Analitik Guc

Şirketlerin Geleceğini
Yöneten Analitik Güç
Dr. Tülin GÜZEL ÖZDEMİR

AIMS Analitik Bilgi Yönetimi Çözümleri
Şirketinizin Başarı Sırları Her Geçen Gün
Büyüyen Ham VERİLERDE saklı...
Verileri yönetebilmek ve veri yatırımınızdan

gerçek anlamda fayda sağlayabilmek için
“Öngörüsel Analiz” Uygulamaları ile Tanışma
Vakti…
Analitik çalışmalarınızı planladınız mı?
Çözüm bağımsız olarak Analitik Çalışmalarınızın

planlanmasına dair danışmanlık çalışmalarımızla ve
kapsamlı eğitim hizmetlerimiz ile uzun yıllardır sektörü
eğitiyoruz…
AIMS Analitik Bilgi Yönetimi Çözümleri ailesi olarak

HEDEFİMİZ; bütün sektörlerde şirketlerin Analitik Bakış ve
Analitik Karar Yönetim Desteği ile başarılı bir şekilde
tanışması.
12+ yıldır farklı sektörlerde farklı uygulama alanlarında
gerçekleştirdiğimiz projelerin deneyimi ile sizlere Analitik
Dünyanın Kapılarını açıyoruz.
Analitik Başarı Yolculuğuna Bizlerle Çıkmak İster

misiniz?
Başarılı olmak ve başarıda sürekliliği yakalamak isteyen
yöneticilerimizin iş döngüsünde cevap aradığı birkaç soru…
 Yeni müşteri kazanımı faaliyetlerimizde doğru hedef kitleye yönelebiliyor
muyuz?
o Yeni müşteri kazanımı maliyetlerimiz yüksek mi?
 Müşteri kazanımı faaliyetlerimizde doğru kanaldan doğru kişiye doğru
mesaj ile ulaşabiliyor muyuz?
o Yapmış olduğumuz pazarlama çalışmalarının kanal bazında
etkinliğini ölçebiliyor muyuz?
 Satış ve pazarlama çalışmalarımızda müşterimizin değer segmentine
göre strateji belirleyebiliyor muyuz?
o Müşteri riskimizi öngörebiliyor muyuz?
 Her yıl ne kadar müşterimiz bizi terk ediyor?
o Kaybettiğimiz müşterilerimizin değer segmentini biliyor muyuz?
Mevcut müşterilerinizin davranışlarını analiz ederek pazarlama
ve satış etkinliklerinizi hedef odaklı yönetebilir, müşterilerinizi
kaybetmeden onları kaybedebileceğinizi fark edebilir ve değeri
yüksek müşterilerinizi kaybetmeden geri kazanmak için gerekli
aksiyonları alabilirsiniz.
 Bankamızın bir çok farklı şehirde, farklı noktalarda şubeleri var.
Şubelerimizin verimliliğini doğru yönetebiliyor muyuz?
o Hangi şubelerimiz hangi değer segmentinde? Hangi şubelerimizin
olması gerekenin üzerinde performans gösterdiğini, hangi
şubelerinizin olması gerekenin altında verimlilik gösterdiğini biliyor
muyuz?
 Coğrafi faktörlerin şube verimliliğimizdeki etkisi nedir? Hangi şubemize
ne kadarlık bir hedef koymalıyız? Verimliliğini arttırmaya odaklanmamız
gereken şubelerimiz hangileri?
Coğrafi Veriye, Analitik Bilgiye dayalı bir Karar Mekanizması
sunan “Nokta Bazlı Zeka” çözümümüz tüm noktasal birimi
olan şirketler için ideal bir çözüm. “Nokta Bazlı Zeka”
çözümümüz ile tanışmak ister misiniz?
AIMS Analitik Çalışmalarınızda Başarınızın
Garantisi…
 Veri Madenciliği
 Metin Madenciliği
 İstatistiksel Analizler
 Kurumsal Pazarlama Yönetimi
 Kurumsal İçerik Yönetimi
 Pazar Araştırmaları
 Analitik Danışmanlık
 Sektörel Uygulama Danışmanlığı
 Nokta Bazlı Zeka
 Öngörüsel Sektörel Uygulamalar
 Veri Madenciliği Eğitimleri
 İstatistiki Analiz Eğitimleri
 Sağlık Alanında İstatistiki Analizler Eğitimleri
 Kurumsal Pazarlama Yönetimi Eğitimleri
 Analitik CRM Eğitimleri
www.aims.com.tr
Analitik Başarı Yolculuğuna Hazır mısınız?
Günümüzde bir kuruluşun en büyük silahı nitelikli bilgiye dayalı karar
verebilme yetkinliğidir. Nitelikli bilgi doğru kullanıldığında şirketin başarısını
sağlayan her türlü kararın altındaki en önemli imzadır. Müşteri ilişkileri
yönetiminden finansal risk yönetimine, operasyonel süreçlerin doğru
planlanmasından efektif kaynak planlamasına kadar bir kurumun bütün
birimlerinde doğru zamanda doğru karar ve aksiyon alabilmenin koşulu
bütün bu kararların dinamik olarak güncellenen nitelikli bilgi ile
desteklenmesidir.
Nitelikli bilgiye erişebilmede istatistiki analiz ve veri madenciliği
yöntemlerinin bileşimi- Öngörüsel Analitikler kullanılmaktadır. Nitelikli
Bilgiye dayalı dinamik aksiyonlar alınabilmesi için de Kurumsal Bilgi
Yönetimi, Kurumsal Pazarlama Yönetimi gibi kurumsal sistemler ile
entegre çözümlere ihtiyaç bulunmaktadır. Günümüzde, başarıda sürekliliği
hedefleyen bütün kuruluşlar bu alanlara yatırım yapmakta ve yatırım geri
dönüşleri ile kurumlarının büyümesine katkı sağlamaktadırlar.
Sektörde son 15 yıllık gelişmeleri değerlendirdiğimizde hem
tamamlanan proje sayısı hem de gerçekleşen projelerin kalitesinde çok
önemli derecede bir artış söz konusudur. Bu veri kalitesine ve bilgi
teknolojilerinde yaşanan gelişmelere bağlı olarak gerçekleşen bir artıştır.
Günümüzde kurumların toplamakta oldukları verilerin boyutu çok ciddi
seviyelere ulaşmış bulunmaktadır. Bu verilerin doğru yönetilmesi önemlidir.
Kurum içerisindeki farklı birimlerin analitik çalışmalarına uygun Data
Mart'lar oluşturulması ile kurum içerisinde farklı birimlerin ihtiyacına yönelik
dinamik bir karar destek mekanizması oluşturulabilmekte ve alınan kararlar
doğru zamanda uygulamaya geçirilebilmektedir.
Bu karar destek yapısının kullanılamadığı bir banka düşünün
müşterilerini tanımak ve yeni planladığı üç (3) farklı formattaki
kampanyanın duyurusunu müşterilerinin risk durumunu dikkate alarak ve
geri dönüş yapma ihtimali en yüksek ve kendisi açısından maliyet avantajı
en iyi olan kanallardan yapmak istiyor olsun. Doğru kampanya doğru
müşteriye doğru kanaldan gönderilecek, tekliflere gelen geri dönüşler eş
zamanlı olarak analiz edilecek, gerekli aksiyon değişiklikleri planlanacak ve
minimum maliyet ile kampanyaya yüksek oranda “evet” cevabı alınacak.
Bu tür bir proje analitik dünyada bir lüks değildir, başarıda sürekliliğin alt
yapısıdır ve bu tür bir çalışmada hem Analitik modellerin oluşturulması
hem de kurumsal pazarlama yönetimi yapısının oluşturulmasında en
önemli faktör nitelikli veri, doğru analitik çözümler ve konusunda uzman bir
şirketin desteği ile ilerlemektir.
AIMS Analitik Bilgi Yönetimi Çözümleri olarak, 2000 yılından bu yana farklı
sektörlerde farklı uygulama alanlarında farklı iş ihtiyaçlarına yönelik
birçok proje gerçekleştirdik, binlerce kişiye eğitim verdik. Bu projelerde
edindiğimiz deneyim ile “Öngörüsel Sektörel Uygulamalar” ve “Nokta Bazlı
Zeka” adını verdiğimiz çözümleri geliştirdik, analitik çalışmalarımız ile
birlikte pek çok başarılı Kalitatif ve Kantitatif Pazar Araştırması projesini
hayata geçirdik.
Hedefimiz ülkemizde öngörüsel karar desteği sağlayan analitik
uygulamaların gerek kamuda gerekse özel sektörde kuruluşların
başarısında dinamik rol oynamasıdır.
Yaptığımız başarılı çalışmalar sonucunu almak bizler için en önemli
motivasyon kaynağı olmakta. 2011-2012 yılında IBM tarafından “Predictive
Analytics” alanında Orta Doğu ve Avrupa Bölgesinde “İş Ortağı Başarı”
ödülüne layık görüldük. 2012 yılında Türkiye’de “Business Analytics”
alanında Yılın Çözüm Ortağı seçildik. , 2012 yılında danışmanlık verdiğimiz
bir şirket bağlı bulunduğu holding şirketleri arasında düzenlenen “Yılın
Projeleri” yarışmasında “Büyümeye Katkı” kategorisinde birinci seçildi.
Biz AIMS ailesi olarak ülkemizde şirketlerimizin başarısı için varız ve
sizlerle büyüyoruz. Bize güvenen bütün müşterilerimize teşekkür ediyoruz.
Analitik başarı yolculuğunuzda bizlerle birlikte olmak için info@aims.com.tr
üzerinden bizlerle irtibata geçebilirsiniz,
Saygılarımla,
Dr. Tülin GÜZEL ÖZDEMİR
Genel Müdür
AIMS Analitik Bilgi Yönetimi Çözümleri
İçindekiler
Kurumsal Başarının Sırrı B“y“k Veri de Saklı ......................................................................... 3
Karar Mekanizmasının Evrimleşme S“reci ................................................................................. 4
İş D“nyasının Dinamikleri ............................................................................................................ 5
AIMS Analitik Bilgi Yönetimi Çöz“mleri ...................................................................................... 6
Sektörel Öncelikler ve Veri Madenciliğinin Önemi ..................................................................... 7
Bankacılık Sektörü ...................................................................................................................... 8
Sigorta Sektörü............................................................................................................................ 9
Perakende Sektörü .................................................................................................................... 13
Perakende Sektöründe “Coğrafi Veriye”, “Analitik Bilgiye” Dayalı Karar Mekanizması .. 14
Enerji Sektörü ........................................................................................................................... 16
Otomotiv Sektörü ...................................................................................................................... 17
İlaç Sektörü ............................................................................................................................... 19
İnşaat Sektörü............................................................................................................................ 21
Ulaşım Sektörü.......................................................................................................................... 22
Üretim Sektörü .......................................................................................................................... 24
Üretimde Kalite ..................................................................................................................... 25
Spor Kulüpleri ........................................................................................................................... 26
Turizm ve Otelcilik ................................................................................................................... 28
Telekom Sektörü ....................................................................................................................... 29
Kamu Sektörü ........................................................................................................................... 30
Veri Madenciliği Uygulama Alanları .......................................................................................... 32
Analitik Müşteri İlişkileri Yönetimi ......................................................................................... 32
Müşteri Segmentasyonu ........................................................................................................ 32
Noktasal Birimlerin Segmentasyonu .................................................................................... 34
Öngörüsel Kapasite Planlama ................................................................................................... 35
Bankacılık ............................................................................................................................. 35
Network Trafiği Tahmini ve Dinamik Network Planlaması................................................. 36
Talep Tahminleri ................................................................................................................... 37
Öngörüsel Fraud Yönetimi ....................................................................................................... 37
İç Denetim ............................................................................................................................. 37
Kredi Kartı Başvuru Sahtekarlığı.......................................................................................... 38
AIMS Analitik Bilgi Yönetimi Çöz“mleri Kurumsal Çöz“m Bileşenleri .................................. 39
Öngörüsel Analizler: IBM SPSS .............................................................................................. 39
Kurumsal Pazarlama Yönetimi: IBM UNICA ve IBM Coremetrics ........................................ 44
Kurumsal İçerik Yönetimi: IBM Content Analytics ................................................................. 47
Araştırma Çözümlerimiz: Dinamik Pazar Araştırmaları .......................................................... 47
NOKTA BAZLI ZEKA Çözümlerimiz .................................................................................... 50
Eğitimlerimiz ve Danışmanlık Hizmetlerimiz ........................................................................... 53
1
AIMS İSTANBUL: Zümrüteler Atatürk Cad. Nazmi İlker Sk. No:24 34852 Maltepe Tel: +90 216 4573460
Analitik Bilgi ANKARA : Simon Bolivar Cd. Mahmut Yesari Sk. No:8/5 0 0 Çankaya Tel: +90 312 4396031
Yö eti i Çözü leri info@aims.com.tr www.aims.com.tr
Bütün hakları AIMS Analitik Bilgi Yönetimi Çözümleri şirketine aittir. Alıntı veya kopyalama yapılamaz.
2
Kurumsal Başarının Sırrı B“y“k Veri de Saklı
Günümüzde liderler kuruluşlarının gelirini ve karlılığını arttırma, maliyetlerini ve riski azaltma
gibi kuruluşun başarısında kritik olan konularda “KARAR” alırken geçmişte kullanılan yöntemler
ile başarıda sürekliliği sağlayamayacaklarını biliyorlar. Günümüzde kuruluşların işleyişlerinin her
aşamasında, farklı kaynaklardan gelen farklı veriler her geçen gün hızlanan bir ivme ile
artmakta. “Büyük Veri” nasıl yönetilecek sorusuna farklı çözümler sunulmakta, çok önemli bir
soru daha var ki oda bu ham verilerin kuruluşun hangi birimleri tarafından ne şekilde faydaya
dönüştürülebileceği. Kuruluşlar ancak bu soruya doğru yanıt bulabildiklerinde günümüzün çok
kanallı, büyük hacimli, çalkantılı ekonomik koşullarını haiz ortamında başarıyı ve başarıda
sürekliliği yakalayabilecekler.
AIMS Analitik Bilgi Yönetimi Çözümleri olarak, 1998 yılından
itibaren kuruluşlara bu yenidünyada başarıda sürekliliği
yakalayacak, yapmakta oldukları bütün bilgi sistemleri
yatırımlarından fayda almalarını sağlayacak analitik çözümleri
sunuyoruz. Nitelikli bilginin ışığında oluşturulan doğru yönetim
stratejileri, “iş körlüğü” olarak adlandırılan ve daha çok hızlı karar
alma süreçlerinde yöneticilerin en önemli sorunu olan durumların
yaşanmamasının garantisidir. Günümüzde yöneticilerimizin karar süreçlerinin önündeki sis
perdesini kaldırmada en önemli strateji öngörüsel analitiklerin kullanımıdır. Öngörüsel analiz
çözümleri ile kurumsal verilerin iş hedefleri doğrultusunda analiz edilmesi, geliştirilecek
öngörüsel tahmin modelleri ile dinamik (ihtiyaç duyulan an ve konuda) karar süreçlerini
destekleyeceği bir mekanizma oluşturulması mümkündür.
Analitik yönetim yaklaşımı kuruluşlara salt deneyime dayalı duygusal karar alma süreçlerini
ileriye dönük analitik öngörü- anında aksiyon- aksiyon sonucu oluşan duruma göre anlık strateji
yenileme şeklinde bir karar sürecinin yolunu açmıştır. Alınan
kararların dinamik bir şekilde uygulamaya geçirilmesi
gerekir. Mevcut müşterilerinden elde ettiği gelirleri üst satış
ve çapraz satış yöntemleri ile arttırmak ve müşterileri ile
uzun süreli ve karlı bir iş ilişki oluşturmak isteyen kuruluşlar
analitik yöntemleri kullanmak zorundadırlar. Analitik Müşteri
İlişkileri Yönetimi çalışmalarında, veri madenciliği yöntemleri
ile müşteri verileri modellenmekte, bu modeller ile hangi müşterimize hangi ürün önerisi ile hangi
kanaldan ne zaman öneride bulunursak müşterimizin bu önerimizi kabul etme olasılığı nedir
sorusuna cevap alınmaktadır. Uygulama aşamasında çok kanallı pazarlama yönetimine ve
alınan aksiyonların sonuçlarının takip edilebileceği bir çözüme ihtiyaç duyulmaktadır ki bu
noktada da “Kurumsal Pazarlama Yönetimi” devreye girmektedir.
Geçmişte şirketler yeni müşteri kazanımı çalışmalarında ve satışlarını arttırma hedefli
planlamalarında reklam kampanyalarına güvenebiliyorlardı. Oysa günümüzde bütün şirketler
müşteri odaklı olmak zorundadır, bu da farklı interaktif kanallardan farklı kitlelere farklı
3
mesajların iletilmesini gerektirir. Her pazarlama faaliyeti sonrası çok sayıda veri oluşmaktadır.
Kampanyaların başarısı için oluşan verilerin analiz edilmesi bir sonraki etkinlikte bu verilerden
elde edilen nitelikli bilginin kullanılması gerekir. Operasyon ve süreçlerin yönetimi, harcama
yönetimi, kampanya planlama, pazarlama performans yönetimi, kurumsal pazarlama
uygulamaları deneyim paylaşımı adımlarından oluşan Pazarlama Kaynak Yönetiminin öngörüsel
analitiklerle desteklenmesi bütüncül başarının garantisidir. AIMS Analitik Bilgi Yönetimi
Çözümleri, farklı yazılımlar ve uzun yıllardır oluşturduğu bilgi birikimi ile kurumların ihtiyacına
özel çözümler üretmektedir.
Karar Mekanizmasının Evrimleşme S“reci

Geçmişte çok önemli kararlar salt deneyime dayalı olarak alınırdı. Bu sübjektif kararlar çoğu
zaman tutarsız olurdu ve uygulama sonuçlarının başarısı sorgulanırdı. Önemli kararların
standardize edilmesi, tutarlı hale getirebilmesi için şirketler ilk olarak “iş kuralları” tabanlı karar
süreçlerini geliştirdiler. “İş Kuralları Tabanlı Karar Alma” alınan kararlarda tutarlılık sağlasa da
statik kuralların hızla değişen iş koşulları altında kullanım dışı kalmaları bu yaklaşımın yetersiz
olmasına neden olmuştur.
Bu noktada kurumsal ham verilerin analizi ile geçmiş ve mevcut durumun analiz edilmesine
dayalı karar alma gündeme gelmiştir. Veri analizine dayalı karar alma süreçleri yavaş yavaş
hayatımızın bütün alanlarına girmeyi başarmıştır. Örneğin Orley Ashenfelter, Bordeaux şarapları
henüz tadılmadan bağbozumu özelliklerini (kış yağış miktarı, yetişme mevsiminin ortalama
sıcaklığı, hasat mevsimi yağış miktarı) kullanarak kalitesini tahmin etmiştir. Bill James, beyzbol
uzmanlarının sadece oyuncuyu izleyerek onun başarılı olup olmayacağını yargılama fikrine
karşı çıkmıştır. Beyzbolda verilere dayalı karar vermenin gözlemsel uzmanlıktan üstün olduğunu
yaptığı tahminler ile kanıtlamış, beyzbolda “sabermetrik” adı verilen hesaplama yönteminin ilk
adımını atmıştır. 2000 yılında iki siyaset bilimci bir davanın siyasi boyutu ile ilgili bir kaç
değişkeni kullanarak Yüksek Mahkeme Yargıçlarının nasıl karar vereceğini tahmin eden bir
model oluşturmuşlardır. Öngörüsel karar almanın bu kadar geniş bir uygulama alanı bulmasının
en önemli nedeni öngörüsel modellerin geçmişe dair bütün verilerin içerdiği deneyimi kullanması
ve yeni veriler ile modellerin tahminlerinin dinamik bir şekilde güncellenmesidir. Prediktif
analizler ile süregiden iş koşulları altında doğru zamanda doğru kararlar almak mümkündür.
Kararların farklı durumlar için güncellenmesi günümüzün rekabetçi ekonomisinde
yöneticilerimizin karar süreçlerinin doğru desteklenmesini sağlamaktadır.
4
Veri Madenciliği sayesinde bugün öngörüsel analizlerin kullanım alanı her geçen gün
genişlemektedir. Veri madenciliği yöntemlerini kullanarak; True.com, eHarmony, Perfectmatch
“kiminle evlenmek isteyebileceğimizi” tahmin edebilmektedir. Lowe’s ve Circuit City ise iş ilanına
başvuran adaylardan hangilerinin o işe uygun olabileceğini öngörmektedir. Harrah
kumarhaneleri bir oyuncunun ne kadar kaybedebileceğini ve bu deneyimden keyif alıp tekrar
oynayıp oynamayacağını tahmin etmekte ve buna göre müşterileri ile uzun süreli karlı bir ilişki
kurmayı başarmaktadır. Offermatica ve Adworks piyasanın hangi fiyatı kaldırabileceğini
öngörmektedir.
İş D“nyasının Dinamikleri
Şirketler işleyişlerinin her aşamasında toplanan ham verileri aksiyon alınabilir bilgiye
dönüştürdüklerinde kararlarını optimize edebilir ve şirket başarısını arttırabilirler. Sektör
bağımsız olarak bütün şirketlerde en önemli ihtiyaç “doğru karar” alabilme yeteneğini
kazanmaktır. Akan enformasyon hacmine, çeşitliliğine ve hızına bakıldığında bu yeteneği
kazanmak şirketler için her geçen gün daha önemli bir sorun haline gelmektedir. İş dünyasının
dinamikleri her geçen gün daha hızlı değişmektedir ve doğru kararlar almak her geçen gün daha
da zorlaşmaktadır. Teknolojik gelişmeler sayesinde kurumlar ham verilerini toplayabilmektedir,
veri çeşitliliği ve hacmi her geçen gün hızla artmaktadır. Bu da verilerin karar alma süreçlerini
destekleyecek şekilde yönetilmesini, verideki kritik bilgilerin keşfedilmesini ve kurumun etkin
karar süreçlerinde bu bilginin uygulamaya alınmasını gerektirmektedir.
Şirketlerde farklı bölümler; örneğin finans, satış ve pazarlama, risk yönetimi veya operasyon
birimleri tek tek ele alındığında farklı iş hedefleri doğrultusunda çalışmaktadır. Şirketin farklı
bölümlerinin kendi iş hedeflerini yönetmek için kullandığı farklı sistemler vardır. Şirketin bütünü
açısından bakıldığında hedef tektir ve oda şirketin başarısıdır. Nitelikli bilginin ham veriler
5
içerisinden çıkarımı kadar bu bilginin farklı birimlerin karar süreçlerini aynı anda destekleyecek
şekilde bölümler arası paylaşımı önemlidir. Pazarlama biriminin bir kampanya planlarken
kampanyaya geri dönme olasılığı yüksek olan müşteri adaylarına yöneldiğini ama finansal
açıdan bu hedef kitlenin yüksek risk seviyesinde bir grup olduğunu varsayalım. Yapılacak
pazarlama etkinliği bir fiyasko ile sonuçlanacaktır. Bu tür durumları minimize etmek için farklı
sistemlerin ve veri kaynaklarının entegre edilmesi ve departmanlar arası zekanın oluşturulması
gerekir. İş zekası ve geleneksel tahminlerde salt geçmiş veriler kullanılır. Salt geçmiş
değerlendirmelere dayalı karar alma ancak ekonomi, çevresel faktörler, teknoloji, vb. çok sayıda
faktörün statik kaldığı durumlarda verimli olabilir. Prediktif karar almada ise geçmiş veri yanında
güncel verilerde kullanılmaktadır ve ne oldu, neden, ne olmakta ve bir sonraki adımda ne olacak
şekilde modeller kurgulanmaktadır.
IBM SPSS Prediktif Analiz yazılımları, kuruluşların doğru zamanda ve doğru etki anında
doğru kararlar almalarını desteklemektedir.
AIMS Analitik Bilgi Yönetimi Çöz“mleri

