriniz.
10. c Yanıtınız yanlış ise “İşlemtablolarıyla Olasılık ve
den geçiriniz.
Kaynaklar
Er, F. (2003). Açıklayıcı Veri Analizi, Kaan Kitabevi,
Eskişehir.
Grimmett, G.R., Stirzaker, D.R. (2001). Probability and
Random Processes, Oxford University Press.
Ott, L. (1988). An Introduction To Statistical Methods And
Data Analysis, PWS-Kent Publishing Company, Boston.
Schmuller, J. (2009). Statistical Analysis With Excel For
Dummies, Wiley Publishing, Inc., Canada.
Serper, Ö. (2000). Uygulamalı İstatistik I, Bursa: Ezgi
Kitabevi.
Winston, W.L. (2014). Microsoft Excel 2013: Data Analysis
and Business Modeling, O’Reilly Media, Inc., U.S.A.
7
Amaçlarımız
 İşlemtablolarında Normal dağılım kullanılarak ana kütle ortalamasının güven
aralığını hesaplayabilecek,
 İşlemtablolarıyla hipotez testi yapabilecek,
 İşlemtablolarıyla basit doğrusal regresyon analizi yapabilecek
Anahtar Kavramlar
• Tahminleme • Korelasyon
• Merkezî Limit Teoremi • Pearson
• Güvenirlik • R2
• z Testi, “z.test” • Tahmin
• t Testi, “t.test” • Kesme Noktası
• Veri Çözümlemesi • Eğim
• Varyans Analizi
İçindekiler
• GİRİŞ
• İŞLEMTABLOLARIYLA GÜVEN ARALIĞI
• İŞLEMTABLOLARIYLA HİPOTEZ
İşlemtablolarıyla Kestirimci TESTLERİ VE VARYANS ANALİZİ
Analitik • İŞLEMTABLOLARIYLA KORELASYON
VE BASİT DOĞRUSAL REGRESYON
ANALİZİ
İşlemtablolarıyla
Kestirimci Analitik
GİRİŞ
İstatistikte incelenecek birim sayısının fazla olduğu, zaman ya da mali kaynakların yeter-
siz kaldığı ya da gerekli iş gücünün bulunmadığı, kısacası tam sayım yapmanın mümkün
olamadığı araştırmalarda örneklemeye başvurulur. Örneklemenin temel amacı, ana kütle
için tanımlı bir veya daha fazla rassal değişkenin özelliklerine ilişkin doğru bilgi elde ede-
bilmektir. Örneklem birimlerinden elde edilen veriler genellikle, söz konusu rassal değiş-
kenin aldığı sayısal değerlerdir. Dolayısıyla örneklemede yapılan temel işlem ana kütle
parametrelerinin, örneklemden hesaplanan istatistikler yardımıyla tahmin edilmesidir.
İstatistiksel çıkarım problemleri, tahminleme ve hipotez testleri olarak genellikle iki
ana başlıkta incelense de, temel olarak bunların bütünü karar alma problemini oluşturur.
Bu iki süreç arasındaki temel fark; tahminleme probleminde ana kütle parametresinin ya
da parametrelerinin sahip olduğu değer/değerlerinin belirlenmesi gerekli iken, hipotez
testlerinde ise parametrelerin aldığı belirli değerlerin kabulü ya da reddedilmesi kararının
verilmesi gerekliliğidir.
Örneklem bilgisinden yararlanarak ana kütle parametresinin aldığı değeri tahmin etme Örneklem seçimi sonucunda
süreci olan tahminleme, çıkarımsal istatistiğin önemli bir bölümünü oluşturur. Örneğin, hesaplanan istatistik aracılığı ile
ana kütle parametresinin aldığı
“Üretimde kullanılan ham madde miktarı aylık 15.000 tondur.” veya “Eskişehir’de bir firma- değer olarak kabul edilen bir
nın çalışanlarının %68’i işe geliş gidişlerde servis aracı kullanmaktadır.” gibi ifadeler birer aralık ya da bir sayı elde etme
işlemine tahminleme adı verilir.
ana kütle parametresi tahminini belirtir. Bu örnekler için tanımlanan ana kütleler büyük
olduğundan, hesaplanan değerler örneklemden elde edilen tahmin değerleridir.
Örneklem bilgisi, bir başka deyişle örneklem istatistikleri yardımıyla ana kütle para-
metrelerinin tahmin edilmesi, nokta tahminlemesi ve aralık tahminlemesi olmak üzere iki
biçimde gerçekleştirilir. Ana kütle parametresinin tahmininde kullanılan tek bir istatistik
değeri, örneklem aritmetik ortalaması değeri gibi, nokta tahmini olarak adlandırılır. Nokta Nokta tahmini, bir ana kütle
tahmini, ana kütle parametresine ilişkin tahminde bulunmak için genel bir yöntem olması- parametresinin tahmininde
kullanılan istatistik değeridir.
na karşın, birçok sorunu da beraberinde getirir. Örneğin nokta tahmini sonucunda, tahmi-
nin gerçek parametre değerine ne kadar yakın bir değer olduğuna ya da tahmin sonucunda
oluşacak olası hata miktarına ilişkin herhangi bir bilgi edinilemez. Bu nedenle, tahminin
parametreye yakınlık derecesinin belirlenmesi için nokta tahmini yerine aralık tahminle- Ana kütle parametresinin
mesi yöntemi tercih edilebilir. Ana kütledeki tüm birimleri incelemenin mümkün olmadığı içerisinde yer alacağı tahmin
edilen ve belli bir güven düzeyine
araştırmalarda ana kütle parametresi hesaplanamadığından, örneklem bilgisinden yararla- göre belirlenen sayısal değerler
narak ana kütle parametrelerinin içinde yer aldığı aralık değerleri belli olasılık düzeylerinde aralığına güven aralığı adı verilir.
tahmin edilebilir. Aralık tahminlemesi yöntemi ile ana kütle parametresinin içerisinde yer
alabileceği bir aralık belirlenir. Bu değer aralığına ana kütle parametresinin güven aralığı adı
verilir. Sonuç olarak, ana kütle parametresinin tahmininde tek bir değer kullanılması yerine,
parametrenin hangi aralıkta yer alacağı hesaplanmış olur.
Bu ünitede işlemtablolarıyla güven aralığı, tek örneklem hipotez testleri, iki örneklem
hipotez testleri, varyans analizi, regresyon, korelasyon ve zaman serisi işlemlerinin nasıl
yapıldığı örneklerle anlatılacaktır.
İŞLEMTABLOLARIYLA GÜVEN ARALIĞI

Normal dağılıma sahip ana kütleler için ana kütle aritmetik ortalamasının (μ) iyi bir nokta
tahmincisi örneklem aritmetik ortalamasıdır(x–). Ancak örneklemden hesaplanan arit-
metik ortalama (x–) değerinin gerçek ana kütle ortalamasından bir miktar az ya da bir mik-
tar fazla olması kaçınılmazdır. Bu nedenle yapılan tahminin doğruluğundan emin olmak
istendiğinde ana kütle aritmetik ortalamasının (μ) gözlenen örneklem aritmetik ortalama
(x–) değerine tam olarak eşit olduğu söylenemez. Bunun yerine
μ = x– ± örnekleme hatası
şeklinde bir aralık tahmini ya da güven aralığı oluşturmak gerekir. Örnekleme hatasının
büyüklüğü, örneklem aritmetik ortalamasının (x–) ne kadar değişim gösterdiğine bağlı
olarak değişir.
Burada hatırlatılması gereken nokta merkezî limit teoremidir. Bu teoreme göre; orta-
laması μ ve standart sapması σ olan herhangi bir ana kütleden iadeli seçimle çekilen ör-
neklem ortalamalarının dağılımı, n örneklem hacmi büyüdükçe ortalaması μ ve standart
sapması σ / n olan Normal dağılıma yaklaşır.
Merkezî limit teoreminde, dikkat edilmesi gereken iki nokta aşağıdaki gibidir.
İncelenen değişken Normal dağılıma sahip olduğunda, herhangi bir n örneklem hac-
mi için, örneklem ortalamalarının dağılımı da Normal dağılımdır.
İncelenen değişkenin dağılımı belli değil ise, örneklem ortalamalarının dağılımının
Normal dağılıma yaklaşabilmesi için örneklem hacmi n ≥ 30 olmalıdır. Örneklem ne ka-
dar büyükse, yaklaşım o kadar iyi olur.
Güven Aralığı İşlevi

İşlemtablolarında Normal dağılım kullanılarak bir ana kütle ortalamasının güven aralı-
ğı GÜVENİRLİK işlevi yardımıyla hesaplanır. İşlemtablosunda hesaplama yapılması için
oluşturulacak işlev GÜVENİRLİK(alfa;standart_sapma;boyut) biçimindedir.
• Alfa: Güvenirlik düzeyini hesaplamak için kullanılır, gereklidir. Güvenirlik düzeyi
(1-Alfa)’ya eşittir. Alfa için genellikle 0,01 ve 0,05 değerleri kullanılır. Alfa’nın 0,05
olması durumunda güvenirlik düzeyi 0,95 ve alfa’nın 0,01 olması durumunda gü-
venirlik düzeyi 0,99 olacaktır.
• Standart_sapma: Örneklem standart sapmasıdır, gereklidir.
• Boyut: Ana kütle içinden çekilen örneklem sayısıdır, gereklidir.
ÖRNEK 1 Normal dağılıma sahip bir ana kütleden 500 birimlik bir örneklem çekilmiştir. Bu örnek-
lemin aritmetik ortalaması 75 ve standart sapması 13 olarak hesaplanmıştır. Örneklemin
çekildiği ana kütlenin aritmetik ortalamasına ilişkin %95 güven aralığı işlemtablolarıyla
aşağıdaki gibi hesaplanabilir. Güven aralığı %95 verildiğinden Alfa 0,05 (%5) olacaktır. Bu
bilgiler Şekil 7.1’deki işlemtablosuna aktarıldığında ve izleyen işlev yazımı işlemtablosunun
C2 hücresine yazıldığında, işlemtablosunun C2 hücresinde 1,1395 sonucuna ulaşılacaktır.
=GÜVENİRLİK(A2;A3;A4)
7. Ünite - İşlemtablolarıyla Kestirimci Analitik 169
Resim 7.1
GÜVENİRLİK İşlevi
İşlemi
Bu sonuca göre Normal dağıldığı bilinen bir ana kütleden çekilen 500 birimlik örneklem-
den hareketle ana kütle aritmetik ortalaması güven aralığı
P [(75 – 1,1395) ≤ μ ≤ (75 = 1,1395)] = 0,95

P [(73,8605) ≤ μ ≤ (76,1395)] = 0,95
olacaktır. Diğer bir deyişle, ana kütle aritmetik ortalamasının 73,8605 ile 76,1395 değerleri
arasında olması olasılığı %95’tir.
İşlemtablolarında Normal dağılım kullanılarak bir ana kütle ortalamasının güven aralığının
hesaplanmasında kullanılan işlevin işlemtablolarında yazımı nasıldır? 1
İŞLEMTABLOLARIYLA İSTATİSTİKSEL HİPOTEZ TESTLERİ VE

VARYANS ANALİZİ
Günümüzde bir çok işletme, üretim sistemlerinde değişikliğe giderken çeşitli karar alma
problemleriyle karşı karşıya kalmaktadır. Hâlihazırda bulunan üretim sisteminden, yeni
üretim sistemine geçişin istatistiksel olarak anlamlı olup olmadığı kararını verebilmek için
bazı testler uygulanması gerekmektedir. Hipotez testleri adı verilen bu testleri uygulaya-
bilmek için örneklem ve ana kütleye ait özelliklerin bilinmesi, olasılık teorisinden yarar-
lanılması gerekir.
Hipotezlerin Belirlenmesi
Hipotez, bir araştırmaya başlanmadan önce ortaya atılan ve doğru olup olmadığı araştırılacak
olan yargıdır. Hipotez testlerinde örneklem ve ana kütleye ait özelliklerden hareket edile-
rek, olasılık teorisinden yararlanılarak, araştırmanın başlangıcında ortaya atılan hipotezin
sınaması yapılır. Diğer bir deyişle, özellikleri bilinen bir ana kütleden elde edilen örneklem
istatistiğinin ana kütle parametresiyle karşılaştırılıp test edilmesidir. Örneklem parametresi
anakütle parametresine yakın ise ortaya atılan hipotez doğru olarak kabul edilir. Aksi halde
hipotez red edilir. Hipotez testini gerçekleştirmek için öncelikle sıfır hipotezi ve alternatif
hipotezin basit ve açık bir şekilde ifade edilmiş olması gerekir.
Yokluk hipotezi veya istatistiksel hipotez adı da verilen sıfır hipotezi H0 simgesi ile H0 simgesi ile gösterilir, yokluk
hipotezi olarak bilinir.
gösterilir. Sıfır hipotezinin aksi ispatlanana kadar doğru olduğu kabul edilir. Hâlihazırda
olan durumun devam ettiğini, ana kütle parametresinin değerinde bir değişiklik olmadı-
ğını gösterir. “İki değişken arasında ilişki yoktur”, “iki parametre arasında ilişki yoktur”,
“iki istatistik arasında fark yoktur” veya “ortalama ağırlık 100 gram’dır” vb. ifadeler ile açık
bir biçimde yazılırlar.
H1 simgesi ile gösterilir, karşıt Alternatif hipotez; karşıt hipotez veya araştırma hipotezi olarak da bilinir ve H1 simgesi
hipotez veya araştırma hipotezi
olarak bilinir. ile gösterilir. Sıfır hipotezinin red edilmesi durumunda kabul edilecek ifade veya değeri
gösterir. Sistemde bir değişiklik yapıldı ise, bu değişikliğin uygunluğunun test edilebilme-
sini sağlayacak biçimde ifade edilir. Örneğin, üretilen ürün sayısının ortalama yirmi beş
olduğu bir sistemde, yeni işçi alımı ile üretim miktarının artışı test edilecek ise alternatif
hipotez “üretilen ürün sayısı artmıştır” biçiminde oluşturulacaktır.
I. Tip ve II. Tip Hata Kavramları

İstatistikte gerçekte doğru olan H0 hipotezinin yanlış diye red edilmesine I. tip hata de-
nir. I. tip hata yapma olasılığı α ile gösterilir. II. tip hata ise, gerçekte doğru olmayan H0
hipotezinin doğru olarak kabul edilmesi durumudur ve II. tip hata yapma olsılığı β ile
gösterilir. I. tip hata yapma olasılığı α , %5 olarak kabul edilirse, doğru olan H0 hipotezi-
nin doğru olarak kabul edilmesi olasılığı %95 olacaktır. Bu olasılığa da testin güvenilirlik
düzeyi adı verilir. Gerçekte yanlış olan H0 hipotezinin red edilmesi olasılığı ise 1−β ile
ifade edilir ve buna testin gücü adı verilir. Bu durumlar Tablo 7.1’de verilmiştir.
Tablo 7.1 Gerçek Durum

Hata Kavramı Test Sonucu
H0 Doğru H0 Yanlış
H0 Kabul Edildi Doğru Karar (1- α ) II. Tip Hata (β)
H0 Red Edildi I. Tip Hata Doğru Karar (1- β)
Örneklem Büyüklüğü
Literatürde, örneklem büyüklüğüne bağlı olarak, yapılacak hipotez testlerinin farklılık
gösterdiği ifade edilmektedir. Ana kütleden seçilen örneklem büyüklüğü n, 30 birime eşit
veya daha fazla ise z testi uygulanır. Aksi durumda yani ana kütleden elde edilen örneklem
büyülüğü n, 30 birimden daha küçükse Student-t testi uygulanır.
İstatistiksel Kararın Verilmesi

Kritik değer seçilen alfa anlamlılık İstatistiksel kararın verilmesi temel olarak H0 hipotezinin kabul veya red edilmesidir. Bu
düzeyine H1 hipotezinin ifade kararın verilebilmesi için test istatistiğinin kritik değeri adı verilen ölçütün belirlenme-
ediliş biçimine ve örneklem
istatistiğinin dağılım şekline si gereklidir. Test istatistiğinin kritik değeri bir örnekleme dağılımında H0 hipotezinin
bağlıdır. red bölgesinin başlama noktasını gösteren değerdir. Kritik değer, seçilen alfa anlamlılık
düzeyine, H1 hipotezinin ifade ediliş biçimine ve örneklem istatistiğinin dağılım şekline
bağlıdır. Alternatif hipotez (H1) eşitsizlik şeklinde ifade edilirse, hipotez testi çift yönlü;
büyüklük veya küçüklük şeklinde ifade edilirse, hipotez testi tek yönlü olacaktır.
Tek Örneklem z Testi İşlevi

Bir ana kütleden rassal olarak elde edilen örneklemin aritmetik ortalamasıyla, bu
örneklemin elde edilmesinde kullanılan ana kütle aritmetik ortalamasına ilişkin önceden
bilinen bir değer arasında farklılığın istatistiksel olarak anlamlı olup olmadığının
araştırılması için tek örneklem z testi kullanılır.
İşlemtablolarında tek örneklem z testi Z.TEST işleviyle gerçekleştirilir. İşlemtablola-
rında ilgili işlev Z.TEST(dizi;x;sigma) biçimindedir.
• Dizi: Gözlem değerlerinin bulunduğu aralık, gereklidir.
• x: Sınanacak değer, gereklidir.
• Sigma: Ana kütle standart sapması biliniyorsa yazılır, belirtilmezse örneklem stan-
dart sapmasıdır, isteğe bağlıdır.
İşlemtablosunda Z.TEST işlevi kullanılırken, araştırmacıların dikkat etmesi gereken
en önemli nokta alternatif hipotezin oluşturulma biçimidir. Eğer alternatif hipotez, yön
bildirecek biçimde “büyüktür” veya “küçüktür” ifadesini içeriyor ise, işlev sonucu hesap-
lanan olasılık değeri doğrudan araştırmacının α değeri ile karşılaştırılarak karar verilebi-
lir. Bu durum tek yönlü hipotez testi olarak da adlandırılır. İşlev sonucunda elde edilen
olasılık değeri α değerine eşit veya büyük ise sıfır hipotezi kabul edilir. Aksi durumda, iş-
lev sonucunda elde edilen olasılık değeri α değerinden küçük ise sıfır hipotezi red edile-
rek, alternatif hipotezin doğru olduğu ifade edilir. Eğer alternatif hipotez, çift yönlü olarak
veya eşitsizlik biçiminde kuruldu ise, α ile karşılaştırılacak olasılık değerinin hesaplanması
için Z.TEST işlevinin izleyen özel biçimi kullanılır:
=2*MİN(Z.TEST(dizi;x;sigma);1-Z.TEST(dizi;x;sigma))
Bu işlevin çalıştırılması ile elde edilen olasılık değeri α ile karşılaştırılarak karar veri-
lir. Karşılaştırma işlemi tek yönlü hipotez testindeki ile aynıdır.
Kiremit üreten bir fabrikada, her bir kiremit için kullanılan kil miktarının 350 gr olma- ÖRNEK 2
sı gerekmektedir. Ancak kimi müşteriler, kendilerine teslim edilen ürünlerden yola çıkarak,
fabrikanın kullandığı “kil miktarının 350 gram olmadığını” iddia etmektedir. Üretim hat-
tından fırınlama öncesi alınan 75 adet kiremitin ağırlıkları ortalaması 321,96 gr olarak
hesaplanmıştır. Diğer taraftan ana kütle standart sapması 75 olarak önceki kayıtlardan bi-
linmektedir. α = 0,05 anlam düzeyinde tek örneklem z testi işlemtablosunda aşağıdaki gibi
Şekil 7.2
uygulanabilir.
Problemde her bir kiremit için kullanılan kil miktarının “350 Z.TEST İşlevi İşlemi (Çift Yönlü Hipotez)
gr’dan farklı olup olmadığının” sınaması yapılacağından, alter-
natif hipotez çift taraflı olmalıdır; işlemtablosunda hesaplama
bu yönde yapılmalıdır. Hipotezler,
“Sıfır hipotezi; kiremitlerde kullanılan kil miktarı 350 gr’a eşittir.”

