Geri Dön

Veri ambarı oluşumunda kullanılan teknolojilerin incelenmesi ve veri ambarlarının kişiye özel üretimde kullanımı

Examination of technologies used for building data warehouses and use of data warehouses in mass customization

  1. Tez No: 126714
  2. Yazar: ŞEFİK EĞRİBOZ
  3. Danışmanlar: DR. HALİL HALEFŞAN SÜMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2002
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 206

Özet

ÖZET Her gün şirketler müşterileri, ürünleri veya satışları gibi pek çok farklı faaliyet konularında çok fazla miktarda veri ve kayıt üretir. Bu verilerin büyük bir kısmı bilgisayar sistemleri üzerinde farklı platformlarda depolandığından erişilmesi zor ve çoğu zaman da imkansızdır. Bilgisayar kullanıcısı olan firma çalışanları kendi departmanları dışında verilere ulaşmak ve bu verileri entegre edebilmek için çok değerli iş zamanını yeni bir katma değer yaratmak için kullanmak yerine sadece var olan verileri birleştirerek bir sentez oluşturmak için harcamaktadırlar. Bu yüzden firmaların stratejik kaynağı olan veriler pratik değerlerini yitirmektedir. Son yıllarda bu sorunu çözmek amacıyla“Veri Ambarı”adıyla yeni gelişen kavramlar grubu ve bu kavramlara ilişkin araçlar geliştirilmiştir. Bu kavramların ortaya çıkarttığı araçlar sayesinde orta ve üst düzey yönetim kademelerindeki yöneticilerin konsolide edilmiş verilere tek bir yerden ve kullanımı kolay bir araç kullanarak ve en önemlisi istenilen zamanda erişebilmesi sağlanmıştır. Veri ambarları, yönetime karar verme sürecinde destek olabilen, konulu, entegre, değişken olmayan ve zaman varyantlı bir veri koleksiyonudur. Veri ambarı sistemleri, firmalarda özellikle veriler ve enformasyon sistemleri ile çalışan bilgi çalışanlarının kolay erişebileceği ve karar vermede gerekli olan enformasyonu kritik operasyonel sistemlerin performansını etkilemeden, hızlı bir şekilde elde edebilecekleri merkezi bir yapıda kurulur. Veri ambarı projeleri üzerinde çalışan grupların veri ambarı oluşumunda farkına vardıkları en önemli sorun geleneksel veri tabanları üzerinde çalışan operasyonel sistemler (OLTP sistemleri) ile veri analizi için geliştirilmiş olan çok boyutlu veri tabanlarının (OLAP sistemleri) birbirinden ayrılması gerektiğidir. OLAP ve OLTP sistemlerinin aynı veriyi saklamalarına rağmen birbirlerinden farklı amaçları olduğu için aynı ortamda tutulmaları sistem performansını olumsuz etkilemektedir. Bu yüzden OLAP ve OLTP sistemleri birbirinden ayrı sistemler üzerinde çalıştırılırlar. Veri ambarlarının oluşumunda iki önemli temel ilke izlenebilmektedir. Bunlardan birincisi merkezi bir veri ambarının heterojen iç ve dış çevre veri kaynaklarından beslenebilecek şekilde oluşturulmasıdır. Bu merkezi yapı sayesinde daha sonra bölümler için ayrı ayrı oluşturulan datamartlar veri ile doldurulabilir. Veri ambarlarının oluşumundaki diğer bir XIIIyaklaşım ise birbirinden bağımsız departmanlar için farklı datamartlar oluşturularak bunların operasyonel sistemlerden beslenmesidir. Veritabanları üzerine oturtulan operasyonel raporlama yazılımları kullanıcılara geçmişte oluşan operasyonel olayları sorgulama imkanı tanırlar. Bu raporlama ile birinci seviye veri ihtiyacı karşılanmış olur. Daha karmaşık ad-hoc sorgulama araçları ile de günlük operasyonda oluşan olaylar incelenir ve bu ikinci seviye veri sorgulama aşamasıdır. OLAP araçları ile gelecekte oluşabilecek olası durumları, geçmiş veriler üzerinde yapılan analizlerle önceden kurgulanarak tespit edilmeye çalışılır ve bu olgular üçüncü seviye sorgulama araçlarını oluştururlar. Dördüncü seviye olan veri madenciliği tüm bu teknolojilerden farklı olarak önemli olabilecek ancak standart sorgulama yöntemleri ile farkına varılamayan ve operasyonel veriler içinde gizlenmiş olarak bulunan ilişkileri bulmayı amaçlayan veri sorgulama seviyesidir. Bu farklı amaçlara hizmet eden tüm araçların ortak noktası katma iş değeri yaratmak amacı ile şirket verilerinin bu verilerin girişinin yapıldığı yüksek performanslı ancak tek düze ve dar bakış açısı yüzünden anlaşılmaz