AIMS Analitik Bilgi Yönetimi Çözümleri ülkemizde analitik dünyanın şekillenmesinde önemli
rolü olan, 2000 yılından beri farklı sektörlerde pek çok farklı analitik projeye imza atmış bir
şirkettir.
AIMS Analitik Bilgi yönetimi çözümleri IBM Business Analytics, IBM Enterprise Marketing
Management gibi farklı konularda IBM’in Premier düzeyde yetkin çözüm ortağıdır. AIMS,
sağladığı çözümlerle ilgili olarak “Teknik Destek Veren Çözüm Ortağı” statüsündedir.
AIMS, IBM Çözümlerini kullanarak geliştirmiş olduğu “Sektörel Uygulama Çözümleri” ve
öngörüsel analitiklerin gücünü coğrafi bilgi sistemleri yapısı ve raporlama yapısı ile entegre ettiği
bütünleşik bir çözüm olarak “Nokta Bazlı Zeka” çözümü ile IBM’in katma değer yaratan çözüm
ortağı olarak 2012 yılında Orta Doğu ve Avrupa Bölgesinde yer alan IBM Çözüm Ortakları
arasından “IBM Business Analytics Award”’a layık görülmüştür. AIMS, 2012 yılında Türkiye’de
IBM’in “Business Analytics” çözüm ortakları arasında “Yılın Çözüm Ortağı” seçilmiş
bulunmaktadır.
AIMS gücünü ve başarılarını çözüm sağladığı müşterilerinin başarılarından almaktadır.
2012 yılında danışmanlık verdiğimiz bir müşterimiz bağlı bulunduğu holding şirketleri arasında
düzenlenen “Yılın Projeleri” yarışmasında “Büyümeye Katkı” kategorisinde birinci seçilmiş
bulunmaktadır ve bu bizim için çok değerli bir başarıdır.
AIMS Analitik dünyanın büyümesi, şirketlerin analitik dünyayı keşfetmesi ve analitik gücü
kullanarak başarılarını pekiştirmesi için çalışmalarına ve başarılarına her geçen gün yenilerini
ekleyecektir.
6
Sektörel Öncelikler ve Veri Madenciliğinin Önemi
Şirketlerin ve kamu sektörünün farklı iş hedefleri ve öncelikleri bulunmaktadır.
Özel sektörde, şirketlerin benzer iş hedefleri bulunmaktadır. Bunlar en karlı müşterileri
çekmek, üst satış ve çapraz satış ile fırsatı büyütmek, işletme riskini azaltmak, usulsüzlük ve
sahtecilikle mücadele edebilmek, müşteri ilişkileri yönetimi ile ilgili konular; tedarik yönetimi,
marketlerde efektif raf planlaması, promosyon planlaması vb. kurumun finansal gelirlerini
arttırmaya maliyetlerini azaltmaya, riski minimize etmeye yönelik hedeflerdir.
Kamu kurumları güvenlik, sağlık, eğitim gibi çok önemli alanlarda sorumluluk taşımakta ve
kısıtlı bütçeler, bürokratik zorluklar vb. koşullar altında hizmet vermektedirler.
Kamu kurumlarının başarısının anahtarı üretimden pazarlamaya, mali gelir denetiminden
sağlığa, güvenlikten eğitime işleyişlerinin ve faaliyetlerinin her aşamasında otomatik olarak
toplanmakta olan ham verileri işleyebilme ve karar destek amaçlı olarak kullanabilme
yetkinlikleridir.
Kuruluşlar için karar destek tabanlı bilginin değeri büyük ölçüde artmış ve artmaya da
devam etmektedir. Kuruluş kaynaklarında var olan verilere ek olarak, gerek kurum içinden
gerekse kurum dışından doğru bir şekilde veri toplamanın önemi de çok önemli bir nokta olarak
ortaya çıkmaktadır. Veriden bilgiye uzanan bu süreç kurumlara büyük değer katmakta, karar
süreçlerinde belirleyici rol oynamaktadır.
Kuruluşların işleyişlerine dair bütün veriler veri
tabanlarında saklanmaktadır. Veri yığınları içerisindeki gizli
bilgilerin açığa çıkarılması ve kuruluş yöneticilerine ihtiyaç
duydukları karar desteğinin sağlanması veri madenciliği ve
istatistiksel analiz yöntemleri ile mümkündür. Yapısal
olmayan verilerdeki artış yapısal verilerdeki artıştan çok
daha hızlıdır ve sosyal medya deneyiminin yönetiminde
Metin Madenciliği çözümleri devreye girmektedir.
Faaliyet alanı ve kapsamı, hizmet verilen kişi sayısı,
hizmet türü farklı olmakla beraber bütün kuruluşların hedefi
finansal kaynaklarını ve insan kaynaklarını en iyi şekilde
kullanmaktır.
AIMS Analitik Bilgi Yönetimi Çözümleri olarak 13 yılı aşkın süredir Öngörüsel Analitikler
alanındaki deneyimimiz ile güncel bir işleyişi olan her kamu kurum ve kuruluşunun farklı
birimlerinin ihtiyaçlarına özel analitik uygulamalar geliştirmekteyiz.
Bugün IBM SPSS Çözümleri bütün dünyada olduğu gibi ülkemizde de pek çok kuruluşun
vazgeçilmez başarı unsuru haline gelmiştir. IDC sektör analiz firması öngörüsel analiz
çözümlerinin yatırım geri dönüşünün (ROI) en az %145 olduğunu tespit etmiştir.
7
Bankacılık Sektör“
Günümüzün rekabetçi ortamında başarılı olmak isteyen bankalar artan pazarlama
maliyetlerini yönetmek, müşteri karlılığını arttırmak, riski minimize etmek gibi önemli iş
hedeflerini yönetmek durumundadırlar. Müşterilerin bireysel ihtiyaçlarını anlayabilmek ve
müşterilere ihtiyaçlarına yönelik teklifler ile gidebilmek için müşterilerin segmente edilmesi
gerekir. Müşteri değeri segmentasyonu- yaş gelir matrisi, müşterinin bankaya sağladığı kazanç,
vb., müşteri davranış segmentasyonu- müşterinin kullandığı finansal ürünler, yaşam evreleri, vb.
farklı amaca yönelik farklı yöntemler söz konusudur. Bankaların bir diğer önemli iş hedefi riskin
minimize edilmesidir. Bu noktada kredi riski, pazar riski ve operasyonel risk gibi farklı konular
gündemdedir.
Bankalar kredi riski skorlaması ile karlı ama geri ödeme riski düşük olan müşterileri
hedeflemek, kredi kartı başvuru skorlaması ile sahte başvuruları engellemek isterler. Bankalar iç
denetim tarafında ise nokta bazlı denetim yapabilmeyi hedeflerler. Denetmenlerin genellikle
oldukça uzun denetim listeleri bulunmaktadır. Bu listelerde yer alan denetim noktalarının hangi
risk seviyesinde olduğunu bilmek, denetmenlerin doğru denetim önceliklendirmesi ve iş
programı yapabilmesi demektir. Bu da operasyonel maliyetlerin azalması yanında
denetmenlerin başarılarının artması anlamına gelir. Bankaların risk, denetim için büyük veri
ambarları bulunur ama dinamik risk modellemesi alt yapısı oluşturulmadan, statik risk tahmini
yöntemleri ile riski engellemek mümkün olmaz. Dinamik yapıda risk modellerinin akan yeni
veriler ile sürekli güncellenmesi gerekir ki tahmin güvenilirliği yüksek olsun, tahmin sonuçlarının
operasyonel sisteme doğrudan entegre edilmesi ve her hangi bir model güvenilirliği düşük olan
bir tahmin sonucu ürettiğinde ilgili kişilerin uyarılması ve modelin güncellenmesi gerekir ki risk
yönetimi doğru yapılabilsin.
Bankacılık sektöründe Bilgi Sistemleri Yöneticileri veri ambarlarına, CRM sistemlerine
yapılan yatırımların bankaya fayda sağlamasını hedeflerler ve iş birimlerini desteklemek isterler.
Müşteri odaklı pazarlama, mevcut müşterilerin karlılığını arttırmaya yönelik üst satış ve çapraz
satış etkinlikleri ve dinamik risk yönetimi için bankaların en büyük yardımcısı öngörüsel analiz
çözümleridir.
Öngörüsel modelleme de farklı iş birimlerinin ihtiyacına yönelik entegre modeller
geliştirilmelidir ki banka örneğin kredi kullandırma hedefli bir kampanyada karlılığı yüksek
müşterilere yönelirken gerçekte alacağı krediyi geri ödememe riski yüksek olan müşterileri
hedeflemesin. Bankalarda çağrı merkezleri hem yeni müşteri adayları oluşturma hem de yasal
takibe düşen müşterilerin geri ödemelerini yaptırmaya yönelik aktiviteler için kullanılır.
Her iki çalışmada da hedef odaklı olmak önemlidir. Bunun içinde müşteri listelerinin
yapılacak aramaya cevap verme oranını belirtecek bir parametre içermesi gerekir. Müşterilerin
kanal ve ürün kullanımlarının modellenmesi ve örneğin müşteri ATM üzerinden banka ile
temasa geçiyor ise ona bu kanaldan yapılabilecek önerilerin doğru planlanması gerekmektedir.
Geçmişte gerçekleştirilen pazarlama çalışmalarının sonuç verileri modellenerek ve modeller
8
kampanya önerisi yapılmayan müşteri listelerine uygulanarak bu müşterilerden hangilerinin bu
kampanya önerisine hangi kanaldan olumlu yanıt vereceği öngörülebilmektedir.
Bankanın web kanalını kullanma potansiyeli yüksek olan müşteriler için hedef odaklı bir
kampanya yapıldığında, kampanyaya olumlu bir geri dönüş alınacaktır. Eğer bu müşterilerin
web kanalı kullanımı kısa süreli oluyorsa, bu noktada “eye track” ve/veya “focus group” gibi
kalitatif araştırma yöntemleri ile derinlemesine araştırma yapılması gerekecektir.
Müşterilerin geçmiş kredi kullanımı ve kredi geri ödemesi verileri modellenerek ise bir
müşteri kredi başvurusu yaptığında risk seviyesi doğru öngörülebilmektedir. Bu risk skorlarına
“banka dışı kaynaklardan gelen statik risk skorları da eklenebilir ama statik risk skorlarının tek
başına kullanımı genellikle kötü sonuçlar doğurur. Bankacılık sektöründe analitik proseslerin
işleyişinin farklı iş hedeflerine cevap verecek ve entegre şekilde olması gerekir. Şekilde örnek
bir analitik yapı şematize edilmektedir.
Sigorta Sektör“
Sigorta sektöründe müşteri kaybı oranı yüksek, çapraz satış oranı düşüktür. Müşteri kaybı
oranlarının %30’ların üzerine çıkabildiği bu sektörde özellikle bireysel emeklilik tarafında değerli
müşterileri elde tutmak şirketin başarısı açısından önemlidir. Elementer sigorta dalında ürün
sayısı fazladır. Otomobil, ev, sağlık, vb. farklı sigorta türleri bulunmaktadır. Mevcut müşterilerin
hem karlılığını arttırmak hem de değerli müşterileri elde tutmak için mevcut müşterilere alma
olasılıkları yüksek olan yeni sigorta ürünlerini önermek, yeni müşteri kazanımında doğru hedef
kitleye yönelmek, müşteri ihtiyaçlarını ve değerli müşterilerin hizmet beklentilerini doğru
anlamak gerekir. Müşteriyi kaybetmeden geri kazanabilmek için sigorta şirketlerinin müşteri
deneyimini doğru değerdirmeleri gerekir.
9
Sigorta müşterileri hasar tahsilatı konusunda son derece hassastır. Sigorta şirketinin hasar
süreçlerini doğru yönetmesi gerekir. Hasar süreçlerindeki harcamalar, sigorta firmalarının en
önemli masraf kalemlerindendir. Bazı sigorta firmalarında hasar süreçleri masrafları, tüm
harcamaların yüzde yirmilik bölümünü oluşturabilmektedir. Hasar yönetimi, müşteri ilişkilerine de
doğrudan etki ettiği için, bir sigorta firmasının en kritik iş süreçlerini oluşturur. Sigorta şirketleri
bir taraftan hasar süreçlerinde sahtekarlıkla mücadelede etkin olmak ve hasar durumlarında
sahtecilikle mücadelede masrafları minimum seviyede tutmak, diğer taraftan ise müşterileri
mutsuz etmeden bu süreci sonuçlandırmak zorundadırlar.
Sigorta şirketlerinin genel yaklaşımı, hasar durumunda olabildiğince detaylı bilgi toplamak
ve bu bilgilere dayalı karar vermek şeklindedir. Bu yaklaşım maliyetlerin artmasına, sürecin
uzamasına, müşteriye yapılacak ödemenin gecikmesine ve iyi müşterilerin memnuniyetsizliğine
ve kaybedilmesine neden olur. Türkiye’de 2012 yılında Ernst & Young tarafından yayınlanan
“Global Sigorta Sektörü Müşteri Araştırması 2012” Sigorta şirketlerinin müşteri ilişkilerini tekrar
değerlendirme zamanı geldiğine işaret etmektedir. Araştırmaya katılan müşterilerin %35’i hasar
tazminat talebinde bulunmuştur. Bunlardan %14’ü bu hasar tazminat deneyimi nedeni ile sigorta
şirketini değiştirdiğini, %8’i de aynı nedenle sigorta şirketini değiştirmeyi planladığını belirtmiştir.
Araştırmaya göre gelecek 5 yıl içerisinde Türkiye’deki elementer sigorta müşterilerinin 3’te 1’i
sigorta şirketlerini değiştirmeyi planlamaktadır. Raporda üzerinde durulan bir önemli bulgu da
elementer sigorta dalında müşterilere çapraz satış oranının düşük olduğudur. Hilekarlık tespitine
yönelik çalışmalarda denetimcinin inisiyatifi büyük önem taşır. Hilekarlık içermeyen durumların
incelenmesi boşuna zaman kaybıdır ve gerçek hilekarlıkların tespiti için ayrılacak vaktin
azalmasına neden olur. Sonuç olarak çok fazla dosya ile kısa sürede ilgilenmek zorunda olan
denetçiler hilekarlık içeren durumların tespitinde hata yapabilmektedirler.
IT birimleri aynı anda birden fazla konuda, az kaynak kullanarak hizmet vermeye çalışır.
Sigorta sektöründe internet üzerinden ürünlerin görünürlüğü, online fiyat karşılaştırma, vb.
müşterilerin online hizmet almaları yönündeki yatırımlar önemli olmakla beraber satış tahminleri,
müşteri profili bilgisi, pazarlama yatırımlarının doğru yönlendirilmesi ve geri dönüşünün yüksek
olması gibi konularda sigorta şirketinin başarısı açısından önemlidir.
Özetle sigorta sektöründe müşteri segmentasyonu, müşterilere ek ve üst satış yapma
yetkinliği, değerli müşterileri elde tutmak, sahtecilikle mücadele, hedef odaklı pazarlama sigorta
şirketlerinin başarısında kritik konulardır. Bu iş problemlerinin çözümünde sigorta sektörü
profesyonellerinin en büyük yardımcısı öngörüsel analiz çözümleridir. Örneğin zaman serileri
analizi ile satış tahminleri doğru yapılabilir ve satış temsilcilerine doğru satış hedefleri verilerek
performansları doğru yönetilebilir. Veri Madenciliği ile analitik CRM yapısı altında Müşteri Değer,
Davranış Segmentasyonu, ürün eğilimi ve churn modelleri oluşturulabilir ve müşteri ile efektif bir
etkileşim sağlanabilir. Müşterilere ihtiyaçlarına özel öneriler götürülerek müşteri karlılığı
arttırılabilir, terk etme eğiliminde olan müşteriler önceden belirlenebilir ve özellikle önemli
müşterilerin geri kazanımı sağlanabilir. Kurumsal Pazarlama Yönetimi çözümleri ile entegre bir
yapı oluşturularak hangi kanaldan hangi müşteriye hangi teklif ile gidilirse, en düşük maliyet ile
kampanyaya en yüksek geri dönüş sağlanabilir sorusuna cevap alınabilir.
10
Kurumsal Pazarlama Yönetimi çözümleri ile doğru kampanyanın doğru zamanda doğru
kanaldan doğru müşteriye maliyeti en düşük olacak şekilde gönderilmesi ve kampanya geri
dönüşlerinin eş zamanlı olarak ölçülmesi sağlanabilir. Kampanya henüz devam ederken
kampanyaya alınan geri dönüşler yine öngörüsel analiz çözümleri ile analiz edilebilir ve gerekli
değişiklikler yapılarak kampanyanın en başarılı şekilde sonuçlanması sağlanabilir.
Müşteri ilişkileri yönetimi için analitik yapı: Veri madenciliği ve Kampanya Yönetimi Entegre
Prediktif Analizler ile geçmişte tespit edilmiş olan hilekarlık durumlarına dair veriler
üzerinden hilekârlık tespiti modellenerek, kötü niyet bulunan ve yasal olmayan hasar durumları
öngörülebilir, denetmenlere bu durumlar ve duruma ait risk seviyesi ve öngörüsel modelin bu
durumu neden riskli bulduğu bilgisi gönderilerek daha hedef odaklı denetim yapılması
sağlanabilir ve sigorta şirketi bir maddi kayıp yaşamadan önlem alınmış olur. Bu sayede hem
nitelikli müşteriler hasar soruşturması ile boşuna yorulmamış olur, hasar ödemeleri gecikmez,
hem de hilekarlık en aza indirgenir.
Analitik Hilekarlık öngörüsü modelleme çalışmalarında ilk adım müşteri verileri, etkileşim
verileri, hasar araştırma ve tazminat verileri, kampanya geçmişi, iş kurallarını oluşturan iç
deneyimler, vb. farklı kanallardan gelen verilerin toplanmasıdır. Hasar araştırma ve tazminat
verileri analiz edilerek “yüksek risk” içeren durumların öngörüsüne dair kurallar keşfedilir. Bu
kurallar iş kuralları ile entegre olarak hasar risk skorlaması (örn. düşük, orta seviye, yüksek risk)
için kullanılır. Bu skorlara göre alınacak aksiyon belirlenir. Hilekarlık unsuru içerme riski düşük
hasar tazminatlarının hızlı ödenmesi sağlanır, bu sayede hem maliyetler düşürülür hem de
müşteri memnuniyetinde artış sağlanır. Zaman içerisinde geliştirilen hasar tazminatı risk
modelleri, elde edilen sonuç veriler ile güncellenir ve bu modellerin tahmin güvenilirliği arttırılır.
Hilekarlık modellemesine dair analitik yapı şekilde yer almaktadır.
11
Bu analitik yapı kapsamında; risk profilleri ve iş kurallarını birleştirerek, yasal hasar
süreçlerini bir telefon gibi kısa sürede çözümlemek mümkün olacaktır, hasar tespit ve karar
verme süreçleri otomatize edilecektir, sadece şüpheli ve risk taşıyan hasar durumlarında bilgili
ve deneyimli bilirkişiler doğru yönlendirilerek kaynakların daha verimli kullanımı sağlanacaktır.
Şüpheli durumların tespiti için gerçek zamanlı uyarı sistemleri oluşturulabilecektir.
Sigorta sektöründe özellikle “Bireysel Emeklilik” şirketlerinde zorlu bir iş süreci olarak göze
çarpan bir konuda İnsan kaynakları Yönetiminde maliyet odaklılık ve nitelikli satış personeli
kaybının engellenmesidir. İnsan Kaynakları Yönetiminde analitik yöntemlerinin kullanımı son
derece önemlidir. Yeni eleman seçiminde yapılan masrafları düşürmek, doğru elemanları
seçmek ve çalışanların işten ayrılma oranını azaltmak için kurumun geçmiş deneyimlerini içeren
verilerin nitelikli olarak analiz edilmesi ve elde edilen bilgiye dayalı bir karar mekanizmasının
oluşturulması gerekmektedir.
Bireysel Emeklilik sektöründe, çalışanların (özellikle satış kanallarında görev alanların)
şirketten ayrılması ve çalışan bazında yüksek bir sirkülasyon olması ile müşteri kaybı arasında
önemli bir ilişki bulunmaktadır. Ülkemizdeki kanunların verdiği haklar sayesinde bir bireysel
emeklilik müşterisinin, ceza hükümlerine maruz kalmadan birikimini diğer emeklilik firmalarına
aktarması mümkündür. Bu sebeple müşteri bağlılığını oluşturmak diğer sektörlere göre daha
zordur. Bireysel emeklilik firmalarında satış temsilcilerinin diğer firmalara geçerken kendi
portföylerinde yer alan müşterileri etkilemeleri müşteri kaybı oranını arttırmaktadır.
12
Perakende Sektör“
Perakendecilerin gündemindeki en önemli konular arasında müşteri odaklılık, pazarlama
yatırımlarından yüksek geri dönüş alınması, kurumsal yönetimde dinamik karar süreçlerinin
oluşturulması, marka değeri ve yönetimi, maliyet odaklılık, iç fraud, talep tahminleri, marketlerin
performans yönetimi gibi konular yer almaktadır.
Perakende sektöründe karlılığı arttırabilmek için müşteri ihtiyaçlarını, önceliklerini, ürün satış
kalıplarını çok iyi anlamak ve ürün çeşitlendirmesini doğru yapmak gerekir. Perakendeciler
örneğin hangi ürünlerin markette satılacağına karar verirken envanter maliyetleri ile satılmayan
ürünlerden kaynaklanan satış kaybı maliyetlerini doğru dengeleme sorunu gibi farklı sorunlar ile
karşı karşıyadırlar. Pazarlama yatırımlarından en üst düzeyde kazanç sağlamak için tüketici
davranışına ve önceliklerine uygun promosyonların belirlenmesi ve müşterilere doğru ürünlerin
önerilmesi gerekir. Müşteri memnuniyeti sürekliliği için hizmet kalitesinin de istikrarlı olması
gerekir.
Perakende sektöründe müşteriler ve tedarikçiler ile etkileşimde bulunulan her noktada, satış
verileri, müşterinin satın aldığı ürünlere dair sepet verileri, ürünlerin tedarik rotasına dair veriler,
hizmet verileri vb. çok sayıda veri toplanmaktadır. Toplanan veri büyüklüğü her geçen gün
artmaktadır. Özellikle web tarafında yaşanan gelişmeler, e-ticaretin yaygınlaşması bu veri
miktarını daha da arttırmaktadır. Müşteri satın alma davranışlarının ve eğilimlerinin anlaşılması,
müşteri ihtiyaçlarının anlaşılması ve müşteriye daha doğru hizmet verilmesi, müşteri kazanımı
ve karlı müşteriler ile uzun soluklu bir iş birliği içerisinde olma stratejilerinin oluşturulması,
müşteriye daha doğru kanallardan hizmet verilmesi, kanal stratejilerinin doğru kurgulanması gibi
farklı stratejik karar noktaları söz konusudur. Bu stratejik karar süreçlerinin oluşturulmasında ise
veri madenciliği devreye girmektedir. (Han, Jiawei, and Micheline Kamber. Data mining:
concepts and techniques. Morgan Kaufmann, 2006)
Perakende sektöründe toplanan yapısal veriler; marketten yapılan alışverişe ait POS verileri
yani alışveriş sepetinde bulunan ürünlere dair veriler ve online alışveriş sitesi üzerinden gelen
veriler olmak üzere iki ayrı kanaldan gelir. Bir perakendeci pazarda başarılı olmak istiyor ise
tedarik maliyetlerini azaltmalı ve ham verilerini stratejik karar desteğinde kullanabileceği nitelikli
bilgiye dönüştürmelidir. Yapısal olmayan verileri de dikkate aldığımız da; sosyal medyada,
internet arama motorlarında, telefon ağlarında toplanan veriler inanılmaz boyutlara çıkmıştır. Bu
verilerin saklanma maliyeti işin yarısıdır, ihtiyacınız olduğunda gerekli veriye erişebilmek ve
veriyi analiz edebilmek işin en önemli kısmıdır. Kullanılmayan ham veri salt maliyettir. Yanlış
ellerde yönetilmeye çalışılan veri ise kurum için bir kabusa dönüşür. Veriyi analiz etmeye
başlamadan önce iş ihtiyaçlarının ve hedeflerinin doğru belirlenmesi gerekir ki ham veri yığını
içinde kaybolmadan projeler başarılı bir şekilde sonuçlandırılsın. (Cox, Emmett. Retail Analytics:
The Secret Weapon. Vol. 45. Wiley, 2011, p.18)
Perakende sektöründe başarı, hem müşteri odaklı olmayı hem de dinamik performans,
maliyet, verimlilik, insan kaynakları yönetimi yapabilmeyi gerektirmektedir. Perakende
sektöründe kozmetik, giyim, gıda market zincirleri, elektronik perakende, sağlık ürünleri, vb. çok
13
farklı kategoriler bulunmaktadır. Sektörün dinamik ve krizler karşısında kırılgan yapısı anlık etkin
ve doğru karar alabilmeyi zorunlu kılmaktadır.
Perakende sektöründe ham veri her geçen gün daha büyük bir ivme ile artmaktadır.
Perakende firmaları mevcut verilerini kullanarak müşteri segmentasyonu çalışmaları ile
müşterilerini tanımaya çalışmaktadır. Fakat bu çalışmalar tek düzlemde kaldığından sektör
firmalarına olması gereken başarıyı sağlayamamaktadır. Perakende sektöründe bir mağaza çok
karlı, başarılı iken benzer niteliklere sahip görünen bir diğer mağaza son derece başarısız
olabilmektedir. Mağaza açmak maliyetli olduğu kadar, mağazanın mevcudiyetini devam ettirmek
de, mağazayı kapatmak da ciddi anlamda maliyetlidir. Özellikle ekonominin kırılgan olduğu
dönemlerde yanlış veya geç alınan en küçük bir karar perakende firmasının zincirleme zarar
trendine sokabilmekte, firmanın mevcudiyetini koruması zorlaşmaktadır.
Perakende sektöründe müşterilerimiz ile yaptığımız görüşmelerde coğrafi verilerin
kullanımına olan ihtiyaç dikkatimizi çekmiştir. Firmalar coğrafi veriyi genellikle çok kısıtlı olarak
raporlama amaçlı projelerde kullanmaya çalışmakta, coğrafi veri sağlayıcı firmaların sağladığı
ara yüzleri genellikle web sitelerinde noktasal birimlerini harita üzerinde konumlandırma amacı
ile kullanmaktadırlar ki bu kullanım şirketlerin stratejik kararlarını destekleyebilecek bir
enformasyon içermemektedir.
Perakende Sektör“nde Coğrafi Veriye , Analitik Bilgiye Dayalı Karar