“Alternatif hipotez; kiremitlerde kullanılan kil miktarı 350 gr’dan
farklılık göstermektedir.”
biçiminde oluşturulur.
İşlemtablosu A2:A76 hücre aralığına örneklemde yer alan ki-
remitlerin kil miktarları girilir, izleyen işlev B2 hücresine yazılır;
α ile karşılaştırmada kullanılacak olasılık için 0,0012 değerine
ulaşılır. Şekil 7.2’de ilgili işleme ilişkin görsel verilmiştir.
=2*MİN(Z.TEST(A2:A76;350;75);1-Z.TEST(A2:A76;350;75))
İşlev sonucuna göre 0,0012 değeri α = 0,05 değerinden daha

küçük bir değer olduğundan, sıfır hipotezi red edilir; %95 gü-
venle kiremitlerde kullanılan kil miktarının 350 gr’dan farklı ol-
duğu söylenebilir.
İşlemtablolarında tek örneklem z testi Z.TEST işleviyle gerçekleştirilir. İşlemtablolarında

yazımı Z.TEST(dizi;x;sigma) şeklindedir. İşlev parametrelerinin anlamlarını açıklayınız. 2
İki Ana Kütle z Testi İşlevi

Uygulamalarda tek örneklem z testinden çok, iki ana kütleye ilişkin z testiyle karşılaşılır.
Bu testte, üzerinde durulan araştırma konusuna ilişkin iki ayrı ana kütle ele alınır, bu ana
kütlelerin aritmetik ortalamaları arasında bir fark olup olmadığı araştırılır. Burada önemli
olan konu iki ana kütlenin parametreleriyle ilgili hipotez testlerinin dayandığı varsayım-
lardır. Bu varsayımlar; ana kütlelerden elde edilen örneklemlerin Normal dağılıma sahip
olması, örnekleme seçilen birimlerin iadeli seçimle ve eşit olasılıkla belirlenmesi veya ana
kütlelerin sonsuz büyük olması ve son olarak iki ana kütleden elde edilen örneklemlerin
seçiminin birbirinden bağımsız olması olarak sıralanabilir.
ÖRNEK 3 Makine tamiri yapan bir atölyenin tamirini yapacağı bir makineye ilişkin A firmasından
alacağı yedek parçaların B firmasından alacağı yedek parçalardan daha dayanıklı olduğu
söylenmektedir. A firmasına ait yedek parçaların ana kütle aritmetik ortalaması 12.250 saat
ve varyansı 122.500 saat, B firmasına ait yedek parçaların ana kütle aritmetik ortalaması
10.900 saat ve varyansı 302.500 saat olarak bilinmektedir. Buna göre %5 anlam düzeyinde
ilgili hipotez sınaması işlemtablolarıyla aşağıdaki gibi yapılabilir.
Problemde A firmasının yedek parçalarının B firmasının yedek parçalarından daha
dayanıklı olduğu iddia edildiği için, alternatif hipotez tek taraflı olmalı, işlemtablosunda
hesaplama bu yönde yapılmalıdır. Hipotezler,
“Sıfır hipotezi; A firmasının yedek parçalarının dayanma süresi ile B firmasının yedek
parçalarının dayanma süresi arasında fark yoktur.”
“Alternatif hipotez; A firmasının yedek parçalarının dayanma süresi B firmasının yedek parça-
larının dayanma süresinden fazladır.”
şeklinde oluşturulur.
İşlemtablosu A2:A36 hücre aralığına A firmasından çekilen yedek parçalara ilişkin
değerler, işlemtablosu B2:B41 hücre aralığına ise B firmasından çekilen yedek parçalara
ilişkin değerler girilir. İşlemtablosunda “Veri” sekmesinde bulunan “Veri Çözümlemesi”
komut düğmesine tıklanır ve açılan menüden “z-Test: Ortalamalar İçin İki Örnek” işaret-
lenir. Şekil 7.3’te ilgili işlem görülmektedir.
Şekil 7.3
İki Ana Kütle z Testi
Çözümlemesi Ekranı
“z-Test: Ortalamalar İçin İki Örnek” menüsünde “Giriş” bölümünde sırasıyla “Değiş-
ken 1 Aralığı” için işlemtablosu A1:A36 hücreleri ve “Değişken 2 Aralığı” için işlemtablosu
B1:B41 hücreleri, “Değişken 1 Varyansı” için 122.500 “Değişken 2 Varyansı” için 302.500
değerleri yazılır. Değişkenlerin etiketlerinin sonuç tablosunda görülmesi için “Etiketler”
kısmı ve “Çıkış Seçenekleri”’nde “Yeni Sayfa” işaretlenir.
Yeni sayfada sonuç tablosu Şekil 7.4’teki görülür.
Şekil 7.4
İki Ana Kütle z Testi
Çözümlemesi Sonuç
Tablosu
Problemde alternatif hipotez tek yönlü oluşturulduğu için P(Z < = z) tek-uçlu değerine
göre yorum yapılır. Bu değer sıfıra çok yakın bir değer olduğu için ( α = 0,05 den küçük
olduğu için) sıfır hipotezi reddedilir; %95 güvenle A firmasının yedek parçalarının B fir-
masının yedek parçalarından daha dayanıklı olduğu söylenebilir.
Tek Örneklem Student-t Testi İşlevi

Tek örneklem Student-t testi elde edilen örneklemin Normal dağılıma sahip bir ana
kütleden geldiği varsayımı altında ve örneklem büyüklüğünün 30’dan küçük olması du-
rumunda yapılan hipotez testidir. Bu test ile örneklemin, ortalaması bilinen ve Normal
dağılan bir ana kütleden gelip gelmediği araştırılır.
İşlemtablolarında tek örneklem Student-t testi T.DAĞ.2K işleviyle gerçekleştirilir. İş-
lemtablolarında yazımı T.DAĞ.2K(x;serbestlik_derecesi) şeklindedir.
İşlev yazımındaki parametreler aşağıdaki gibi açıklanır:
• Serbestlik_derecesi: Gözlem sayısından 1 çıkartılarak elde edilen değerdir, gerek-
lidir.
ÖRNEK 4 19 öğrencinin bir dersten aldıkları başarı puanlarının aritmetik ortalaması 50 puan olan
Normal dağılan bir ana kütleden gelip gelmediği %5 anlam düzeyinde araştırılıyor olsun.
19 öğrencinin başarı puanlarına ilişkin hesaplanan t değeri 1,73 serbestlik derecesi 18 olarak
verilmiştir. Bu hipotez testi işlemtablolarıyla aşağıdaki gibi yapılabilir.
Problemde alternatif hipotez çift taraflı olmalıdır ve işlemtablosunda hesaplama bu
yönde yapılmalıdır. Hipotezler,
“Sıfır hipotezi; öğrencilerin başarı puanları aritmetik ortalamasıyla ana kütle başarı puanları
aritmetik ortalaması (50 puan) arasında bir fark yoktur.”
“Alternatif hipotez; öğrencilerin başarı puanları aritmetik ortalamasıyla ana kütle başarı pu-
anları aritmetik ortalaması (50 puan) arasında bir fark vardır.”
Şekil 7.5’te A2:A20 aralığına örneklemde yer alan 19 öğrencinin not değerleri girilmiş-
tir. Aşağıdaki işlev işlemtablosunun B2 hücresine yazılırsa 0,1007 değerine ulaşılır.
=T.DAĞ.2K(1,73;18)
Burada x yerine hesaplanan t değeri 1,73 ve serbestlik derecesi yerine 18 değeri girilmiştir.
Şekil 7.5
Z.TEST İşlevi İşlemi
(çift yönlü hipotez)
İşlev sonucuna göre 0,1007 değeri α = 0,05 değerinden daha büyük bir değer oldu-
ğundan, sıfır hipotezi kabul edilir; %95 güvenle öğrencilerin başarı puanlarının 50 ortala-
malı Normal dağılıma sahip bir ana kütleden geldiği söylenebilir.
Bağımsız İki Örneklem Student-t Testi

Bağımsız iki örneklem Student-t testi, örneklem büyüklüğü 30’dan küçük olması duru-
munda, Normal dağıldığı varsayılan farklı iki ana kütleden gelen örneklemlerin ortalama-
larının karşılaştırılmasında kullanılır.
Aynı ders aynı öğretim elemanı tarafından A ve B bölümlerinde veriliyor olsun. Öğrencilerin ÖRNEK 5
başarı notları arasında fark olup olmadığının sınaması bağımsız iki örneklem Student-t testi
ve %95 güvenle aşağıdaki gibi yapılabilir. Burada başarı notları arasında fark olup olmadığı
araştırıldığı için Student-t testi çift taraflı olarak ele alınmıştır. Ayrıca varyansların (diğer bir
deyişle değişkenliklerinin) eşit olduğu varsayımı altındaki bağımsız iki örneklem Student-t
testi uygulanacaktır.
Hipotezler,
“Sıfır hipotezi; A bölümündeki öğrencilerin başarı notları ortalaması ile B bölümündeki öğren-
cilerin başarı notları ortalaması arasında fark yoktur.”
“Alternatif hipotez; A bölümündeki öğrencilerin başarı notları ortalaması ile B bölümündeki
öğrencilerin başarı notları ortalaması arasında fark vardır.”
A2:A20 aralığına A bölümündeki öğrencilerin başarı notlarına ilişkin değerler, işlem-
tablosu B2:B15 aralığına ise B bölümündeki öğrencilerin başarı notlarına ilişkin değerler
girilir. İşlemtablosunda “Veri” sekmesinde bulunan “Veri Çözümlemesi” komut düğme-
sine tıklanır ve açılan menüden “t-Test: Eşit Varyanslar Varsayarak İki Örnek” işaretlenir.
Şekil 7.6’da ilgili işlem görülmektedir.
Şekil 7.6
Bağımsız İki
Örneklem Student-t
Testi Çözümlemesi
Ekranı
(Eşit Varyanslar)
“t-Test: Eşit Varyanslar Varsayarak İki Örnek” menüsünde “Giriş” bölümünde sırasıyla
“Değişken 1 Aralığı” için işlemtablosu A1:A20 ve “Değişken 2 Aralığı” için işlemtablosu
B1:B15 değerleri yazılır. Değişkenlerin etiketlerinin sonuç tablosunda görülmesi için “Eti-
ketler” kısmı ve “Çıkış Seçenekleri”’nde “Yeni Sayfa” işaretlenir.
Yeni sayfada sonuç tablosu Şekil 7.7’deki görülür.

Şekil 7.7
Bağımsız İki
Örneklem Student-t
Testi Sonuç Tablosu
(Eşit Varyanslar)
Problemde alternatif hipotez çift yönlü oluşturulduğu için P(T < = t) iki-uçlu değerine
göre yorum yapılır. Bu değer 0,02529 olarak hesaplanmıştır ve anlam düzeyi (kritik değer)
0,05’ten daha küçük olduğu için sıfır hipotezi reddedilir ve %95 güvenle A bölümündeki
öğrencilerin başarı notları ortalaması ile B bölümündeki öğrencilerin başarı notları orta-
laması arasında fark olduğu söylenebilir.
ÖRNEK 6 Patentli bir ilaç imalatçısı A şehrindeki haftalık satışlarının B şehrine göre daha fazla
olduğunu savunmaktadır. %5 anlamlılık düzeyinde ortaya atılan iddianın sınanması için
işlemtablosunda aşağıdaki adımların izlenmesi gerekmektedir.
Verilen problemde A şehrindeki haftalık satış ortalamasının B şehrindekine göre daha
fazla olduğu iddia edildiği için tek yönlü bağımsız iki örneklem Student-t testi uygulan-
malıdır. Bu testte de varyansların eşit olduğu (diğer bir deyişle değişkenliklerinin) varsa-
yımı kullanılacaktır.
Hipotezler,
“Sıfır hipotezi; A şehrindeki ilaç satış ortalaması ile B şehrindeki ilaç satış ortalaması arasında
fark yoktur.”
“Alternatif hipotez; A şehrindeki ilaç satış ortalaması B şehrindeki ilaç satış ortalamasından
daha fazladır.”
İşlemtablosu A2:A8 aralığına A şehrindeki ilaç satışlarına ilişkin değerler, işlemtablosu
B2:B8 aralığına ise B şehrindeki ilaç satışlarına ilişkin değerler girilir. İşlemtablosunda “Veri”
sekmesinde bulunan “Veri Çözümlemesi” alt sekmesi seçilir ve açılan menüden “t-Test: Eşit
Varyanslar Varsayarak İki Örnek” işaretlenir. Şekil 7.8’de ilgili işlem görülmektedir.
Şekil 7.8
Bağımsız İki
Örneklem Student-t
Testi Çözümlemesi
Ekranı
(Eşit Varyanslar)
“t-Test: Eşit Varyanslar Varsayarak İki Örnek” menüsünde “Giriş” bölümünde sırasıyla
“Değişken 1 Aralığı” için işlemtablosu A1:A8 ve “Değişken 2 Aralığı” için işlemtablosu
B1:B8 değerleri yazılır. Değişkenlerin etiketlerinin sonuç tablosunda görülmesi için “Eti-
ketler” kısmı ve “Çıkış Seçenekleri”’nde “Yeni Sayfa” işaretlenir.
Yeni sayfada sonuç tablosu Şekil 7.9’daki görülür.
Şekil 7.9
Bağımsız İki
Örneklem Student-t
Testi Sonuç Tablosu
(Eşit Varyanslar)
Problemde alternatif hipotez tek yönlü oluşturulduğu için P(T<=t) tek-uçlu değerine
göre yorum yapılır. Bu değer 0,02634 olarak hesaplanmıştır ve anlam düzeyi (kritik değer)
0,05’ten daha küçük olduğu için sıfır hipotezi reddedilir ve %95 güvenle A şehrindeki ilaç
satış ortalamasının B şehrindeki ilaç satış ortalamasından daha fazla olduğu söylenebilir.
Bağımlı İki Örneklem Student-t Testi

Bu testte de bağımsız iki örneklem Student-t testinde olduğu gibi iki örneklem ortala-
ması karşılaştırması yapılır. Ancak burada Normal dağıldığı varsayılan ana kütleden elde
bir örneklem üzerinde öntest ve sontest (pretest-posttest) değerleri arasında bir fark olup
olmadığı araştırılır.
ÖRNEK 7 Belirli bir yemek rejiminin etkisinin araştırılmasında 7 kişilik bir gruptan yararlanılsın. Grup-
taki her fert rejime başlamadan önce ve sonra tartılmıştır. Belirlenen 7 kişinin ağırlıklarında
(kg) rejimden sonra bir farklılık olup olmadığını %95 güvenle araştırabilmek için bağımlı iki
örneklem Student-t testi aşağıdaki gibi uygulanabilir.
Verilen problemde gruptaki 7 kişinin rejimden önce ve sonra ağırlıkları arasında fark-
lılık olup olmadığı araştırıldığı ve aynı kişiler üzerinde farklı zamanlarda aynı ölçüm ya-
pıldığı için bağımlı iki örneklem Student-t testi uygulanmalıdır. Ayrıca rejim öncesi ve
sonrasında kişilerin kilolarında bir değişim olup olmadığı araştırıldığı için çift yönlü test
uygulanmalıdır.
Hipotezler,
“Sıfır hipotezi; Uygulanan rejim öncesi ve sonrası kişilerin kilolarında bir fark yoktur.”
“Alternatif hipotez; Uygulanan rejim öncesi ve sonrası kişilerin kilolarında bir fark vardır.”
İşlemtablolarında bağımlı iki örneklem Student-t tes-
Şekil 7.10
ti T.TEST işleviyle gerçekleştirilir. İşlemtablolarında yazımı
Bağımlı İki Örneklem Student-t Testi T.TEST(dizi1;dizi2;yazı_say;tür) şeklindedir.
(Eşit Varyanslar) İşlev yazımındaki parametreler aşağıdaki gibi açıklanır:
• Dizi1: Birinci veri kümesi, gereklidir.
• Dizi2: İkinci veri kümesi, gereklidir.
• Yazı_say: Tek taraflı test için 1, çift taraflı test için 2 değeri
yazılır, gereklidir.
• Tür: Uygulanacak Student-t testini belirtir, bağımlı ise 1,
iki örneklem eşit varyans için 2, iki örneklem eşit olmayan
varyans için 3 değeri yazılır, gereklidir.
A2:A8 aralığına kişilerin rejim öncesi kilolarına ilişkin de-
ğerler, B2:B8 kişilerin rejim sonrasına ilişkin değerler girilir. İş-
lemtablosunda testi uygulayabilmek için aşağıdaki işlev C2 hüc-
resine yazılırsa 0,0525 değerine ulaşılır. Şekil 7.10’da ilgili işleme
ilişkin görsel verilmiştir.
=T.TEST(A2:A8;B2:B8;2;1)
İşlemtablosu C2 hücresinde hesaplanan 0,0525 değeri anlamlılık düzeyi 0,05’ten daha
büyük olduğu için %95 güvenle uygulanan rejim öncesi ve sonrası kişilerin kilolarında bir
fark olmadığı söylenebilir.
Varyans Analizi
Önceki bölümlerde tek ana kütle ortalamasının belirlenen değerle karşılaştırılmasına
ilişkin hipotez testleri ile iki ana kütle ortalamasının karşılaştırılmasına ilişkin hipotez
testleri incelendi. Bu bölümde ise ikiden fazla ana kütle ortalamasının karşılaştırılmasın-
da kullanılan varyans analizi konusu kısaca açıklanmaya çalışılacaktır. Varyans analizi ile
dağılımların toplam değişkenliğini çeşitli bileşenlere ayırma yöntemi yardımıyla bağımsız
değişkenlerin bağımlı değişkenler üzerindeki etkileri incelenebilmektedir.
Bu bölümde uygulamalarda çok sık kullanılan tek yönlü varyans analizi açıklanmaya
çalışılacaktır.
Tek yönlü varyans analizinde gözlem değerleri tek bir bağımlı değişkene göre gruplan-
dırılır ve bu gruplara ilişkin ana kütle aritmetik ortalamaları karşılaştırılır. İkiden fazla ana
kütle ortalamasının karşılaştırılmasında Z ya da t-testleri kullanılamamakla birlikte bu
karşılaştırma için F-testinden yararlanılır. F-testinde kullanılan F-istatistiği aynı varyan-
sın iki ayrı birbirinden bağımsız tahmininin birbirine oranı olarak tanımlanır. Bu oran,
yani F-istatistiğinin örnekleme dağılımı da F-dağılımı olarak bilinir.
Varyans analizinde genellikle değişkenliğin bileşenlere ayrılmasıyla birlikte değişim
kaynağının bulunmasıyla da ilgilenilir. Değişkenliğin ayrıştırılması işlemi, kareler top-
lamları ve kareler oranlarının hesaplanması yoluyla gerçekleştirilir. Dolayısıyla F-testi uy-
gulanması sonucu, değişim yani model denklemi kaynaklara ayrılmış olur. Değişkenlik
hatadan ya da gruplardan kaynaklanabilir.
Toplam Değişkenlik = Grup Etkisi + Hata
Varyans analizi uygulanabilmesi için bazı koşulların sağlanması gerekir. Bu koşullar;
• Grupların belirlendiği ana kütleler Normal dağılıma sahip olmalıdır.
• Karşılaştırılan gruplar birbirinden bağımsız olmalıdır.
• Grupların varyansları eşit olmalıdır.
Varyans analizinde toplam değişim bileşenlerine ayrıldığı için yukarıda belirtilen
üçüncü varsayım çok önemlidir. Çünkü farklı varyanslı grup ortalamaları karşılaştırıldı-
ğında gruplar arası değişim için sistematik hata yapılmış olur.
Sucuk üretimi yapan üç fabrikadan rassal olarak sucuk örnekleri alınmış ve bu sucukların ÖRNEK 8
100 gr’ında bulunan yağsız sığır eti miktarları 3 ayrı sütunda işlemtablosuna girilmiştir. %
95 güven düzeyinde bu üç fabrika arasında üretilen sucukların içerdiği yağsız sığır eti mik-
tarı ortalamaları bakımından fark olup olmadığı testi yürütülmek istenmektedir. Bu testi
yapabilmek için işlemtablosunda varyans analizi işlevi gerçekleştirilmelidir.
Hipotezler,
“Sıfır hipotezi; Üç farklı fabrikada üretilen sucukların 100 gr’ında bulunan sığır eti miktarı
ortalamaları arasında fark yoktur.”
“Alternatif hipotez; En az bir fabrikada üretilen sucukların 100 gr’ında bulunan sığır eti mikta-
rı ortalaması diğer fabrikalardan farklılık göstermektedir.”
İşlemtablosu A2:A9 aralığına Fabrika1’e ilişkin değerler, işlemtablosu B2:B11 aralığı-
na ise Fabrika2’ye ilişkin değerler ve işlemtablosu C2:C8 aralığına da Fabrika3’e ilişkin
değerler girilir. İşlemtablosunda “Veri” sekmesinde bulunan “Veri Çözümlemesi” komut
düğmesine tıklanır ve açılan menüden “Anova:Tek Etken” işaretlenir. Şekil 7.11’de ilgili
işlem görülmektedir.
Şekil 7.11
Tek Yönlü Varyans
Analizi Çözümlemesi
Ekranı
“Anova:Tek Etken” menüsünde “Giriş” bölümünde “Giriş Aralığı” için işlemtablosu