verilerin bir araya toplanarak çok daha geniş bir bakış açısı ile anlaşılır bir ortam yaratan veri ambarı teknolojilerine bir şekilde ya taban oluşturmaları ya da veri ambarlarını kullanan iş analistlerine kullanışlı araçlar sunmalarıdır. Veri ambarları için birden çok farklı platform üzerinde durmakta olan veri kaynaklarından verileri seçerek bunları bir araya getirmeye çalışan ve bu veriler için tek bir merkez görevi görebilen sorgulanabilir analiz ortamı yaratmak için kullanılan mimariler bu mimarilerin kullandığı algoritmalar ve yazılımlar bütünü olarak bir tanım yapılabilir. OLAP ve veri ambarı sistemleri birbirini tamamlarlar, veri ambarı sistemleri verileri operasyonel sistemlerden çıkartarak yönetimini sağlar. OLAP ise kullanıcıların sorgulamalar sayesinde veri ambarındaki verileri analiz ederek stratejik enformasyon haline getirmesini sağlar. Veri ambarı projeleri veriye ulaşan uygulamalar sayesinde, operasyonel seviye ile daha üst seviyeler arasındaki mesafeyi kısaltma etkisine sahip olduklarından kurumsal yapı içinde karar verme sürecinde hızlı bir düzleşmeye yol acarlar. Standart bir işletmede bir mimari yapı içinde veri ambarının yerini belirlemek için bir mimari model verme amacıyla, altı katmanlı bir model sunulmaktadır. Bu altı katman şöyledir: (1) operasyonel veri. (2) veri taşınması. (3) veri ambarı idaresi. (4) sistemler arası donanım. XIV(5) karar destek uygulamaları. (6) sunum arabirimi. Bazı özellikler, başarıyla kurulmuş veri ambarlarında ortaktır. Bir veri ambarının başarısı, en iyi, kullanıcı kabulü ve kullanımıyla tanımlanabilir. Ambardan toplanılan bilgi sayesinde doğru ve hızlı şekilde alınmış iş kararları için parasal bazda yatırım getirişini tahmin ederek, bir veri ambarının gelişimini haklı çıkarmak çok yaygındır. Bir çok veri ambarı, değerini, bireysel değerini ölçmenin zor olduğu yüzlerce küçük, ayrı kararlar içinden sağlar. Eğer kullanıcıları veri ambarını öznel olarak değerli buluyorlarsa ve iyileştirmeler ve genişletmeler istemeye devam ediyorlarsa o zaman veri ambarı başarılıdır. Veri ambarları sayesinde müşteri hakkında tüm kararlar belirli sosyal kategorilerde insanların nasıl davranması beklenebileceği hakkında tahminlerden ziyade müşterinin fiili davranışından çıkartılır. Müşteri davranışını tayin etmek için veri örneklerini bütünleştirmek ve gözlemlemek gerekir. Bu yüzden veri ambarları herkes için özel üretimde gerekli bilgileri sağlayabilecek en uygun ortamlardır. Müşteriler tanınmayı isterler ve gecikmeyle de olsa ticari kuruluşlar bu talebe karşılık olarak herkes için özel üretim, müşteriyle gerçek ve bilgili bir iletişim kurma ve organizasyonun bu müşteri davranışıyla ilgili bilgi sahibi olduğunu gösterme çabası içine girerler. Üretimlerini ve dağıtım süreçlerini herkes için özel üretimin yeni modeline dönüştürmeyi başaran şirketlerin, pazar yerinde önemli rekabet avantajları sağlayacaklarına dair ciddi kanıtlar vardır. Herkes için özel üretim kavramının merkezinde, ürün sunumlarını farklı bölümlere uydurmak için, pazarların, en ince detay düzeyine kadar mikro bölümlemesi yer almaktadır. Tabii ki bu tek bir adımda gerçekleşemez, bu yinelemeli bir süreçtir. Süreç, bölümlemeye yüksek bir düzeyde başlayacak ve herkes için özel üretimin son amacının da gerçekleştirildiği bir tane müşterinin bir pazar bölümüne kadar genişleyecektir. Veri ambarı uygulamaları, daha çok odaklanmış müşteri elde edilmesinden iyileştirilmiş değere, kurulmuş ilişkilerden o ilişkinin devamının sağlanmasına kadar, müşteri ilişkisinin bütün yönleriyle başa çıkabilmek için kullanılır. Veri ambarı mimarisi için zorluk, bir müşteri hakkındaki verinin, müşterinin geçmişini tam olarak modelleyebilmek ve müşterinin tüketim biçimindeki değişikliğini etkin bir biçimde belirleyebilmek için, ne kadar süre boyunca tutulmasına karar vermektir. Toplu üretim modelinin yerine artık sanayi, herkes için özel üretim (kişiselleştirme) çağına girmektedir. Ve artık şu da çok açıktır ki; müşteri odaklı iş süreçleri için veri ambarı, bu geçişi sağlayacak olan teknolojik araçtır. XV