Mekanizması
Perakende sektöründe müşteri verileri, mağazalara ait demografik veriler ile performans
verileri, mağazaların bulunduğu lokasyona dair coğrafi veriler ve lokasyonun demografik verileri
öngörüsel analiz yöntemleri ile aynı anda analiz edilmelidir. Elde edilen öngörüsel tahmin
modelleri, değişen coğrafi veriler, güncel performans verileri ve bölgesel araştırmalar vb. ek veri
kaynaklarından elde edilen veriler ile güncellenmeli, tahmin modellerinin tahmin güvenilirliği
izlenmelidir. Bu da sektörde doğru zamanda doğru ve etkin kararlar alınmasını ve sektörel
başarıyı garantileyecek “lokasyon bazlı zeka” sağlayacaktır.
Coğrafi bilgi sistemlerinin gelişimi ile
nokta bazlı verilere ulaşmak
kolaylaşmıştır, çok daha önemlisi bu
veriler sürekli güncellenmektedir ve
değişim kolayca izlenebilmektedir, iş
zekası çözümleri bu verilerden
enformasyon elde etmeyi
kolaylaştırmıştır, veri madenciliği ve
istatistiğin gelişimi sayesinde ise
öngörüsel modeller geliştirilebilmektedir.
Fakat bu çalışmaların ayrı ayrı
yapılması kurumların yaptıkları yatırımların fayda sağlamak bir yana maliyet olarak kalmasına
neden olmaktadır.
14
Perakende Sektöründe “Coğrafi Veriye”, “Analitik Bilgiye” Dayalı Noktasal Dinamik bir Karar
Mekanizması oluşturmak üzere AIMS Analitik Bilgi Yönetimi Çözümleri TÜBİTAK 1507 KOBİ
ARGE destek programına dahil olmuş bir proje geliştirmiştir. Bu proje kapsamında geliştirilen
çözümün hedefi perakende sektörü yöneticilerine tek bir ara yüz üzerinden, bir kaç tıklama ile
erişebilecekleri, nokta bazlı bir karar mekanizması sunmaktır. Bu çözüm ile perakende firmaları;
dashboard tabanlı lokasyon- mağaza verimlilik raporlaması yapabilecek, mağazalarını lokasyon
bazlı görüntüleyebilecek, mağazalarının mevcut verimliliğini lokasyon bazlı izleyebilecek,
potansiyel verimliliğini lokasyon bazlı tahmin edebilecek, mağazaları için kritik verimlilik skoru
oluşturabilecek, kritik verimlilik skorunun altına düşmesi olası mağazalarını risk skoruna göre
değerlendirebilecek ve mağazalarının belirli bir verimliliğin altına düşmemesi için tedbir
alabileceklerdir.
Perakende sektöründe büyüme kararları alınırken yeni açılacak mağazalar için alternatif
noktalar söz konusudur, alternatif noktaların kira gideri, büyüklüğü, vb. bir çok nokta karar
aşamasında dikkate alınsa da çoğu zaman şans faktörü devrededir zira perakende şirketinin
bütün birimlerine dair bir segmentasyon çalışması yapılmamıştır, coğrafi faktörler çok boyutlu
olarak performans verileri ile bütünleşik analiz edilmemiştir ve yeni noktaların tahmini
verimliliğinin ne olacağına dair skorlama yapılamaz. Geliştirmiş olduğumuz bu çözüm sayesinde
perakende şirketleri yeni açılacak birimler için olası verimlilik tahmini yapabilecekler, mevcut
mağazalarının mevcut verimliliği ile tahmin modeli ile öngörülen olası verimliliğini
karşılaştırabilecek, tahmin edilen verimlilik mevcut verimliliğin üzerinde olduğunda “Bu
mağazalarımız neden olması gereken verimlilikte değil?” sorusuna cevap alabileceklerdir. Bu
çözüm ile kapatılması gereken, küçültülmesi gereken şubeler öngörülebilecek, coğrafi müşteri
segmentasyonu yapılabilecektir. Bu çözüm yaşayan bir çözüm olacaktır ve yeni veriler ile
modeller sürekli güncellenecek, çözüm kurumsal düzlemde dinamik bir öngörüsel karar
mekanizması oluşturacaktır. Çözümde gerekli durumlarda bölgesel tüketici davranışlarının
derinlemesine anlaşılmasına yönelik araştırma verileri
öngörüsel tahmin ve segmentasyon modellerinde veri olarak
kullanılabilir.
Perakende sektöründe en önemli uygulamalardan bir
tanesi “Sepet Analizi” dir. Müşteri segmentasyonu ve sepet
analizi çalışmaları birbiri ile entegre edildiğinde perakende
şirketlerinin stratejik büyümesinde önemli derecede katkı
sağlayan sonuçlar alınmaktadır. Müşterilerin hangi ürün
kombinasyonları ile ilgilendiklerini bilmek, onların gerçek
ihtiyaçlarını anlamak demektir. Bu sayede hem genel pazarlama stratejisi olarak ana ürünlerin
yanında verilecek promosyon ürünler doğru tespit edilebilir, marketin promosyon ürün
katalogları doğru yapılandırılabilir hem de müşteri segmentleri bazında kampanyalar
tasarlanabilir.
15
Enerji Sektör“
Avustralya’da enerji sektöründe tahmin hatasında %1’lik bir artışın yıllık işletme giderlerinde
£10 milyon’luk işletme masrafı artışına neden olduğu tespit edilmiştir. Ekonomik, tutarlı ve
sağlam bir sistem yönetimi için zamanında ve doğru tahminlere ihtiyaç duyulmaktadır (“Bunn, D.
W., 1982, “Short Term Forecasting: A review of procedures in the electricity supply industry”,
Journal of the Operational Research Society, Vol. 33, pp.533-545”)
Rekabete açık tüm pazarlarda olduğu gibi ülkemizde de, hızlı ve doğru kararlar almamızı
sağlayacak analitik çözümlere olan talep hızla artmaktadır. Enerji sektörü hızlı ve doğru karar
almanın başarıda kritik unsur olduğu önemli bir sektördür. Öngörüsel analiz çözümleri sağladığı
karar desteği ile enerji sektörünün gelişmesinde son derece önemli bir pay tutmaktadır. Yıllık ve
dönemsel tahminlerde sağlanacak küçük bir iyileştirme dahi orta ve büyük ölçekli enerji
şirketlerinde milyonlarca dolar değerinde bir kazanım sağlamaktadır.
Enerji sektöründe maliyeti etkileyen en önemli unsur karar mekanizmasında yapılan
hatalardır. Günümüzde hiç bir yönetici “deneyim” ve “hisleri” ile karar verme lüksüne sahip
değildir. Matematik ve bilgisayar biliminin iş dünyası ile entegre olması, öngörüsel analizlere
dayalı karar destek sistemlerinin yöneticilerimizin hizmetine sunulmasını sağlamıştır. Son
kararın yine yöneticiye bırakıldığı bu sistemlerde yönetici doğru ve güncel nitelikli bilgi ile
donatılmakta, risk faktörlerine göre olası senaryolar konusunda bilgilendirilmektedir. Bu sayede
yönetici doğru ve hızlı kararlar alabilmekte, değişen durumlara göre kararlarını zamanında
güncelleyebilmektedir.
Enerji sektöründe en önemli ihtiyaçlardan biri “doğru tahmin” lerdir. Talebin doğru tahmin
edilmesi, olası sistem arızalarının doğru tahmin edilmesi ve daha birçok ihtiyaç söz konusudur.
Bu tahminlerin her biri şirket karlılığı üzerinde doğrudan etkilidir. Enerji sektörü parametre
sayısının fazla (hava durumu, ekonomik göstergeler, sayaç uygulamaları, vb.), “yanlış tahmin”
bedelinin en yüksek olduğu sektördür.
Enerji sektöründe tahmin çalışmalarının doğru yapılandırılması için tahmin çalışmalarında
analitik yöntemlerin kullanılması gerekmektedir. İş bilgisi ile desteklenen analitik tahmin
sonuçları, elde edilen yeni veriler ile modeller güncellendikçe iyileşmekte, tahmin güven değeri
artmaktadır.
Doğru tahmin yapabilmek için doğru analitik yöntemlerin kullanılması, modellerin
işletmecinin kendi gerçek verileri üzerinden geliştirilmesi ve yeni verilere göre sürekli
güncellenmesi gerekir. Analitik yöntemlerin dinamik ve etkin kullanımı bir zorunluluk olan bu
çalışmalarda ihtiyaca cevap veren tek bir uygulamanın sürekli kullanımı söz konusu değildir.
Enerji sektöründe talep/tüketim tahminleri iki şekilde yapılmaktadır; zaman serileri analizi
yöntemleri kullanılarak ve/veya “Sinir Ağları” gibi yapay zeka kökenli tahmin yöntemleri
kullanılarak. Zaman serileri analizi yöntemleri kullanılırken en önemli unsur işletmecinin
verilerinin yapısı ve ne kadar geçmişe gittiğidir. Zaman serileri analizinde “dörde bir kuralı”
geçerlidir, yani 4 yıllık bir veri ile 1 yıllık tahmin yapılabilmektedir. Zaman serileri analizi ile ilgili
16
çalışmalarda mevsimsel etkiler son derece önemlidir. Her iki yöntemin kullanımında da
işletmenin kendi verileri üzerinden doğru modellerin geliştirilmesi, bu modellerin tahmin
doğruluğu performansının otomatik olarak ölçülmesi, model doğruluğu belirli bir seviyenin altına
indiğinde otomatik olarak iş kullanıcılarının uyarılması ve modellerin güncellenmesi gerekir.
Analitik yöntemlerin etkin kullanılabilmesi için kolay kullanımlı, lokal desteği iyi olan, uygulama
desteği konusunda yardım alınabilen, geliştirilen modellerin kolayca güncellenebileceği paket
yazılımların tercih edilmesi projelerdeki başarıyı artırmaktadır.
Talep Tahminlerinde “dönemsellik” önemlidir. Regüle piyasalarda “kısa dönemli talep
tahminleri” kullanılmakla beraber, Regüle Olmayan piyasalarda “kısa”, “orta” ve “uzun” vadeli
tahmin yapma gerekliliği vardır.
Talep tahminlerinde kullanılan parametreler tahminin dönemselliğine göre değişkenlik
gösterir. Bu faktörlerin talep tahmininde kullanılmadan önce test edilmesi gerekmekle beraber
deneyimlerden edinilen bazı sonuçlar vardır. Kısa dönem talep tahminlerinde haftanın günü,
sıcaklık, mevsimsel etkiler ve nem oranı etkilidir. Kısa dönem talep tahminleri günlük operasyon
ve planlamada kullanılır. Orta dönem talep tahminlerinde tüketici fiyat indeksi ve ortalama maaş
veya döviz kuru gibi makro ekonomik parametreler etkilidir. Orta dönem talep tahminleri yakıt
tedariki ve operasyonel bakım planlama açısından önemlidir. Uzun dönem talep tahminlerinde
ekonomik durum, politik ve endüstriyel gelişmeler etkin paremetrelerdir. Uzun dönem talep
tahminleri sistemde yapılacak bakım çalışmalarının planlanması gibi operasyonel planlar ve
büyüme planlarında kullanılır
Otomotiv Sektör“
Otomotiv sektöründe üretim, satış ve pazarlama, servis, kredi, sigorta olmak üzere farklı iş
kollarında birbiri ile entegre bir hizmet verme anlayışı söz konusudur. Otomotiv şirketlerinin bir
çoğu ikinci el pazarında da faaliyet göstermektedirler ki bu fiyat belirleme, çapraz fırsat yaratma
gibi farklı konuları gündeme taşımaktadır. Bir otomotiv
firması kendi üretimini veya dağıtımını yaptığı
otomobiller dışında farklı markaların da ikinci elini
satın alarak veya takas şartları sunarak kendi
markasına müşteriyi çekme şansına sahiptir. Aynı
şekilde sattığı ikinci el otomobili alan her müşteri
belirli bir zaman diliminde kendi markası olan
otomobili almaya adaydır. Çok sayıda teknik ve
opsiyonel özelliğe sahip olan otomobillerin ikinci el
pazarındaki fiyatlarının ne olması gerektiğini veri
madenciliği yöntemleri ile veriyi kapsamlı modellemeden doğru belirlemek mümkün değildir.
Otomotiv firmaları için Servis kanalının yönetimi oldukça önemlidir. Otomotiv firmasının
verdiği servis hizmetlerinden ve fiyat stratejisinden memnun olan müşteri garanti süresi
sonrasında da aynı servisten hizmet almaya devam etmektedir. Servis hizmet yönetiminde
başarıyı garantilemek isteyen otomotiv firmalarının öncelikli olarak planlaması gereken projeler
17
müşteri memnuniyeti ölçümleri, müşterilerin tercihlerini derinlemesine anlamaya yönelik fokus
grup çalışmaları, analitik müşteri segmentasyonu çalışmaları, servislerin bölgesel faktörler
dikkate alınarak segmentasyonu ve performansları ile öngörülen performansın karşılaştırılması,
talep tahmini projeleridir. Otomotiv firmasının servis kanalını satış tarafını destekleyen bir kanala
dönüştürebilmesi için kurumsal analitik bilgi yapılandırılmasının doğru planlanması gerekir.
Garanti süresi dolmuş bir otomobil sahibi, şirketin servis hizmetlerine güveniyor ise otomotiv
firması için sadık müşteridir. Otomobil firması bu sadık müşterisinin kullandığı otomobilin hangi
parçalarının ne kadar bir süre sonra arıza yapabileceğini modelleyebilir ve bu tahmin sonucunu
hem müşteri ile hem de şirketin satış birimi ile eş zamanlı olarak paylaşabilir. Pazarlama bu tür
müşterilere yapılacak teklifin içeriğini doğru yapılandırır ve satış doğru zamanda aksiyon alırsa,
ikinci el birimi ise otomobile ikinci el için doğru fiyatla alım teklifi verirse otomotiv firması hem bir
satış fırsatı elde etmiş olacak hem de müşteri sadakatini arttırmış olacaktır.
Günümüzde otomotiv firmaları kendi müşterilerine cazip oranlar ile ve ertelemeli taksit
ödemeleri veya belli bir süre “0” faiz ile kredi vermektedir. Büyük otomobil firmalarının kredi
birimleri bulunmaktadır, bu firmalar internet üzerinden faiz oranı & taksit hesaplama imkanı
vermektedir. Sektörde yarısı şimdi yarısı seneye gibi faiz avantajı sunan, tüketicinin alımını
teşvik eden kampanyalar yapılmaktadır. Bu noktada tıpkı bankalardaki gibi teklif götürülen
müşteri, kredi risk değerlendirilmesinde riskli müşteri olarak tanımlanır ise teklif götürülen
müşteriye hayır deme riski söz konusudur. Buda memnun müşterinin memnuniyetsizliği
anlamına gelir. Bu müşteri sadık bir müşterimiz olabilir, örneğin servis hizmetlerimizi kullanmaya
devam ediyor olabilir. Otomobil firması bu müşteriye avantajlı kredi ile yeni model teklif edip
kredi vermediğinde müşteri kaybı kaçınılmaz olacaktır.
Müşteri bağlılık segmentasyonu otomotiv şirketleri için oldukça önemli çıkarımlar sağlar.
Bağlılık segmentasyonu çalışmalarında müşterilerin otomotiv firmasının markasına (Mercedes,
BMW, Wolksvagen, Audi, Toyota, Opel, vb.) olan bağlılığı ölçülür ve müşteriler bağlılık
statülerine göre sınıflandırılır. Müşterilerin garanti kapsamı dışındaki servise giriş sıklığı ve
otomobili toplam kullanma süresi gibi ölçütler kullanılır. Otomotiv firmasının markasına olan
bağlılığı yüksek olan müşteriler için farklı pazarlama stratejileri geliştirilebilir. Bağlılığı yüksek
olmayan müşteriler için ise bağlılıklarını yükseltecek stratejiler geliştirilebilir.
Müşteri Değer ve Davranış Segmentasyonu otomobil firmasının müşterilerini tanıması için
kritik projelerdir. Otomobil sektöründe farklı müşterilere farklı fiyat gibi bir uygulama söz konusu
değildir ama mevcut müşterilerin bir üst değer segmentine taşınması ve müşterilerin doğru
yönlendirilmesi önemlidir. 2008 yılında Doğuş Oto Bünyesinde gerçekleştirdiğimiz bir projede
elde edilen sonuçlar çalışmaya dahil olan akademisyenler tarafından “Otomotiv Sektöründe Veri
Madenciliği Uygulamaları” konulu bir bildiri olarak yayınlanmıştır (2008, Kıroglu, G., Erar, A. Vd.
Implementation of Data Mining in Automotive Sector, Int. Conference of HDM-2008, 19-23 Haz
2008, Kayseri). Bu çalışmada amaç, otomotiv sektöründe müşterilere ilişkin satış ve servis
bilgilerinden yararlanarak segmentasyon çalışması yapmaktır.
18
Bu amaca yönelik olarak Dogus Otomotiv’in müşteri kayıtlarına ilişkin satış ve servis
bilgileri veri madenciligi tekniği kullanılarak analiz edilmiş ve Doğuş Oto müşterilerinin değer ve
bağlılık puanları oluşturulmuştur. Bu puanlar kullanılarak müşteriler segmente edilmiştir. Doğuş
otomotiv müşteri segmentasyon projesi kapsamında, VW Binek, VW Ticari, Audi Porsche, ve
Seat Marka otomobil kullanan müşteri
verileri kullanılmıştır. Belirli bir döneme ait
satış geçmişini içeren veride %51.3 oranında
VW Binek ve %34.2 VW Ticari, %6.0
oranında Audi, %0.32 oranında Porsche ve
%7.6 oranında Seat araç müşterisine ait veri
bulunmaktadır. Çalışma, yalnızca Bireysel
müşterileri kapsamaktadır. Burada Müşteri,
ruhsat sahibi olan ve halen Doğuş Otomotiv
ile ilişkisini sürdüren ( Mevcut Aktif Müşteri )
ya da aracını satarak ilişkisini kesmiş olan (
Mevcut Pasif Müşteriler ) müşterilerdir. Proje
kapsamında öncelikle satışa ilişkin veriler
kullanılarak bir satış tahmin modeli elde
edilmiş, bu model yardımı ile müşterilere
ilişkin satış değer puanı hesaplanmıştır. Müşterilerin satış bağlılıklarını belirlemek için ilgili
veriler Faktör analizi ile değerlendirilmiş ve burada satış bağlılık puanları elde edilmiştir. Bu
aşamada yalnızca kayıtlı verilerle yetinilmemiş, iş kuralları belirlenerek bazı yeni değişkenler de
türetilmiştir.
Müşterilerin servis hareketlerinin incelendiği servis kısmında ise öncelikle servis için
müşterilerin ödeme verileri kullanılarak servis değer modeli oluşturulmuş, bu model yardımıyla
servis değer puanı elde edilmiştir. Son adımda ise servis hareketleri verisi analiz edilerek,
müşterilerin servis bağlılıklarını tanımlamak üzere faktör analizi yardımıyla servis bağlılık puanı
elde edilmiştir. Bu dört ayrı puan üzerinden genel puan hesaplanmıştır. Müşteriler kümeleme
yöntemleri yardımıyla beş segmentde toplanmış, şirketin karar politikalarını belirleyecek gruplar
belirlenmiş ve bu grupların profilleri çıkartılmıştır.
İlaç Sektör“
Ülkemizde, yüksek üretim kapasitesi, güçlü altyapısı ve nitelikli insan kaynakları olan bir ilaç
sektörümüz bulunmaktadır. İlaç sektörümüz dünyada hacim bakımından 16. sırada yer
almaktadır. İlaç sektörü ülkemizde son yıllara kadar istikrarlı bir büyüme gösteriyor ve her yıl
ortalama %10 büyüyor iken son yıllarda hükümetin sağlık harcamalarını kısmaya yönelik aldığı
tedbirler sektörde büyümenin yavaşlamasına neden olmuştur. 2011 yılında sektör %1 büyümüş,
2012 yılının ilk çeyreğinde ise sektörde %8 lik bir daralma görülmüştür. İlaç sektöründe
rekabetin istikrarlı büyümenin olduğu yıllarda da ciddi boyutlarda olduğu dikkate alınırsa
sektörde daralmanın yaşandığı bir dönemde rekabet çok daha önemli bir hale gelmiştir.
19
İlaç sektöründe rekabet için en önemli faktörlerden biri olabilecek “fiyatlandırma” devlet
tarafından belirlenmekte, bir diğer önemli faktör olan reklam ise yasaktır. İlaç ürünleri genellikle
birbirinden farklılaşma göstermemektedir. Artan endüstri rekabeti, farklılaştırılmamış ürünlerin
otomatik olarak büyük markalara dönüşmesinin artık çok zorlaştığını göstermektedir. Günümüz
şartlarında rekabet etmek doğru zamanda doğru değerlendirme ve öngörü yapabilmek, anlık
değişim altında doğru ve etkin karar alma mekanizmasını oluşturmak bir zorunluluktur. Bunun
içindir ki kuruluşların verilerine verdikleri önem her geçen gün daha da artmaktadır. Toplanan bu
verilerden gerçek anlamda fayda sağlanabilmesi ise en küçük veri setinin dahi nitelikli olarak
analiz edilmesi ve bu veriden geçmişi özetleyen, mevcut durumu gösteren ve geleceği
öngörebileceğimiz bilginin çıkarılmasıdır.
İlaç sektöründeki verilere baktığımızda ilaç bazında dönemsel satış verileri, ilaç dağıtım
merkezlerine ait dönemsel ilaç satış verileri, ilaç mümessillerinin doktor ziyaretlerine dair
dönemsel ziyaret sayısı, doktor ziyaretlerinde toplanan doktorları tanımaya, doktorların firmanın
ürünleri ile ilgili aşinalıklarını tespite yönelik veriler, ilaç mümessillerinin başarı
değerlendirmesine yönelik veriler, doktor görev alanında eczanelerden elde edilen veriler,
şehir/bölge bazında nüfus yoğunluğu, gelir seviyesi vb. veriler, ilaç araştırmalarında elde edilen
veriler vb. bir çok farklı veri bulunmaktadır.
Satış Tahminleri, Satış Temsilcilerinin Segmentasyonu, Başarılı Satış Temsilcisi
Profilini Öngörme
Satış ekibi ilaç şirketlerinin başarısında kritik bir öneme sahiptir. Bu nedenle satış ekibi
performansının izlenmesi ve artırılması tüm ilaç şirketlerinin önceliğidir. Satış ekibinin işe
alımından doğru yönlendirilmesine kadar her aşamada analitik karar desteği önemlidir.
Alışılmış yöntemlerle yeni bir takım oyuncusunu işe almanın ve
kurum politikaları doğrultusunda verimli bir şekilde satış yapar hale
gelmesinin pahalı ve zaman alıcı bir süreç olduğu biliyoruz. Yeni
takım oyuncusunun en iyi şekilde seçimi, ihtiyaç duyulan insan
gücü miktarının ve türünün doğru şekilde tahmin edilebilmesini
gerektirir.
İstatistiksel analiz ve veri madenciliği yöntemleri ile satış
temsilcileri nitelik (eğitim durumu, sektördeki çalışma süresi, görev yaptığı şirketteki çalışma
süresi, geçmişte hangi ilaç firmalarında hangi tıbbi alanlara dair ilaçlar ile ilgili çalıştığı, vb.)
demografik(yaş, cinsiyet, vb.) ve davranışsal özelliklerine göre birbirine benzer gruplara
ayırılabilir, bu segmentlerin profil özellikleri belirlenebilir, segment bazında satış performansı
değişimleri izlenebilir. Verilen eğitimlerin satış temsilcilerinin performansını üzerindeki etkileri
nitelikli olarak ölçülebilir.
Bu çalışma sonucunda elde edilecek başarılı satış temsilcisi profilleri işe alım sürecinde de
kullanılabilir, pozisyona gelen başvurular üzerinde bir başarı skoru tahmini yapılarak, başarı
tahmin skoru yüksek adaylar ile görüşmeler sürdürülebilir.
20
Doktor ve Eczane Segmentasyonu
İlaç sektöründe satış süreci diğer sektörlerden farklılık göstermektedir. Çünkü ilaç
sektöründe karar vericiler, aslında ürünü satın alıp parasını ödeyecek kişiler, yani hastalar
değildir. Ürünün parasını ödeyecek kişilerin, yani hastaların ürün seçimi üzerindeki etkisi çok
düşüktür. Ürünün pazarlandığı kişiler, ürünü satın alma kararı üzerinde etkili olan kişiler, yani
doktorlardır. Bu karakteristiği ile ilaç sektörü diğer sektörlerden ayrışmaktadır.
Acaba doktorların belirli bir ilaca yönelmesini sağlayan faktörler nelerdir? Ya da hangi
doktor ilaç seçimi üzerinde etkilidir? Coğrafi değişkenlik nasıldır? Hangi doktorları daha sık
ziyaret etmek gerekmektedir? Doktorun çalıştığı kuruluş tipinin ya da bulunduğu bölgenin ilaç
seçimi ya da reçete yazma alışkanlıkları üzerinde etkileri nelerdir?
Bütün bu soruları yanıtlamak ve doktorların potansiyellerini belirlemek için ilaç şirketlerinin
geçmiş verilerini öngörüsel analiz yöntemleri ile analiz etmesi, kendi verileri üzerinden
oluşturdukları tahmin modelleri ile doktorların potansiyellerini tahmin etmesi, doktorları
potansiyellerine göre önceliklendirmesi ve müşteri temsilcilerinin ziyaret sıklıklarını bu
önceliklere göre düzenlemesi gerekmektedir.
Ziyaret sıklıklarının belirlenmesinin yanı sıra promosyonların gönderimi için de doktor
potansiyel önceliklendirmeleri kullanılmaktadır. En maliyetli promosyonlar değer segmentinin en
üstünde yer alan doktorlara, yani ilaç şirketinin uzmanlık alanı ile ilgili ilaçlarını bilen ve
hastalarına sıklıkla öneren doktorlara gönderilebilir, promosyonların gönderim sıklıkları bu
önceliklere göre belirlenebilir. Doktor Segmentasyonu sonucunda bazı doktorların kendileri ile
aynı segmentte bulunan diğer doktorlara kıyasla daha düşük bir potansiyel gösterdiği tespit
edilebilir, bu tür durumlarda yapılacak derinlemesine incelemeler ile “neden?” sorusuna cevap
alınabilir ve doktorun kendisi ile aynı segmentte bulunan doktorlar ile aynı değer segmentine
gelmesi sağlanabilir. Segmentasyon çalışmasının bir sonraki basamağı doktorların segmentler
arası geçişlerinin izlenmesidir. Bir sonraki dönemde üst segmentlere geçme potansiyeli yüksek
doktorlar önceden belirlenmekte, bu çıkışlar altında yatan nedenler tespit edilmekte ve bu
potansiyele sahip doktorlara yönelik aksiyonlar alınmaktadır. Ya da bir sonraki dönemde alt
segmentlere düşme olasılığı yüksek doktorlar önceden belirlenmekte, olası düşüşlerin altında
yatan nedenler tespit edilmekte ve bu düşüşün yaşanmaması için önceden planlama
yapılabilmektedir.
Eczane ilaç şirketlerinin ürünlerinin satıldığı noktasal birimlerdir. İlaç şirketleri açısından
eczanelerin stratejik önemi bulunmaktadır. Eczaneleri segmente etmek, satış noktalarını nitelikli
olarak değerlendirebilmek anlamına gelmektedir.
İnşaat Sektör“
İnşaat sektöründe gayrimenkul inşaatı, pazarlaması ve satışı sektörün dinamiklerini
oluşturmaktadır. Gayrimenkul sektörünün gelişimi ve başarısında satış çok önemlidir.
Gayrimenkul sektörü ile inşaat malzemeleri üretim sektörü arasındaki etkileşimin ülkedeki genel
ekonomiye yansımaları oldukça yüksektir. Gayrimenkul sektöründe diğer bütün sektörlerde
21
olduğu gibi müşteriler her geçen gün daha bilinçli ve seçici olmaktadır. Müşteri ile etkileşim satış
ofisi, web, telefon, tanıtım noktaları gibi farklı noktalardan olmaktadır.
Hizmetlerini farklılaştırmayı bilen şirketler pazarda lider konumundadırlar. Müşterilerin
ihtiyaç ve beklentilerini daha iyi anlamaya çalışarak, daha kaliteli ve uzun dönemli ilişkiler
kurmaya dayanan bir pazarlama anlayışı sektörde faaliyet
gösteren şirketlerin uzun vadeli başarısını garantilemektedir.
Sektörün liderlerinden olan Dumankaya İnşaat “Müşteri
Odaklı” dinamik pazarlama anlayışını sektörde ilk
benimseyen inşaat şirketidir. Dumankaya’nın hızla değişen
müşteri gereksinimlerine dayalı olarak değişik pazarlama
kampanyalarını düzenleyebilecek esnekliğe ulaşması
gerekiyordu. Dumankaya İnşaat, AIMS Analitik Bilgi
Yönetimi Çözümleri ekibi ile yaptığı görüşmeler sonrası Veri Madenciliğinin gücünü keşfetmeye
karar vermiştir. Dumankaya yöneticilerinin vizyoner yaklaşımı ile “Operasyonel Müşteri İlişkileri
Yönetimi” ve bilgi teknolojilerine yapılan geçmiş yatırımlar sayesinde “Analitik Müşteri İlişkileri
Yönetimi” çalışmaları başlamıştır. “Müşteri Değer Segmentasyonu”, “Müşteri Davranış
Segmentasyonu”, “Ayrıcalıklı Müşteriler” ve “Potansiyel Müşteri Segmentasyonu” gibi farklı
analitik modeller geliştirilmiştir. Dumankaya bu analitik modeller ışığında çok daha dinamik bir
pazarlama anlayışına imza atmayı başarmıştır.
Ulaşım Sektör“
Ülkemizde, 2003 yılında iç hat uçuşlarında özel havayolu işletmelerine yönelik kısıtlamaların
kaldırılması ve devlet tarafından sübvanse edilmesiyle birlikte iç hatlarda hizmet sunan havayolu
şirketleri artmıştır. Fiyatların, özellikle erken bilet alımlarında, neredeyse otobüs bilet fiyatlarıyla
aynı seviyelerde olması havayolu ile seyahat eden yolcuların sürekli olarak artmasına neden
olmuştur. Artan talep, yeni havayolu şirketlerinin iç hatlarda hizmet sunmasına, mevcut
firmaların yeni hatlar açmasına ve uçuş olan yerlere yönelik sefer sayılarını artırmalarına sebep
olmuştur. Bugün sektörde rekabet her geçen gün artmakta ve hizmet anlayışı farklılaşmakta,
mevcut müşteriden daha fazla kazanç sağlamaya yönelik yeni stratejiler (online
rezervasyonlarda koltuk numarası tercihi sunma ve ek
ücretlendirme, seyahat esnasında kafeterya hizmeti,
belirlenen yük miktarına göre ek ücret talebi, vb.)
oluşmaktadır.
Havayolu işletmeciliği; anlık değişimlere aşina,
dinamik ve hata toleransı olmayan bir sektördür.
Havayolu işletmeciliğinde aynı anda pek çok farklı
noktada hızlı ve doğru kararlar verilmesi gerekir.
Günümüzde pek çok sektörde olduğu gibi havayolu taşımacılığında da şirketler bünyesinde pek
çok veri toplanmaktadır. Kurum bünyesinde çalışan binlerce personele dair veriler, kuruluşun
pazarlamadan lojistiğe, malzeme tedariğinden bakım onarıma kadar işletme verileri ve uçuş
22
yönü, uçuş saati, uçuş iptali, seyahat sınıfı tercihi gibi taşınan yolculara dair veriler, sosyal
medya verileri gibi çok kanallı bir veri yığını bulunmaktadır. Her geçen gün artmaya devam eden
bu verilerin içerisinde gizli olan nitelikli bilgi, kuruluşun başarısının ve sürekliliğinin en önemli
dayanağıdır.
Havayolu şirketlerinin faaliyetlerine ait bütün
veriler; yolcu verileri, işlem verileri, finansal veriler ve
diğer veri yığınları içerisindeki gizli bilgilerin açığa
çıkarılması ve kuruluş yöneticilerine ihtiyaç duydukları
karar desteğinin ihtiyaç duydukları an sağlanması veri
madenciliği ve istatistiki analiz yöntemlerini kapsayan
“öngörüsel analiz yöntemleri” ile mümkündür.
Kurumun çalışanlarından, müşterilerinden,
tedarikçilerinden geri bildirim alması ve farklı
noktalardan “amaca özel” veri toplaması için ise
“Kurumsal Geri Bildirim (Enterprise Feedback Management - EFM)” sistemleri analitik yöntemler
ile entegre olarak kullanılmaktadır.
Talebe cevap verebilmek için doğru planlama yapabilmek, planlama yapabilmek için ise
gelecek talebi doğru tahmin edebilmek gerekir. Havayolu şirketlerinde “doğru gelir yönetimi” için
yolcuların doğru uçuşta, doğru fiyattan, doğru koltukta taşınması hedeflenmekte, uçuşa
gelmeyecek yolcuların önceden tahmin edilmesi gerekir.
Hava ulaşımına olan talebin önceden tahmin edilmesi
firmalar için strateji ve fiyat politikaları açısından büyük bir
avantaj sunmaktadır. Talebin doğru tahmin edilmesi, talebe
cevap verebilecek şekilde uçak filosunun genişletilmesi ve
oluşacak bakım ihtiyaçlarına cevap verecek personelin temini
açısından zorunludur. Yapılması gereken yatırımlara
bakıldığında talep tahminlerinde yapılacak küçük iyileştirmelerin
dahi şirketin karlılığı üzerinde nasıl bir katkı yapacağı ortadadır.
Geçmiş dönemlere ve yıllara ait yolcu sayıları, hat ve doluluk oranları ve diğer veriler (hava
durumu, haftanın günü, tatil günleri, fiyat tarifeleri, rakip hava yollarının fiyat tarifeleri, uçuş
saatine yakın saatlerde rakip havayolu şirketlerinin aynı bölgeye uçuşu olup olmadığı, hava
durumu, ekonomik parametreler, vb.) kullanılarak bir talep tahmin modeli oluşturulur. Bu model
ile hangi uçuş hattında hangi saatlerde kaç adet koltuk satılacağı tahmin edilebilir. Talep
tahminleri özellikle havayolu şirketlerinde doğru fiyatlama ile koltuk satışı açısından kritiktir.
Talep, tüketicinin her olası fiyatta satın aldığı bileti; efektif talep ise tüketicilerin farklı fiyat
düzeyinde satın almak istedikleri ve alabildikleri bilet miktarlarını yansıtır.
Talep tahminleri doğru yapıldığında ve akan veri ile sürekli güncellendiğinde ve buna göre
fiyat politikaları oluşturulduğunda maksimum doluluk maksimum karlılık hedefine ulaşılabilir.
23
Havayolu şirketlerinde rekabetin her geçen gün arttığı bilinmektedir, özellikle çok yoğun sefer
yapılan noktalar için minimum düzeyde promosyon olarak da adlandırılan indirimli koltuk satışı
ile uçaktaki doluluğun sağlanması kritiktir.
Talep tahmin çalışmaları “kısa dönemli” ve “uzun dönemli” olmak üzere iki ayrı şekilde
yapılmaktadır. Uzun dönemli tahmin çalışmalarında istatistiğin en önemli uygulama
konularından biri olan “Zaman Serileri Analizi” yöntemi kullanılır. Çok kısa süreli tahminlerde ise
yapay zeka kökenli sinir ağları ve karar ağaçları kullanılmaktadır. Uzun dönemli talep tahminleri
dönemsel planlama açısından son derece önemlidir, kısa süreli talep tahminleri ise anlık
politikaların, özellikle fiyat ve promosyon şartlarının belirlenmesi açısından önemlidir ve şirketin
karlılığı üzerinde doğrudan etkilidir.
Havayolu şirketlerinde işleyişin her aşamasında toplanan verilerin analitik yöntemler ile
analizi önemlidir. Öngörüsel analizler uçakların dinamik bakım planlamasından insan kaynakları
yönetimine kadar çok farklı alanlarda kullanılmaktadır.
Üretim Sektör“
Üretim yapan kuruluşlar karlılıklarını sürdürebilmek için büyük miktarlardaki envanteri
yönetmek, çok sayıda ürün üretmek, kalite standartlarını sağlamak, çok sayıda tedarikçi ile
pazarlık etmek, yeni müşteriler kazanmak, müşterilerini memnun etmek ve nitelikli müşterilerini
elde tutmak zorundadırlar.
Üretim şirketleri farklı sipariş modellerinin değerlendirilmesi, stok miktarının doğru
yönetilmesi, doğru fiyatlandırma gibi birçok konuda prediktif analizlere ihtiyaç duymaktadırlar.
İstatistiki Analiz ve Veri Madenciliği çözümleri kuruluşlara müşteri memnuniyetini en üst
seviyede tutarken kar marjlarını korumalarını sağlamaktadır. Prediktif analizler; stok
politikalarının doğru değerlendirilmesi, optimal stok miktarlarının hızlı bir şekilde belirlenmesi,
hangi parçaların ne zaman ve hangi miktarda sipariş verilmesi gerektiğinin tespitinde
kullanılmaktadır. Bu sayede üreticiler sipariş ve stok maliyetlerini minimize ederken hedeflenen
müşteri hizmeti düzeyine ulaşmaktadırlar.
Üretimde Talebin Doğru Tahmin Edilmesi
Üretim planlamada en önemli bileşen talep