A1:C8 değerleri yazılır. Gruplandırma için değişkenler sütunlarda yer aldığından “Sütun-
larda” kısmı, değişkenlerin isimleri ilk satırda yer aldığı için “Etiketler İlk Satırda” ve “Çı-
kış Seçenekleri”’nde “Yeni Sayfa” işaretlenir.
Yeni sayfada sonuç tablosu Şekil 7.12’deki görülür.
Şekil 7.12
Tek Yönlü Varyans
Analizi Çözümlemesi
Sonuç Tablosu
Sonuç tablosunda “ANOVA” tablo içeriğinde P-değeri 0,0078 olarak hesaplanmıştır.
Bu değer anlamlılık düzeyi 0,05’ten daha küçük olduğu için %95 güvenle üç farklı fabri-
kada üretilen sucukların 100 gr’ında bulunan sığır eti miktarı ortalamaları arasında fark
olmadığı söylenebilir.
İŞLEMTABLOLARIYLA KORELASYON VE BASİT DOĞRUSAL

REGRESYON ANALİZİ
Korelasyon analizi en genel tanımı ile değişkenler arasındaki ilişkilerin incelenmesidir.
Değişkenler arasında var olabilecek ilişkinin derecesinin tespit edilebilmesi amacı ile çe-
şitli teknikler kullanılabilir. En basit şekli ile iki değişken arasındaki ilişkiyi gözlemlemek
için bu değişkenlerin saçılım grafikleri çizilebilir. Grafiklerin yanında ilişkinin derecesini
gösteren istatistiklere de ihtiyaç duyulur. Pearson korelasyon katsayısı bu istatistikler- Korelasyon katsayısı iki
değişken arasındaki doğrusal
dendir. İki ya da daha fazla ve en az aralıklı ölçeğe uygun şekilde ölçümlenmiş değişkenler ilişkinin derecesini ifade eder.
arasındaki ilişkinin derecesini belirlemek için Pearson korelasyon katsayısı kullanılır. Bu
katsayı r ile gösterilir. Pearson r korelasyon katsayısı -1 ile +1 arasında değişen değerler
alır. -1 ve +1 değerlerine eşit sonuçlar mükemmel/tam ilişkinin varlığını gösterir. Eksi
değerler değişkenler arasındaki ters yönlü ilişkiyi gösterirken (biri artarken diğerinin azal-
ması gibi) artı değerler değişkenler arasındaki aynı yönlü ilişkiyi (biri artarken diğeri de
artmaktadır gibi) gösterir. Eğer iki değişken arasında hiç ilişki yok ise Pearson korelasyon
katsayısı 0 (sıfır) değerini alır. Şekil 8.13’te korelasyon katsayısı r için ilişkinin derecesi ve
yönü özetlenmektedir.
Şekil 7.13
Pearson Korelasyon Katsayısı İlişki Yön ve Dereceleri
Tam/Mükemmel Tam/Mükemmel
Eksi (Ters Yönlü) Korelasyon Artı (Aynı Yönlü)
Korelasyon Yok Korelasyon
Güçlü Orta Zayıf Zayıf Orta Güçlü
Eksi Eksi Eksi Artı Artı Artı
Korelasyon Korelasyon Korelasyon Korelasyon Korelasyon Korelasyon
-1 -0,50 0 +0,50 +1
PEARSON İşlevi
İşlemtablolarında Pearson korelasyon katsayısını hesaplama PEARSON işleviyle gerçek-
leştirilir. İşlemtablolarında yazımı PEARSON(dizi1;dizi2) şeklindedir.
• Dizi1: Gözlem değerlerinin bulunduğu aralık, gereklidir.
• Dizi2: Gözlem değerlerinin bulunduğu aralık, gereklidir.
Bir firma piyasaya yeni sürdüğü ürünün tanıtım ve satış işlemleri için on adet pazarlamacı ÖRNEK 9
görevlendirmiştir. Bu pazarlamacıların farklı kuruluşlara yaptıkları toplam ziyaret sayıları
ile yapılan satış sayısı arasında bir ilişkinin varlığı düşünülmektedir. Bu amaçla son bir ay
içerisinde pazarlamacıların gerçekleştirdikleri ziyaret sayıları işlemtablosu B2:B11 aralığına
ve satış sayıları da işlemtablosu C2:C11 aralığına işlemtablosunda girilsin.
İşlemtablosu A12 hücresine aşağıdaki eşitlik yazıldığında Pearson korelasyon değeri
olan 0,201’e ulaşılır. Bu Pearson korelasyon değerine göre; iki değişken arasında zayıf aynı
yönlü korelasyon olduğu söylenebilir. Bu işleme ilişkin görsel Şekil 7.14’te verilmiştir.
=PEARSON(B2:B11;C2:C11)
Şekil 7.14
PEARSON İşlevi
İşlemtablosunda KORELASYON işleviyle de aynı sonuca ulaşmak mümkündür. KO-

RELASYON işlevi de PEARSON işlevi gibi yazılır.
RKARE İşlevi
Korelasyon katsayısı yardımıyla değişkenler arasındaki ilişki ifade edilirken zayıf, orta
ilişki gibi nitelemelerin gerçekleştirilmesi söz konusudur. Araştırmacıların herhangi bir
değişkende meydana gelen değişimin ne kadarının bu değişkenle ilişkili olduğunu düşün-
Belirlilik katsayısı, bağımlı dükleri değişken tarafından açıklandığını tespit etmeleri gerektiğinde belirlilik katsayısı
değişkenin toplam değişkenliğini,
bağımsız değişken veya
hesaplanır. Belirlilik katsayısı Pearson korelasyon katsayısı r’nin karesinin alınması ile he-
değişkenlerin açıklama oranını saplanır. 0 ile 1 arasında değerler alır ve oran olarak ifade edilir.
tespit etmek üzere kullanılır. İşlemtablolarında belirlilik katsayısı RKARE işleviyle gerçekleştirilir. İşlemtabloların-
da yazımı RKARE(bilinen_y’ler;bilinen_x’ler) şeklindedir.
• Bilinen_y’ler: Gözlem değerlerinin bulunduğu aralık, gereklidir.
• Bilinen_x’ler: Gözlem değerlerinin bulunduğu aralık, gereklidir.
ÖRNEK 10 Örnek 9’da verilen değişkenler için B12 hücresine aşağıdaki eşitlik yazıldığında belirlilik kat-
sayısı değeri olan 0,041’e ulaşılır. Bu değere göre; firmanın yaptığı aylık satış miktarlarına
pazarlamacıların yaptıkları ziyaret sayılarının etkisinin %4,1 olduğu söylenir. Bu çok küçük
bir değerdir dolayısıyla satış sayısı değişkeni üzerinde ilgilenilen bu değişken dışında kalan
farklı faktörlerin etkisi olduğu söylenebilir. Bu işleme ilişkin görsel Şekil 7.15’te verilmiştir.
=RKARE(B2:B11;C2:C11)
Şekil 7.15
RKARE İşlevi
Değişkenler arasındaki neden-sonuç ilişkisini matematiksel bir fonksiyonla açıklamak

veya ifade etmek işlemi regresyon analizinin konusunu oluşturur. Bir çok olayda ilgile-
nilen bir değişkende meydana gelen değişimin başka değişkenler ile açıklanabileceği ya
da modellenebileceği varsayılmaktadır. İlgilenilen değişken bağımlı değişken olarak ad-
landırılır ve bu değişken üzerinde etkisi bulunan değişken ya da değişkenlerde bağımsız
değişken/değişkenler olarak adlandırılır. Eğer bir tane açıklanan (bağımlı) ve bir açıklayıcı
(bağımsız) değişken ile ilgileniliyorsa basit regresyon, bir açıklanan (bağımlı) ve birden
fazla açıklayıcı değişkenle (bağımsız) ilgileniliyorsa çoklu regresyon söz konusu olur. İl-
gilenilen değişkenlere ilişkin matematiksel ifadeye veya fonksiyona regresyon denklemi
denir. Değişkenler arasındaki ilişkiler doğrusal olabileceği gibi eğrisel ya da kübik formda
da olabilir. Bu ünite çerçevesinde değişkenler arasındaki ilişkilerin doğrusal olduğu var-
sayılmaktadır.
n adet gözleme sahip bir veri setinde x bağımsız değişken y de bağımlı değişken olmak
üzere ölçüm sonuçları yer alabilir. x ve y değişkenleri arasındaki olası bir ilişki, izleyen
doğrusal model yardımıyla araştırılabilir. Basit doğrusal regresyon modeli
Şekil 7.16
yi = α + βxi + εi
Regresyon Modeli
olarak yazılır. Modelde y
(x,y)
yi: bağımlı değişken y’nin i’inci gözlem değerini,
βxi: bağımsız değişken x’in i’inci gözlem değerini,
ei
εi: i’inci gözlem için ortalaması 0 ve tüm gözlemler için sabit σ
standart sapmalı Normal dağılıma sahip olduğu varsayılan rassal
hatayı,
α ve β: veri yardımıyla tahmin edilecek, x=0 olduğunda y’nin
Regresyon
değeri α ve x’te meydana gelecek birim değişikliğin y’deki oransal Doğrusu
b
etkisi de β olmak üzere ana kütle parametrelerini göstermektedir. a
Şekil 7.15’te resmedilen model parametre tahminleri için en
küçük kareler analizi kullanılır. En küçük kareler analizi bir en- 0 x
küçükleme tekniğidir. Bu teknikte gerçek y değerleri ile tahmin sonucu elde edilen y de-
ğerleri arasındaki düşey farkların kareleri toplamının en küçüklenmesi sağlanır. En küçük
kareler tekniği yardımıyla basit doğrusal regresyon modelinde yer alan ana kütle para-
metreleri α ve β için veri yardımıyla a ve b tahminleri belirlenir. En küçük kareler tekniği
yardımıyla β ve β’nın tahminleri a ve b’nin grafiksel karşılıkları Şekil 7.16’daki gibidir.
Basit doğrusal regresyon modelinde β regresyon doğrusunun eğimini gösterirken α da
doğrunun y eksenini kesim noktasıdır.
EĞİM İşlevi
En küçük kareler tekniği yardımıyla basit doğrusal regresyon modelinde yer alan ana küt-
le parametresi β için veri yardımıyla b tahminini belirler.
İşlemtablolarında β için veri yardımıyla b tahmini EĞİM işleviyle gerçekleştirilir. İş-
lemtablolarında yazımı EĞİM(bilinen_y’ler;bilinen_x’ler) şeklindedir.
ÖRNEK 11 Bir araştırmada elde edilen, x bağımsız değişken ve y bağımlı değişken olmak üzere, gözlem
değerleri işlemtablosunda x bağımsız değişken değerleri işlemtablosu A2:A10 aralığına ve y
bağımlı değişken değerleri işlemtablosu B2:B10 aralığına girilmiştir.
İşlemtablosunun A11 hücresine aşağıdaki eşitlik yazıldığında EĞİM değeri olan
0,433’e ulaşılır. Bu değere göre; ana kütle parametresi β için veri yardımıyla b tahmininin
diğer bir deyişle regresyon denklemin eğiminin 0,433 olduğu söylenir. Bu işleme ilişkin
görsel Şekil 7.17’de verilmiştir.
=EĞİM(B2:B10;A2:A10)
Şekil 7.17
EĞİM İşlevi
KESMENOKTASI İşlevi
En küçük kareler tekniği yardımıyla basit doğrusal regresyon modelinde yer alan ana küt-
le parametresi α için veri yardımıyla a tahminini belirler.
İşlemtablolarında α için veri yardımıyla a tahmini KESMENOKTASI işleviyle gerçek-
leştirilir. İşlemtablolarında yazımı KESMENOKTASI (bilinen_y’ler;bilinen_x’ler) şeklin-
dedir.
İşlemtablolarındaki EĞİM işlevini açıklayınız.

3
Örnek 11’de verilen x ve y değişkenleri için işlemtablosu B11 hücresine aşağıdaki eşitlik yazıl- ÖRNEK 12
dığında KESMENOKTASI değeri olan 2,833’e ulaşılır. Bu değere göre; ana kütle parametresi
α için veri yardımıyla a tahmininin diğer bir deyişle regresyon denklemin y eksenini kesme
noktasının 2,833 olduğu söylenir. Bu işleme ilişkin görsel Şekil 7.18’de verilmiştir.
=KESMENOKTASI(B2:B10;A2:A10)
Şekil 7.18
KESMENOKTASI
İşlevi
Bu değerler yardımıyla basit doğrusal regresyon denklemi tahmini
ŷ = 2,835 + 0,433x
şeklinde yazılır. Regresyon denklemi yardımıyla araştırmacı gözlemlediği herhangi bir x
değeri için y’nin alacağı değeri tahmin edebilir.
TAHMİN İşlevi
Bağımlı değişken gözlem değerleri y’ler ve bağımsız değişken x’lerle elde edilen regresyon
denklemi yardımıyla araştırmacı gözlemlediği herhangi bir x değeri için y’nin alacağı de-
ğeri tahmin edebilir.
İşlemtablolarında regresyon denklemi yardımıyla araştırmacı gözlemlediği herhangi
bir x değeri için y’nin alacağı değeri tahminini TAHMİN işleviyle gerçekleştirir. İşlemtab-
lolarında yazımı TAHMİN(x;bilinen_y’ler;bilinen_x’ler) şeklindedir.
• x: Elde edilen regresyon denkleminde tahmin edilmek istenen veri noktası, gerek-
lidir.
ÖRNEK 13 Örnek 11’de verilen x ve y değişkenleri için işlemtablosu C11 hücresine aşağıdaki eşitlik ya-
zıldığında x=12 için y’nin alacağı TAHMİN değeri olan 8,033’e ulaşılır. Bu işleme ilişkin
görsel Şekil 7.19’da verilmiştir.
=TAHMİN(12;B2:B10;A2:A10)
Şekil 7.19
TAHMİN İşlevi
Özet
İşlemtablolarında Normal dağılım kullanılarak bir İşlemtablolarıyla basit doğrusal regresyon analizi
1 ana kütle aritmetik ortalamasının güven aralığını 3 yapmak.
hesaplamak. İki ya da daha fazla değişken arasındaki ilişkinin ge-
Örneklem aritmetik ortalaması Normal dağılıma sa- nel doğasının tanımlanmasına regresyon analizi adı
hip ana kütleler için ana kütle aritmetik ortalamasının verilir. Değişkenler arasındaki ilişkinin derecesinin
iyi bir nokta tahmincisidir. Bununla birlikte örnek- tespiti işlemine ise korelasyon analizi adı verilir.
lemden hesaplanan aritmetik ortalama değeri ger- Regresyon analizi çalışmalarında iki farklı değişken
çek ana kütle ortalamasından biraz küçük veya büyük tanımlamasına ihtiyaç duyulmaktadır. Bunlar sıra-
olması kaçınılmazdır. Bu nedenle yapılan tahminin sıyla bağımlı ve bağımsız değişken kavramlarıdır.
doğruluğundan emin olmak istendiğinde ana kütle Bağımlı değişken araştırmacının üzerinde çalıştığı
aritmetik ortalamasının gözlenen örneklem aritmetik değişken olup bu değişken üzerinde meydana gelen
ortalama değerine tam olarak eşit olduğu söylenemez. değişimlerin ya da bu değişkenin toplam değişkenli-
Bunun yerine ğinin açıklanılmasına çalışılmaktadır.
μ = x– ± örnekleme hatası İlgilenilen iki değişken arasındaki ilişkinin derecesi
şeklinde bir aralık tahmini ya da güven aralığı oluş- için korelasyon analizi kullanılır. Burada dikkat edil-
turmak gerekir. Örnekleme hatasının büyüklüğü, mesi gereken nokta, korelasyon analizinin değişkenler
örneklem aritmetik ortalamasının ne kadar değişim arasındaki ilişkinin yanlızca derecesini göstermesidir.
gösterdiğine bağlı olarak değişir. İki değişken arasında yüksek korelasyon olması bu iki
İşlemtablolarında Normal dağılım kullanılarak bir değişkenden birinin diğerinin nedeni olabileceğini
ana kütle aritmetik ortalamasının güven aralığını he- göstermez. Korelasyon analizi iki değişken arasındaki
saplamak için kullanılan işlev GÜVENİRLİK’tir. nedensellik için kullanılmaz. Nedensellik araştırması
için farklı istatistik tekniklerinin kullanılması gerekir.
İşlemtablolarıyla hipotez testi yapmak.
2
Hipotez testleri, istatistik uygulamalarının gerçek
yaşam problemlerine uygulanabildiği en önemli sü-
reçlerden birisidir. Daha önce de belirtildiği gibi, ana
kütle parametresine ilişkin kararların örneklem ista-
tistiklerinden elde edilen bilgilere dayanarak verilme-
si gerekir. Hipotez testleri de bu kararlara ulaşmada
kullanılan önemli bir araçtır.
Tahminleme sürecinde olduğu gibi, hipotez testi sü-
recinde de ana kütle parametresine ilişkin olarak çı-
karsamada bulunulur. Ancak buradaki çıkarsama,
tahminlemedekine göre farklılık göstermektedir.
1. İşlemtablolarında Normal dağılım kullanılarak bir ana 6. Sonuç tablosunda “ANOVA” tablo içeriğinde p-değeri
kütle ortalamasının güven aralığını veren işlev aşağıdakiler- 0,09 olarak hesaplanmıştır. 0,05 anlam düzeyinde istatistiksel
den hangisidir? karar aşağıdakilerden hangisidir?
a. T.TEST a. Alternatif hipotez ne kabul ne reddedilir.
b. GÜVENİRLİK b. Alternatif hipotez kabul edilir.
c. ORTALAMA c. Sıfır hipotezi ne kabul ne reddedilir.
d. Z.TEST d. Sıfır hipotezi reddedilir.
e. MAK e. Sıfır hipotezi kabul edilir.
2. İşlemtablolarında tek örneklem z testi sonucunu veren 7. İşlemtablolarında Pearson korelasyon katsayısını hesap-
işlev aşağıdakilerden hangisidir? lamasının gerçekleştirildiği işlev aşağıdakilerden hangisidir?
a. SAY a. RKARE
b. T.TEST b. PEARSON
c. Z.TEST c. TAHMİN
d. MAK d. KESMENOKTASI
e. MİN e. EĞİM
3. İki ana kütle z testinde alternatif hipotez tek yönlü olarak 8. İşlemtablolarında regresyon denklemi yardımıyla araş-
oluşturulduysa istatistiksel karar için işlemtablosu çözümle- tırmacının gözlemlediği herhangi bir x değeri için y’nin ala-
me tablosunda hangi değere bakmak gerekir? cağı değerin tahmini hangi işlevle gerçekleştirilir?
a. P(Z<=z) tek-uçlu a. TAHMİN
b. P(Z<=z) iki-uçlu b. EĞİM
c. Ortalama c. PEARSON
d. Bilinen Varyans d. KESMENOKTASI
e. Gözlem e. RKARE
4. Örneklemlerin değişkenliği aynı olduğunda bağımsız iki 9. İşlemtablolarında α için veri yardımıyla a tahmini han-
örneklem Student-t testi için “Veri Çözümlemesi” diyalog gi işlevle gerçekleştirilir?
kutusunda bulunan hangi işlem seçilmelidir? a. RKARE
a. t-test:Ortalamalar İçin İki Örnek b. PEARSON
b. t-test:Farklı Varyanslar Varsayarak İki Örnek c. TAHMİN
c. z-test: Ortalamalar İçin İki Örnek d. EĞİM
d. t-test:Eşit Varyanslar Varsayarak İki Örnek e. KESMENOKTASI
e. Hareketli Ortalama
10. İşlemtablolarında β için veri yardımıyla b tahmini hangi
5. İşlemtablolarında bağımlı iki örneklem Student-t testi- işlevle gerçekleştirilir?
nin gerçekleştirilmesi işlevi aşağıdakilerden hangisidir? a. PEARSON
a. Z.TEST b. RKARE
b. T.TEST c. EĞİM
c. PEARSON d. TAHMİN
d. MED e. KESMENOKTASI
e. TEST.T