Özet (Çeviri)

SUMMARY Every day, large and small firms create millions of gigabytes of data on every aspect of their activity: clients, products, sales, etc. The majority of this data, however, is difficult to access because it is subdivided in a myriad of computer systems spread out over the organizational structure of the firm, and for this reason, it is practically unusable. In recent years, a group of new concepts and tools has evolved into a new technology. This has made it possible to face the problem of supplying the management access, at any level of synthesis and detail, to any information necessary for the firm to survive and prosper in an always more competitive economic context. The term used to identify this new technology is“Data Warehousing”. Data warehousing puts usable decision-making tools in the hands of knowledge workers, without affecting the performance of critical operational systems. The topic of data warehousing encompasses architectures, algorithms, and tools for bringing together selected data from multiple databases or other information sources into a single repository, called a data warehouse, suitable for direct querying or analysis. A data warehouse is defined in terms of four characteristics: subject-oriented, integrated, nonvolatile, and time variant collection of data in support of management's decisions. Fundamentally the basis of all information is in the foundation of data. At the first level of sophistication, operational reporting answers routine questions such as“What happened yesterday?”When these needs are met, members of the organization are able to consider questions at the next level of sophistication. These questions are generally of the form,“Why did that happen yesterday?”Users, armed with their standard operational reports, begin to investigate anomalies through ad hoc queries. At the third level of this hierarchy, selected users (analysts) begin to do more complex investigation of the data, asking questions such as“What is likely to happen tomorrow?”where OLAP tools are used. At the fourth level of sophistication organizations transcend their own knowledge begin to discover relationships and patterns that were hidden in the large volumes of organizational data. This type of investigation is provided through the use of data mining software that does not require that a user be able to formulate a query about some relationship in the data. The objective of data mining is to discover relationships that are not readily seen. At the intersection all these levels of sophistications there are data warehouses that in some way they either are the basis of the warehouse or supported by the data warehouse. XVIIt is soon realized that that it was necessary to separate the systems into two worlds: OLTP: On-Line Transaction Processing (traditional DBMS) OLAP: On-Line Analytical Processing (Data analysis) There are in fact many different aspects which make them incompatible even tough they retain the same data. OLAP and data warehouses are complementary. A data warehouse stores and manages data. OLAP transforms data warehouse data into strategic information. Two principal approaches are taken to the development of a data warehouse environment. The first is based on the creation of a central data warehouse using data from legacy systems and other sources. This central warehouse can then be used to load departmental data warehouses or local data marts. The second approach is based on the creation of independent subject area data marts, each loaded directly from the legacy systems and other data sources. The data warehouse, and, more importantly, the applications which access the data in the data warehouse, will have the effect of shortening the distance between devising candidate strategies at a senior level in an organization and executing the selected strategy at an operational level. This will lead to an immediate 'flattening' of the decision making process which will have fairly radical follow-on implications for the formal organizational structure and culture. For the purposes of providing a broad architectural model in order to locate the data warehouse within the overall architectural framework of a standard enterprise, a six-layer model is offered. These six layers are as follows: (1) The first layer - operational data. (2) The second layer - data migration. (3) The third layer - the data warehouse/database administration. (4) The fourth layer - middleware. (5) The fifth layer - decision