tahminidir. Hangi ürünün ne zaman ve ne kadar
üretileceği, tüketicilerin hangi üründen ne zaman ne
kadar talep edeceği istatistiksel analiz yöntemlerinden
zaman serileri analiz yöntemleri ile ve veri madenciliği
tarafında öngörüsel tahmin yöntemleri ile
belirlenebilmektedir.
Modelleme adımı öncesinde verinin zamana göre değişimi incelenerek trend, mevsimsellik
gibi parametreleri değerlendirilmekte ve bu bilgiler yardımıyla farklı model yaklaşımları
denenebilmektedir
24
Talep tahminlerinde Model başarıları ‘‘TimePlot’’ ile görsel olarak incelenebilir ve
karşılaştırılabilir. Hangi modelin kullanılacağına istatistiksel karşılaştırmalar ve iş bilgisi dahil
edildikten sonra karar verilebilir. Üretimde talebin doğru
tahmin edilmesi şirketin yalnız maliyetlerini değil
müşteri ilişkileri yönetimine kadar uzanan entegre pek
çok konuda önemlidir.
Üreticiler, istatistik ve veri madenciliği analitik
yöntemlerini ürettikleri ürünlerin kalite kontrolünde de
kullanmaktadırlar. Üretim yapan kuruluşların yöneticileri
çok boyutlu analizler ile kalite sorunlarının nedenlerini
kolayca tespit edebilirler, ürünler müşterilere gönderilmeden önce istatistiki kalite testlerini doğru
olarak yapabilir ve kalite sorunlarını çözümleyebilirler. Yönetim tedarik zinciri ile ilgili konuları ve
performans seviyelerini görsel olarak analiz ederek toplam harcamaları ve tedarikçi riskini
azaltabilir, müşterilere kaliteli ürünlerin zamanında teslim edilmesini garantileyebilir.
Üretimde Kalite
Üreticiler rekabet ortamında hem maliyetleri doğru yönetmek hemde gelen talebe
zamanında cevap vermek zorundadırlar. Talebin hızlı karşılanması noktasında ise kalite
standartlarını korumalıdırlar. Üreticiler ancak hızlı, verimli ve kaliteli üretim yaparak başarılı
olabilirler. Bu üç unsurun aynı anda elde edilmesi için dinamik bir karar mekanizmasına ihtiyaç
bulunmaktadır. Örneğin üretimi hızlandırmak hata oranının artmasına neden olabilir. Kalite
standartlarına bağlı olarak belirlenen toleransların daralması ise
verimin düşmesine yol açar; kalite gerekliliklerini sağlamayan
mamullerin miktarı artar. Bu uygunsuz mamuller de ya yeniden
işleme tabi tutulur veya hurdaya ayrılır. Her iki durum da malzeme,
işgücü ve zaman kaybı demektir.
Bu birbirleriyle çakışıyor gibi görünen hedeflere ulaşabilmek ve
uygun olmayan ürün oranını düşürebilmek, bunu yaparken de belli
kalite maliyetlerini aşmamak, geçmişte kullanılan geleneksel kalite kontrol teknikleriyle pek
mümkün değildir. Zira bitmiş ürünün kalitesinin kontrolü, istenen kalite standardının
doğrulanmasını sağlarsa da pahalı ve verimsizdir. Bu nedenle günümüzdeki kalite yönetim
felsefesi, ürünün kavram olarak ortaya çıkışından kullanım ömrünün sona ermesine kadar
geçen tüm evrelerinin izlenmesine dayanmaktadır (“Life Cycle Approach”). Süreç Kontrolü adı
verilen bu yöntemde tüm süreç boyunca:
 Hedef kaliteden sapmalar ve uygunsuzluklar tespit edilir,
 Uygunsuzluğa yol açan gerçek sebepler ortaya çıkarılır,
 Belirlenen düzeltici/önleyici faaliyetler uygulanır.
Hataların görünür belirtileri (semptomlar) ile kökeninde yatan sebepler genellikle çok farklı
olduklarından, uygun “tedaviye” başlanabilmesi için iyi bir “teşhis” kaçınılmazdır. Verimin
artırılması için hayati önem taşıyan doğru teşhise varabilmek için ise, objektif verilerin
25
kullanıldığı, bilimsel temellere dayanan yöntemlerden faydalanmak gerekir. İstatistiksel
yöntemler bu kriterleri sağladıklarından, süreç kontrolü mekanizmasında yaygın kabul
görmektedirler.
İstatistiksel ve öngörüsel süreç kontrolü, üretim aşamalarında ürün kalitesinin yükseltilmesi
amaçlı kullanım tekniklerini içermektedir. İstatistik yöntemlerin kullanıldığı diğer bir alan olan
“Örnekleme ile Kalite Kontrol”, yani üretim sonrası parti içinden rastgele alınan numunelere göre
“kabul/ret kararı vermektir.
Her türlü ürün veya hizmet için geçerli bir altın kural olan “değişkenliğin azaltılması”, o
ürün/hizmeti ortaya çıkarmak için kullanılan tüm proseslerin analizi ile mümkündür. Zira
herhangi bir prosesin kalitesindeki değişim, o prosese etki eden tüm faktörlere ait değişimlerin
bileşkesidir. Ürün/hizmetin türü ve kullanılan prosesin çeşidi ne olursa olsun, değişkenliğe yol
açan sebepler çok da farklılık göstermezler. Etkin bir problem çözme süreci; sorunun
tanımlanması, sorunun karakteristik özelliklerinin gözlenmesi, analiz, sebeplerin ortadan
kaldırılmasına yönelik aksiyon alma ve alınan aksiyonların başarısının ölçülmesi,
standartlaştırma aşamalarını içerir. Bu adımların en kritiği analiz aşamasıdır. Çünkü sebeplerin
teşhisinde yapılacak bir hata, düzeltici önlemin de yanlışlığına yol açacak ve zincirleme
etkileşim sonucunda üretimin kalitesi daha da düşecektir.
İstatistiksel analiz ve veri madenciliği yöntemleri kullanılarak sonuçlardan hareketle
sebeplere ulaşılabilir, sonuçlarla bunları doğuran sebepler arasındaki ilişki ortaya çıkarılabilir,
sonuca etki eden faktörler detaylı bir şekilde analiz edilebilir.
Spor Kul“pleri
Sporcuların performansları ile ilgili tahminler spor kulübünün doğru sporculara yatırım
yapması ve o sporcuları doğru yönlendirmesi ve görevlendirmesi açısından önemli olduğu kadar
gerçekleştirilen maçlarda rakip taktiklerinin analizi açısından da önemlidir. Şirketlerin
işleyişlerine dair veriler nasıl şirketlerin veri tabanlarında saklanıyor ise spor kulüpleri de hem
sporcularının demografik verileri, sosyal verileri, eğitim verileri, maç öncesi antrenman verileri,
maç esnasındaki veriler, rakip oyunculara ait verileri, oyunda kullanılan taktiksek verileri
saklamakta hem de taraftarlarının verilerine taraftar mağazaları sayesinde ulaşabilmektedirler.
Bir tarafta sporcu ve rakiplere dair verilerin öngörüsel analizi
diğer tarafta perakende sektöründe kullanılan analitik müşteri
ilişkileri yönetimi analizleri ve üretim planlama amaçlı talep
tahminleri analizleri spor kulüplerinin dinamik karar
mekanizmasını oluşturmaktadır.
Michael Lewis'in "Moneyball: The Art of Winning an Unfair
Game" adlı eserinden uyarlanan ve gerçek bir hikayeye dayanan
“Moneyball (Kazanma Sanatı, 2011) filminde anlatılan hikayede
gizli kahraman “öngörüsel analizler” dir. İstatistiksel analizlerin
gücünü arkasına alan 'Oakland A' beysbol takımının başındaki isim olan Billy Beane (Brad Pitt) ,
kısıtlı bir bütçe ile resmen yoktan bir takım var etmiş, “analitik gücü” takımının başarısında
26
kullanmış ve zengin kulüplere meydan okumuştur. Bunu yaparken de beysbol sporunun temel
inançlarını baştan aşağıya sarsmıştır. Günümüzde dünyada başarılı olan bütün spor kulüpleri
veri madenciliği ve istatistiksel analiz yöntemlerini efektif olarak kullanmaktadırlar.
Sağlık Sektör“
İnsan sağlığı ile ilgili verilen hizmetlerde hatanın telafisi bulunmamaktadır. Sağlık hizmeti
veren kurumların, yüksek kalite standartlarında hizmet verebilmeleri için “tedavi”, “pazarlama”,
“planlama”, “yönetim” aşamalarında “BİLGİ”’ye dayalı nitelikli karar alma süreçlerini
oluşturmaları gerekmektedir.
Bir sağlık kurumunun gerçekleştirdiği en önemli görevlerden birisi hasta tedavi sonuçlarının
izlenmesidir. Öngörüsel analizler sayesinde tedavi süreçleri eş zamanlı olarak analiz edilebilir ve
tedavi sürecinde elde edilen sonuçlara göre doktorlara nitelikli karar desteği sağlanabilir.
İstatistiksel analiz ve veri madenciliği yöntemleri ile verideki karmaşık ilişkiler belirlenebilir ve
veri yapısına en uygun model oluşturularak, bu modeli baz alan öngörüler yapılabilir. Bu
kapsamda gerçekleştirilen çalışmalardan bazıları; tedavinin başarısının ve hastanın iyileşmesini
etkileyen faktörlerin belirlenmesi, kurumda uygulanan tedavi yöntemleri ve performans
metrikleriyle diğer sağlık kuruluşlarında yapılan uygulamaların ve verimliliklerinin
karşılaştırılması; yaş, cinsiyet, vb. ve uygulanan tedavi kapsamında tedavinin başarısı
üzerindeki etkenlerin ve önem derecelerinin belirlenmesidir.
Sağlık verileri hastaneler, diğer sağlık kurumları, sigorta şirketleri ve ilgili kamu kurumları
başta olmak üzere birçok kuruluş tarafından toplanmaktadır. Sağlık sektöründe verilen hizmetin
kalitesi insan yaşamına verilen değer ile eşleniktir. Sağlık sektöründe çalışan bütün
profesyonellerin karar mekanizmalarının doğru zamanda doğru ve nitelikli bilgiye dayandığı bir
sistem hız ve maliyet odaklılık ile birlikte hizmet kalitesinin artmasını sağlayacaktır. Bütün
sektörlerde önemli olan “Tek Bir Doğru Olmalı” hedefi sağlık sektörü için kritik derecede
önemlidir.
Ülkemizde, Sağlık Bakanlığı yaptığı değerlendirmeler ile sağlık alanında politika üretmek
için hayati öneme sahip verilerin toplanmasında, saklanmasında ve analiz edilmesinde
“standartlar” ın oluşması amacı ile “Sağlıkta Dönüşüm Programı” kapsamında “Karar Sürecinde
Etkili Bilgiye Erişim: Sağlık Bilgi Sistemi” başlığı ile çalışmalar gerçekleştirmiştir. Ulusal Sağlık
Veri Sözlüğü, Minimum Veri Setleri, Sağlık Kodlama Referans Sunucusu ve sağlık verilerinin
toplandığı Elektronik Sağlık Kaydı (ESK) veri tabanı ve Karar Destek Sistemi bileşenleri bu
çalışmaların kapsamını oluşturmaktadır. Sağlık Bakanlığı’nın toplanan verilerin analiz amaçlı
göstergelere dönüştürüldüğü, karar vermede yol gösterici modeller yaratacak Veri Madenciliği
çözümlerine başvurması kaçınılmazdır. Bu sayede hastaların teşhis ve tedavisi sürecinde
hekime eş zamanlı karar destek sağlayacak nitelikli bilgiye erişim sağlanabilir, hastanelerimizin
maliyet yönetiminde daha dinamik ve etkin kararlar alınabilir, dinamik iç denetim yapısı ile
suistimaller ile etkin bir şekilde mücadele edilebilir.
ABD’deki en iyi kalp sağlığı merkezlerinden biri olan San Francisco Kalp Hastanesi verilen
hizmet kalitesinin sürekli olarak izlenmesi ve iyileştirilmesi için yeni yöntemler izlenmesi
27
konusunda pek çok çalışma yapmaktadır. Hastane bünyesinde hasta verileri üzerinde yapılan
analizler ile kalp ameliyatından sonra hastanede kalma sürelerinin azaltılması ile yıllık
$500,000‘lık bir tasarruf sağlanmıştır. Hastane sisteminde toplanan veriler içerisinde, uygulanan
testten tutun da, hastayla ilgilenen doktora veya bir laboratuvar sonucuna kadar pek çok faklı
boyut yer almaktadır. Bu veriler IBM SPSS Çözümleri ile analiz edilmektedir. Bu analiz
sonuçları, ölüm oranları ve bunun gibi konulara yönelik kardiyolojik ve cerrahi araştırmaların bir
parçası olarak kullanılmakta, doktorlar hastaların kalp ameliyatlarından sonra nasıl seyir
gösterdiklerine dair istatistiksel raporları, kendi bireysel performanslarına yönelik raporları
alabilmektedirler. Öngörüsel Sistem sayesinde “Hangi hastaya ne tür tedavi uygulanması
gerekiyor? Risk faktörleri nelerdir?” gibi kritik sorulara artık daha net şekilde cevap
bulunabilmekte ve hastalar çok daha kaliteli bir hizmete kavuşmaktadır. Yapılan bu çalışmalar
sonucunda kurum ABD’deki en iyi 100 kalp merkezi arasında yer almıştır
Turizm ve Otelcilik
Günümüzde pek çok sektörde olduğu gibi turizm işletmeciliğinde de oteller bünyesinde
müşterilerin kimlik bilgileri, hangi kanaldan (tur operatörü, ülke, otelin online rezervasyon
sistemi, walk in, vb.) tesise geldikleri, tesis içerisinde nelere ilgi gösterdikleri, harcamaları, vb. bir
çok veri tutulmaktadır.
Kurum bünyesinde çalışan personele dair veriler, kuruluşun pazarlamadan malzeme
tedarikine kadar işletme verileri, finansal veriler, kalite ölçüm verileri dikkate alındığında çok
önemli bir veri yığını söz konusudur. Her geçen gün artmaya devam eden bu verilerin içerisinde
gizli olan nitelikli bilgi, kuruluşun başarısının ve sürekliliğinin en önemli dayanağıdır. Veri
tabanlarında belirli bir formatta ve düzende saklanan bu veriler analiz edilmeden kurum için
fazla bir şey ifade etmezler. Ham verilerin içerisindeki gizli bilgiye ulaşmak, değişkenler
arasındaki ilişkileri bulmak, misafirleri davranış ve
demografik özelliklerine göre segmente edebilmek çoğu
zaman aylarca uğraşılan ve içerisinden çıkılamayan bir
iş şeklini alır. Bu tür çalışmalarda başarının anahtarı
“veri madenciliği” dir. Otel işletmelerinin faaliyetlerine ait
bütün veriler; müşteri verileri, işlem verileri, finansal
veriler ve diğer veri yığınları içerisindeki gizli bilgilerin
açığa çıkarılması ve kuruluş yöneticilerine ihtiyaç
duydukları karar desteğinin ihtiyaç duydukları an
sağlanması veri madenciliği ile mümkündür.
Kurumun çalışanlarından, müşterilerinden, tedarikçilerinden geri bildirim alması ve farklı
noktalardan “amaca özel” veri toplaması için ise “Kurumsal Geri Bildirim (Enterprise Feedback
Management - EFM)” sistemleri analitik yöntemler ile entegre olarak kullanılmaktadır. Müşteri
memnuniyeti araştırmalarını tekdüze gerçekleştiren, müşterilerinin işlemsel ve demografik
verileri ile birleştiremeyen işletmeler yalnız “müşteri memnuniyeti nasıl” sorusuna cevap alırlar.
Nitelikli bir çalışma ile hangi müşteri grubum nelerden niçin memnun veya memnun değil,
28
mevcut müşterilerimin hangileri bir sonraki seyahatinde bizi tercih edebilir, hangi olasılıkla bizi
tercih eder gibi kapsamlı sorulara cevap alınabilmektedir. Müşteri memnuniyetinin hem fiyat,
hem hizmet ve servislerin kalitesi ile doğrudan ilişkili olduğu sektörde salt tecrübeye dayalı karar
mekanizmalarının kullanımı işletmenin başarısı açısından önemli bir risk teşkil etmektedir.
Müşteri tercihlerinin (rahat odalar, hızlı check in- check out, makul fiyat, vb.) iyi anlaşılması
rekabet avantajı sağlamayacak politikaların uygulanmaması, müşteri segmentlerinin çıkarılması
ve hangi müşterilerimiz otelimize veya grup otellerimize tekrar gelebilir, rakip otellere yönelme
olasılığı olan müşterilerimiz kimler, hangi müşteri segmenti için hangi hizmetler öncelikli, otelin
mevcut hizmet kalitesi ve konseptine en uygun müşteri segmenti nedir, karlılık düzeyine göre
müşteri segmentlerim nasıl, otelimin online rezervasyon sisteminin kullanımını nasıl arttırabilirim
sorularına cevap alınması gerekmektedir.
Müşteri ilişkileri yönetiminde analitik boyut, yapılan bütün bilgi sistemleri yatırımlarından veri
toplama sistemi yatırımlarına, operasyonel müşteri ilişkileri yönetimi yazılımlarına kadar bütün
yatırımların faydaya dönüştüğü noktada durmaktadır. Analitik müşteri ilişkileri yönetimi, müşteri
kazanımı aşamasından başlayarak daha düşük yatırım ile daha müşteri odaklı olmayı, müşteri
ile daha uzun süreli ve her geçen gün daha karlı bir ilişki kurabilmeyi, müşteriyi uzun süre elde
tutabilmeyi, yeni müşteri kazanımlarında mevcut müşteri deneyimini kullanmayı hedefler. Turizm
işletmeciliğinde kalite çalışmalarında, talep tahmini çalışmalarında da istatistiksel analizler ve
veri madenciliği yöntemleri kullanılmaktadır.
Telekom Sektör“
Günümüzde Telekom sektörü hızla gelişen, telefon kullanım davranışlarının hızla
değişkenlik gösterdiği dinamik bir sektördür. Telekom sektörü numara taşınabilirliği, 3. kuşak
lisansları gibi yeni düzenleyici koşullar ile gün geçtikçe rekabetin daha da yoğun hale geldiği,
yeni çıkan ürünler ve gelişen teknoloji ile birlikte kriz ortamında dahi büyüme potansiyelini içeren
bir sektör özelliğine sahiptir.
Şirketler bu nedenle stratejilerinde yeni müşteri kazanımı, terk eden müşterilerin azaltılması,
müşteri memnuniyetinin arttırılması, müşteri sadakatinin sağlanması, hilekârlık miktarının
düşürülmesi çalışmalarına ağırlık vermekte, bu amaçla da yeni ve ilgi çekici fark yaratacak
hizmetler sunmaktadır.
Bütün bu çalışmaların başarıyla hayata geçirilmesi ise öncelikle müşteri davranışlarının veri
madenciliği teknikleri ile incelenebilmesi ve müşteri davranışlarını öngörülmesi ile mümkün
olmaktadır.
Müşteri segmentasyonu çalışmaları, müşteri kaybını engellemek için “müşteri terk etme
eğilimi” modellerinin geliştirilmesi ve düzenli olarak güncellenmesi, “müşteri terk etme eğilimi”
modellerinin, kampanya teklif modelleri ile entegre kullanılması, davranışsal gelir risk modelleri
ile finansal performansın arttırılması, şüpheli alacakların önceden tahmin edilerek önlem
alınması, zamana bağlı talep tahminleri gibi önemli uygulamalar veri madenciliği ve öngörüsel
analizler kullanılmadan mümkün değildir.
29
Veri Madenciliği ile kurumsal pazarlama yönetiminin entegrasyonu müşteri ile sürekli
etkileşimde bulunulan bir karar-uygulama- karar mekanizması oluşturmaktadır ki sektörün
dinamizmi karşısında müşteri dinamikleri ancak bu entegrasyon ile yönetilebilir.
Kamu Sektör“
Devlet toplum güvenliğini sağlama, toplum sağlığı, eğitim, maliye ve daha birçok önemli
işlevi yerine getirmektedir. Kamu kurumları hizmet odaklıdır, bu kurumlarda ticari bakış yoktur
ve başarı kriterleri; suç oranlarının düşürülmesi, ülke ve toplum güvenliğinin sağlanması, efektif
operasyonel planlama, uygulanan medikal teknolojilerin başarısı, eğitimde kaynakların doğru
planlanması ve öğrenci performansının arttırılması gibi kriterlerdir.
Bütün bu çalışmaların teknik yetersizlikler altında yapılması çok zordur. Birbiri ile bütünleşik
olmayan ve kamu kurumlarında birimler arası enformasyon paylaşımını sağlayamayan,
raporlama alt yapısı yetersiz ve en önemlisi öngörüsel analizleri sağlayamayan bir teknik alt
yapı kamu kurumlarının işini daha da zorlaştırmaktadır. Teknik alt yapının sağlam olmadığı
kurumlarda alınan kararlar nitelikli değildir. Örneğin suç desenlerinin belirlenmesi manuel olarak
yapılmaya çalışılır, sağlıkta objektif bilgi sunan verilerin kullanımı yerine sağlık
profesyonellerinin görüşlerine göre karar verilir. Suç faaliyetlerinin önlenmesi, nitelikli personel
kaybının engellenmesi, kalp ameliyatlarında riskin azaltılması gibi önemli konularda gerçek
zamanlı ve nitelikli bilgilere dayalı dinamik kararlar alınması gerekir.
Kamu kurumlarının başarısının anahtarı; üretimden pazarlamaya, mali gelir denetiminden
sağlığa, güvenlikten eğitime işleyişlerinin ve faaliyetlerinin her aşamasında otomatik olarak
toplanmakta olan ham verileri işleyebilme ve karar destek amaçlı olarak kullanabilmeleridir.
Kamu Kurulumları için karar destek tabanlı bilginin değeri büyük ölçüde artmış ve artmaya
da devam etmektedir. Kuruluş kaynaklarında var olan verilere ek olarak, gerek kurum içinden
gerekse kurum dışından doğru bir şekilde veri toplamanın önemi de çok önemli bir nokta olarak
ortaya çıkmaktadır. Veriden bilgiye uzanan bu süreç kurumlara büyük değer katmakta, karar
süreçlerinde belirleyici rol oynamaktadır.
Kuruluşların işleyişlerine dair bütün veriler veri tabanlarında saklanmaktadır. Veri yığınları
içerisindeki gizli bilgilerin açığa çıkarılması ve kuruluş yöneticilerine ihtiyaç duydukları karar
desteğinin sağlanması veri madenciliği ve istatistiksel analiz yöntemleri ile mümkündür.
Analitik Yaklaşım
Analitik yaklaşımı bir örnek iş alanı üzerinden irdeleyebiliriz. Suçun önceden tahmin
edilmesi ve engellenmesi farklı kaynaklardan gelen verilerin birleştirilmesi ve öngörüsel analiz
çözümleri ile analiz edilmesi, suç desenlerinin çıkarılması, suç olasılığı yüksek noktalara
kaynakların zamanında aktarımı ile suçun gerçekleşmeden engellenmesi gibi önlemlerin
alınması ile mümkündür. Raporlama çözümleri, kurumlarda birimler arası enformasyonun
paylaşımını sağlamada önemlidir. Suç olasılığını gösteren farklı değişkenlerden oluşan ham
veriler veri madenciliği yöntemleri ile analiz edilebilir, ham veriler içerisinde gizli nitelikli bilgiler
keşfedilebilir, oluşturulan prediktif modeller ile suç olaylarının olasılığı öngörülebilir. Planlama
30
biriminde bir gösterge paneli (dashboard) olduğunu ve bu panelde gerçek zamanlı olarak olası
suç olaylarına dair tahmin sonuçlarının yer aldığını ve kolluk güçlerinin buna göre
yönlendirildiğini varsayalım. Bu yapıda alınan kararların sonuçları izleniyor olsun ve prediktif
modeller sonuç veriler ile güncelleniyor olsun. Bu tür dinamik bir yapıda suç ile mücadele etkin
ve daha planlı olacaktır.
Bu yapının bir GIS alt yapısı üzerinde coğrafi veri, nüfus demografikleri, suç verileri
üzerinden oluşturulacak öngörüsel modeller ve model sonuçları ile temel performans
indikatörlerinin izlendiği bir iş zekası yapısı üzerinde emniyet birimlerinin kullanımına
sunulduğunu düşünelim. Suç verileri içerisinde, suçun işlendiği yer, suç tipi, suçun işlendiği
dönemde hafta sonu tatili, özel gün veya bayram olup olmadığı gibi birçok değişken yer
almaktadır. Bu veriler meteorolojiden alınacak hava durumu verileri, bölge demografi verileri gibi
dış veriler ile zenginleştirilebilir. Gerçekleşen olaylara dair ham veriler yalnız suçun öngörülmesi
ve oluşmadan engellenmesi amacı ile kullanılmaz, kamu güvenliğinde terörizm ile mücadele,
yangınların engellenmesi, kazaların önlenmesi gibi konularda da kullanılabilir. Şekilde suç
öngörüsü ve suçun engellenmesi amaçlı analitik bir sistemin bileşenleri yer almaktadır.
Prediktif analizler, eğitim alanında örneğin hangi bölgelerde hangi kapasitede okul açılması
gerekeceğinin öngörülmesi, bölgesel kaynak planlama gibi dinamik çalışmalarda da
kullanılmaktadır. Öğrenci performans yönetimi alanında ise öğrencilerin farklılaşan niteliklerine
uygun programlar ile desteklenmesi ve öğrenci performansının dinamik yönetiminde öngörüsel
analitikler kullanılmaktadır.
Faaliyet alanı ve kapsamı, hizmet verilen kişi sayısı, hizmet türü farklı olmakla beraber
bütün kuruluşların hedefi finansal kaynaklarını ve insan kaynaklarını en iyi şekilde kullanmaktır.
IBM SPSS Çözümleri güncel bir işleyişi olan her kurum ve kuruluşun her biriminde ihtiyaca göre
farklı bir uygulamada kullanılmaktadır. Dikey ve yatay pazarda veri toplamak, var olan verilerini
amaca yönelik zenginleştirmek, mevcut verilerini karar destek tabanlı bilgiye dönüştürmek
isteyen her kuruluş IBM SPSS Çözümlerini kullanmaktadır.
31
IBM SPSS Çözümleri kullanım kolaylığı, mevcut sistemlerle kolay entegre olması, modüler
yapısı ve farklı ölçekteki kuruluşlara uygun lisanslama olanağı gibi bir çok özelliği ile kuruluşların
ihtiyaçlarına özel uygulamalarını, en kısa sürede, en uygun maliyet ile geliştirmelerine olanak
vermektedir. SPSS kullanmak veriden bilgi elde etmenin en etkili yoludur.
Bugün IBM SPSS Çözümleri bütün dünyada olduğu gibi ülkemizde de pek çok kuruluşun
vazgeçilmez başarı unsuru haline gelmiştir. IDC sektör analiz firması öngörüsel analiz
çözümlerinin yatırım geri dönüşünün (ROI) en az %145 olduğunu tespit etmiştir.
Kamu sektöründe öngörüsel analizlerin kullanımı ile kurumların stratejilerini etkin bir şekilde
yönetebildiği alanlar arasında: Maliye, Kamu Güvenliği, Sağlık, Eğitim, Sosyal Güvenlik, Enerji
yer almaktadır.
Veri Madenciliği Uygulama Alanları