1. b Yanıtınız yanlış ise “İşlemtablolarıyla Güven Aralığı” Sıra Sizde 3
konusunu yeniden gözden geçiriniz. İşlemtablolarındaki EĞİM işlevi en küçük kareler tekniği
2. c Yanıtınız yanlış ise “İşlemtablolarıyla Hipotez Test- yardımıyla basit doğrusal regresyon modelinde yer alan ana
leri ve Varyans Analizi” konusunu yeniden gözden kütle parametresi β için veri yardımıyla b tahminini belirler.
geçiriniz.
3. a Yanıtınız yanlış ise “İşlemtablolarıyla Hipotez Test-
leri ve Varyans Analizi” konusunu yeniden gözden
geçiriniz. Yararlanılan ve Başvurulabilecek
4. d Yanıtınız yanlış ise “İşlemtablolarıyla Hipotez Test- Kaynaklar
leri ve Varyans Analizi” konusunu yeniden gözden Alexander, M., Decker, J., & Wehbe, B. (2014). Microsoft Bu-
geçiriniz. siness Intelligence Tools for Excel Analysts, John Wiley
5. b Yanıtınız yanlış ise “İşlemtablolarıyla Hipotez Test- & Sons.
leri ve Varyans Analizi” konusunu yeniden gözden Er, F. (2003). Açıklayıcı Veri Analizi, Kaan Kitabevi,
geçiriniz. Eskişehir.
6. e Yanıtınız yanlış ise “İşlemtablolarıyla Hipotez Test- Grimmett, G.R., Stirzaker, D.R. (2001). Probability and
leri ve Varyans Analizi” konusunu yeniden gözden Random Processes, Oxford University Press.
geçiriniz. McFedries, P. (2013). Excel 2013 Formulas and Functions,
7. b Yanıtınız yanlış ise “İşlemtablolarıyla Korelasyon ve Que Publishing.
Basit Doğrusal Regresyon Analizi” konusunu yeni- Ragsdale, C. T. (2004). Spreadsheet Modeling and Decision
den gözden geçiriniz. Analysis, Thomson South-Western.
8. a Yanıtınız yanlış ise “İşlemtablolarıyla Korelasyon ve Schmuller, J. (2009). Statistical Analysis With Excel For
Basit Doğrusal Regresyon Analizi” konusunu yeni- Dummies, Wiley Publishing, Inc., Canada.
den gözden geçiriniz. Serper, Ö. (2000). Uygulamalı İstatistik I, Bursa: Ezgi Kita-
9. e Yanıtınız yanlış ise “İşlemtablolarıyla Korelasyon ve bevi.
Basit Doğrusal Regresyon Analizi” konusunu yeni- Sönmez, H. (2006). R Yazılımı İle İstatistiksel Analiz,
den gözden geçiriniz. Eskişehir:Kaan Kitabevi.
10. c Yanıtınız yanlış ise “İşlemtablolarıyla Korelasyon ve Ott, L. (1988). An Introduction To Statistical Methods And
Basit Doğrusal Regresyon Analizi” konusunu yeni- Data Analysis, PWS-Kent Publishing Company, Boston.
den gözden geçiriniz. Walkenbach. (2015). Excel 2016 Power Programming with
VBA, John Wiley.
Winston, W.L. (2014). Microsoft Excel 2013: Data Analysis
Sıra Sizde Yanıt Anahtarı and Business Modeling, O’reilly Media, Inc., U.S.A.
Sıra Sizde 1
İşlemtablolarında Normal dağılım kullanılarak bir
ana kütle ortalamasının güven aralığının hesaplan-
masında kullanılan işlevin işlemtablolarında yazımı
GÜVENİRLİK(alfa;standart_sapma;boyut) şeklindedir.
Sıra Sizde 2
İşlemtablolarında yazımı Z.TEST(dizi;x;sigma) şeklindedir.
• Dizi: Gözlem değerlerinin bulunduğu aralık, gereklidir.
• Sigma: Ana kütle standart sapması biliniyorsa yazılır,
belirtilmezse örneklem standart sapmasıdır, isteğe
bağlıdır.
8
Amaçlarımız
 Excel ile veri madenciliği işlemlerinin yapılabilmesi için gerekli yazılımların
kurulumlarını yapabilecek,
 Excel ile veri madenciliği işlemlerini gerçekleştirmek için veriyi hazırlayabilecek,
 Excel veri madenciliği eklentisinde bulunan veri modelleme sihirbazlarını
kullanabilecek,
 Excel’de bulunan veri madenciliği modellerinin doğruluğunu ve geçerliliğini
test edebilecek
Anahtar Kavramlar
• Veri Modeli • Verinin Hazırlanması
• Veri Madenciliği Algoritması • Verinin Modellenmesi
• SQL Server • Örnekleme
• SSAS • Aykırılık
• Excel Veri Madenciliği Eklentisi
İçindekiler
• GİRİŞ
• İŞLEMTABLOLARI İLE VERİ
İşletme Analitiği İşlemtabloları ile Veri Madenciliği MADENCİLİĞİNE BAŞLARKEN
• EXCEL İÇİN SQL SERVER VERİ
MADENCİLİĞİ EKLENTİSİ
İşlemtabloları ile
Veri Madenciliği
GİRİŞ
Yöneticiler kararlarında veri ve modelleri birlikte kullanırlar. Modeller, verileri bilgilere dö-
nüştüren araçlardır. Öte yandan gözlem ve analizlerle keşfedilebilen veri setleri arasındaki
ilişkilerin, hipotezlerin ve dolayısıyla modellerin yapısının belirlenmesinde rol oynarlar.
Karar analitiği kapsamındaki optimizasyon modellerinde bağımlı ve bağımsız değişkenle-
rin belirlenmesi, matematiksel ifadelerin gerçeği temsil etme düzeylerinin tespit edilmesi
ve parametrelerin hesaplanması, probleme ait verilerin doğru derlenmesi, analizi ve değer-
lendirilmesi ile mümkün olabilmektedir. Kestirim modellemede gözlem ve veri analizleri
özel bir yer tutar. Daha önce fark edilmemiş yeni ve kıymetli sıra, sınıf, küme, ilişki ve
kural bilgilerinin veri kaynakları veya tabanlarındaki kayıtlar içinden bulunarak veya he-
saplanarak çıkarılması, yalnızca problem için anlamlı veri ve veri kaynaklarının keşfine
değil, probleme ilişkin yeni modellerin de keşfine işaret eder. Satışlar ve müşterilerle ilgili
verilerden yararlanarak en değerli müşterilerin belirlenmesi ve belirli bir kampanyadan bu
müşterilerin yararlandırılması klasik ve fakat anlamlı bir müşteri ilişkileri yönetimi yakla-
şımı olarak görünebilir. Ancak bunun bir adım ötesi, yeni müşterilerimizden hangilerinin
ve ileride ne zaman en değerli müşteriler olacağını öngörecek yaklaşımlar ortaya koyabil-
mektir. Böyle bir arayış ise analistleri örüntü keşfi gibi iddialı ve akademik derinliği olan
veri madenciliği yaklaşımlarına yöneltir. Henüz birçok firmanın, kurumsal çapta yaygın
bir işletme zekâsı ve analitiği yaklaşımıyla ortaya çıkan ve veri ambarları ve veri marketleri
ile pekişen “verilere erişimde yeni bir dönem”in başlamış olduğunun farkında olduğu söy-
lenemez. Büyük veri çağının başlaması ile veriler geçmişe ilişkin kayıtlar olmaktan çıkıp
işletmenin geleceğe dönük strateji ve politikalarını oluşturmak amacıyla kullanılan değerli
varlıklar (asset) hâline gelmiştir. Söz konusu değerlerin işletilmeden bırakılması veya işle-
nerek içindeki kıymetlerin açığa çıkarılması konusunda yöneticilerin bir tercih yapması ge-
rekecektir. Eğer bu tercih öncelikle şirketin sonra da erişime açık tüm veri kaynaklarındaki
kıymetli bilgilerin açığa çıkarılması yönünde olursa işletmeler çalışma konuları içine veri
madenciliğini de eklemek durumunda kalacaklardır.
Veri madenciliği, özellikle yapısal olan ve olmayan büyük veri yığınlarından yararla-
narak yeni durum ve yöntem bilgilerinin açığa çıkarılması amacıyla yürütülen çalışmaları
içermektedir. Bu çalışmalarda yararlanılan yöntemler iki kategoride ele alınabilir: istatis-
tiksel yöntemler ve yapay zekâ yaklaşımları. Veri madenciliğinde istatistiksel yaklaşımların
kullanımında klasik istatistiksel yaklaşımlara göre önemli bir fark bulunmaktadır. Klasik
yaklaşımlarda, gerçekleşenle model arasındaki farkların yani hata karelerinin azaltılması
esas iken büyük veride artan veri hacmi, hataların göz ardı edilmesine olanak vermektedir.
Öte yandan kesinlik içermeyen yapay zekâ algoritmaları, verilerdeki örüntülerin yakalan-
masında veri büyüklüğünden istatistiksel yöntemler kadar etkilenmemektedir. Bu gelişme-
lerden yararlanan bazı geniş görüşlü firmalar, işletme politika ve stratejilerini oluştururken
veri madenciliğinin sunduğu olanaklardan yararlanmasını bilmişlerdir.
Verilerin sunduğu olanakların fark edilmesi, tüm yönetsel kademelerin konuya olan
ilgisini de beraberinde getirmiştir. Büyük verilerin veri ambarlarında ve marketlerinde özel
tüketim amaçlarına uygun olarak sentezlenmesi, veri madenciliği çalışmaları için uygun
bir zemin de yaratmıştır. Dahası işletmelerin verilere bakışı, büyük verinin öneminden de
etkilenerek, her tür veriden yararlanarak veri madenciliği fırsatlarını kovalamaya dönmüş-
tür. Söz konusu dönüşüm veri madenciliğinin kullanımında artan yazılım araçları parkını
genişletmiştir. Bu geniş araç parkı içinde Excel’in veri madenciliğine yönelik “Data Mi-
ning” eklentisi de yer almaktadır.
Analitik araçların kurumsal yaygınlığa ve saygınlığa kavuşması için her yönetsel nok-
tada “analitikle rekabet” kültürünün oluşturulması gerekir. Her yönetsel noktada veri ma-
denciliğinin yönetim araçlarının bir parçası olabilmesinin bir yolu ve belki de en etkili yolu
Excel gibi işlemtabloları üzerinden veri madenciliğinin yapılabilirliğini benimsetmektir.
Analitiğin kurumsallaşması noktasında bu önemli bir adım olarak görülmelidir. Bu üni-
tenin amacı da Excel ile veri madenciliğinin yapılabilirliği algısını öncelikle benimseterek
kurumsal ve bireysel karar analitiği yeteneğinin güçlendirilmesi noktasında yeni bir kapı
açmaktır.
İŞLEMTABLOLARI İLE VERİ MADENCİLİĞİNE BAŞLARKEN

Microsoft Excel ile yapılan veri madenciliği işlemlerinde SQL Server Analysis Services
(SSAS) arka planda veri madenciliği sihirbazlarının çalışmasına yardımcı olan bir motor
görevi görürken Excel, veri madenciliği (data mining) eklentisi sayesinde bir istemci göre-
vi görmektedir. Microsoft Excel üzerinden veri madenciliği işlemlerini yapabilmek için üç
temel yazılıma ihtiyaç duyulmaktadır. Bunlar; 2007 ve sonrası sürüme sahip bir Microsoft
Ofis yazılımı, Microsoft SQL Server 2005 ya da sonrası bir sürümü ve Microsoft Excel’in
Data Mining eklentisidir. Bu ünitede Microsoft Excel 2013, Microsoft SQL Server 2012
ve Microsoft SQL Server 2012 Data Mining eklentisi kullanılacaktır. Bu bölümde gerekli
yazılımların kurulumları ve yapılandırmaları anlatılmıştır.
Microsoft SQL Server 2012 Data Mining Eklentisi Kurulumu

1. Öncelikle Microsoft’tan ücretsiz olarak edinilebilecek “Microsoft SQL Server 2012
Data Mining Add-ins for Office” eklentisinin indirilmesi gerekmektedir.
Microsoft SQL Server 2012 Data Mining Add-ins for Microsoft Office yazılımını indirmek
için gerekli olan bağlantı aşağıdaki gibidir:
http://www.microsoft.com/en-us/download/details.aspx?id=35578
Kurulumun başarılı bir şekilde gerçekleşebilmesi için kurulum yapılacak olan ofis sürümü-
ne uygun olan eklentinin edinilmesi gerekmektedir. 32 bit olan bir ofis sürümü üzerine 64
bit olan bir eklenti kurulumu yapılamayacaktır.
2. İndirilen dosya çalıştırılarak kuruluma başlanacaktır.

3. Kurulum sırasında ilerlemek için Next (İleri) düğmesinin kullanılması gerekmek-
tedir. Bir sonraki adımda bir lisans sözleşmesi bulunmaktadır. Bu sözleşme “I ac-
cept the terms in the licence agreement” seçeneği seçilerek kabul edilmeli ve Next
düğmesine basılmalıdır.
8. Ünite - İşlemtabloları ile Veri Madenciliği 193
4. Sonraki adımda, kurulması gereken özelliklerin seçilmesi gerekmektedir. Bu bö-
lümde “Table Analysis Tools for Excel”, “Data Mining Client for Excel” ve “Server
Configuration Utility” kesinlikle seçilmelidir. “Data Mining Templates for Visio”
seçeneği opsiyoneldir (Şekil 8.1).
Şekil 8.1
Microsoft SQL Server
2012 Data Mining
Add-Ins Kurulum
Penceresi
5. Next düğmesine tıklanarak yükleme işlemine hazır hâle gelinecektir ve bir sonraki
adımda Install (Yükle) düğmesi aracılığı ile yükleme işlemi başlayacaktır. Yükleme
işlemi bitene kadar beklenmelidir. Yükleme işlemi bittikten sonra Finish (Bitir)
düğmesi ile kurulum tamamlanacaktır.
6. Kurulum başarılı bir şekilde tamamlanmış ise Microsoft Excel 2013 programı ça-
lıştırıldığında Data Mining sekmesinin Şekil 8.2’deki gibi Excel sekmeleri arasına
eklendiği görülecektir.
Şekil 8.2
Microsoft Excel Data
Mining Sekmesi
7. Data Mining eklentisi, Microsoft SQL Server 2012 Analysis Services’ın herhangi
bir sürümü ile bağlantı kurmaya ihtiyaç duymaktadır.
Microsoft SQL Server 2012 Kurulumu ve Analysis Services’ın

(SSAS) Yapılandırılması
Bu bölümde, Microsoft Ofis 2013 ile uyumlu olarak çalışan Microsoft SQL Server 2012
kurulumu ve Excel Data Mining eklentisi için gerekli olan bağlantıların nasıl yapılacağı
anlatılacaktır. Microsoft SQL Server 2012 Enterprise Edition’ın 180 günlük Evaluation sü-
rümü ücretsiz olarak Microsoft’tan edinilebilmektedir.
Microsoft SQL Server 2012 Enterprise Edition’ın edinilmesi ve Analysis Services’ın
yapılandırılması için Excel’e eklenmiş olan Data Mining sekmesi altındaki Help bölümün-
de bulunan “Getting Started” aracı kullanılabilir. Bu araca aynı zamanda başlat menüsü
altından da erişim mümkündür.
Şekil 8.3
Getting Started Aracı
Penceresi
Getting Started aracı bize yapılandırma konusunda üç farklı seçenek sunmaktadır (Şe-
kil 8.3). Eğer kullanılmakta olan sistem üzerinde daha önceden kurulmuş olan bir SSAS
bulunmakta ise “Use an existing instance of Microsoft SQL Server 2008 (or later) Analysis
Services that I administer” seçeneği ya da “Connect to a Microsoft SQL Server 2008 (or
later) Analysis Services instance to which I have non-administrative access” seçeneği yar-
dımı ile kurulum adımları atlanarak yapılandırma işlemine geçilebilir.
Eğer herhangi bir SSAS kurulumu yapılmamış ise “Download an evaluation version
of Microsoft SQL Server 2012 and set up Analysis Services on my computer” seçeneği ile
Microsoft SQL Server 2012’nin 180 günlük Evaluation sürümü ücretsiz olarak edinilip ku-
rulabilir. Bu bölüm, önceden herhangi bir SSAS kurulumu yapılmadığı varsayılarak Şekil
8.3’te bulunan ilk seçenek üzerinden anlatılacaktır.
İlk seçeneği seçerek Next düğmesine basıldıktan sonra ekrana Microsoft SQL Server
2012 hakkında bir açıklama gelecektir. Bu açıklamada kurulumu tamamlamak için 2 adı-
ma daha ihtiyaç olduğu belirtilmektedir. Bunlardan birisi Microsoft SQL Server 2012 En-
terprise Evaluation Edition’ın Microsoft üzerinden edinilmesi, bir diğeri ise kurulmuş olan
Excel Data Mining eklentisinin doğru bir şekilde çalışması için SSAS’in yapılandırılmasıdır.
Birinci adım (Step 1) altında verilen bağlantı aracılığı ile Microsoft üzerinden SQL
Server 2012 Enterprise Evaluation Edition indirilebilmektedir.
Microsoft SQL Server 2012 Enterprise Evaluation Edition yazılımını indirmek için gerekli
olan bağlantı aşağıdaki gibidir:
https://www.microsoft.com/en-us/download/details.aspx?id=29066
Microsoft SQL Server 2012 Enterprise Evaluation Edition Kurulumu