support applications. (6) The sixth layer - presentation interface. Groups of customers may have identified a pattern of consumption, which allows a new product to be designed around their needs. All of these judgments about the customer are now derived from the actual behavior of the customer rather than assumptions about how XVIIpeople in particular social categories might be expected to behave. The source of determining customer behavior patterns lies in integrating and observing data patterns. Current information systems are not designed to perform this function. The data warehouse is designed to specifically provide the information required for mass customization. Genuine mass customization is an attempt to establish a real and informed dialogue with the customer and to demonstrate that the organization has knowledge of the behavior of that customer over time. The present dynamic of a changing market along with technological drivers have combined to evolve the concept of mass customization. There is compelling evidence that companies which manage to transform their production and delivery processes to the new model of mass customization will enjoy significant competitive advantage in the marketplace. Central to the concept of mass customization is the micro-segmentation of markets down to fine levels of granularity in order to customize the product offerings to the multiple segments. Of course this will not occur in a single event. The process will commence with segmentation at a high level and will progressively expand until the final objective of mass customization has been achieved - a market segment of one customer. The emerging basis for determining the classifications of customers will be a good deal more intangible and will focus on the behavior patterns of the customer. Therefore, a customer may be observed to be compulsive (or conservative) in his/her consumption habits; may have established consumption trends based on special interests (e.g. gardening, motoring); may have displayed a particular pattern of annual income and expenditure; may have displayed a seasonal pattern of consumption; may have demonstrated a particular sequence of product consumption. Or groups of customers may have identified a pattern of consumption, which allows a new product to be designed around their needs. All of these judgments about the customer are now derived from the actual behavior of the customer rather than assumptions about how people in particular social categories might be expected to behave. The source of determining customer behavior patterns lies in integrating and observing data patterns. Current information systems are not designed to perform this function. The data warehouse is designed to specifically provide the information required for mass customization. Instead of mass production, companies are nowadays turning their way of working into mass customization and data warehouses are the best tools to achieve a customer oriented approach for business process. XVIII

Benzer Tezler

  1. Tez No

    142562

    Müşteri ilişkileri yönetimi

    Customer relationship management

    ÖZLEM KURNAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPASLAN FIĞLALI

  2. Tez No

    879994

    Marmara Denizi'nde denizcilik taşımacılığı kaynaklı kirliliğin müsilaj oluşumuna etkisi

    The effect of the pollution on muci̇lage due to the maritimetransport in Marmara Sea

    AYBÜKE NUR ŞAHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Çevre MühendisliğiBursa Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. SİNAN UYANIK

  3. Tez No

    513877

    Veri ambarı oluşturmada ETL ve ELT yaklaşımlarının kullanımı ve karşılaştırılması

    The usage and comparison of ETL and ELT approaches in data warehouse modeling

    ABDULLAH ÜNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Endüstri ve Endüstri MühendisliğiGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. TAHSİN ÇETİNYOKUŞ

  4. Tez No

    83159

    Veri ambarı ortamında karar destek sistemi tasarımı

    Decision support system design in a data warehouse environment

    BÜLENT DAL

    Doktora

    Türkçe

    Türkçe

    1999

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. MİTHAT UYSAL

  5. Tez No

    343029

    Modeling and querying bitemporal semistructured data warehouses

    Yarı yapılı çift zamanlı veri ambarlarının modellenmesi ve sorgulanması

    GÖZDE ASLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CANAN ATAY

Geri Dön