Sektör bağımsız olarak literatüre geçen ve her sektörde iş ihtiyaçlarına özel olarak
niteliklendirilen belirli uygulamalar söz konusudur. Sektör bağımsız olarak Veri Madenciliği
projelerinin yaygın olarak kullanıldığı uygulamalar Analitik Müşteri ilişkileri Yönetimi, Talep
Tahminleri, Finansal Risk Yönetimi, İç Denetim, Sahtecilikle Mücadele, İnsan Kaynakları
Yönetimi, Performans Yönetimi, vb. alanlardır.
Analitik M“şteri İlişkileri Yönetimi

M“şteri Segmentasyonu
Bütün şirketler müşteri kazanımı çalışmalarında “doğru” müşteri adaylarına “doğru”
kanaldan “doğru” zamanda “doğru” öneriler ile düşük bütçeli ve yatırım geri dönüşü hızlı olan
pazarlama politikaları uygulanması şirketin büyümesine ve başarısının devamlılığına etki
edecek en önemli çalışmalardır. Müşteri kazanımından sonra amaç müşteri ile “kısa” sürede
“karlı” bir ilişki kurmaktır. Müşteri istenen karlılık düzeyine ulaştığında ise bu ilişkinin “uzun süre”
devam etmesi amaçlanır. Bunu sağlayabilmenin yolu ise müşterinin karlılığı düşmeye
başladığında nedenini anlamak, müşterinin gereksinimlerini sorgulamak ve müşteriye özel
geliştirilen bir içerik ile bu karlı müşteriyi
kaybetmeden geri kazanmaktır. Dinamik müşteri
ilişkileri yönetiminde iki temel bileşen bulunmaktadır.
Birinci bileşen verilerin analizi ve modellenmesi ile
alınacak aksiyonların belirlenmesi, ikinci bileşen ise
belirlenen aksiyonların uygulamaya alınmasıdır. Bu iki
bileşen müşteri ilişkileri yönetiminin uygulama
sürecinde sürekli etkileşimli olarak kullanılmaktadır.
Birinci bileşen Veri Madenciliği ve Kurumsal Karar
Etkileşimi çözümleri ile; ikinci bileşen ise Kurumsal
Pazarlama Yönetimi çözümleri ile oluşturulmaktadır.
32
Müşteri ilişkileri yönetiminin temelindeki en önemli analitik uygulama “Müşteri
Segmentasyonu” dur. Müşteri segmentasyonu çalışmaları Müşteri değer, davranış, ihtiyaç,
potansiyel değer ve bağlılık olmak üzere beş ana başlık altında toplanabilir.
Müşteriler ilk olarak satın alma davranışlarına göre sınıflandırılırlar. Analitik çalışmada
belirlenen müşteri sınıfları “iş kullanıcıları” ile birlikte
incelenerek, gösterdikleri satın alma davranışına göre
isimlendirilirler.
Pek çok kurumda deneyimlenen bir gerçek vardır,
piramidin en üstünde bulunan “küçük” müşteri
grubundakiler şirket karlılığının genellikle en önemli
bölümünü oluştururlar.
Değer segmentasyonu sonrasında ilk adım segmentlerde bulunan müşterilerden
hangilerinin bir üst segmente geçme potansiyeli bulunduğunun tespit edilmesidir. Segmentler
arası yukarı doğru hareketlerin sağlanması pazarlama profesyonellerinin en önemli hedefidir.
Müşteri davranış segmentasyonu ile müşterilerin ortak ihtiyaçları ile farklılaşan
ihtiyaçlarının tespiti yapılabilmektedir.
Davranış segmentasyonu çalışmaları genellikle değer segmentasyonu sonrasında
segmentler arası geçişi sağlama planları ile paralel süreçte gerçekleştirilir. Davranış
segmentasyonu müşterilerin davranış biçimlerine göre sınıflandırılması ile yapılan
segmentasyon çalışmasıdır. Davranış segmentasyonu modellemesinde müşterilerin ziyaret,
işlem saatleri, alışveriş biçimleri gibi ölçütler kullanılır ve müşterilerin temel davranışlarının
altında yatan nedenler belirlenmeye çalışılır.
Davranış segmentasyonunda müşteriler; hangi
kanaldan alım yapmayı tercih ettiği, ürün tercihi,
dönem tercihi, şirket ile ilişkileri gibi davranış
unsurlarına göre sınıflandırılırlar.
Potansiyel değer tespiti çalışmaları da
segmentler arası müşteri geçişini sağlama
planlarına temel teşkil eder. Satın alınan
servisler, ürünler arasındaki ilişkilerin tespiti ile
segmentler arası geçişe temel teşkil edecek
bilgiye ulaşılmış olur.
33
Müşteri değer segmentasyonu çalışmaları sonrasında “değerli müşterilerin” daha iyi
anlaşılması için demografik verileri kullanılarak bu segmentteki müşterilerim “kim” sorusuna
cevap aranmaktadır. Bilinen bir gerçek vardır ki müşteri demografik verisi genellikle ya yoktur ya
da eksiktir. Kurumların bütün müşterilerinin bütün demografik verilerini toplaması ve sürekli
güncel tutması gibi bir çalışma maliyet açısından ve zaman açısından anlamlı değildir. Bunun
yerine belirli bir değer segmentindeki müşterilerin demografik verilerinin toplanması ile bir
taraftan veri toplanırken bir taraftan yapılan
yatırımdan geri dönüş sağlanabilmektedir. Üst
segmentlerdeki müşterilerin uygulanan bir takım
stratejiler ile ilgili memnuniyetlerinin ölçülmesi de
çalışmanın boyutunu derinleştirmektedir. Bu
aşamada kalitatif ve kantitatif araştırma veri
zenginleştirme çözümleri ile kurumun web sayfası
üzerinden, çağrı merkezi üzerinden (inbound ve
outbound aramalar) müşteri ile temasta olduğu
anlarda müşterilere birkaç soru sorularak ve izinleri
alınarak müşterilere daha detaylı bir anketin
bağlantısı gönderilerek nitelikli demografik veri ve görüş verisi toplanmaktadır.
Veri toplanması ile birlikte analitik süreç devreye girmekte ve çağrı merkezi, web gibi farklı
kanallardan toplanan veri eldeki veriler ile
birlikte analiz edilmektedir.
Müşteri bağlılık segmentasyonu
çalışmasının amacı “terketmesi olası”
müşterilerin kaybedilmeden geri kazanılmasıdır.
Kaybedilmesi olası müşterilerin potansiyel
değerinin bilinmesi maliyet odaklı müşteri geri
kazanım planları oluşturulmasını sağlamaktadır.
Hesaplarındaki hareket sıklığı veya kredi
kartındaki işlem sıklığı azalan veya tamamen
kesilen, geçmişte yanıt verdiği kampanya önerilerine artık yanıt vermeyen müşteri verilerinin
modellenmesi söz konusudur. Müşteriyi kaybetmeden geri kazanma maliyeti, müşteriyi
kaybettikten sonra geri kazanma maliyetinden daha düşüktür ve müşterinin kaybedilmeden geri
kazanılması olasılığı daha yüksektir.
Noktasal Birimlerin Segmentasyonu
Kurumsal şirketlerin tüketici ile buluştuğu yerler noktasal birimlerdir. Perakende
sektöründe mağazalar, bankacılık sektöründe şubeler, sigorta sektöründe ve havayolu
işletmeciliğinde acenteler, petrol şirketlerinde benzin istasyonları, Telekom sektöründe satış
noktaları gibi farklı sektörlerde müşteriye erişilen farklı satış noktaları bulunmaktadır.
Dinamik bir yönetim felsefesini benimseyen bütün şirketler müşterileri ile olan ilişkilerini
yönetmeleri için nasıl müşteri segmentasyonu çalışmalarına yönelmek zorundalar ise “Noktasal
Birimlerini” doğru yönetebilmek, noktasal birimlerin maliyetlerini minimize ederken,
performanslarını en üst düzeyde tutmak için noktasal birimlerini segmente etmek zorundadırlar.
34
Noktasal bazlı pazarlama stratejileri oluşturmak için ise müşteri segmentasyonu ve noktasal
birimlerin segmentasyonu sonuçlarını entegre kullanmak
zorundadırlar.
Noktasal birimlerin segmentasyonunda birimlerin satış
rakamları, ürün yönelimleri, noktasal birimin açılış tarihi, çalışan
sayısı, yeri gibi demografik veriler ile birlikte coğrafi bilgi
sistemlerinden elde edilen civar rakip verileri, konuma dair veriler,
vb. ve bölgenin demografiklerine dair veriler de kullanılmaktadır.
Segmentasyon sonucunda noktasal birimlerden hangileri
gerçek performansını sağlıyor, hangi noktasal birimlerde öngörülen
performans ile gerçekleşen performans arasında fark var, hangi noktasal birimler beklenmesi
gerekenin altında performans gösteriyor, hangi noktasal
birimler beklenenin üstünde performans gösteriyor, hangi
noktasal birimlerin ürün satış eğilimi kendisi ile aynı
segmentde bulunan diğer noktasal birimlerden farklılaşıyor ve
bu farklılaşmanın toplam performansa etkisi nasıl gibi çok
sayıda soruya cevap alınabilmektedir. Noktasal birimler için
yapılacak öngörüsel gelir tahmini modelleri ise kurumun
gelirleri arttırmak için doğru noktasal birimlere odaklanmasını
ve doğru aksiyonları almasını sağlayacaktır.
Öngör“sel Kapasite Planlama
Büyük ve orta ölçekli işletmelerde Bilgi Sistemleri Yönetiminde önemli konulardan bir tanesi
de “kapasite Yönetimi” dir. Bir kurumda çevrimiçi (online) ve çevrim dışı (offline) kapasite
yönetimi öngörüsel analitik yöntemler olmadan yapılamaz. Çok
daha önemlisi kapasite tahmini yapan modelleri
geliştirmek yeterli değildir; çok ölçekli sistemlerde
dinamik, interaktif ve değişen parametrelerin ışığında
öngörüsel modellerin sürekli güncellendiği bir alt yapı
kurulması gerekir. Bilgi Sistemleri Kapasite
Planlamasında teknik ihtiyaçları oluşturan iş ihtiyaçlarının
belirlenmesi gerekir. Bu çerçevede modellemede
kullanılacak verilerin toplanma metodolojisinin iyi
tanımlanması gerekir. Veri modeli doğru kurgulandığında modellerin geliştirilme süreleri ve
güncellenme sıklığı azalır.
Bankacılık
Bankacılık Düzenleme ve Denetleme Kurumu, 2007 yılında Bankalarda Bilgi Sistemleri
Yönetiminde esas Alınacak İlkelere İlişkin Tebliğde ek düzenlemeler yapmıştır. Bu ek
düzenlemelerden bir tanesi de kapasite planlamasıdır. Bu kapsamda bilgi sistemlerinin
sürekliliğini sağlamak amacıyla, bilgi sistemleri alt yapısının kapasitesinin ölçeklenebilir olması,
genel piyasa dinamikleri ve planlanmış müşteri kazanma oranı ışığında öngörüsel analizlerin
35
yapılması ve gelecekte gerçekleşecek işlem hacimlerinin tahmin edilmesi ve kapasite
planlamasının bu bilgiler ışığında yapılması gerekmektedir.
Bir bankada işlevselliği yönetmek için birçok sistem bulunur. Bu sistemlerin bilgisayar
performansı, MIPS (million instructions per second) sayısı ile ölçülmektedir. Bankalarda mesai
saatleri içerisinde ve mesai saatleri dışında sistemin kullanımı ölçülür ve belirli zaman
aralıklarında MIPS kullanım değerleri kaydedilir. Bankanın müşteri ile etkileşimde bulunulan
Internet, Mobil, ATM, Diyalog, vb. farklı kanallarından yapılan işlemlere dair verilerde banka
bünyesinde kaydedilmektedir. Bankacılık sisteminde
günlük olarak sisteme gönderilen bir takım görevler
vardır. Günlük kullanımın çok büyük bir kısmı
bankanın müşteriye verdiği hizmetlere ayrılırken,
gün dışı işlemlerin büyük çoğunluğu ise bankanın
batch görevleri ile gerçekleştirilen işlemlerden
oluşmaktadır. Genel olarak bakıldığında bir
bankanın bilgi sistemleri kapasitesinin ölçeklenebilir
ve öngörülebilir olması demek; o bankanın ATM,
Internet, Diyalog, vb. işlem sayıları, bankanın şube,
ATM, POS Cihazı, Personel sayıları, mesai içi ve
mesai dışı sisteme gönderilen batch işlem sayıları,
bankanın aktif müşteri sayısı, aktif kanal müşterisi sayısı, ve bankanın büyüme planlarına dair
değişkenlerin veri madenciliği yöntemleri ile modellenmesi ve bu modelin değişen iş yapış
şekilleri kapsamında sürekli güncellenmesi, modelin tahmin güvenilirliğinin sürekli izlenmesi
demektir.
Veri Madenciliği yöntemleri ve istatistiksel analiz yöntemleri ile çok boyutlu ve bileşenli
tahmin modelleri oluşturulmakta ve bu modeller kurumsal karar entegrasyonu çözümleri ile
bankanın bilgi sistemleri alt yapısına entegre edilerek yaşayan bir çözüm sunulmaktadır.
Tahmin modellerinin sonuç güvenilirliği otomatik olarak izlenmekte ve belirli bir model istenen
tahmin güvenilirliğinin altında tahmin sonuçları vermeye başladığında modeller yeni oluşan
veriler ile yeniden eğitilmekte ve sistemin başarı sürekliliği sağlanmaktadır.
Network Trafiği Tahmini ve Dinamik Network Planlaması
Telekom sektöründe, servis ve iletişim kalitesinin sürekli yüksek seviyede tutulması
müşteri memnuniyetinde en kritik unsurdur. İletişim servis kalitesindeki artışı sağlayan en
önemli faktörlerden bir tanesi network trafiğinin santral bazında gerçek zamanlı olarak doğru
tahmin edilmesidir. Bu sayede değişken talebin dinamik olarak öngörülmesi ve network
planlamasının bu dinamik öngörüler temel alınarak yapılması mümkündür. Network trafiğinin
doğru tahmini ile mevcut network kaynaklarının doğru kullanımı sağlanır. Bu da müşteri
memnuniyeti, rakiplere karşın farkındalık yaratılması, operasyonel maliyetlerin doğru
yönetilmesini sağlamaktadır.
Network kullanım verileri öngörüsel analiz ve zamana bağlı tahminleme yöntemleri ile
modellenerek network üzerinde nokta bazlı yoğunluk tahmini yapılmaktadır. Bu modeller ile
hangi network de ne kadar yoğunluk olabileceği önceden belirlenmekte, Network yoğunluk
36
tahminine göre santraller arasında yoğunluk aktarımı yapılabilmektedir. Tahmin çalışmalarında
zaman serileri analizi gibi istatistiksel yöntemler ve veri madenciliği yöntemleri kullanılmaktadır.
Tahmin sonuçları karar vericiler ile anlaşılabilir ve kullanılabilir bir dilde paylaşılabilir,
Mevsimsellik, kalıcı ve geçici etkenler tahmin modelinde yer alır,
Öngörüsel analizler, geçmiş olaylara ait verilerden ortaya çıkartılan iz ve eğilimler
kullanılarak mevcut olayların değerlendirilmesi ve ileriye yönelik olayların tahminlenmesi
amacıyla kullanılan tekniklerdir.
Zamana Bağlı Tahmin modellerinde ise gün, hafta, ay seviyesinde düzenlenmiş zamana
bağlı verilerden geçmişte gerçekleşen değerlere dair seriler ve bu serileri etkileyen faktörler ile
serilerin ileriye yönelik tahminleri yapılır.
Talep Tahminleri
Günümüzde her türlü zamana dayalı veri, sistematik olarak tutulmakta, firmaların veri
tabanlarında birikmektedir. Yıllık, aylık, haftalık vb. bazda satış verileri, stok verileri, maliyet
verileri, aktivite verileri gibi pek çok bilgi artık pek çok kurum tarafından biriktirilmektedir. Önemli
olan bu verilerin doğru analiz edilmesi ve stratejik karar süreçlerinde bu modellerden elde
edilecek tahmin sonuçlarına göre aksiyon
alınabilmesidir. Satış tahminlerinin doğru
yapılamaması; hem üretim hem de dağıtım
kanalında operasyonel maliyetlerin artması,
yok satma gibi çok önemli sorunları
beraberinde getirmektedir. Doğru tahminler
pazarlama tarafının doğru planlama yapmasını
sağlamaktadır. Tahmin modelleri satışlar
üzerindeki mevsimsel, dönemsel ve bölgesel
etkilerin anlaşılmasını, uygulanan pazarlama aktivitelerinin satışlar üzerindeki etkisinin
ölçülmesini, satışlar üzerinde etkili olan iç ve dış faktörlerin belirlenmesini, stok planlamasının
doğru yapılmasını, kampanya planlarının hedef odaklı olmasını, doğru fiyatlandırma politikaları
uygulayabilmeyi, kaynakların doğru planlanmasını sağlamaktadır. Firmalar yeni sezon
ürünlerinin sezon başında belirlenen ilk satış dönemine ait satışları modelleyerek hangi
ürünlerin satışının desteklenmesi gerektiğine karar verebilmektedirler, bu ürünlere yapılacak ön
kampanyalar ile ürünlerin sezon sonu öncesinde satışlarının arttırılması sağlanabilmektedir. Bu
noktada geliştirilen modellerin dinamik olması ve alınan aksiyonlar sonucu elde edilen veriler ile
tahmin modellerinin güncellenmesi gerekmektedir.
Öngör“sel Fraud Yönetimi
İç Denetim
Finans sektöründe risk yönetiminin önemi özellikle ekonomik kriz dönemlerinde artmaktadır.
Risk yönetiminde proaktif yaklaşım, nokta bazlı denetime imkan sağlamaktadır. Nokta bazlı
denetim ise daha düşük maliyet ve iş yükü ile risk olasılığı yüksek durumlara odaklanılmasını
sağlamakta, daha kısa sürede daha etkili ve önleyici denetime imkan vermektedir.
Proaktif risk analizlerinde kullanılmakta olan veri madenciliği yöntemleri, bilinen durumların
modellenmesi ve bu modeller ile benzer durumların öngörülmesi amaçlı “öngörüsel tahmin”
37
yöntemleri ve “segmentasyon” adı verilen normalin dışında kalan durumları ortaya çıkarmaya
yönelik yöntemler olmak üzere iki grupta toplanmaktadır.
İç denetimde karşılaşılan en büyük zorluk denetlenecek durum sayısının fazla olmasıdır.

Denetmen sayısı ne kadar arttırılırsa arttırılsın denetlenecek noktaların risk seviyesine göre
önceliklendirme yapmadan sahtecilikle mücadele mümkün değildir.
İç denetim tarafında genelde ilk tercih edilmesi gereken
geçmişte tespit edilen sahtecilik durumlarının
modellenmesidir, bu modeller üzerinden elde edilecek
tahmin modelleri sonuçları bilinmeyen veri üzerinde
uygulanarak denetlenecek noktalara dair risk öngörüsü
yapılabilir ve elde edilen sonuç veriler ile tahmin
modeller güncellenebilir. Bu yaklaşımda modeller
geçmiş veri setinde belirlenmiş durumlara dair veriler
üzerinden geliştirilmektedir.
Daha kapsamlı çalışmalara geçilmek istendiğinde ise veri içerisinde anormallik gösteren
durumların tespitine gidilmektedir. Bu yaklaşımda tespit edilmiş bir sahtekarlık olmadan,
tamamen mevcut veri içerisinde benzer davranış gösteren durumların ayrıştırılması söz
konusudur.
Kredi Kartı Başvuru Sahtekarlığı

Kredi kartı başvuru sahtekarlığı özellikle bankaların pazarlama faaliyetlerinin yoğunlaştığı
dönemlerde artış göstermektedir. Bütün sahtekarlık türlerinde olduğu gibi bunda da yöntemler
farklılaşmaktadır. Başvuruların tamamının sahtecilik riskine karşın araştırılması, iş gücü
maliyetleri hilekarlık maliyetinin üzerinde olacağından mümkün değildir. Sahte başvurunun kart
kullanım aşamasında değil henüz
başvuru aşamasında tespit edilmesi
için gerçek zamanlı bir sahtekarlık
tespit sistemi geliştirilmesi gerekir. Bu
tür bir sistem ile riski yüksek
başvurular detaylı incelenmek üzere
ayrılır.
38
AIMS Analitik Bilgi Yönetimi Çöz“mleri Kurumsal Çöz“m
Bileşenleri
Öngör“sel Analizler: IBM SPSS
Öngörüsel analiz çözümleri istatistik ve veri madenciliğinin bileşiminden oluşmaktadır.
Kurumsal sistemlerle entegrasyon aşamasında ise Karar Yönetimi bileşeni devreye girmektedir.