1. .iso uzantılı olarak indirilen program herhangi bir DVD’ye yazdırılarak ya da bir
sanal sürücü yardımı ile kullanılmalıdır.
2. Setup.exe dosyası çalıştırılarak kuruluma başlanacaktır.
3. Microsoft SQL Server 2012 Enterprise Evaluation Edition kurulumu için Installa-
tion (kurulum) bölümü altında bulunan “New SQL Server Standalone Installation
or add features to an existing installation” seçeneği seçilmelidir (Şekil 8.4).
Şekil 8.4
SQL Server
Installation Center
Penceresi
4. Seçim yapıldıktan sonra kurulum sihirbazı, kurulum için gerekli olan yazılımları
kontrol edecektir ve bu kontrolü tamamladıktan sonra bir rapor sunacaktır. Kont-
rol işleminde herhangi bir sorun tespit edilmesi durumunda kuruluma devam ede-
bilmek için sorun bulunan kısımların düzeltilmesi gerekmektedir. Sorunlar düzel-
tildikten sonra OK (Tamam) düğmesine basılarak kuruluma başlanır.
5. Kurulum başlarken bir lisans anahtarına sahip olunup olunmadığı sorulacaktır. Bu
ünite kapsamında ücretsiz deneme sürümü kullanılacağı için “Specify a free editi-
on” bölümünden “Evaluation” sürümünün kullanılacağı belirtilmeli ve Next düğ-
mesine basılmalıdır (Şekil 8.5). Her ne kadar değerlendirme sürümü kullanılacak
olsa da bu sürüm yazılımın gerekli bütün özelliklerini 180 gün boyunca ücretsiz
olarak sunmaktadır.
Şekil 8.5
SQL Server 2012
Setup Penceresi
6. License Terms adımında karşımıza bir lisans sözleşmesi çıkacaktır. Kuruluma de-
vam edebilmek için “I accept the license terms” seçeneği seçilerek bu sözleşmenin
kabul edilmesi ve daha sonra Next düğmesine basılması gerekmektedir.
7. Product Updates adımında yüklenebilecek güncellemelerin listesi sunulmaktadır.
“Include SQL Server product updates” seçeneğinin seçilmesi ve Next düğmesine ba-
sılması gerekmektedir. Gerekli dosyalar indirildikten sonra kurulum başlayacaktır.
8. Kurulum esnasında, bazı kuralların yapılandırılması istenecektir:
• Setup Support Rules: Kurulum için gerekli olan yazılımlar kontrol edilecektir. Bu
işlem tamamlandıktan sonra Next düğmesine basılarak kuruluma devam edilecektir.
• Setup Role: Yapılması istenilen kurulum seçilecektir. Bu bölüm için “SQL Server
Feature Installation” seçeneği seçilip Next düğmesine basılmalıdır.
• Feature Selection: Yüklenmesi istenilen özelliklerin seçildiği bölümdür. “Select
All” düğmesine basarak bütün özelliklerin yüklenmesi talep edilmeli ve daha sonra
Next düğmesine basılmalıdır.
• Installation Rules: Yükleme prosedürlerinin kontrol edildiği bölümdür. Kontrol iş-
lemi tamamlandıktan sonra Next düğmesine basılarak kuruluma devam edilecektir.
• Instance Configuration: Varsayılan olarak sunulan ayarlar uygundur. “Default
instance” seçeneğinin seçili olduğundan emin olup Next düğmesine basılmalıdır.
• Disk Space Requirements: Kurulum için gerekli olan boş alan kontrol edilecektir.
Kontrol işleminden sonra Next düğmesine basılarak kuruluma devam edilecektir.
• Server Configuration: Varsayılan olarak sunulan ayarlar uygundur. Next düğme-
sine basılmalıdır.
• Database Engine Configuration: SQL sunucu yöneticisinin belirlenmesi gerek-
mektedir. “Add Current User” düğmesine basılarak işletim sistemi üzerinde otu-
rum açmış olan kullanıcı ya da Add (ekle) düğmesi ile işletim sisteminde tanım-
lanmış herhangi bir kullanıcı, yönetici olarak atanıp Next düğmesine basılmalıdır.
• Analysis Services Configuration: “Multidimensional and Data Mining Mode”
sunucu yapısı olarak seçilmelidir. Daha sonra “Analysis Services” için “Add Cur-
rent User” ya da “Add” düğmesi aracılığı ile bir yönetici atanmalıdır. Atanmış olan
yönetici, servislerin kullanımında sınırsız yetki sahibi olacaktır. Daha sonra Next
Eğer kurulum sırasında Multidimensional and Data Mining Mode yerine Tabular Mode seçi-
lirse Excel üzerinden veri madenciliği işlemleri sağlıklı bir şekilde yapılamayacaktır.
• Reporting Services Configuration: “Install and configure.” seçeneği seçilerek

• Distributed Replay Controller: “Add Current User” ya da “Add” düğmesi aracılığı
ile bir yönetici atanarak Next düğmesine basılmalıdır.
• Distributed Replay Client: Varsayılan olarak sunulan ayarlar uygundur. Next
• Error Reporting: Herhangi bir hata olması durumunda bu hataların Microsoft’a
iletilip iletilmeyeceği sorulmaktadır. İsteğe bağlı olarak iletim yetkisi seçilebilir.
Next düğmesine basılarak kuruluma devam edilecektir.
• Installation Configuration Rules: Yapılandırma prosedürlerinin kontrol edildiği
bölümdür. Kontrol işlemi tamamlandıktan sonra Next düğmesine basılarak kuru-
luma devam edilecektir.
• Ready to Install: Kurulum özet bilgisi sunulmaktadır. Install düğmesine basılarak
yükleme işlemine başlanılacaktır.
• Installation Progress: Yükleme işleminin yapıldığı bölümdür. Yükleme tamamla-
nana kadar beklenmelidir.
• Complete: Yükleme bittikten sonra yapılan işlemlerin bir raporu sunulmaktadır.
Close düğmesine basarak kurulum işlemi başarılı bir şekilde tamamlanmış olur.
İkinci adım (Step 2) altında verilen bağlantı aracılığı ile bir önceki adımda yüklenmiş
olan SSAS’in yapılandırmasını sağlayan “Server Configuration Utility” sihirbazına erişim
sağlanmaktadır. Bu sihirbaza başlat menüsü yardımı ile de ulaşılabilmektedir.
Excel Data Mining Eklentisi İçin SSAS’in Yapılandırılması

1. Sihirbaz çalıştırılarak yapılandırmaya başlanılacaktır. Next düğmesine basılmalıdır.
2. Yapılandırma dört farklı adımdan oluşmaktadır. Birinci adımda Data Mining ek-
lentisinin bağlanacağı sunucu bilgisi sorulmaktadır. SSAS aynı sistem üzerinde
kurulu olduğu için bu alan “localhost” olmalıdır. Next düğmesine basılarak yapı-
landırmaya devam edilir.
Şekil 8.6
Yapılandırma
Sihirbazı Penceresi
3. Sunucuya erişim kontrol edildikten sonra ikinci adıma geçilir. Bu adımda geçici
madencilik modellerinin kullanılıp kullanılamayacağı izni sorulmaktadır. Geçici
madencilik modellerinin kullanılabilmesi için “Allow creating temporary mining
models” seçili iken Next düğmesine basılmalıdır.
4. Üçüncü adımda kullanılacak olan veritabanının seçilmesi gerekmektedir.
a. Eğer ilk kez SSAS kullanılacak ise yeni bir veritabanı oluşturulması gerekir.
Bunun için “Create new database” bölümünden oluşturulacak veritabanına bir
isim verilmelidir. Varsayılan olarak önerilen “DMAddinsDB” adını kullanmak-
ta herhangi bir sakınca yoktur. Next düğmesine basılmalıdır.
b. Eğer daha önceden oluşturulmuş bir veritabanı mevcut ise “Use existing data-
base” seçeneği seçilerek ilgili listeden kullanılmak istenen veritabanı seçilebilir.
5. Dördüncü adımda ise veritabanı erişimi için kullanıcı yetkilendirmesi yapılmak-

tadır. Bu kısım güvenlik ve verinin yönetimi açısından büyük önem taşımaktadır
ve yetkilendirme işlemi titiz bir şekilde yapılmalıdır. Yapılandırma sihirbazı bu
bölümde SSAS kurulumu sırasında yetki verilmiş olan kullanıcı listesini varsa-
yılan olarak sunacaktır. Eğer bu listede değişiklik yapılmak istenirse “Add” ve
“Remove” düğmeleri kullanılabilir. Finish düğmesi yardımı ile yapılandırma
sonlandırılacaktır.
6. Yapılandırma tamamlandıktan sonra yapılandırma sırasında yapılan işlemlerin ra-
poru sunulacaktır. Close düğmesine basılarak yapılandırma sihirbazı kapatılacaktır.
Microsoft Excel 2013’ün Yapılandırılması

Son olarak veri madenciliği işlemlerinde istemci görevi görecek olan Microsoft Excel ile
önceki adımlarda yapılandırılmış olan SSAS arasında bir bağlantı kurulması gerekmek-
tedir. Bunun için Microsoft Excel 2013’ü açarak Data Mining sekmesi altındaki Con-
nection bölümünden Analysis Services Connections listesi açılarak New (yeni) düğmesi
aracılığı ile yeni bir bağlantı oluşturulmalıdır. Yeni kurulacak bağlantı için Şekil 8.7’deki
bilgilere gereksinim duyulmaktadır. Server name olarak yapılandırma sırasında belirtti-
ğimiz “localhost” kullanılmalıdır. Catalog name altında sunulan listeden yapılandırma
sırasında oluşturulan yeni veritabanının ismi seçilmelidir. Bu işlemden sonra Friendly
name otomatik olarak oluşturulacaktır. “OK” düğmesi yardımı ile yeni bağlantı kurul-
muş olur ve artık Microsoft Excel 2013 Veri Madenciliği işlemlerine başlamak için hazır
durumdadır.
Şekil 8.7
Analysis Services
Bağlantı Sihirbazı
Penceresi
Excel ile veri madenciliği işlemlerinin yapılabilmesi için gerekli olan 3 temel yazılım ve bu
1 yazılımların veri madenciliği işlemlerinin yapılmasındaki rolleri nelerdir?
EXCEL İÇİN SQL SERVER VERİ MADENCİLİĞİ EKLENTİSİ

Excel’in veri madenciliği eklentisi, SSAS’ın veri madenciliği işlemleri konusundaki gü-
cünü ortaya çıkarmaktadır. Bu eklenti, Excel tablolarındaki veriler ile SSAS altında bu-
lunan birçok gelişmiş veri madenciliği algoritmalarını, yapılarını ve görüntüleyicilerini
kullanarak veri madenciliği işlemlerinin yapılmasını sağlamaktadır. Bu eklenti yardımı ile
karmaşık veri setlerinin analizi ve kestirimler kolaylıkla yapılabilmektedir. Ayrıca verile-
rin ve çıkarımların Excel’de tutulması sayesinde veri desenleri istenildiği zaman kolaylıkla
belgelendirilebilmektedir.
Excel’i veri madenciliği istemcisi olarak kullanabilmek için “İşlemtabloları ile Veri
Madenciliğine Başlarken” bölümünde anlatıldığı gibi SSAS ile bir bağlantı kurulması ge-
rekmektedir. Bu bağlantı, Excel’in SSAS motoruna erişimini ve SSAS’te bulunan veri ma-
denciliği modellerinin analiz ve tahmin işlemleri için kullanılabilmesini sağlamaktadır.
Bu erişim ile birlikte gerekli yetkiler sağlandığı sürece, veri madenciliği işlemlerinin yanı
sıra oluşturulan bir veri deseninin saklanması veya var olan veritabanı nesneleri üzerinde
değişiklikler yapılabilmesi gibi işlemler de gerçekleştirilebilmektedir. Eğer yapılan işlem-
ler kaydedilmeyecekse geçici modeller ile çalışmak da mümkündür.
SQL Server ile veri madenciliği için kullanılacak olan verinin Excel’de kullanılabilmesi
için verinin, doğrudan bir dış veri kaynağından alınması ya da Excel içerisinde yeni bir
tablo formatında tutulması gerekmektedir. Verilerin Excel tablolarında tutulmaları saye-
sinde kolaylıkla düzenlenebilen ve esnekliği olan Excel tablolarını veritabanı tabloları gibi
kullanabilmek mümkündür.
Excel içerisinde verilerin bulunduğu bir tablo oluşturduktan ya da dış veri kaynak-
larında bulunan bir veri setini Excel’e aldıktan sonra veri madenciliği eklentisi altında
bulunan farklı araçlar kullanılabilecektir. Excel veri madenciliği eklentisi altında bulunan
sihirbazlar Data Preparation, Data Modeling, Accuracy and Validation, Model Usage, Ma-
nagement, Connection ve Help olmak üzere yedi bölüme ayrılmaktadır.
Verinin Hazırlanması (Data Preparation)

Data Preparation, yani verinin hazırlanması bölümü madencilik işlemlerinin sağlıklı bir
şekilde yapılabilmesi için büyük önem taşımaktadır. Excel veri madenciliği eklentisi al-
tında bulunan Data Preparation bölümü, veri madenciliği işlemleri için kullanılacak olan
verinin gözden geçirilmesi ve temizlenmesi işlemlerinde yardımcı olacak bazı sihirbazları
barındırmaktadır.
Şekil 8.8
Excel Data Mining
Sekmesi Altındaki
Data Preparation
Bölümü
Verinin Keşfi (Explore Data)

Explore Data sihirbazı, kullanılmak istenen veri setinde seçilmiş olan herhangi bir
alan (sütun) için dağılımı ve değerleri grafiklerle ifade ederek veri setinde bulunan
verilerin türünün ve miktarının daha belirgin bir şekilde anlaşılmasını sağlamaktadır.
Bu işlem için çizgi grafiği ya da sütun grafiği kullanılmaktadır. Çizgi grafiği kullanı-
mında verinin değeri X ekseninde yer alırken Y ekseninde verinin miktarı yer almak-
tadır. Sütun grafiği kullanımında ise veriler gruplandırılarak miktarlarıyla birlikte
ifade edilmektedir.
Explore Data sihirbazı, eğer seçilmiş olan alan (sütun) içerisindeki bütün değerler
sayısal ise, bu alanda bulunan değerleri istenilen miktarda eşit veri aralıklarına (buc-
kets) bölerek gruplandırılmasını sağlamakta ve bir sütun grafiği ile her bir aralıktaki
veri miktarını ifade edebilmektedir. İsteğe bağlı olarak, yapılan gruplandırma işlemi
sonrası oluşturulan veri aralıkları da kaynak veri tablosu üzerinde yeni bir sütun oluş-
turularak her bir satırda bulunan verinin hangi aralıkta yer aldığını ifade edecek şekilde
eklenebilmektedir.
Verinin Temizlenmesi (Clean Data)

Clean Data altında bulunan sihirbazlar, veri madenciliği işlemleri için kullanılmak istenen
veri seti içerisindeki anormallikleri tespit etmeyi, yapılan tespitler sonucu veri setini tek-
rar organize etmeyi ve böylelikle kullanılmak istenen veri setini veri madenciliği işlemleri
için hazır hâle getirmeyi sağlamaktadır.
• Aykırılıklar (Outliers): Outliers sihirbazı, veri seti içerisindeki aykırı değerleri
tespit ederek bu değerler ile başa çıkmayı sağlamaktadır. Bu tespit işleminde, kul-
lanılan veri setinin desenleri analiz edilerek set içerisindeki verinin güvenilir olup
olmadığı kontrol edilmektedir. Bir değeri aykırı olarak nitelendirebilmek için bazı
ölçütler mevcuttur. Bunlar:
- Değerin, beklenilen aralığın dışında olma durumu
- Verinin yanlış yazılmış olma ihtimali
- Değerin yazılmamış olma durumu
- Verinin boşluk karakterinden ya da boş bir dizinden (NULL string) oluşması
- Değerin, model dağılımını ciddi şekilde etkileme durumu
Bir veri tablosundaki bazı değerlerin yanlış ya da beklenilen aralığın çok dışın-
da olması, veri setinde bir hata olduğunu gösterebilmektedir. Veri setinde hata
olmasa bile bu değerlerin analiz sonuçlarını olumsuz yönde etkileyebileceği dü-
şünülerek bu değerlerin düzenlenmesi gerekmektedir. Excel’in veri madenciliği
eklentisi bu tarz aykırı değerleri bularak bu değerlerin güncellenmesini ya da
ölçümlerin dışında tutulmasını sağlamaktadır. Örnek olarak sürekli sayısal de-
ğerler içeren bir veri setindeki aykırı değerleri bulup, bu değerleri aritmetik or-
talamaya dönüştürme işlemi ya da aykırı olarak değerlendirilen değerleri içeren
satırları silme işlemi outliers sihirbazı ile rahatlıkla yapılabilmektedir.
Bir veri tablosunda bulunan aykırı değerleri ayıklamak için öncelikle Explore Data
sihirbazı kullanılarak değerlerin dağılımı ve aykırı diye nitelendirilebilecek değer-
lerin normal değerlerle olan ilişkileri daha iyi bir şekilde anlaşılmalıdır. Daha son-
ra Outliers sihirbazı yardımı ile aykırı olarak nitelendirilen değerler değiştirilmeli
ya da silinmelidir. Aykırı değerlerin ayıklanmasında kullanılacak metot, değerlerin
kesikli ya da sürekli değerler olmasına göre belirlenebilir. Outliers sihirbazı kesikli
değerleri sütun grafiğiyle sürekli değerleri ise sütun ya da çizgi grafiğiyle ifade ede-
bilmektedir. Aykırı değerlerin tespitinden sonra sihirbaz aracılığı ile bu değerleri
içeren satırlar silinebilir ya da bu değerler, kullanıcı tarafından belirlenmiş olan bir
değerle, aynı sütun içerisindeki diğer değerlerin aritmetik ortalamasıyla ya da boş
bir değer ile değiştirilebilir. Son adım olarak ise, yeni oluşturulan veri seti; kaynak
veri seti ile değiştirilebilir, veri tablosuna yeni bir sütun olarak eklenebilir ya da
yeni bir çalışma sayfasına aktarılabilir.
• Yeniden Etiketlendirme (Re-label): Re-label sihirbazı, veri tablosunun herhangi
bir alanında (sütununda) bulunan veri grubunu yeniden etiketlemek için kulla-
nılmaktadır. Bu işlemin amacı verileri daha anlamlı değerlerle değiştirerek ya da
istenilen şekilde gruplayarak veri tablosu üzerinde yapılacak analiz sonuçlarının
daha anlaşılır şekilde olmasını sağlamaktır.
Örneğin, cinsiyet değişkeninin verilen cevaba göre 1 ya da 2 değerini alabildiği bir
anketin verilerinin raporlanması gerekmektedir. Hazırlanan rapor içerisinde cin-
siyetin 1 ya da 2 sayı değeri ile ifade edilmesi çok da anlamlı olmayacaktır. Böyle
bir durumda veri tablosu içerisinde bulunan cinsiyet sütunu re-label sihirbazı ile
yeniden etiketlenerek, 1 değerleri “Erkek” ve 2 değerleri “Kadın” olarak kolaylıkla
değiştirilebilir. Böylelikle veriler daha anlamlı değerlerle değiştirilmiş olacaktır.
Re-label sihirbazının bir diğer amacı ise verileri gruplamaktır. Örneğin, uluslarara-
sı bir şirketin Ankara, İstanbul, Atina ve Sofya’ daki merkezlerinde 2015 yılı içeri-
sinde yapmış oldukları alımların bilgileri bir veri tablosunda bulunmaktadır. 2015
yılında ülke bazlı olarak merkezlerin alımlara ne kadar para harcadığı gözlemlen-
mek istenmektedir. Fakat bu merkezlerin hangi ülke sınırları içerisinde olduğu bil-
gisi tablo verileri arasında yoktur. Böyle bir durumda re-label sihirbazı kullanılarak
Ankara ve İstanbul değerleri “Türkiye”, Atina değeri “Yunanistan” ve Sofya değeri
“Bulgaristan” olarak yeniden etiketlendirilir ve gruplama işlemi yapılmış olur. Ye-
niden etiketleme işlemi sonrası oluşturulan yeni veri sütunu; ayrı bir sütun olarak
veri tablosuna eklenebilir, kaynak sütun değerleri ile değiştirilebilir ya da kaynak
veri tablosu saklanarak yeni bir çalışma sayfasına kaynak sütun değerleri yeni de-
ğerler ile değiştirilerek eklenebilir.
Verinin Örneklendirilmesi (Sample Data)

Model tasarımı için veri üzerinde deneyler yapmak ya da tasarlanmış bir modeli test et-
mek için doğru bir veri seti oluşturmak veri madenciliğinin en önemli parçalarındandır.
Kullanılacak olan veri seti iyi oluşturulmadığı takdirde veri madenciliği işlemleri yorucu
ve bıktırıcı bir hâl alabilmektedir. Excel’in veri madenciliği eklentisinde bulunan Sample
Data sihirbazı, veri setini yeniden örneklendirerek istenilen amaca daha uygun yeni bir
veri seti oluşturmakta ya da bir model için kullanılacak olan veriyi istenilen oranda iki
farklı gruba ayırabilmektedir. Bu gruplardan birisinde bulunan veri, desenleri incelenerek
model oluşturulma aşamasında kullanılmakta, diğer grupta bulunan veri ise oluşturula-
cak olan modelin test edilmesi aşamasında kullanılabilmektedir.
• Rastgele Örnekleme (Random Sampling): Excel tablolarında ya da dış bir veri
kaynağında bulunan verileri Sample Data sihirbazının random sampling özelliği ile
rastgele örneklemek mümkündür. Rastgele örnekleme yöntemi, oluşturulmuş bir
model ile test edilen verilerin, modelin oluşturulması sırasında kullanılmış olan
verileri açık bir şekilde temsil ettiğini göstermenin en iyi yoludur. Sample Data
sihirbazının random sampling özelliği kullanıldığında, seçilmiş olan veri tablosu
istenilen oranda ve rastgele verileri içerecek şekilde bölünerek yeni oluşturulacak
iki farklı çalışma sayfasına aktarılacaktır.
• Amaçlı Örnekleme (Oversampling): Excel tablolarında bulunan verileri Samp-
le Data sihirbazının oversampling özelliği ile istenilen kriterlere göre örneklemek
mümkündür. Veri tablosunu oversampling özelliği ile istenilen oranda yeniden ör-
neklendirerek tablo içerisinde nadir olan bir değerin oluşturulacak yeni örneklem-
de daha sık yer alması sağlanabilmektedir ve böylece seçilmiş olan verinin örnek-
lem içerisindeki temsil yeteneği arttırılmış olacaktır. Örneğin, 200 kişinin kadın
olduğu 800 kişilik bir grubun verileri bu sihirbaz yardımı ile 150 kadın ve 150
erkeğin olduğu 300 kişilik bir grup olarak yeniden örneklendirilebilir. Oversamp-
ling özelliği kullanılırken kriterler belirlendikten sonra seçim işlemi rastgele yapıl-
makta ve yeni örneklem, yeni oluşturulacak bir çalışma sayfasına aktarılmaktadır.
Oversampling özelliği sadece Excel tablolarında bulunan veriler üzerinde uygulanabilmek-

tedir. Bu özellik için bir dış veri kaynağındaki veriler kullanılmak isteniyorsa bu veriler ön-
celikle Excel’e aktarılmalıdır.
Veri madenciliği işlemlerinde kullanılacak olan veri özenli bir şekilde hazırlanmadığı tak-
2 dirde ne gibi istenmeyen durumlar ortaya çıkabilir?
Verinin Modellenmesi (Data Modeling)

Data modeling, Data preparation işlemi sonrası hazırlanmış olan verilerin veri maden-
ciliği fonksiyonları ve algoritmaları ile değerlendirilerek verilerin trendlerinin ve desen-
lerinin belirlendiği veri madenciliği adımıdır. Bu adımdan sonra veriler, analizler ve çı-
karımlar için kullanılmaktadır. Excel’in veri madenciliği eklentisi yardımı ile kolaylıkla
veri modelleri oluşturmak mümkündür. Data Modeling bölümünde bulunan sihirbazlar
Microsoft’un veri madenciliği algoritmalarını kullanmaktadırlar.
Şekil 8.9
Excel Data Mining
Sekmesi Altındaki
Data Modeling
Bölümü
Microsoft’un veri madenciliği algoritmaları hakkında daha detaylı bilgiye aşağıdaki bağlan-
tı aracılığı ile ulaşabilirsiniz:
https://technet.microsoft.com/en-us/library/ms175595(v=sql.105).aspx
Sınıflandırma (Classify)
Classify sihirbazı Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış
veri kaynağındaki verilerden yola çıkarak bir sınıflandırma modeli oluşturulmasını sağla-
maktadır. Sınıflandırma modelleri kategorik sonuçları tahmin etmek için kullanılmaktadır.
Modelin sağlıklı bir şekilde kurulabilmesi için sonuçları önceden bilinen durumlar ve bu
durumlarda ilgili faktörlerin aldığı değerleri de bilmek gerekmektedir. Excel’de oluşturulan
sınıflandırma modeli bir alanda (sütunda) bulunan değerleri, veri setindeki diğer alanlarda
bulunan değerlere bağlı olarak tahmin etmektedir. Örneğin bir televizyon kanalı çalışan-
ları yapmış oldukları analizler sonucu “çocuklar gündüz saatlerinde daha çok televizyon
izleyebilmekte, yetişkinler ise geceleri daha çok televizyon izleyebilmektedir” şeklinde iki
kural bulursa gündüz kuşağında çocuklara yönelik, geceleri ise yetişkinlere yönelik yayın-
lar yapıp reytingleri arttırmayı hedefleyebilirler. Sınıflandırma modelinin örnek kullanım
alanları arasında; müşteriler için düzenlenecek farklı kampanyalara yapılacak olan dönüş
tahminleri, bir şirketin müşteri popülasyonunun belirli bir ürünü ya da hizmeti almaktan
vazgeçme olasılıkları, bir bankaya yapılacak olan kredi başvurularının risk seviyelerini be-
lirleme ya da çeşitli bulgulara göre hastalık ihtimalleri gibi durumlar bulunabilmektedir.
Classify sihirbazı çalıştırıldığında öncelikle sınıflandırma modelinin oluşturulması için
kullanılmak istenen kaynak veri seti seçilmelidir. Seçilecek veri en az bir tane tahmin edilebi-
lecek alan ve tahmin işlemlerinde kullanılmak üzere analiz yapılabilecek alanlar içermelidir.
Sihirbaz, otomatik olarak tahmin edilecek alanları ve analizde kullanılabilecek alanları öner-
mektedir fakat bu öneriler kolaylıkla değiştirilebilmektedir. Daha iyi sonuçlar elde edebilmek
için desen oluşumuna katkıda bulunamayacak olan sıra no, isim, soyisim gibi değerler seçil-
memelidir. Seçim işlemi tamamlandıktan sonra sihirbaz, seçilen veriden ortaya çıkan deseni
bir göz atma penceresi (browse window) ile sunacaktır. Sınıflandırma modeli Microsoft’un
karar ağaçları algoritmasını kullandığından dolayı, sonuçlar hem karar ağacı yapısı hem de
ilişkileri ifade eden bir ilişki çizgesi (dependency network) olarak sunulmaktadır.
ÖRNEK 1 Şekil 8.10’da 6195 kayıttan oluşan ve büyük ölçekli bir şirkette çalışan personelin evlilik du-
rumu, cinsiyet, yıllık gelir gibi bilgilerini içeren bir tablo bulunmaktadır.
Şekil 8.10
Büyük Ölçekli Bir
Şirkette Çalışan
Personel Listesi
Personelin vermiş olduğu evlilik kararlarında eğitim düzeyi ve yıllık gelirin etkisini
gözlemlemek için ilgili tablo üzerinde bir sınıflandırma modeli uygulanmıştır. Excel’in
classify sihirbazı ile yapılan bu sınıflandırma işleminde; kayıtların %70’i kullanılmış olup
bulunan sonuçlar göz atma penceresiyle karar ağacı ve ilişki çizelgesi olarak sunulmakta-
dır (Şekil 8.11).
Şekil 8.11
Classify Sihirbazı ile
Oluşturulan Örnek
Bir Sınıflandırma
Tahminleme (Estimate)
Estimate sihirbazı Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir Tahminleme modeli, sonuç
değerlerinin miktar, para birimi,
dış veri kaynağındaki verilerden yola çıkarak bir tahminleme modeli oluşturulmasını tarih ya da zaman gibi sayısal
sağlamaktadır. Tahminleme modeli verilerden veri desenlerini çıkarmakta ve bu desenle- değerler olduğu durumlarda
ri sonucu etkileyecek olan faktörlerin tahmin edilmesi için kullanmaktadır. Tahminleme kullanılabilmektedir.
modelinin uygulanabilmesi için sonuç değerlerinin sayısal değerler olması gerekmektedir.

Örneğin, bir gazeteye ilk kez reklam verecek olan bir şirket daha önce reklam vermiş
olduğu gazetelerin sayfa ve alan maliyetlerini kullanarak, reklam verilmesi planlanan ga-
zetenin teklif etmiş olduğu fiyatın ne derece makul olduğunu, belirlemiş olduğu güven
aralığı içerisinde değerlendirebilir. Tahminleme modelinin örnek kullanım alanları ara-
sında; konut ya da taşıt fiyatlarının değerlendirmeleri ya da içerdikleri maddelere göre ilaç
reaksiyonlarının tahmin edilmesi gibi durumlar bulunabilmektedir.
Estimate sihirbazı çalıştırıldığında öncelikle tahminleme modelinin oluşturulması için
kullanılmak istenen kaynak veri seti seçilmelidir. Daha sonra analiz edilmek istenen alan (sü-
tun) liste kutusundan, girdi olarak kullanılmak istenen alanlar ise listeden seçilmelidir. Analiz
edilmek istenen alan sürekli sayısal değerler içermek zorundadır. Ayrıca, girdi olarak kullanı-
lacak olan alanlar bir veri deseni oluşturacağı için desen oluşumuna katkıda bulunamayacak
olan sıra no, isim, soyisim gibi değerler seçilmemelidir. Estimate sihirbazı diğer sihirbazlar-
dan farklı olarak tahminleme işlemleri için tahmin edilecek alan ile ilişkisi olabilecek bir reg-
resöre (regressor) ihtiyaç duymaktadır. Regresör, listedeki sayısal değerler arasından elle se-
çilebileceği gibi, öner (suggest) düğmesi yardımıyla da kullanılabilecek regresörler algoritma
aracılığı ile tespit edilerek sihirbaz tarafından önerilebilecektir. Alanların seçiminden sonra,
kaynak veri seti içerisinden model oluşturulması için kullanılacak olan verinin miktarı seçi-
lebilmektedir. Seçim işlemleri tamamlandıktan sonra sihirbaz, tahminleme modelini oluştu-
rarak analiz sonuçlarını ilişki çizgesi (dependency network) ve karar ağacı yapısı olarak bir
göz atma penceresi (browse window) ile sunacaktır. Sunulan bilgiler incelenerek değerlerin
tahmin edilmesine katkıda bulunan faktörler daha iyi bir şekilde anlaşılabilecektir.
Kümeleme (Cluster)
Cluster sihirbazı Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri
Kümeleme modeli her tür kaynağındaki verilerden yola çıkarak bir kümeleme modeli oluşturulmasını sağlamaktadır.
veri desenini araştırmak için Kümeleme modeli, veriyi benzer karakteristik özellikleri paylaşan satır gruplarına (küme-
kullanılabilmektedir.
lere) ayırarak heterojen bir veri setinden homojen alt veri setleri elde etmeye çalışmaktadır.
Kümeleme algoritmaları; aynı küme içerisinde bulunan veriler arasındaki benzerliğin müm-
kün olduğunca arttırılması ve farklı kümeler arasında bulunan benzerliğin de mümkün ol-
duğunca azaltılması kavramına dayanır. Diğer bir deyişle kümeleme algoritmalarında küme
içi veriler arasındaki uzaklıkların minimize edilmesi, kümeler arası uzaklıkların ise maksi-
mize edilmesi hedeflenmektedir. Örneğin; yapılacak olan bir geziye hangi müşteriler daha
çok talepte bulunur diye değerlendirilmek istenirse özelliklerine göre müşteriler kümelen-
dirilmeli ve ilgili müşteri kümesi belirlenerek bu müşterilere öncelikli olarak ulaşılmalıdır.
Sınıflandırma modeli ile kümeleme modeli arasındaki en temel fark; sınıflandırma
modelinde geçmiş verilere göre diğer alanlar tahmin edilirken, kümeleme modellerinde
bu tarz geçmiş veriler bulunmaz ve veriler kendi içlerindeki benzer özelliklere göre grup-
lanmaktadırlar. Kümeleme modelinde, veriler arasındaki benzerliği nitelendirecek özel-
likler modeli kuran kişi tarafından öngörülmektedir. Kümeleme modelinin örnek kulla-
nım alanları arasında; benzer davranışları gösteren müşterileri belirlemek, müşterilerin
alım alışkanlıklarını tanımlamak, ürün gruplaması ya da hastalık belirtilerinin nitelendi-
rilmesi gibi durumlar bulunabilmektedir.
Cluster sihirbazı çalıştırıldığında öncelikle kümeleme modelinin oluşturulması için
kullanılmak istenen kaynak veri seti belirlenmelidir. Daha sonra analiz işleminde faydalı
olabilecek alanlar seçilmelidir. Bu seçim işleminde analize katkıda bulunamayacak olan
sıra no, isim, soy isim gibi alanlar seçilmemelidir. Bu bölümde, oluşturulacak kategori
sayısı belirlenebilir ya da sihirbazın optimum olarak seçtiği grup sayısı kullanılabilir.
Alanların seçiminden sonra, kaynak veri seti içerisinden model oluşturulması için kul-
lanılacak olan verinin miktarı seçilebilmektedir. Seçim işlemleri tamamlandıktan sonra
sihirbaz, kümeleme modelini oluşturarak analiz sonucunda oluşturulan kümeleri bir göz
atma penceresi (browse window) ile listeleyecektir. Listeleme işleminde her bir kümenin
ayırt edici karakteristikleri ve istatistiksel dayanakları da sunulmaktadır.
Birliktelik (Associate)
Associate sihirbazı Microsoft’un ilişkilendirme algoritmalarını kullanarak veri madenciliği
işlemleri için bir birliktelik modeli oluşturulmasını sağlamaktadır. Birliktelik modeli, büyük
veri kümeleri içerisinde bulunan, farklı veriler arasındaki birliktelik ilişkilerini tespit etmeyi
amaçlamaktadır. Microsoft’un birliktelik analizi algoritmaları çoklu işlemlerde birlikte görü-
nen ögeler arasındaki ilişkileri bulup ortaya çıkarmaktadır. Associate sihirbazı, bir veri setinde
var olan ögelerden diğer ögelerin aynı veri seti içerisinde olabilirliğinin tahmin edilmesini
sağlayacak veri desenlerinin ortaya çıkarılmasını ve bu desenlerden yola çıkarak müşterilerin
satın aldıkları ürünler çerçevesinde yeni ürünler tavsiye edilmesini sağlayabilmektedir.
Microsoft’un birliktelik analizi algoritmaları, bir işlemde birlikte görünen ögeleri bul-
mak için veri setini araştırmakta ve araştırma sonucu bulunan her bir öge grubu bir öge
setini teşkil etmektedir. Algoritma daha sonra, öge setinin bütün işlemler boyunca kaç
defa görüldüğünü sayarak her bir öge seti içerisindeki ögelerin bağıl önemini hesapla- Bağıl önem, birbiriyle ilişkili olan
maktadır. Hesaplanan bu önem, ilişkileri tahmin etmek ya da öneride bulunmak için öl- ögeler arasındaki ilişkinin önemini
ifade etmektedir.
çütler oluşturma sürecinde kullanılmaktadır. Örnek bir ölçüt, “eğer kullanıcı A yazarının
bir kitabını ve B yazarının bir kitabını almışsa, büyük ölçüde C yazarının da bir kitabını
alacaktır” şeklinde olabilir. Her bir öneri, ögeler arasındaki ilişkinin güçlülüğüne göre bir
olasılık değeri taşımaktadır. Microsoft’un birliktelik analizi algoritmaları, birlikte satın
alınma eğilimi olan ürünleri tahmin eden pazar-sepet analizi yöntemi için de oldukça
kullanışlıdır. Birliktelik modelinin örnek kullanım alanları arasında; markette birlikte sa-
tılan ürünlerin tespit edilmesi, bir arabaya üretim sürecinde eklenecek ekstra donanım-
ların belirlenmesi ya da depolarda birbirine yakın konumlandırılması gereken ürünlerin
seçilmesi gibi durumlar bulunabilmektedir.
Associate sihirbazı çalıştırıldığında öncelikle birliktelik modelinin oluşturulması için
kullanılmak istenen kaynak veri seti seçilmelidir. Daha sonra yapılan işlemi (transaction)
ifade eden alan ile işlemde kullanılan ögeleri ifade eden alan seçilmelidir. Ayrıca bu bö-
lümde isteğe bağlı olarak ilişkilendirilmek istenen ögelerin kaç kez birlikte görünmesi ge-
rektiği belirlenebilmektedir. Ögelerin birlikte görünme miktarları, öge sayısı ya da yüzde
olarak seçilebilmektedir. Örneğin, bir veri setinde en az 10 kez birlikte bulunan ögelerin
tespiti gibi. Ek olarak, kuralın oluşturulabilmesi için gerekli olan olasılık düzeyini de bu
bölümde belirlemek mümkündür. Sihirbaz, bütün olası kombinasyonları analiz ederek,
tespit etmiş olduğu öge gruplarını ve her bir öge grubunu tanımlayan kuralları içeren bir
rapor oluşturmaktadır. Son olarak yapılan analiz sonucunda ortaya çıkan kurallar, öge
grupları ve ögeler arasındaki ilişkileri gösteren bir ilişki çizgesi (dependency network) ile
göz atma penceresinde (browse window) ifade edilmektedir.
Associate sihirbazının kullanılabilmesi için kaynak veri tablosu kesinlikle bir kayıt-işleme
tablosu (transaction table) şeklinde tasarlanmış olmalıdır.
Öngörüleme (Forecast)
Forecast sihirbazı yardımıyla bir zaman serisinde bulunan değerlerin desenleri çıkarılarak
geleceğe dönük tahminler yapılabilmektedir. Bu sihirbaz, ürün satışları gibi sürekli sütun-
ların tahmin edilmesinde kullanılan ve bir regresyon algoritması olan Microsoft’un zaman
serileri algoritmasını kullanmaktadır. Zaman serileri için oluşturulan öngörüleme modeli
bir hücre serisinde bulunan desenleri tespit ederek ek verileri öngörülemektedir.
Zaman serileri için oluşturulmuş her bir öngörüleme modeli, süreçteki birbirinden
farklı noktaların ifade edildiği bir durum serisi alanı (sütunu) içermelidir. Örneğin, belirli
aylardaki satış miktarları hakkında geçmiş verilerden öngörüleme yapılmak isteniyor ise
tarih sütunu durum serisi olarak nitelendirilebilir. Zaman serileri için oluşturulan öngö-
rüleme modelinin örnek kullanım alanları arasında; borsada yer alan hisse senetlerinin
davranışlarının değerlendirilmesi, yıllara göre nüfus artışının tahmin edilmesi ya da hava
durumu tahminleri gibi durumlar bulunabilmektedir.
Forecast sihirbazı çalıştırıldığında öncelikle zaman serileri için bir öngörüleme modelinin
oluşturulması için kullanılmak istenen kaynak veri seti seçilmelidir. Daha sonra tarih ya da
saat gibi bir zaman serisini içeren alan (sütun) liste kutusundan ve analiz işleminde kullanıl-
mak istenen alanlar ise listeden seçilmelidir. Seçim işlemleri tamamlandıktan sonra sihirbaz,
zaman serisi için bir öngörüleme modeli oluşturarak analiz sonuçlarını ve geleceğe yönelik
kestirimleri göz atma penceresi (browse window) içerisinde bir çizgi grafiği ile sunacaktır.
ÖRNEK 2 Şekil 8.12’de bir termos üreticisinin Temmuz 2013 ile Haziran 2016 tarihleri arasında üç
farklı şehirde yapmış olduğu satışlardan yola çıkılarak izleyen aylarda gerçekleşmesi planla-
nan satış öngörüleri bulunmaktadır. Farklı zaman damgalarının trendlerinden yola çıkılarak
bulunan sonuçlara göre; Kasım 2016’da Temmuz 2013’e göre Ankara ilinde %1.728,17’lik,
İstanbul ilinde %489,57’lik ve İzmir ilinde %32,96’lık bir satış artışı öngörülmektedir.
Şekil 8.12
Bir Termos
Üreticisinin Farklı
Şehirlerde Öngördüğü
Satış Miktarlarındaki
Değişimler
Çizgi grafiği olarak sunulan bu öngörüleri illere göre filtreleyerek istenilen il için il-
gili dağılımı gözlemlemek de mümkündür. İzmir ili için öngörülen satış miktarları Şekil
8.13’te sunulmuştur.
Şekil 8.13
Bir Termos
Üreticisinin İzmir
İlinde Öngördüğü
Satış Miktarlarındaki
Değişimler
İleri Düzey Yapılandırma ve Modelleme (Advanced)