Karar yönetimi aşamasında kurumsal analitik kütüphanelerin oluşturulması, modellerin çalışma
sistematiğinin kurumun diğer bilgi sistemleri ile entegre edilmesi, modellerin sonuçlarının
otomatik olarak izlenmesi ve gerektiğinde ilgili kişilerin modellerin sonuç güvenilirliği ile ilgili
uyarılması söz konusudur.
Prediktif analitikler işimize dair stratejik kararlarımızı destekleyecek karar desteğini
sağlarlar. Uygulama sonuçlarının ölçülebildiği, özellikle dinamik işleyişlerde öngörüsel analiz
çalışmalarının yatırım geri dönüşünün çok yüksek olduğu deneyimlenmektedir.
Analitik model sonuçlarının, örneğin risk skorlarının, iş süreçlerine ve operasyonel
sistemlere entegre edilmesi ile gerçek zamanlı, yaşayan bir öngörü sistemi oluşturulabilir ve iş
birimleri efektif olarak desteklenebilir. Bazı durumlarda bu yaklaşımın uygulanması daha kolay
olur. Örneğin belirli bir alandan elde edilen vergi gelirlerinin
arttırılması için gerçekleştirilen bir analitik çalışmada prediktif model
usulsüzlük olasılığı ile ilgili risk skoru yüksek olan durumların
öngörülmesini sağlar ve denetime tabi tutulacak bu durumları içeren
bir denetim listesi oluşur. Bu liste üzerinden gerçekleştirilen
denetimler sonucu elde edilen sonuçlar ile geliştirilen modeller
güncellenir ve model performansı arttırılır. Bazı durumlar çok daha karmaşıktır. Örneğin sigorta
sektöründe risk yönetiminde modellerin sigorta poliçesi üzerinden ödeme yapılmadan önceki
operasyonel sürece entegre edilmesi gerekir ki poliçe üzerinden bir ödeme talep edildiğinde
usulsüzlük riski tahmin edilsin ve sistem hızlı inceleme, detaylı inceleme, normal vb. şeklinde
risk durumunu dinamik olarak öngörsün.
Kurumsal Analitik süreç üç temel adımdan oluşur:
 Analitik veri görünümlerinin oluşturulması. Bu aşamada dört tip veri kullanılmaktadır.
- Tanımsal Veriler: Bölgesel demografikler ve kişilere ait demografik veriler
- Davranışsal Veriler: Kişinin ne aldığı, ne zaman aldığı,, bir hizmete ne zaman ve
neden ihtiyaç duyduğu gibi işlemsel kayıtların sağladığı veriler. Bir Telekom şirketi
için bu veriler detaylı telefon görüşmeleri verisi olabilir. Bir bankanın kredi kartı
birimi için ise müşterinin kart ile yaptığı harcamaların verisi olabilir.
- Etkileşim Verileri: Bu veriler müşterilerin o şirket ile hangi kanallardan etkileşim
kurduğu ile ilgili verilerdir, örneğin kayıtlı müşterilerin web sitesi üzerinden yaptığı
işlemler etkileşim verileridir. Bu veriler müşterilerin birbirleri ile olan etkileşimlerini
de kapsar.
39
- Tutum verileri: İhtiyaçlar, tercihler, öncelikler, arzular, düşünceler ile ilgili veriler.
Pazar araştırmaları yöntemleri ile toplanan örneğin müşteri memnuniyeti verileri,
internet kanalının kullanımındaki tutumları ölçmeye yönelik “Eye Track” yöntemi ile
toplanan veriler bu grupta yer alır.
 Verinin analiz edilmesi ve oluşturulan prediktif modeller ile tahminlerin gerçekleştirilmesi.
Müşterinin talep ettiği krediyi ödeme güçlüğüne düşüp düşmeyeceğinin tahmini, müşterinin
bir pazarlama kampanyasına hangi olasılık ile olumlu yanıt vereceğinin tahmini, müşteri
değer segmentinin belirlenmesi, vb.
 Analiz sonuçlarına dayalı aksiyon alma.
- Karar yönetimi: Modellerin, sonuçlarının iş kuralları (politikalar, özel uygulamalar,
vb.) ile bütünleşmiş, farklı durumlarda farklı sonuçlar verecek şekilde kurgulanması,
farklı durumlarda farklı modellerin doğrudan devreye alınması gereklidir.
- Alınan kararların ve aksiyonların iş süreçlerinde uygun noktalarda devreye alınması
ve operasyonel sistemlerin bu uygulamaları desteklemesi.
Verinin toplanması, birleştirilmesi ile başlayan bu süreç sürekli güncellenerek devam eden
bir süreçtir. Belirli bir amaca yönelik olarak modeller oluşturulduktan ve dinamik uygulamada ilk
sonuçlar alınmaya başlandıktan sonra elde edilen yeni veriler ile modellerin güncellenmesi,
modellerin sonuç güvenilirliğinin sürekli izlenmesi, durumsal olarak farklı iş senaryolarında farklı
modellerin otomatik olarak sonuç üretmesi sağlanmalıdır.
IBM SPSS Yazılımları ile Öngör“sel Analizler
AIMS (eski adı SPSS Türkiye), 2000 yılından itibaren SPSS
Yazılımlarının Türkiye’de satış, pazarlama, teknik destek, eğitim
ve proje danışmanlık hizmetlerini vermektedir.
IBM SPSS Öngörüsel Analiz Yazılımları dört (4) Temel
Bileşenden oluşmaktadır.
 İstatistiksel Analizler: IBM SPSS Statistics
IBM SPSS Statistics, analistler için gerekli olan bütün
istatistiki analiz yöntemlerini sunmaktadır. SPSS Statistics,
kullanıcıların verileri görüntülemesini, tanımsal istatistikler, hipotez testleri, değişkenler
arasındaki ilişkilerin analizi, faktör analizi, regresyon, kümeleme, zamana bağlı tahminleme gibi
çok sayıda istatistiki analiz yöntemlerini içerir. SPSS Statistics kullanıcının analiz ihtiyaçlarına
göre kullanımını planlayabileceği, modüler bir yapıdan oluşmaktadır. SPSS Statistics Base
veriye erişim, veriyi görüntüleme, tanımsal istatistikler vb. en temel özellikleri içeren modüldür.
SPSS Statistics çözüm ailesinde yer alan modüllerin gruplandığı SPSS Statistics Standard,
SPSS Statistics Professional, SPSS Statistics Premium olmak üzere üç grup altında
lisanslanabilmekte olan SPSS Statistics Base, Regression, Advanced Statistics, Missing
Values, Custom Tables, Categories, Forecasting, Exact Tests, Data Preparation, Conjoint,
40
Direct Marketing, Complex Samples, Statistics Developer, Decision Trees, Neural Networks,
Bootstrapping olmak üzere 16 ayrı modülden oluşmaktadır.
 Modelleme: Veri Madenciliği: IBM SPSS Modeller
IBM SPSS Modeler, kod yazmaya gerek olmaksızın veri kaynaklarına erişim ve veriler
üzerinde modelleme öncesi hazırlık işlemlerinin yapılmasından ileri modellemeye kadar bütün
sürecin tek bir görsel ara yüz üzerinde yapılmasına imkan veren veri madenciliği yazılımıdır.
IBM SPSS Modeler gelişmiş analitik uygulamalar ile desteklenen bir görsel ara yüz
sunmaktadır. Bu görsel ara yüzde dünya çapında bir standart haline gelmiş olan CRISP DM
Veri Madenciliği Proje Yönetimi Metodolojisi desteklenmektedir.
IBM SPSS Modeler’ın Modeler Professional ve Modeler Premium olmak üzere iki ayrı
versiyonu bulunmaktadır. Modeler Professional Veri Madenciliği ihtiyaçlarının tamamına cevap
veren bir yazılımdır. Modeler Premium ise yapısal verilerin yanında yapısal olmayan verileri de
analiz edilmesine imkan sağlayan, SNA (Sosyal Ağ Analizi) fonksiyonu içeren, farklı
kaynaklardan gelen verilerin eşleştirilmesine, kalitesinin arttırılmasına ve ilişkilerin tespitine
olanak sağlayan ‘Entity Analytics’ özelliği ile gelişkin bir versiyondur.
 Kurumsal Bilgi Yönetimi: IBM SPSS Colloboration & Deployment Services
IBM SPSS Collaboration and Deployment Services ( C&Ds) platformu oluşturulan analitik
süreçlerin uygulanması ve kurum bünyesinde karar alıcılarca efektif kullanılmasını sağlayan
kurumsal bilgi entegrasyonu çözümüdür. Oluşturulan analitik varlıkların merkezi, güvenilir ve
denetlenebilir bir ortamda saklanmasını, analitik ve operasyonel süreçlerin kontrol ve yönetimini
sağlayan esnek bir platformdur. C&DS web portal özelliği ile tasarlanan iş süreçlerinin
sonuçlarını ve süreç raporlarını gerçek zamanlı olarak son kullanıcılarla paylaşımını sağlar.
C&DS özetle kurumlara analitik varlıklarını yönetme, kurumsal bilgi paylaşımı ve nitelikli bilgiye
yaygın ve eş zamanlı erişim imkanı vermektedir.
Kurumlar bünyesinde analitik çalışmalar sonucunda pek çok model oluşur, bu modellerin
güncellenmesi, güncellenen yeni versiyonlarının takibi, analitik projeler ile ilgili
dokümantasyonların merkezi olarak saklanması, proje deneyimlerinin paylaşılması ve yapılan
hataların tekrarlanmaması, oluşturulan modellerin sonuçlarının güvenilirliğinin izlenmesi,
süreçlerin otomasyonu vb. Analitik projelerin başarısının sürekliliği açısından çok önemlidir.
IBM SPSS Collaboration and Deployment Services, analitik varlıkların yönetilmesi, analitik
süreçlerin otomatik olarak yürütülmesi ve analitik sonuçların kurum bünyesinde güvenli ve
efektif bir şekilde paylaşılmasını sağlar. Analitik süreçlerin otomasyonu model sonuçlarının
güvenilirliğini garanti eder. Modellerin kurumsal platformda dinamik olarak uygulamaya
alınması, model skorlarının dinamik paylaşımı analitik çalışmalar için yapılan yatırımın hızlı geri
dönüşünü (ROI) garantiler.
IBM SPSS Collaboration and Deployment Services yazılımları ile:
 SPSS Collaboration and Deployment Services Repository ile analitik modeller, raporlar,
çıktılar, dokümanlar ve streamler gibi tüm analitik varlıklar merkezileştirilmiş güvenlikli bir
41
havuzda saklanabilmekte, bu havuzda bulunan nesnelere erişim yetkilendirmelere bağlı
olarak kısıtlanabilmektedir. Nesneler ve klasörler üzerinde tanımlanan “Notification
(bilgilendirme)” görevleri ile klasör ve nesneler üzerinde yapılan değişiklikler otomatik olarak
izlenebilir,
 SPSS Modeler, SPSS Collaboration and Deployment Services (CDS) repository ile birlikte
kullanıldığında veri madenciliği modellerinin ve objelerinin yönetilmesini sağlar ve bu
modellerin kurumsal uygulamalarda kullanılmasına imkan verir. Modeler objeleri (modeller,
model çıktıları, senaryolar, projeler, model parçacıkları) CDS repository ile kurumda
paylaşılabilir, kurumsal düzlemde bir veri madenciliği birikimi oluşması ve projeler esnasında
olası hataların yinelenmemesi sağlanır.
 Analitik prosesler tasarlanabilir, modellerin planlanan zaman aralıklarında veya talep anında
çalışması kurgulanabilir, durumsal karmaşık görevler oluşturulabilir
 SPSS Collaboration and Deployment Services, karar almaya yönelik oluşturulan öngörüsel
analizlerin yaygın kullanımına ve entegrasyonuna olanak sağlar
 Karar Optimizasyonu Yazılımları: IBM SPSS Decision Management
Öngörüsel bir karar yönetim sistemi kullanmayan kurumlarda süreçler bir durum
yaşandığında işlemeye başlar. Bir sosyal güvenlik kurumundan örnek verirsek, sağlık giderleri
kuruma rapor edilir. Şüphe saptanan durumlar incelemeye alınır. İnceleme birimi her bir durum
için çok boyutlu, detaylı bir çalışma yapmak durumundadır. Süreç verimsizdir ve maliyet ile
yakalanan durumlardan elde edilen geri
kazanım karşılaştırıldığında yatırım geri
dönüşünün çoğu zaman olmadığı bir işleyiş söz
konusudur. Dinamik bir karar yönetim
sisteminde ise risk faktörleri sistemde
tanımlanmıştır, bu tanımlamalara göre sistem
risk seviyelerine dair önerilerde bulunabilir.
Kurumsal iş bilgisinin karar alma süreçlerine
entegre edildiği ve mevcut kurum verilerinin
analiz edilerek nitelikli bilgiye dönüştürüldüğü,
bu nitelikli bilginin karar mekanizmasında bir
tahmin sistemi oluşturduğu entegre bir yapı söz
konusudur. Decision Management yazılımları
veri madenciliği modelleme sürecinde belli bir aşamaya gelmiş kurumların daha profesyonel bir
yapıda karar mekanizmasını yönetmeleri içindir.
 Veri Toplama ve Zenginleştirme: IBM SPSS Data Collection
IBM SPSS Data Collection ürün ailesi, anket, pazar ve iş araştırmacıları için veri
zenginleştirme noktasında kullanılan geniş kapsamlı bir ürün platformu sunar. Kurumsal Geri
Bildirim Yönetim platformu özelliği ile farklı kanallar üzerinden yapılan pazar ve anket
araştırmaları sonucu müşteri, çalışan ya da vatandaşlardan elde edilen geri bildirimlerin
incelenerek ve raporlanarak karar süreçlerinde kullanılmasına imkan verir.
42
IBM SPSS Data Collection yazılımları Data Collection Author (anket tasarımı), Interviewer
(çok kanallı veri toplama), Report (raporlama), Management (araştırma süreç yönetimi) olmak
üzere dört (4) işlevsellik altında farklı modüllerden oluşmaktadır.
Data Collection Author:
Kullanıcı dostu ara yüzü ile anket oluşturma sürecini basitleştiren ve dinamikleştiren,
oluşturulan mantıksal kontroller ve yönlendirmeler ile anketi tamamlama oranlarının arttırıldığı
ve analiz ve raporlama için yüksek kalitede verinin toplanmasını sağlayan bileşenleri içerir.
• IBM SPSS Data Collection Author Desktop
• IBM SPSS Data Collection Author Server
• IBM SPSS Data Collection Author Professional
Data CollectionInterviews:
Hazırlanan tek bir anket formu ile birçok farklı iletişim kanalını kullanarak ( web üzerinden,
yüz yüze görüşerek, çağrı merkezinden, offline ortamlardan) müşterilerin değişen ihtiyaçlarını,
tercihlerini, düşüncelerini sürekli olarak ve kullanıcı dostu bir arayüz üzerinden takip
edebileceğiniz bileşenleri içermektedir.
• IBM SPSS Data Collection Web Interviews
• IBM SPSS Data Collection Phone ınterviews
• IBM SPSS Data Collection Interviews
• IBM SPSS Data Collection Paper
• IBM SPSS Data Collection Data Entry
Reporting
Çok boyutlu raporlar ve görselleştirme çözümleri ile kolay ve etkin bir biçimde profesyonel,
interaktif raporları online ya da masaüstü ortamında geliştirmenizi sağlayan, elde edilen
sonuçların doğru zamanda doğru kişiler ile paylaşılmasıyla karar destek sisteminizi
besleyebilecek bileşenleri içermektedir.
• IBM SPSS Data Collection Survey Reporter
• IBM SPSS Data Collection Survey Reporter Professional
• IBM SPSS Data Collection Survey Reporter Developer Kit
Management
Tüm Pazar araştırma sürecinin merkezi bir ortamdan yönetilmesine ve otomatize edilmesini
sağlayarak operasyonel verimliliği arttıracak ve süreç optimizasyonunu sağlayacak bileşenleri
içermektedir.
• IBM SPSS Data Collection Remote Administrator
• IBM SPSS Data Colleciton Developer Library
• IBM SPSS Data Collection Data Model
43
Kurumsal Pazarlama Yönetimi: IBM UNICA ve IBM Coremetrics
Günümüzde pazarlamanın önemi her geçen gün artmaktadır. Günümüzün vizyoner
yöneticileri pazarlama yoluyla bütüncül müşteri deneyimi oluşturmak istemektedir. Pazarlama
uzmanlarının, şirketlerin başarısındaki önemi her geçen gün artarken, üzerlerindeki baskı da her
geçen gün artmaktadır.
Geçmişte yeni müşteri kazanımı için reklam kampanyalarına güvenilirdi, artık bu lüks
ortadan kalkmıştır. Günümüzde bütün şirketler müşteri odaklı olmak zorundadır, bu da farklı
interaktif kanallardan farklı müşterilere farklı mesajların iletilmesini ve geri dönüşlerin dinamik
olarak ölçülebilmesini gerektirir. Her pazarlama faaliyeti sonrası çok sayıda veri oluşmaktadır.
Kampanyaların başarısı için oluşan verilerin analiz edilmesi, bir sonraki pazarlama faaliyetlerinin
bu verilerden elde edilen nitelikli bilgi kullanılarak planlanması gerekir.
Pazarlama uzmanları başarılı olabilmek için pazarlama planlarını oluşturmak, test etmek ve
daha az kaynak ile daha hızlı uygulamak zorundadırlar. Uygulanan pazarlama programlarının
sonuçları iş hedefleri ile uyumlu olmalıdır. Bütün bunları yaparken pazarlama uzmanlarının
kişisel mahremiyet kurallarına uygun davranma, sınırlamalara uyma gibi konularda dikkatli
olması gerekmektedir.
Pazarlama uzmanlarının bu karmaşa altında başarılı olabilmelerinin koşulu, sistemli
çalışabilmektir. Bir kurumda pazarlama projelerinde; örneğin e-mail ile pazarlama, kaynak
planlama, vb. için ayrı programlar kullanılıyorsa sistemli çalışmak mümkün olmaz, gereksiz
maliyetler oluşur, başarı metrikleri belirlenemez, kaynak planlaması doğru yapılamaz,
başarısızlık kaçınılmazdır. Pazarlama projelerinin her geçen gün daha karmaşık hale geldiği
düşünüldüğünde bütünleşmiş pazarlama planlaması ve yönetimi bir zorunluluk olarak gündeme
gelmektedir.
Tedarik zinciri yönetiminden satış otomasyonuna pek çok süreçte benzer zorluklar
yaşanmıştır ve bulunan çözüm hep aynı olmuştur; en başarılı uygulamaların deneyimini aktaran,
esnek ve bütünleşmiş bir uygulamanın kullanılması. Kapsamlı bir pazarlama kaynak yönetimi
(MRM: Marketing Resource Management) çözümü pazarlama uzmanlarının bu yeni dünyada
başarısının garantisidir. Pazarlama Kaynak Yönetimi (MRM) çözümü pazarlama uzmanlarının
daha iyi planlama, süreç yönetimi, pazarlama kaynak yönetimi ve takibini sistematik olarak
yapabilmesini sağlar. Pazarlama Kaynak Yönetimi sayesinde pazarlama uzmanları; bütün
süreçleri sanal olarak optimize edebilir, müşterileri anlama, strateji belirleme ve yaratıcı
çözümler oluşturmak için kısıtlı kaynakları doğru kullanabilirler. MRM, pazarlama planlamasında
uçtan uca stratejik bir yaklaşım sağlar. Paylaşımlı bir yapı altında pazarlama uzmanları
aktiviteleri yönetebilir, uygulama görevlerini, uygulama sonucu elde edilen veriyi iş arkadaşları
ve çözüm ortakları ile paylaşabilirler. Ortak iş akışları sayesinde proje yöneticileri projenin
başarısı için desteği gereken kişileri projeye atayabilirler. Çeyrek dönemler ve yıl bazında proje
bütçelerinin ve maliyetlerinin izlenmesi yöneticilerin pazarlama harcamalarını daha iyi
planlamasını ve optimize etmesini sağlar.
44
Pazarlama Kaynak Yönetimi (MRM); operasyon ve süreç yönetimi, bütçeleme ve harcama
yönetimi, kampanya planlama, pazarlama performans yönetimi, en iyi pazarlama uygulamaları
deneyimi sağlar. Pazarlama Kaynak Yönetimi (MRM) süreçleri; Operasyon ve Süreç Yönetimi,
Bütçeleme ve Harcama Yönetimi, Kampanya Planlama, Pazarlama Performans Yönetimi, En iyi
Pazarlama Uygulamaları Deneyimi Oluşturma olmak üzere dört aşamadan oluşmaktadır.
Uçtan uca Pazarlama Kaynak Yönetimi Süreci:
IBM Kurumsal Pazarlama Yönetimi Çözümleri Kampanyayı planlayan kişiler ve