Advanced altında bulunan sihirbazlar, isteğe bağlı veri madenciliği yapıları ve modelle-
ri oluşturmak için kullanılmaktadır. Bu sihirbazlar ile oluşturulacak yapı ve modellerin
Data modeling bölümü altında bulunan sihirbazlardan farklı parametrelere sahip olması
beklenmektedir. Bu bölümde açıklanan iki sihirbaz, tamamıyla yeni bir veri madenciliği
yapısı ve var olan veri madenciliği yapılarına uygulanabilecek yeni bir madencilik modeli
oluşturmaya yardımcı olmaktadır.
• Madencilik Yapısı Oluşturma (Create Mining Structure): Bu sihirbaz, Excel’de bu-
lunan bir veri tablosundaki, bir veri aralığındaki ya da SSAS’te tanımlanmış bir dış
veri kaynağındaki verilerden yola çıkarak yeni bir veri madenciliği yapısı inşa etmeyi
sağlamaktadır. Yapı, belirli veri kaynaklarına göre oluşturulmuş veri tanımıdır. Veri
madenciliği yapısı ise madencilik modellerinin inşa edildiği veri alanlarını tanım-
lamaktadır. Veri madenciliği yapıları tekrar tekrar kullanılabilir olup üzerine yeni
madencilik modelleri eklenerek farklı analiz metotları da denenebilmektedir.
Create Mining Structure sihirbazı, herhangi bir model oluşturmadan bir veri madenci-
liği yapısı oluşturulmasına ve aynı veri üzerinde birden fazla algoritmanın kullanılma-
sına imkân sağlamaktadır. Bir veri madenciliği yapısı oluşturduktan sonra bu yapı ile
ilgili bir model oluşturmak için Add Model to Structure sihirbazı kullanılabilmektedir.
• Yapıya Model Ekleme (Add Model to Structure): Üzerinde çalışılmakta olan
oturumda Create Mining Structure sihirbazı aracılığıyla bir veri madenciliği yapısı
oluşturulmuş ise ya da bağlı olunan SSAS sunucusu bir veri madenciliği yapısı içer-
mekte ise var olan bu yapılara bu sihirbaz yardımı ile veri madenciliği modelleri
eklemek mümkündür. Veri madenciliği yapısına yeni bir model eklendiğinde farklı
algoritmalar ya da farklı parametreler kullanılarak veri analiz edilmiş olur.
Advanced altında bulunan iki sihirbaz, veri madenciliği yapıları ve veri madenciliği
modelleri oluşturma imkanını ayrı ayrı sunmaktadır. Bu imkân sayesinde kullanı-
cılar, tanımladıkları bir modeli mevcut ve ihtiyaç duyulan bütün verileri içeren bir
veri yapısı üzerinde uygulayabilmekte ve aynı veri üzerine farklı modeller ekleye-
rek veriyi farklı bir şekilde değerlendirebilmektedirler.
Birliktelik modelleri oluşturulurken ögelerin kaç kez birlikte görülmesi gerektiğinin belirle-
nebilmesi nasıl bir avantaj sağlamaktadır? Açıklayınız. 3
Test Etme ve Geçerliliği Doğrulama (Accuracy and Validation)

Veri madenciliği çalışmalarında, oluşturulmuş olan ya da kullanılan modelin geçerli bir mo-
del olması büyük önem taşımaktadır. Bu yüzden modelin test edilmesi ve geçerliliğinin doğ-
rulanması gerekmektedir. Tasarlanmış olan modeli endüstriyel alanda kullanıma sunmadan
önce modelin gerçek veriler ile çalışıldığı durumlarda nelerle karşılaşılabileceğinin iyi bir
şekilde bilinmesi gerekmektedir. Accuracy and Validation bölümünde bulunan sihirbazlar,
veri madenciliği sürecinde oluşturulan modelleri test etmek için tasarlanmışlardır.
Şekil 8.14
Excel Data Mining
Sekmesi Altındaki
Accuracy and
Validation Bölümü
Veri madenciliğinde test ve geçerliliğin doğrulanması konusunda daha detaylı bilgiye aşağı-
daki bağlantı aracılığı ile ulaşabilirsiniz:
https://msdn.microsoft.com/en-us/library/ms174493(v=sql.110).aspx
Doğruluk Grafiği (Accuracy Chart)

Accuracy Chart sihirbazı, oluşturulan bir veri madenciliği modelinin yeni bir veri seti üze-
rinde uygulanmasını sağlamakta ve bu uygulama işlemi sayesinde modelin performansını
değerlendirebilmektedir. Bu sihirbaz aracılığı ile yapılan değerlendirme işleminde, modelin
İyileşme grafiği, birden fazla yapısına göre iyileşme grafiği (lift chart) ve serpme diyagramı kullanılmaktadır. Eğer değer-
modeli tek bir grafik ile kıyaslama lendirilecek olan model bir sınıflandırma modeli ise bu sihirbaz bir iyileşme grafiği oluştu-
imkânı sunmaktadır.
rarak, kullanılan modelin performansını ideal hipotetik bir model ile kıyaslayıp sunacaktır.
İyileşme grafiği, veri madenciliği modelini yeni veri seti üzerinde kullanarak ortaya çıkan so-
nucu rastgele kestirimlerle kıyaslayıp bir ilerleme elde etmekte ve bu ilerlemeyi bütün kesti-
rimlerin %100 olarak tutarlı olduğu ideal durumla birlikte grafiksel olarak ifade etmektedir.
Değerlendirilecek modelin bir tahminleme modeli olma durumunda ise bu sihirbaz
bir serpme diyagramı oluşturarak modelin tahminlemelerini ve veri setinde bulunan ak-
tüel değerleri birlikte sunacaktır.
Sınıflandırma Matrisi (Classification Matrix)

Classification Matrix sihirbazı yardımı ile bir veri madenciliği modelinin ne kadar doğru
kestirimler yaptığı değerlendirilebilmektedir. Bu sihirbaz, modeli kontrol etmek için kul-
lanılacak olan aktüel test verisi ile modelin bu test verisi üzerinde kullanımı sonucu ortaya
çıkan kestirimlerini kıyaslamakta ve bir çizelge ile ifade etmektedir. Sihirbaz tarafından
oluşturulan çizelge, kullanılmış olan modelin kestirimlerinin ne oranda doğru olduğunu
ve de ne oranda yanlış olduğunu açık bir şekilde göstermektedir.
Kâr Grafiği (Profit Chart)

Profit Chart sihirbazı, bir işletme senaryosunda müşteri verileri üzerinde bir veri maden-
ciliği modeli uygulanarak şirketin kâr artışı sağlamak için hangi müşterilerle irtibata geç-
mesi gerektiğinin tespit edilmesi durumu ile ilişkili olarak beklenen kâr artışını görsel
olarak ifade etmektedir. Oluşturulacak olan grafiğin Y ekseni kâr düzeyini ifade ederken,
X ekseni ise şirketin irtibata geçeceği müşteri sayısının bütün müşteri popülasyonuna olan
oranını yüzde olarak ifade etmektedir. Tipik bir kâr grafiğinde, kâr düzeyinde artış kırıl-
ma noktasına kadar olmakta ve daha sonrasında irtibata geçilen müşteri sayısı arttıkça kâr
düzeyinde azalış beklenmektedir.
Çapraz Doğrulama (Cross-Validation)

Cross-validation sihirbazı, istatistikte de yaygın olarak kullanılmakta olan çapraz doğrula-
ma tekniğini kullanmakta ve bu sayede daha etkin veri madenciliği modellerinin gelişti-
rilmesine ve modeller üzerinde ince ayarlar yapılabilmesine katkıda bulunmaktadır. Çap-
raz doğrulama tekniği, model oluşturulduktan sonra bulunan sonuçları diğer sonuçlar ile
karşılaştırmak ve modelin geçerliliğini saptamak için kullanılmaktadır. Bu teknik, deney-
ler yapmak ve rapor oluşturmak olmak üzere iki temel aşamadan oluşmaktadır. Teknik
uygulanırken, öncelikle kullanılacak olan madencilik yapısı ya da modeli seçilmeli, daha
sonra hedef değer belirlenmeli ve modelin değer üzerinde uygulanabilirliği kontrol edil-
meli ve son olarak da çapraz kontrol yapılacak olan verinin kaç bölüme ayrılacağı belir-
lenmelidir. Bu işlemden sonra sihirbaz, her bir bölüm için yeni bir model oluşturmakta,
modeli diğer bölümler üzerinde test etmekte ve modelin tutarlılığını ölçerek raporlamak-
tadır. Sihirbaz tarafından oluşturulan rapor, her bir bölüm için kullanılan ölçümleri gös-
termekte ve bütün olarak model için bir özet sunmaktadır.
Cross-validation sihirbazının oluşturduğu raporlarda kullanılan ölçümler hakkında daha

detaylı bilgiye aşağıdaki bağlantıdan ulaşabilirsiniz:
https://msdn.microsoft.com/en-us/library/bb895177(v=sql.110).aspx
Tasarlanmış olan modelin geçerliliğini test etmek neden önemlidir?

4
Model Kullanımı ve Yönetim (Model Usage ve Management)

Model Usage ve Management bölümleri altında bulunan sihirbazlar, veri madenciliği süreci
sırasında oluşturulmuş olan ve SSAS içerisindeki bir örnekte tutulan veri madenciliği modelle-
rine göz atma, modeller üzerinde değişiklik yapma, bir sorgu oluşturma ve modelleri yönetme
imkânı sunmaktadır. Kullanıcı yeterli yetkilere sahip olduğu sürece var olan modelleri Excel
istemcisi aracılığı ile kolaylıkla silebilir, değiştirebilir, yeniden adlandırabilir ya da yönetebilir.
Resim 8.15
Excel Data Mining
Sekmesi Altındaki
Model Usage ve
Management
Bölümleri
Göz Atma (Browse)

Browse sihirbazı SSAS içerisindeki bir örnekte bulunan bir modele ya da Excel oturumun-
da oluşturulan geçici modele göz atmaya imkân tanımaktadır. Bu işlem için göz atma pen-
ceresini (browse window) kullanmaktadır. Sihirbaz aracılığı ile bir modele göz atarken,
erişilebilir modeller listesinden istenen veri madenciliği modeli ve ilişkili olduğu maden-
cilik yapısı seçildikten sonra sihirbaz, modelin kullanmakta olduğu veri madenciliği al-
goritmasına uygun bir görüntüleyiciyi otomatik olarak seçmekte ve ekrana getirmektedir.
Veri madenciliği modellerine göz atma işlemi sırasında kullanılan görüntüleyiciler hakkın-
da detaylı bilgiye aşağıdaki bağlantıdan ulaşabilirsiniz:
https://msdn.microsoft.com/en-us/library/ms174580(v=sql.110).aspx
Madencilik modellerinin sonuçlarının karmaşık olmasından ve bu sonuçların ham Microsoft Office Visio, Microsoft
hâlinin anlaşılmasının zor olmasından dolayı algoritmanın veri üzerinde bulduğu kural tarafından geliştirilen bir vektörel
çizim yazılımıdır.
ve ilişkileri görsel olarak araştırmak çok daha kullanışlı ve anlaşılır olmaktadır. Browse
sihirbazı, model üzerindeki dikkat çeken trendleri araştırmaya, veri madenciliği model-
lerini interaktif olarak filtrelemeye, bulunan sonuçların görsel sunumunu oluşturmaya ve
sunulan diyagramları ve verileri Excel ya da Visio’ya taşımaya olanak sağlamaktadır.
Modelin Belgelendirilmesi (Document Model)

Document Model sihirbazı, oluşturulmuş bir veri madenciliği modeli hakkında faydalı
bilgiler içeren bir rapor oluşturmakta ve sunmaktadır. Oluşturulan bu rapor aracılığı ile
modelin oluşturulmasında kullanılan verinin kaynağına ulaşılabilir, modelin ne zaman
işlendiği konusunda ek bilgi edinilebilir ya da modelin sonuçlarını etkileyen parametre
değişikliklerinin izi sürülebilir.
Document Model sihirbazı ile modelin dokümante edildiği bir rapor; özet rapor ya da
tam rapor olmak üzere iki şekilde oluşturulabilmektedir. Özet rapor, modelin adı ya da
modelin tanımı gibi temel bilgileri içerirken tam rapor ise, modelin bağlı olduğu veri ma-
denciliği yapısı ve madencilik modeli hakkında daha detaylı bilgileri içermektedir. Oluş-
turulan raporlar, seçilen modelin oluşturulmasında kullanılan algoritmaya göre farklı bil-
giler sunmaktadırlar. Örneğin, bir kümeleme modeli için oluşturulan küme sayısı önemli
iken bir sınıflandırma modeli için oluşturulan karar ağacı ve bu ağaçlar üzerinde bulunan
düğümlerin sayısı önem kazanmaktadır ve raporlarda da bu bilgiler öne çıkmaktadır.
Sorgu (Query)
Query sihirbazı, var olan madencilik modelleri ile etkileşime geçerek Excel’de bulunan Trendlerden yola çıkarak bir
bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola kestirim yapabilmek için
yeni bir verinin var olan bir
çıkarak kestirimler yapılmasına yardım etmektedir. Bu sihirbaz, SSAS’te bulunan bir veri model üzerinde uygulanması
madenciliği modeli için bir tahmin sorgusu (prediction query) oluşturulması süreci hak- sürecine tahmin sorgusu adı
verilmektedir.
kında her şeyi açıklamakta ve böyle bir sorgu oluşturmaktadır. Sihirbaz çalıştırıldıktan
sonra model seçim ekranında sol altta bulunan Advanced düğmesi yardımı ile Data Mi-
ning Advanced Query Editor’ü de açmak mümkündür.
Data Mining Advanced Query Editor: Yeni veri madenciliği modellerinin oluşturulması
ya da var olan modellerin düzenlenebilmesini sağlayan gelişmiş bir sorgu editörüdür. Bu editör
yardımı ile Data Mining Extensions (DMX) taslakları açılabilir ve bu taslaklar üzerinde bulu-
nan girdiler, çıktılar, algoritmalar ve parametreler düzenlenerek isteğe uyarlanmış yeni bir veri
madenciliği modeli, veri madenciliği yapısı ya da prediction query oluşturmak mümkündür.
Data Mining Extensions (DMX) hakkında daha detaylı bilgiye aşağıdaki bağlantıdan ulaşa-
bilirsiniz:
https://msdn.microsoft.com/en-us/library/ms132058.aspx
Modellerin Yönetimi (Manage Models)

Manage Models sihirbazı, bağlantı kurulmuş olan SSAS sunucusunda bulunan modellerle ve
yapılarla etkileşime geçme ve aktif oturumda oluşturulmuş olan geçici madencilik model ve
yapılarını inceleme ve düzenleme imkânı sunmaktadır. Bu sihirbaz yardımı ile bir madencilik
modeli ya da yapısı yeniden adlandırılabilir, silinebilir, temizlenebilir, işlenebilir, dışa ya da içe
aktarılabilir. Sihirbazın kullanılabilmesi için SSAS bağlantısı kurulması gerekmektedir.
Manage Models sihirbazı yardımı ile yeni bir veri madenciliği modeli ya da sorgusu oluştu-
rulamamaktadır.
Bağlantı (Connection)
Connection bölümü altında bulunan sihirbazlar yardımıyla SSAS sunucu ile kurulmuş
olan bağlantı yönetilmektedir.
Şekil 8.16
Excel Data Mining
Sekmesi Altındaki
Connection Bölümü
Bağlantılar (Connections)
Excel ile veri madenciliği araçlarını ve algoritmalarını kullanabilmek için SSAS sunucusu
ile bir bağlantı kurmak şarttır. Connections sihirbazı, SSAS ile bir bağlantı kurmayı ya da
kurulmuş olan bağlantıyı düzenlemeyi sağlamaktadır.
Bağlantı Takibi (Trace)

Trace sihirbazı ile kurulmuş olan bağlantı üzerinden yapılan işlemler izlenebilmektedir.
Yapılan bütün işlemler DMX ifadesi olarak kaydedilmektedir ve herhangi bir sunucu so-
runu yaşanması durumunda sorunun kaynağı kolayca tespit edilebilmektedir.
Yardım (Help)
Help bölümü altında Excel veri madenciliği eklentisinin kurulumu ve kullanımı konusun-
da yardımcı olabilecek kaynaklar bulunmaktadır.
Şekil 8.17
Excel Data Mining
Sekmesi Altındaki
Help Bölümü
Özet
Excel ile veri madenciliği işlemlerinin yapılabilmesi için Excel veri madenciliği eklentisinde bulunan veri model-
1 gerekli yazılımların kurulumlarını yapmak. 3 leme sihirbazlarını kullanmak.
Microsoft Excel’in veri madenciliği eklentisinden ya- Excel, veri madenciliği işlemlerinin gerçekleştirile-
rarlanabilmek için üç yazılımın mevcut olması gerek- bilmesi için 5 farklı veri madenciliği model sihirbazı
mektedir. Bunlar; 2007 ve sonrası sürüme sahip bir sunmakla beraber kullanıcıların kendi modellerini
Microsoft Ofis yazılımı, Microsoft SQL Server 2005 oluşturmasına da imkân tanımaktadır. Classify sihir-
ya da sonrası bir sürümü ve Microsoft Excel’in Data bazı; verilerin sınıflandırılarak kategorik sonuçların
Mining eklentisidir. Öncelikle “Microsoft SQL Ser- tahmin edilmesinde, Estimate sihirbazı; sayısal değer-
ver 2012 Data Mining Add-ins for Office” yazılımının lerin bulunduğu veri setinden trendleri çıkararak bir
kurulması gerekmektedir. İlgili Setup menüsündeki tahminleme işleminin gerçekleştirilmesinde, Cluster
adımlar izlenir. Kurulum gerçekleşince Excel’de Data sihirbazı; verilerin benzer karakteristik özelliklerin-
Mining sekmesi ve şeridi görüntülenir. Daha sonra den yola çıkarak farklı veri gruplarının oluşturulma-
SSAS kurulumuna geçilir. Arayüz bileşenleri izlene- sında, Associate sihirbazı; verilerin birlikte görülme
rek SSAS kurulumu tamamlandıktan sonra Microsoft sıklıklarından yola çıkarak veriler arasındaki ilişkile-
SQL Server indirilip uygun lisans seçeneği ile kurulur. rin anlamlandırılmasında ve Forecast sihirbazı; zaman
Kurulum esnasında bir dizi kuralın yapılandırılması serilerinden yola çıkarak geleceğe yönelik öngörüle-
gerekir. me işlemlerinin yapılmasında kullanılmaktadır. Bun-
lara ek olarak, Advanced altında bulunan sihirbazlar
Excel ile veri madenciliği işlemlerini gerçekleştirmek ile yeni bir veri madenciliği yapısı oluşturmak (create
2 için veriyi hazırlamak. mining structure) ve mevcut yapıya yeni modeller ek-
Excel, veri madenciliği işlemlerinin daha sağlıklı lemek (add model to structure) de mümkündür.
bir şekilde yapılabilmesi için verinin, kullanılması
planlanan veri madenciliği modelleri doğrultusun- Excel’de bulunan veri madenciliği modellerinin doğru-
da gözden geçirilmesine ve düzenlenmesine olanak 4 luğunu ve geçerliliğini test etmek.
sağlamaktadır. Excel’in Data Mining sekmesi altında Kullanılan veri madenciliği modellerinin doğruluğu-
bulunan Data Preparation grubundaki sihirbazlar nun ve geçerliliğinin test edilmesi modellerin hayata
verinin madencilik işlemlerine hazırlanması sürecine geçirilmesi konusunda alınan riskleri büyük ölçüde
katkıda bulunmaktadır. Explore Data sihirbazı; ve- azaltmaktadır. Excel, bu iş için 4 farklı sihirbaz sun-
rinin işlemlere başlamadan önce daha iyi bir şekilde maktadır. Accuracy Chart sihirbazı, kullanılan bir veri
anlaşılmasını, Clean Data sihirbazı; verinin aykırı de- madenciliği modelini farklı veri setleri ile test ederek
ğerlerden (outliers) arındırılmasını ve yeniden etiket- tutarlılığı analiz etmede kullanılmaktadır. Classifi-
lenebilmesini (re-label) sağlamaktadır. Ayrıca Sample cation matrix sihirbazı, veri madenciliği modelinin
Data sihirbazı yardımı ile veri, istenilen oranlarda kestirimlerinin tutarlılığını bir çizelge ile değerlen-
rastgele (random sampling) ya da amaçlı bir şekilde direbilmektedir. Profit Chart sihirbazı, bir işletmenin
(oversampling) örneklendirilerek; veri madenciliği iş- hangi müşteri ile irtibatı geçildiği takdirde ne denli
lemlerinin, amacı doğrultusunda, daha tutarlı sonuç- bir kâr artışı beklendiğini grafiğe dökmektedir. Cross-
lar üretmesi sağlanmaktadır. Validation sihirbazı ise bulunan farklı sonuçları kar-
şılaştırarak bu karşılaştırmalardan bir rapor oluştur-
maktadır.
1. Aşağıdakilerden hangisi Microsoft Excel ile veri maden- 5. Sınıflandırma modeli ile ilgili olarak aşağıdaki ifadeler-
ciliği işlemlerinin gerçekleştirilebilmesi için kesinlikle gerek- den hangisi doğrudur?
li olan Microsoft yazılımlarından biridir? a. Veriler arasındaki birliktelik ilişkilerini tespit et-
a. Office Visio mektedir.
b. Visual Studio b. Excel’de oluşturulan bir sınıflandırma modeli, bir
c. SQL Server Analysis Services alanda bulunan değerleri, veri setindeki diğer alanlar-
d. SQL Server Management Studio da bulunan değerlere bağlı olarak tahmin etmektedir.
e. Office Access c. Modelinin uygulanacağı veri seti, kesinlikle bir du-
rum serisi alanı içermelidir.
2. Aşağıdakilerden hangisi Data Aşağıdakilerden hangisi d. Modelin kullanılması sonucunda tahminlenecek
Preparation (verinin hazırlanması) bölümü altındaki sihir- alanlar her zaman sayısal olmalıdır.
bazlar aracılığıyla yapılan aşağıdaki işlemlerden biridir? e. Model için kullanılacak olan kaynak veri tablosu
a. SSAS ile bir bağlantı kurulabilir. kesinlikle bir transaction table şeklinde tasarlanmış
b. Veri seti içerisindeki aykırı değerler tespit edilebilir. olmalıdır.
c. Veri setindeki bir alanda bulunan sayısal değerler tes-
pit edilerek bu değerler istenilen sayı ile matematiksel 6. “Bebek bezi satın alanların %25’inin pil de satın alması”
işlemlere sokulabilir. gibi bir durumun hangi veri modelleme sihirbazı yardımıyla
d. Geçici veri madenciliği modelleri oluşturulabilir. tespit edilmesi daha uygundur?
e. Geçici veri madenciliği modelleri daha sonra kulla- a. Association sihirbazı
nılmak üzere kayıt edilebilir. b. Classify sihirbazı
c. Cluster sihirbazı
3. Aşağıdaki durumlardan hangisine sahip bir veri, bulun- d. Estimate sihirbazı
duğu alan (sütun) için aykırı bir değer olarak nitelendiril- e. Forecast sihirbazı
memelidir?
a. Beklenilen aralığın dışında bir değer olma durumu 7. “Kız öğrenciler pembe renk silgi satın alırlar, erkek öğ-
b. Dağılımda çok sık yer alma durumu renciler ise beyaz renk silgi satın alırlar” gibi bir durumun
c. Model dağılımını ciddi bir şekilde etkileme durumu hangi veri modelleme sihirbazı yardımıyla tespit edilmesi
d. Yazılmamış olma durumu daha uygundur?
e. Yanlış yazılmış olma durumu a. Association sihirbazı
b. Classify sihirbazı
4. Aşağıdakilerden hangisi Data Modeling (verinin mo- c. Cluster sihirbazı
dellenmesi) bölümü altında yer alan sihirbazlardan biri de- d. Estimate sihirbazı
ğildir? e. Forecast sihirbazı
a. Associate sihirbazı
b. Classify sihirbazı 8. Profit chart sihirbazı ile ilgili olarak aşağıdaki ifadeler-
c. Estimate sihirbazı den hangisi yanlıştır?
d. Cluster sihirbazı a. Bir işletme senaryosundaki beklenen kar artışını gör-
e. Cross-validation sihirbazı sel olarak ifade etmektedir.
b. Tipik bir kar grafiğinde, irtibata geçilen müşteri sayı-
sı arttıkça kar düzeyinde artış beklenmektedir.
c. Tipik bir kar grafiğinde, kar düzeyinde artış kırılma
noktasına kadar olmaktadır.
d. Sihirbaz tarafından oluşturulacak olan grafikte Y ek-
seni kar düzeyini ifade eder.
e. Sihirbaz tarafından oluşturulacak olan grafikte X ek-
seni irtibata geçilecek müşteri sayısının toplam müş-
teri sayısına oranını ifade eder.

9. Aşağıdakilerden hangisi cross-validation sihirbazı yardı- 1. c Yanıtınız yanlış ise “İşlemtabloları ile Veri Madencili-
mıyla bir çapraz kontrol gerçekleştirilirken izlenecek adım- ğine Başlarken” konusunu yeniden gözden geçiriniz.
lardan biri değildir? 2. b Yanıtınız yanlış ise “Verinin Hazırlanması (Data
a. Kullanılacak olan madencilik yapısının ya da modeli- Preparation)” konusunu yeniden gözden geçiriniz.
nin seçilmesi 3. b Yanıtınız yanlış ise “Aykırılıklar (Outliers)” konusu-
b. Kontrol işleminde kullanılacak olan hedef değerin nu yeniden gözden geçiriniz.
belirlenmesi 4. e Yanıtınız yanlış ise “Verinin Modellenmesi (Data
c. Seçilmiş olan modelin ya da yapının hedef değer üze- Modeling)” konusunu yeniden gözden geçiriniz.
rinde uygulanabilirliğinin kontrol edilmesi 5. b Yanıtınız yanlış ise “Sınıflandırma (Classify)” konu-
d. Çapraz kontrol tekniğinin uygulanacağı verinin ye- sunu yeniden gözden geçiriniz.
terli büyüklüğe sahip olup olmamasının ölçülmesi 6. a Yanıtınız yanlış ise “Birliktelik (Association)” konu-
e. Çapraz kontrol tekniğinin uygulanacağı verinin kaç sunu yeniden gözden geçiriniz.
bölüme ayrılacağının belirlenmesi 7. b Yanıtınız yanlış ise “Sınıflandırma (Classify)” konu-
10. Aşağıdakilerden hangisi göz atma penceresinin (browse 8. b Yanıtınız yanlış ise “Kâr Grafiği (Profit Chart)” ko-
window) sunduğu olanaklardan biridir? nusunu yeniden gözden geçiriniz.
a. Bulunan sonuçların yeni veri setleri üzerinde de kul- 9. d Yanıtınız yanlış ise “Çapraz Doğrulama (Cross-
lanılmasını sağlamak Validation)” konusunu yeniden gözden geçiriniz.
b. Yeni veri modellerinin tasarımında bir geliştirme or- 10. d Yanıtınız yanlış ise “Göz atma (Browse)” konusunu
tamı olarak kullanılmak yeniden gözden geçiriniz.
c. Kullanılmakta olan bilgisayarda bulunan model dos-
yalarını Excel’e aktararak kullanma imkanı sağlamak.
d. Bulunan sonuçların görsel sunumunun oluşturulma-
sını sağlamak
e. Sunulan diyagramları ve verileri Microsoft Access’e,
taşımaya imkan sunmak
Sıra Sizde Yanıt Anahtarı

Sıra Sizde 1 Sıra Sizde 4
Excel ile veri madenciliği işlemlerinin yapılabilmesi için ge- Tasarlanmış olan model, karar vericinin kararlarını doğru-
rekli olan üç temel yazılım; 2007 ve sonrası sürüme sahip bir dan etkilemektedir. Bu yüzden kurulan modelin doğru ve
Microsoft Ofis yazılımı, Microsoft SQL Server 2005 ya da geçerli bir model olması verilecek kararların da ne derece
sonrası bir sürümü ve Microsoft Excel’in Data Mining eklen- tutarlı olacağının bir göstergesidir. İşletmelerde karar verici-
tisidir. Microsoft SQL Server Analysis Services (SSAS) arka lerin önemi göz önüne alındığında, geleceğe yönelik verilen
planda veri madenciliği sihirbazlarının çalışmasına yardımcı kararlar, işletmeler için büyük fırsatları yakalama ya da mev-
olan bir motor görevi görürken Excel, Data Mining (veri ma- cut problemleri çözme gibi kritik önem taşıyan durumlarda
denciliği) eklentisi sayesinde bir istemci görevi görmektedir. büyük katkılar sağlamaktadır. Unutulmamalıdır ki; kurulan
Kullanıcı, Excel yazılımı üzerine kurulmuş olan Data Mining modelin doğruluk derecesi ne denli yüksek olursa olsun, ger-
eklentisi içerisindeki sihirbazlar yardımı ile Excel’de tasarlan- çek dünyayı tam anlamıyla modellediğini garanti edebilmek
mış olan veri setlerini SSAS’te bulunan algoritmalarla değer- mümkün değildir.
lendirme imkânı bulmaktadır.
Sıra Sizde 2 Kaynaklar
Verinin hazırlanması aşaması, başlangıç verilerinin çalışma- Ahlemeyer-Stubbe, A., & Coleman, S. (2014). A Practical
lara temel oluşturacak verilere dönüştürülmesi aşamasıdır. Guide to Data Mining for Business and Industry. John
Eğer bu dönüşüm sağlıklı olmaz ise, yapılacak çalışmalar da Wiley & Sons.
istenilen düzeyde tutarlı olamayacaktır. Modelin kurulması Fouché, G., & Langit, L. (2011). Foundations of SQL server
aşamasında ortaya çıkacak sorunlar, bu aşamaya tekrar geri 2008 R2 business intelligence. Apress.
dönülmesine ve verilerin yeniden düzenlenmesine sebep ola- http://m.kapanoglu.com/aof/ybs202u
caktır. Bu da işletmeler için büyük bir işgücü kaybı ve mali- https://msdn.microsoft.com/en-us/library/
yet anlamına gelecektir. Öte yandan, verilerin hazırlanması https://technet.microsoft.com/en-us/library/
süreci özenli bir şekilde yapıldığı takdirde enerji ve zaman https://www.microsoft.com/en-us/
kaybı en aza indirilebilecek ve böylece karar noktasında alı- Linoff, G. S., & Berry, M. J. (2011). Data mining techniques:
nan riskler daha realist olacaktır. Karar vericinin veri keşfi for marketing, sales, and customer relationship mana-
sürecinin toplamı içerisindeki enerji ve zamanının %50’sin- gement. John Wiley & Sons.
den fazlasını bu aşama için harcaması sürecin daha verimli
bir şekilde yönetilmesinde de önemli bir pay sahibi olacaktır.
Sıra Sizde 3
Bir birliktelik analizinde, veri setinde tanımlanmış olan iş-
lemlerde birlikte daha sık görülen ögelerin bağıl önemi daha
yüksek olmaktadır. Böyle bir durumda da ilgili ögeler arasın-
da güçlü bir ilişki olduğunu söylemek yanlış olmaz. Birlikte-
lik modelleri oluşturulurken, ögelerin kaç kez birlikte görül-
mesi gerektiğinin belirlenebilmesi bağıl önemi yüksek olan
ögelerin kolayca tespit edilmesini ve diğer ögelerin sonuçlar
arasında yer almamasını sağlamaktadır.

Kitap

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Kitap

Uploaded by

Copyright:

Available Formats

T.C.

ANADOLU ÜNİVERSİTESİ YAYINI NO: 3409

Copyright © 2016 by Anadolu University

Grafik Tasarım Yönetmenleri

Dil ve Yazım Danışmanı

Ölçme Değerlendirme Sorumlusu

Dizgi ve Yayıma Hazırlama

Bu kitabın tüm hakları Anadolu Üniversitesi’ne aittir.

İşletme Analitiği: Temel Kavramlar .............................................. 2 1. ÜNİTE

İşletme Analitiği: Yöntemler ve Yazılımları.................................. 26 2. ÜNİTE

Lojistik Regresyon Analizi (Logistic Regression) .................................................... 41

3. ÜNİTE İşlemtabloları ile Veri Düzenleme ve Denetleme........................ 52

İşlemtabloları ile Veri Yönetimi ve Analizi................................... 82 4. ÜNİTE

ÖZET TABLO (PIVOTTABLE) ................................................................................. 96

5. ÜNİTE Veri ve Bilginin İşlemtablosu ile Görselleştirilmesi.................... 110

6. ÜNİTE İşlemtablolarıyla Betimsel Analitik.............................................. 140

İşlemtablolarıyla Kestirimci Analitik.. .......................................... 166 7. ÜNİTE

İşlemtabloları ile Veri Madencliği................................................. 190 8. ÜNİTE

EXCEL İÇİN SQL SERVER VERİ MADENCİLİĞİ EKLENTİSİ .......................... 199

gi kaynaklarını, işletmenin insan beceri ve yetenek havuzu ile buluşturabilme çabasında

YÖNETİM VE BİLGİ: ANALİZDEN ANALİTİĞE

Yönetsel Bilgi Gereksinimi ve Analitik

Veri, Durumbilgisi ve Yöntembilgisi

Data Information Knowledge Expertise Tablo 1.1

Veri: Gözlem, sayım, ölçüm ve benzeri şekilde biriktirilen, işletmenin faaliyetlerini

Durumbilgisi=f(Veri; Tanımı; Sunumu)

Örneğin, “AZ2553 kodlu ürünün maliyetinin 250 TL olması” durumbilgisinde “250TL”

Yöntembilgisi=f(Karar verici; Durumbilgisi; Anlamı)

Profesyonel işletme kuralları, yöntembilgisinin en yaygın biçimleri arasındadır. Örne-

Veri, durumbilgisi ve yöntembilgisi kavramları arasındaki farkı açıklayınız.

İşletme Analitiğinin Tanımı

İşletme zekâsının dört temel bileşeni vardır:

Sorgu Veri Madenciliği

İşletme Analitiğinin Türleri

Karar Analitiği İşletme Analitiği

Bu üç soruyu yanıtlamaya yönelik analizlere sırasıyla betimsel (descriptive) analitik,

Kestirim Birliktelik Kümeleme

Sınıflama Link analizi Ayrılık

Regresyon Sıra analizi

Müşteri ilişkileri yönetiminde müşterileri farklı kümelere ayırarak müşteri segmen-

Kestirimci modelleme ... durumunda sonra ne olacak?

Özetten detaya tarama/sorgulama Sorun tam olarak ne?

Standart raporlama Ne oldu?

İşletme Analitiği Uygulamaları

Tablo 1.2 Analitik Uygulama Kurumsal Soru Kurumsal Değer

İşletme Analitiğinin Altyapısı ve Veri Ambarı

İşletme Analitiği Kullanıcıya özel

Kurumsal Veri Ambarına (KVA) aktarılması düşünülen verilerin seçilmesi, operas-

Veritabanı Sunucusu Üç Katmanlı Veri

İşletme Analitiğinin Üç Dönemi

İşletme analitiğini tanımlayarak, betimsel analitik, kestirimci analitik ve karar analitiğinin

BÜYÜK VERİ ANALİTİĞİ

İŞLEMTABLOLARI VE KİŞİSEL ANALİTİK

Kişisel analitik açısından işlemtablolarının sunduğu olanakları açıklayınız.

Kendimizi Sınayalım Yanıt Anahtarı

Sıra Sizde Yanıt Anahtarı Sıra Sizde 3

BETİMSEL ANALİTİK: YÖNTEMLER

Sayısal ve Kategorik Veriler

farklı değer alabilen değişkenlerdir. Numerik ya da aritmetik işlemlerde kullanılamayan

Kesitsel Veriler ve Zaman Serisi Verileri

Verilerden Dağılımların Oluşturulması

Yaş Aralığı Frekans Tablo 2.1

Merkezi Eğilim Ölçüleri (Ortalamalar)