uygulayanların bir arada ve iletişimlerinin kesintisiz ve aktif durumda olması, pazarlama
harcamalarının tek bir yerden yürütülmesi, satın alma siparişlerinden, fatura bilgilerinin gözlem
amacı ile kayıt altına alınmasına kadar tüm pazarlama harcama işlemlerinin yapılması ve kayıt
altında tutulması, pazarlama etkinlikleri öncesi bütçeleri ve versiyonlarının oluşturması, bunların
karşılaştırması, harcamalardaki eğilimlerin gözlemlenmesi ile doğru yerlere yatırımı yönlendirme
gibi pazarlamanın finansal yönetimine kadar uzanan bir içerik sunmaktadır. Pazarlamanın
operasyonel yönetiminde; pazarlama aktivitelerinde kullanılacak tüm dijital varlıkların bir kaynak
kütüphanesinde toplanması, grafiklerin ve tüm kampanya içeriklerinin versiyonları ile birlikte
kayıt edilmesi ve denetlenmesi, çevrimiçi ve çevrimdışı tüm kanallarda hızlı ve uygun maliyetli
bir şekilde doğru müşterilere doğru kampanyaların sunulması, pazarlama faaliyetlerinde görev
alacak kişilerin rol dağılımlarının yapılması, işler atanması, onaylama işlemlerinin dijital
ortamlarda yapılarak kayıt altında tutulması gibi pazarlamanın başarısında kritik önem taşıyan
çok sayıda işlevsellik sunmaktadır. IBM Kurumsal Pazarlama Yönetimi çözümlerinin IBM Veri
Madenciliği çözümleri ile entegrasyonu ile elde edilen sonuç veriler ile mevcut tahmin modelleri
güncellenmekte ve müşterilerin farklı kampanya önerilerine tepkilerini tahmin eden yeni
modeller oluşturulmaktadır. Bu entegrasyon, pazarlama projelerinin ve müşteri odaklı
pazarlamanın kilit noktasıdır. Gerçek zamanlı etkileşim ile Web, Çağrı merkezi, kiosk gibi
müşteri ile doğrudan etkileşim kurulan yerlerde doğru müşteriye, doğru mesajlar sunularak satış
potansiyeli arttırılmaktadır.
45
IBM; Kurumsal Pazarlama Yönetiminde farklı ihtiyaçlara ve kurumsal yapılara farklı çözüm
bileşenleri ile cevap vermektedir. IBM Coremetrics ve Marketing Center Çözümleri .SaaS
(Software as a Service) şeklinde sunulmakta olup; veri toplama, kampanya hazırlama ve aktive
etme, aksiyon alma, kampanya performansının takip edilmesi, anahtar kelime optimizasyonu,
aynı sektördeki diğer şirketlerin izinli performans verileri ile kendi sonuçlarımızı karşılaştırma
gibi çok sayıda özellik sunmaktadır. IBM Coremetrics çözümü Digital Analytics, Explore,
Benchmark, Monitor, Social Analytics, Live Mail, AdTarget, Recommendations, Search
Marketing, Impression Attribution modüllerinden oluşmaktadır.
IBM UNICA uçtan uca çok kanallı pazarlama için tasarlanmış kurumsal, profesyonel bir
çözümdür.
46
Kurumsal İçerik Yönetimi: IBM Content Analytics
Günümüzün iş dinamiklerinde farklı kaynaklardan gelen farklı dokümanlar inanılmaz
boyutlarda bilgi barındırmaktadır. Bu bilgilere ulaşabilmek ve bu bilgiler ışığında aksiyon
alabilmek için bu yapısal olmayan verilerin detaylı
olarak incelenmesi gerekmektedir. Sayfalar dolusu
doküman, yazışma, şikayet, arşivlerimize dört bir
yandan veriler, mailler, dosyalar, tweetler
facebook’taki yorumlar, vb. içerisinden ihtiyacımıza
yönelik çıkarımların yapılması kolay değildir.
Bilişim sektörünün ana gündeminde “BIG DATA”
bulunmakta. Günümüzde kurumlar bünyesinde
toplanmakta olan verilerin çok küçük bir kısmını
yapısal veriler oluşturmakta, yapısal olmayan veriler ise sunduğu fırsatlar ile her geçen gün
artmakta.
IBM Content Analytics çözümleri bu yapısal olmayan verilerden faydalanabilmemizi
sağlamaktadır. Content Analytics, metinlerin içerisinden belirttiğimiz kelimelerin ve ifadelerin
yakalanması, kelimeler ve ifadelerle Facet dediğimiz modüllerde analizler, yapılmak istenen
analizin tipine göre katalog oluşturma, vb. işlevsellikler sunmaktadır. Örneğin en son
gerçekleştirdiği kampanya ile ilgili müşterilerinin düşüncelerini öğrenmek isteyen bir şirket
Content Analytics ile yakaladığı bilgileri tekilleştirebilir, ve önemli görüşlerin frekansını
belirleyebilir. Daha sonra diğer kelime veya cümleler ile olan korelasyonunu belirleyebilir ve
analitik sonuçlar ile geri bildirim sağlar.
Araştırma Çöz“mlerimiz: Dinamik Pazar Araştırmaları

İş dünyasındaki rekabet her geçen gün artmakta, dalgalı bir denize benzeyen bu dünyada
başarıda süreklilik doğru zamanda doğru kararlar almayı gerektirmektedir. Doğru zamanda
doğru karar alabilmenin sırrı kurumsal stratejilerin sonuçlarını doğru ve dinamik bir biçimde
değerlendirebilmek, yeni stratejileri bu değerlendirmelerden elde edilecek nitelikli bilgi ışığında
oluşturabilmektir. Kurumların bu noktaya gelebilmeleri için kurumsal verilerinden elde edilecek
nitelikli bilgiye dayalı hareket etme kabiliyetini kazanmaları; uyguladıkları politikaların,
stratejilerin sonuçlarını uygulama düzleminde – müşteri, çalışan, tedarikçi, bayi- ölçümlemeleri;
yeni politikaları ve pazarlama aksiyonlarını hızla hayata geçirmeleri ve yine sonuçlarını dinamik
bir biçimde ölçmeleri gerekmektedir. Kurumsal veri tabanlarında saklanan ham verilerin
analizinden elde edilen nitelikli bilgiyi müşterilerinin, çalışanlarının, tedarikçilerinin ürün ve
hizmetleri hakkındaki samimi görüşleri ile birlikte değerlendirebilen kuruluşlar doğru stratejiler
oluşturabilmektedir. Pazarlama stratejilerinin uygulanması aşamasında da dinamik bir işleyiş
olmalıdır ki doğru stratejiler doğru bir şekilde uygulanabilsin ve kurumlar başarıda sürekliliği
yakalayabilsin. Bu noktada ise kurumsal pazarlama yönetimi devreye girmektedir.
47
Günümüzde pazar araştırma uzmanlarının, pazarlama uzmanlarının ve analitik bilgi
yönetimi uzmanlarının kurumlardaki önemi her geçen gün artmaktadır. Pazarlama, Pazar
Araştırmaları ve Analitik ekipler şirketlerin başarısının garantisi konumundadır. AIMS,
bünyesinde sağlanan yazılım çözümleri ve danışmanlık hizmetleri ile şirketlerin başarısında
kritik rolü olan bu üç bölümün başarısını garantilemektedir.
Faaliyet alanı, hizmet verilen kişi sayısı, hizmet türü farklı olmakla beraber bütün
kuruluşların hedefi finansal kaynaklarını ve insan kaynaklarını en iyi şekilde kullanmak, nitelikli
yeni müşteriler kazanmak, müşterilerine doğru stratejileri uygulamak, doğru zamanda doğru
kanaldan doğru pazarlama aksiyonunu alabilmek, nitelikli müşterileri ile uzun soluklu ve karlı bir
ilişki kurabilmektir. Kuruluşların çalışanları açısından değerlendirildiğinde doğru çalışan profilinin
doğru görev tanımları altında şirkete kazandırılması ve nitelikli çalışanların doğru ödül
programları ile desteklenmesi, şirket ile uzun süreli ve nitelikli bir ilişkisinin olmasının garanti
edilmesi söz konusudur. Tedarik açısından da benzer bir işleyiş söz konusudur. Pazar
araştırmaları; verilerin, sistematik ve hedef odaklı bir şekilde toplanması ile başlar. Pazar
araştırmalarında iki önemli yaklaşım bulunmaktadır. Bir üçüncü yaklaşım bu iki yaklaşımın
bileşiminden oluşmaktadır.
AIMS Bünyesinde sunduğumuz hizmetler beş kategoride toplanmaktadır:
Kalitatif Araştırma Yöntemleri ile kurumlar sağladıkları ürünler ve hizmetler ile ilgili mevcut ve
hedef müşterilerinin düşüncelerini, yaklaşımlarını, duygularını
detaylı bir şekilde anlamayı hedeflemektedir. Kalitatif araştırma
yöntemleri küçük örneklemler üzerinden derinlemesine
sorgulamalar şeklinde uygulanan araştırma yöntemleridir. Kalitatif
araştırmalar özellikle duyguların,
düşüncelerin detaylı bir şekilde çok
boyutlu olarak sorgulanması amacı
ile gerçekleştirildiğinden, kalitatif
araştırma projelerindeki başarı
projeyi yöneten danışmanın niteliği ile bağlantılıdır. AIMS
bünyesinde kalitatif araştırmalar yetkin ve alanında rakibi
olmayan bir danışmanlıkla gerçekleştirilmektedir. Kalitatif
araştırma yöntemlerimiz Fokus Grup Çalışmaları, Derinlemesine
Görüşmeler, İkili Görüşmeler ve Birlikte Alışveriş olmak üzere
dört ayrı grup altında toplanmaktadır. Kalitatif araştırmalar kurumlar bünyesinde
gerçekleştirdiğimiz analitik çalışmalar ile birleştirilebilmektedir. Örneğin Müşteri Değer ve
Davranış Segmentasyonu projesi tamamlanmış bir müşterimizde Müşteri Eğilim Modellemesi
öncesinde farklı değer segmentlerindeki müşteriler için farklı kalitatif araştırma yöntemleri
uygulanarak eğilim modellemesinin kurgusunda değişiklikler yapılabilmekte ve bu bilgiler ile
projenin niteliği arttırılabilmektedir.
48
Kantitatif Araştırmalar ile müşteri memnuniyeti araştırmaları, çalışan memnuniyeti
araştırmaları, marka ve imaj araştırmaları, gizli
müşteri araştırmaları gibi araştırma sonuçlarının
analitik yöntemler ile analiz edildiği pek çok
çalışma söz konusudur. Kantitatif araştırmalarda
dönemsel süreklilik önemlidir. Kantitatif
araştırmalarda elde edilen veri nitelikli olarak
analiz edildiğinde son derece stratejik bilgiler elde
edilir. Bu araştırmalarda toplanan veriler çoğu
zaman statik tek boyutlu istatistiki analiz
yöntemleri ile analiz edilmekte ve bu verilerden
daha çok mevcut durumun görüntülenmesine
yönelik çıkarımlar yapılmaktadır. Oysa bu verilerde çoğu zaman “neden” sorusuna yanıt
almamızı sağlayan bilgiler gizlidir. AIMS olarak bakış açımız Veri Madenciliği yöntemleri ile bu
verilerin analiz edilmesi ve stratejik kararlarımızı destekleyecek nitelikli bilginin bu verilerden
çıkarılmasıdır.
Kalitatif ve Kantitatif araştırma yöntemlerinin bir arada
kullanıldığı araştırmalar ile fark yaratmak. Bu
araştırmalardan en önemlisi “Eye Tracking” yöntemidir.
Eye Tracking müşteri gözü ile müşteri davranışının takip
edildiği bir yöntemdir. Müşterimizin gözünün web
sayfamızda hangi sayfalarda hangi noktalara ne kadar
süre ile sabitlendiğini, hangi sayfalardan hemen çıktığını;
müşterimizin bir markette bizim ürünlerimizin ve rakip
ürünlerin bulunduğu bir rafta ürün seçerken gözü ile hangi noktalara yoğunlaştığı ve nasıl karar
verdiğini takip edebilmek mümkündür. Kurumsal müşteri verileri üzerinden gerçekleştirilen
analitik çalışmalar, Eye Tracking araştırmaları ile desteklendiğinde ortaya büyük bir güç
çıkmaktadır. Örneğin bir banka kanal eğilim modellerini oluşturur ve kimleri örneğin web
kanalına çekme yönünde aksiyon alması gerektiğini belirleyebilir. Banka bu aksiyonu almadan
önce o profildeki müşterilerinden oluşan bir hedef kitle üzerinde Eye Tracking çalışması
yaptığında web kanalına yönlendirmek istediği müşteri profilinin beklentileri, web sitesi ile ilgili
kullanım alışkanlıkları ve web sitesinin bu kitle açısından değerlendirildiğinde onların
ihtiyaçlarına ne kadar karşılık verdiğini belirleyebilir. Bu tür bir çalışmada müşterinin web sitesi
üzerinde hangi menüleri ne şekilde kullanmaya ihtiyacı olduğu ve banka web kanalının
müşterinin ihtiyacına ne şekilde cevap verdiği, kullanımının ne kadar ihtiyaca göre kolay olduğu
belirlenebilir. Banka bu bulguların ışığında web kanalında çeşitli iyileştirmeler yapabilir ve hedef
kitle üzerinde yapılacak kanal yönlendirme projesinin %100 başarı ile sonuçlanmasını garanti
edebilir.
49
NOKTA BAZLI ZEKA Çöz“mlerimiz
COĞRAFİ VERİYE ANALİTİK BİLGİYE DAYALI KARAR MEKANİZMASI
Bütün kurum ve kuruluşlarda “noktasal birimler” ve “noktasal değerlendirmeler” önemlidir.

Noktasal birimler kurumların vatandaşa hizmet sunduğu birimlerdir.
Şirketler açısından değerlendirdiğimizde noktasal birimlerin doğru yönetimi karlılık üzerine
doğrudan etki eder. Bir şirketin başarısında müşteri ilişkilerinin dinamik yönetimi ve risk yönetimi
ne kadar kritik ise noktasal birimlerin (bankalarda şubelerin, perakende sektöründe marketlerin,
petrol ofislerinde benzin istasyonlarının, vb.) dinamik yönetimi de o kadar önemlidir.
Kamu kurumları açısından değerlendirdiğimizde ise noktasal birimlerin başarısı geliştirilen
politikaların verimliliği, kamu kurumlarının doğru yönetimi ve noktasal birimlerini (hastaneler,
okullar, vb.) doğru yönlendirmesi anlamına gelmektedir.
Şirketler mevcut noktasal birimlerinin (şube, mağaza, ofis, bayi, satış noktası, acente, petrol
istasyonu vb. gibi) verimliliğini doğru yönetmek ve yeni açmayı planladıkları noktasal birimlerinin
karlılığının ne olacağını noktasal birimleri henüz açmadan bilmek isterler. Şirketlerin noktasal
birimleri ile ilgili cevap almak istedikleri sorular; Mevcut yapımızda yer alan birimlerimiz olması
gereken karlılıkta mı? Yıllar boyunca rekabet edebilirlik düzeyi yükse olacak, karlılığını
koruyacak lokasyonları belirleyebilir miyiz, nasıl? Açmayı planladığımız yeni birimler mevcut
birimlerimizin verimliliğini ne şekilde etkileyecek? Müşteri segmentasyonu çalışmaları ile
müşterilerimizi tanıyabiliyoruz, peki ya birimlerimizi, noktasal bazlı pazarlama stratejilerimizde
odak noktalarımızı ne kadar tanıyoruz? Projelerimizin mevcut durumdaki verimliliğini
izleyebiliyor, olması gereken verimlilikleri ile karşılaştırabiliyor ve olası verimliliklerini tahmin
edebiliyor muyuz? Şeklindeki nedensel sorulardır.
"Nokta Bazlı Zeka" çözümü bu ve benzer bir çok sorunuza cevap verecek, nokta bazlı
dinamik kararlar almanızı sağlayacak bir çözüm paketidir.
Dünyada pek çok zincir mağaza, petrol istasyonları, restoran, emlak zinciri, banka, sigorta
şirketi, noktasal birimleri olan pek çok şirket, 1980’lerden itibaren lokasyon demografik verilerini
ve nüfus verilerini kullanarak nokta bazlı satış, risk, verimlilik tahmini yapmayı hedeflemekte,
daha yüksek performans göstermesi gereken, kapatılması veya taşınması gereken noktasal
birimlerini belirlemek istemektedir. Bu kuruluşlar raporlarını ve öngörüsel modellerini değişen
coğrafi verileri ve güncel performans verilerini kullanarak, ek veri kaynaklarından gelen veriler ile
güncellemekte ve analitik modellerinin tahmin güvenilirliğini izleyerek değişen koşullara göre
doğru zamanda doğru ve etkin kararlar almak istemektedirler.
Finans- Bankacılık sektörünü ele aldığımızda bankaların pek çok şubesi bulunmaktadır.
Bankaların büyüme planlarında en önemli konulardan ikisi yeni şube açılışları ve yeni
bankamatiklerin açılmasıdır. Bankalar şubelerini harita üzerinde görüntülemek ve izlemek için
Coğrafi Bilgi Sistemlerinden faydalanmaktadırlar. Şubelerinin verimliliklerini raporlama çözümleri
ile izlemektedirler ama bu çalışmalar olası durumların önceden tahmin edilmesini sağlayan
nitelikte değildir. Örneğin bir bankada kanal yönetimi bölümünün hangi şubelerim olması
50
gereken verimlilikte hangi şubelerim kendisi ile aynı segmentte olan diğer şubelerime göre daha
düşük performans gösteriyor, önümüzdeki ay veya çeyrek dönemde hangi şubelerimizin
performansında düşüş olacak, neden, hangi noktalarda yeni şube açmalıyım gibi sorulara cevap
alabilmesi doğru strateji geliştirmesi ve kanal yönetimini efektif yapması anlamına gelmektedir.
Bu soruların cevabını salt banka verileri ile almak mümkün değildir. Bu tür çalışmalarda coğrafi
bilgi sistemlerinin verileri ve bölgenin nüfus demografi verileri dönemsel modellemede
kullanılmalıdır. Farklı kaynaklı verilerin ayrı olarak modellenmesi ve tahmin sonuçlarının tek
boyutlu olması çalışmanın sürekliliği açısından sakıncalıdır. Nokta Bazlı Zeka Çözümü ile
Coğrafi Veri Sistemi ile Raporlama ve Öngörüsel Modelleme entegre bir interaktif ara yüz
sunulmaktadır. Ara yüz üzerinde tıklamalar ile arka planda tanımlanan veri modeli üzerinden
yine arka planda geliştirilmiş veri madenciliği modelleri çalışmakta ve tek bir ara yüz üzerinden
sonuçlar karar alıcılara ulaşmaktadır.
Kamu kurumları açısından değerlendirildiğinde aynı anda farklı noktasal birimlerde farklı
programlar uygulanır, farklı projeler yürütülür. İşleyişte farklı lokasyon ve birimlerde farklı
görevlerde farklı eğitim ve deneyimde personel çalışır.
Nokta Bazlı Zeka çözümünün kamuda çok farklı uygulama alanları bulunmaktadır. Vergi
denetiminde, örneğin emlak vergileri ile ilgili bir denetim mekanizması oluşturmak mümkündür.
Satılan emlaklara ait niteliksel veriler (ticari, konut, iskan durumu, yaş, metrekare, konum, vb.),
satış türü (kredili, nakdi, vb.),coğrafi veriler, satış miktarı gibi veriler kullanılarak satılan bir
emlağa dair bildirimin olması gereken değerde olup olmadığı ve bildirimin neden, hangi değerde
olması gerektiği öngörülebilir.
Nokta Bazlı Zeka çözümü ile eğitimin geliştirilmesinde ihtiyaç duyulan öngörüsel ve noktasal
bilgiye ulaşmak mümkündür. Ülkedeki okullar ve bulundukları yere dair coğrafi veriler, nüfus
verileri, bölgeye ait gelişmişlik endeksi, vb. veriler ile okuldaki öğretmenlere ait veriler (öğretmen
sayısı, öğretmenlerin eğitmenlik süresi, mezun olduğu okul, yaş, vb.), öğrencilere ait veriler ve
okuldaki öğrencilerin eğitim başarısına dair veriler kullanılarak okullar segmentlere ayrılabilir,
okulların potansiyel başarısı öngörülebilir. Coğrafi bir bilgi sistemi üzerinde okullar mevcut
başarıları ve öngörülen başarı puanlarına göre izlenebilir. Bu sayede bir okulun başarı puanı
olması gerekenin altında ise “neden” sorusuna cevap alınabilmesi için gerekli modeller ve
başarının sürekliliğinin sağlanması için gerekli değerlendirme doğru olarak yapılabiliyor
olacaktır.
Sağlık alanında hastanelerin noktasal bazlı verilere, nüfus verilerine ve hastaneye ait doktor
sayısı, acil servislerin donanımsal özellikleri, hastanede yer alan tıbbi birimlerin (çocuk, genel
cerrahi, vb.) donanımsal özelliklerine dair veriler, hasta sayısı ve hastanın hizmet aldığı tıbbi
birim, hasta kalış süresi vb. veriler kullanılarak sağlık hizmetlerinde kaynakların doğru
planlanmasına yönelik öngörüsel karar desteği sağlanabilmektedir.
Seçimler öncesinde siyasi partiler seçim öncesi çalışmalarında elde ettikleri sonuçları,
bölgesel verileri, seçmenlerinin demografik verilerini, muhalefet partilerinin uyguladığı seçim
stratejilerine dair verileri, siyasi ve ekonomi gündemine dair verileri baz alarak oy
51
değerlendirmelerini nokta bazlı olarak yapabilir ve her bir seçim noktasını segmente ederek o
seçim noktasının bulunduğu segmente göre olması gereken performansı ile mevcut
performansını karşılaştırarak hangi bölgelerde olması gerekenin altında performans
gösteriyorlarsa bu bölgelerdeki performanslarını öngörülen performans seviyesine çıkartmaya
yönelik aksiyon alabilirler. Performansları üzerinde etkili olan parametreleri irdeleyebilir ve
“neden” sorusuna cevap alarak doğru seçim politikaları uygulayabilirler.
Güvenlik alanında suç ve suçlu analizi, suç öngörüsü nokta bazlı yapılabilir. Coğrafi veriler,
nüfus verileri, bölge gelişmişlik verileri, vb. kullanılarak noktasal bazda risk skorlaması
yapılabilir.
Coğrafi bilgi sistemlerinin gelişimi ile nokta bazlı güncel verilere ulaşmak her geçen gün
kolaylaşmaktadır. İş zekâsı çözümleri ile kurumlar noktasal birimlerinin geçmiş verimlilik
değerlendirmesini yapabilmektedir. Veri Madenciliği ise geçmişin yanı sıra mevcut durumu
değerlendirme ve potansiyeli öngörme imkanı vermektedir. İşletmelerin ve kurumların birimsel
noktalarına dair performans verileri, coğrafi veriler ile birlikte analiz edilerek noktasal birimler
bazında gerçek performansın ne olması gerektiği tespit edilebilir, gelecekteki performansın ne
olacağına dair öngörüsel çıkarımlar yapılabilir. “Nokta Bazlı Zekâ” çözümümüz noktasal
birimleri olan bütün kurum ve kuruluşlara mevcut durumun değerlendirilmesi yanında, olması
gereken performansın öngörülmesi ve geleceğe yönelik performansın ne olacağının tahmin
edilmesine olanak tanıyan, coğrafi bilgi tabanlı bir çözüm paketidir.
“Nokta Bazlı Zekâ” çözümü ile coğrafi veriye dayalı verimlilik skorlaması ve verimlilik öngörüsü
yapılmakta, nokta bazlı bir karar mekanizması sunulmaktadır.
Çözüm paketimiz müşterimizin bilgi sistemleri alt yapısı ve verileri baz alınarak
özelleştirilmektedir. Müşteriye özel raporlar ve tahmin modelleri zaman içerisinde elde
edilen sonuç veriler ve değişen coğrafi veriler ile güncellenmekte, yaşayan bir sistem
olarak kullanıma sunulmaktadır.
Örnek Uygulama: Noktasal birimlerin performans değerlendirmesi. Sarı: olması gereken
performansı gösteren şubeleri, yeşil: mevcut koşullara göre olması gerekenden daha yüksek
performans gösteren şubeleri, kırmızı: mevcut koşullara göre olması gerekenden daha düşük
performans gösteren şubeleri göstermektedir.
Noktasal birimlerimizin aylık
ortalama gelir trendi şube üzerine
tıkladığımızda otomatik olarak
görüntülenmektedir.
52
Eğitimlerimiz ve Danışmanlık Hizmetlerimiz
Eğitimlerimiz ve Hedefimiz
AIMS Analitik Bilgi Yönetimi Çözümleri olarak istatistiksel analizler, veri madenciliği,
öngörüsel analizler, kurumsal pazarlama yönetimi alanlarındaki bilgi birikimlerimizi ve sektörel
uygulama deneyimlerimizi eğitim yolu ile sizlere aktarıyoruz.
Analitik dünyanın gelişimini hedeflediğimiz eğitimlerimizde “sektörün en iyisi olma” ve
“sektörde önemli ilklere imza atma” hedeflerimiz ile her geçen gün yeni bir eğitim içeriği ile
sizlerleyiz. AIMS ailesi olarak iş dünyasının “süper yıldızları” nın “Analitik Uzmanlar” olduğunu
savunuyoruz ve süper yıldızlara olan ihtiyaç ülkemizde de her geçen gün arttığını
deneyimliyoruz. Amacımız hem yeni “süper yıldızlar” yetiştirmek hem de kurumların
başarısındaki sürekliliğin ardındaki gücü desteklemek, “süper yıldızlarımızın” niteliklerini
arttırmak.
İstatistiki Analiz ve Veri Madenciliği Eğitimlerimiz altı ana grup altında toplanmaktadır:
I. İstatistiksel Analiz Eğitimlerimiz: “IBM SPSS Statistics” Eğitim Grubu
II. Veri Madenciliği Eğitimlerimiz: “IBM SPSS Modeller” Eğitim Grubu
III. Kurumsal Entegrasyon Eğitimlerimiz: “IBM SPSS Collaboration and Deployment
Services” Eğitim Grubu
IV. Anket ve Saha Araştırmaları Eğitimlerimiz
V. Uygulama Eğitimlerimiz: Analitik Müşteri İlişkileri Yönetimi, Fraud, Sağlık İstatistikleri,
Metin Madenciliği
VI. AMOS ile Yapısal Eşitlik Modelleme Eğitimi
Danışmanlık Hizmetlerimiz ve Hedefimiz
AIMS Analitik Bilgi Yönetimi Çözümleri olarak “Analitik Çalışmalarınızı” farklı bir danışmanlık
yaklaşımı ile ele alıyoruz. Farkımız proje sürecine iş danışmanlığını dahil etmemiz ve proje
sürecinin tamamında iş birimleri, IT ve analitik ekiplerin projeye katılımını sağlamamızdır. Bu
sayede Veri Madenciliği Projelerini “tek seferlik” olmaktan çıkarıyor, kurum içerisinde yaşayan
ve gerektiğinde iş kullanıcıları tarafından geliştirilebilecek bir yapıda tasarlıyoruz.
Analitik projelerinizde, projenin bir bütün olarak ele alınması, CRISP DM Standart Proje
Yönetimi yaklaşımı ile yapılandırılması, yürütülmesi, sonuçlandırılması ve raporlanması şeklinde
kapsamlı bir danışmanlık hizmeti sunuyoruz. Bunun yanında projelerinizde ihtiyacınız olduğu
noktada destek verilmesi gibi ihtiyacınıza özel danışmanlık hizmetleri ile de sizleri destekliyoruz.
Danışmanlık Hizmetlerimiz dört grup altında toplanmaktadır.
I. Uçtan Uca Proje Danışmanlık Hizmetleri
a. CRISP DM Veri Madenciliği Proje Yönetimi Metodolojisi Kapsamında Projenin
Yapılandırılması
b. İş Kullanıcıları, IT, Analitik Ekipler, vb. Farklı Birimlerin Katılımı ile Projenin Yapı
Taşlarının Belirlenmesi
53
c. İş ve Veri Madenciliği Temel İhtiyaçlarının ve Bunlarla İlişkili İkincil İş ve Veri
Madenciliği Hedeflerinin Belirlenmesi
d. Veri Yapısı Tasarımı
e. Modelleme
f. Model Sonuçlarının İş Birimlerinin Kullanımı İçin Süreç Tasarımı
g. Modellerin Çalışma ve Sonuç Güvenirlik Testleri ile İlgili Süreç Tasarımı ve
Otomasyonu
h. Model Kütüphanelerinin Oluşturulması
i. Modellerin Versiyonlama, Kullanım, vb. Yapılandırılması
j. Proje Dokümantasyonu
k. Proje Eğitimleri
II. Proje Destek Danışmanlığı Hizmetlerimiz
a. Bir Başka Kurum Tarafından Geliştirilmiş olan Veri Madenciliği Modellerinin
Optimizasyonu, Dokümantasyonu, Kurum Bünyesinde Efektif Uygulamaya
Alınması ve Proje Eğitimlerinin Verilmesi
b. Kurum Bünyesinde Geliştirilmekte Olan Veri Madenciliği Projelerinde Destek
Olunması
c. Kurumun Veri Yapılarının Değişimi, İş Modellerinin Değişimi, vb. Farklı Sebepler
ile Gündeme Gelen Kullanılan Analitik Modellerin Bakımı Hizmetleri
III. Teknik Danışmanlık
IV. Proje Sonrası Uygulama Destek Danışmanlığı
V. Teknik Destek Hizmetleri
AIMS Analitik Bilgi Yönetimi Çözümleri IBM Teknik Destek Sağlayan Çözüm Ortağı
(Support Provider Partner) statüsündedir. AIMS, IBM’in yetkili teknik destek
merkezi olarak satmış olduğu yazılımların Türkçe teknik desteğini doğrudan
sağlamaktadır.
Projeler kapsamında farklı projelerinin ardışık veya paralel olarak gerçekleştirilmesi ve
geliştirilen modellerin belli aralıklarla güncellenmesi söz konusu olmaktadır. AIMS Analitik Bilgi
Yönetimi Çözümleri, kurumda proje başlamadan önce ilgili eğitimleri vermekte, proje süresince
ekibe bilgi aktarımları yapmakta, proje sonrasında geliştirilmiş modellerin detaylı eğitimlerini
vermekte ve projenin sürekliliğini sağlamaktadır.
Veri Madenciliği Eğitimlerimiz
Veri madenciliği eğitimlerimiz beş ayrı eğitimden oluşmaktadır. İleri eğitimler öncesinde
temel eğitimlerin alınması ve alınan eğitim özümsendikten sonra bir sonraki eğitimin alınması
eğitim sonrası başarı açısından önemlidir.
Veri madenciliği projelerinde proje yönetim metodolojisi ile başlayan eğitimde iş hedefleri
doğrultusunda verilerin modelleme öncesi hazırlığı ve modelleme yöntemleri uygulamalı olarak
anlatılmaktadır. Eğitimde temel veri madenciliği yöntemleri hakkında geniş çaplı bilgi aktarımı
54
yapılmakta olup bütün uygulamalar IBM SPSS Modeler veri madenciliği çözümü kullanılarak
gerçekleştirilmektedir.
Veri Manipülasyonu, veri madenciliği çalışmalarının en önemli adımıdır. Eğitim kapsamında
IBM SPSS Modeler içerisinde yer alan “Veri Manipulasyonu” yöntemlerinin ileri düzeyde
uygulamalarına yer verilmektedir.
IBM SPSS Modeler İle Öngörüsel Modelleme eğitimi, danışmanlı öğrenme (Regresyon,
Lojistik Regresyon, Diskriminant, Karar Ağaçları, Yapay Sinir Ağları) yöntemlerinin uygulamalı
olarak anlatıldığı bir eğitimdir. Eğitime katılım öncesinde Veri Madenciliği Temel Eğitimi ve IBM
SPSS Modeler İle Veri Manipülasyonu eğitimlerinin alınmış olması önerilmektedir.
IBM SPSS Modeler ile Segmantasyon Ve İlişkisel Kuralların Tespiti eğitiminde kümeleme
analiz yöntemler (K-Means, TwoStep, Kohonen Ağlar) uygulamalı olarak anlatılmaktadır.
IBM SPSS Modeler ile Zaman Serileri Analizi ve Ardışık Olaylar Analizi eğitimi, zamana
bağlı tahminleme yöntemler ve ardışıklık (zaman bağımlı desenler – dizi tespiti) yöntemlerin
detaylı olarak anlatıldığı, uygulamalar ile desteklenen bu eğitimimize katılmak isteyen
katılımcıların, Veri Madenciliği Temel Eğitimi ve SPSS Modeller İle Veri Manipülasyonu
eğitimlerimizi almış olmaları önerilir.
IBM SPSS Modeler İle İleri Grafiksel Raporlama Eğitimi katılımcılara, IBM SPSS Modeler ile
elde ettikleri sonuçları daha görsel ve kolay anlaşılır bir şekilde ifade etmelerini ve etkileyici
raporlar hazırlamalarını sağlayacak bilgi ve pratiği kazandırmayı amaçlar. Eğitim süresince
çeşitli grafik seçeneklerinin hangi durumlarda kullanılacağı, nasıl sonuçlar verdiği ve grafiklere
ek olarak oluşturulan tabloların raporlara dahil edilmesi adım adım ve detaylı bir şekilde
incelenmektedir.
Veri madenciliği eğitimlerimiz:
 Veri Madenciliği Temel Eğitimi (4 gün 20 Saat)
 IBM SPSS Modeler Veri Manipulasyonu Yöntemleri (2 gün 10 Saat)
 IBM SPSS Modeler İle Öngörüsel Modelleme (5 Gün- 25 saat)
 IBM SPSS Modeler İle Segmantasyon ve İlişkisel Kuralların Tespiti (3 Gün-15 saat)
 IBM SPSS Modeler ile Zaman Serileri ve Ardışık Olaylar Analizi (2 Gün- 10 saat)
 IBM SPSS Modeler ile İleri Grafiksel Raporlama (1 Gün- 5 saat)
 IBM SPSS Collaboration and Deployment Services İle Otomasyon ve Kurumsal
Entegrasyon Eğitimi (6 Gün- 30 saat)
Uygulama Eğitimlerimiz
Uygulama eğitimlerimiz danışmanlık ekibimizin gerçekleştirdiği projelerde edindiği
tecrübenin paylaşımının hedeflendiği eğitimlerdir. Bu eğitimlerimizde analitik projelerde yer
alacak analitik uzmanların yanında iş bilgisine sahip olan uzmanların da eğitilmesi
hedeflenmektedir. Analitik projelerde iş bilgisi olan uzmanların katılımı projenin başarısı
açısından kritik önem taşır.
55
“Analitik Müşteri İlişkileri Yönetimi” Eğitimi iki (2) bölümden oluşmaktadır. Eğitimin 1. Bölümü
kuruluşun CRM Projesinde görev almakta veya alacak olan her kademenin (IT, Proje Yönetimi
Birimleri, İş Kullanıcıları, Analitik Uzmanlar, vb.) katılımı içindir. Eğitimin 2. Bölümü ise “Analitik
Uygulama” süreçlerinde yer alacak iş kullanıcıları ve analitik uzmanlar için planlanmıştır.
Eğitim kurumsal platformda “örneklem çözümlemeleri” ve gerçek iş problemlerinin
çözümüne dair etkileşimli deneyim aktarımı sağlayacak şekilde dinamik bir formatta
planlanmıştır
 Analitik Müşteri İlişkileri Yönetimi (aCRM) I. Eğitimi (3 gün 15 Saat)
 Analitik Müşteri İlişkileri Yönetimi (aCRM) II. Eğitimi (5 gün 25 Saat)
 Nokta Bazlı Zeka Eğitimi (2 gün 10 Saat)
İstatistiksel Analiz Eğitimlerimiz
İstatistiksel analiz eğitimlerimiz dört grup altında toplanmaktadır. İleri eğitimler öncesinde
temel eğitimlerin alınması ve alınan eğitim özümsendikten sonra bir sonraki eğitimin alınması
eğitim sonrası başarı açısından önemlidir. İstatistiksel analiz eğitimleri ihtiyaca özel olarak
içeriklendirilen “konu” bazlı eğitimleri de içermektedir.
“IBM SPSS Statistics ile İstatistiksel Analizler” eğitimi “IBM SPSS Statistics” eğitim zincirinin
ilk eğitimidir. Eğitimde temel istatistiksel analiz yöntemleri (t testleri, Manova vb.) uygulamalar
ile anlatılmaktadır. Eğitimin amacı temel analiz bilgisi olan ve istatistiği araç olarak kullananların
çalışmalarını verimli bir şekilde yürütebilmesini sağlayacak bilgi alt yapısını oluşturmak, veri
analiz kalitesini arttırmaktır.
“IBM SPSS Statistics ile Öngörüsel Modelleme” eğitimi, IBM SPSS Statistics İle İstatistiksel
Analizler eğitimini takiben, ileri istatistiksel analizlerden öngörüsel modelleme yöntemlerini
(Regresyon, Lojistik Regresyon, Karar Ağaçları vb.) uygulamalı olarak öğrenmek isteyenlere
yöneliktir.
“IBM SPSS Statistics ile Segmentasyon” eğitiminde kümeleme analizi yöntemleri ve
kümeleme analizi ile ilgili uygulamalar detaylı olarak anlatılmaktadır. Eğitime katılmak isteyen
katılımcıların bu eğitim öncesinde IBM SPSS Statistics İle İstatistiksel Analizler ve IBM SPSS
Statistics ile Öngörüsel Modelleme eğitimlerini almış olmaları önerilmektedir.
İstatistiksel Analiz eğitimlerimiz:
 ”IBM SPSS Statistics” İle İstatistiksel Analizler (4 Gün- 20 Saat)
 IBM SPSS Statistics İle Öngörüsel Modelleme (3 Gün- 15 Saat)
 IBM SPSS Statistics İle Segmentasyon (3 Gün- 15 saat)
 IBM SPSS Statistics İle Zaman Serileri Analizi (3 Gün- 15 saat)
56
57
58
59
AIMS Hakkı da
AIMS Analitik Bilgi yönetimi Çözümleri, 2000 yılında SPSS Türkiye olarak
faaliyetlerine başlamıştır. Şirketimiz geçen süre zarfında kurumlar
bünyesinde toplanmakta olan ve her geçen gün hızla artan “ham verilerin”
kuruluşlar için faydaya dönüştürülmesi hedefi ile pek çok projeye imza
atmış bulunmaktadır.
AIMS Analitik Bilgi Yönetimi Çözümleri, 1 Ocak 2012 tarihi itibariyle IBM
Premier Çözüm Ortağı olarak faaliyetlerine devam etmektedir. İstanbul ve
Ankara merkezli olarak bütün sektörel kırılımlarda farklı uygulama
alanlarında analitik projeler gerçekleştirmekte olan şirketimiz 2012 yılında
“Öngörüsel Analitikler” alanında Orta&Doğu Avrupa Bölgesinde “IBM İş
Ortağı Başarı Ödülü” ne layık görülmüştür.
60

Analitik Guc

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

Analitik Guc

Uploaded by

Copyright:

Available Formats

Şirketlerin Geleceğini

Yöneten Analitik Güç

Dr. Tülin GÜZEL ÖZDEMİR

Verileri yönetebilmek ve veri yatırımınızdan

Çözüm bağımsız olarak Analitik Çalışmalarınızın

AIMS Analitik Bilgi Yönetimi Çözümleri ailesi olarak

Analitik Başarı Yolculuğuna Bizlerle Çıkmak İster

Karar Mekanizmasının Evrimleşme S“reci

AIMS Analitik Bilgi Yönetimi Çöz“mleri

Perakende Sektör“nde Coğrafi Veriye , Analitik Bilgiye Dayalı Karar

Üretimde Talebin Doğru Tahmin Edilmesi

Üretim planlamada en önemli bileşen talep

Veri Madenciliği Uygulama Alanları

Analitik M“şteri İlişkileri Yönetimi

İç denetimde karşılaşılan en büyük zorluk denetlenecek durum sayısının fazla olmasıdır.

Kredi Kartı Başvuru Sahtekarlığı

IBM Kurumsal Pazarlama Yönetimi Çözümleri Kampanyayı planlayan kişiler ve

Araştırma Çöz“mlerimiz: Dinamik Pazar Araştırmaları

Bütün kurum ve kuruluşlarda “noktasal birimler” ve “noktasal değerlendirmeler” önemlidir.

You might also like