Embed Size (px)
Citation preview
VERİ GÖRESELLEŞTİRME ve
GRAFİK DATAMININGDoç. Dr. Kutlu MERİH
Riskonometri Enformatics Risk Analysis and Visual Analysis
Graphical Datamining Analysis
Gerçek Değer Data Setlerinde!Hayatı eskiden filozoflardan anlamaya
çalışırdık. Şimdi digital platforma taşıyıp bir veriye dönüştürdük.
Artık filozoflara değil, bilgisayarlara soruyoruz!İnsan davranışlarını anlamaya bir adım daha
yaklaştığımız sofistike bir dönem!Ancak Datalar bize hayatın anlamını hala
söylemiyor. O kısım hala filozoflarda!!!
Her Şey Digital, Tercihler Duygusal!
Veri Görselleştirme
• Büyük küçük her kuruluşun, bir veri ambarı ve öngörü sağlayabilecek temel verileri vardır.
• Veri görselleştirme çözümü ile en geçerli veriyi bulabilir ve verinizin sırrını çözmek için ileri analitik teknikleri uygulayabilirsiniz.
• Grafik Datamining bunu kolaylaştırır.• Her ne kadar Türkiye’de pek yaygın olmasa
da hacimli ve içerisinde çok sayıda bilgi içeren sistemlerde önünde sonunda bir veri görselleştirme ve ileri analiz ihtiyacı olur.
VG de GD Tepe Yönetimin Konusu
• Veri görselleştirme çözümleri genellikle tepe yöneticiler (karar alıcılar) için geliştirilir.
• Finans, Üretim ve satış gibi birimlerden gelen karmaşık bilgi ve yorumları anlamak için kafa yormaları gerekir.
• “Madem bilgisayar sistemlerine yüklüce para harcıyorum o halde tek tıkta bana şirketimin gidişatını ve alarm durumlarını göstersin” beklentisi içindedirler.
Veri Görselleştirme ve Ötesi
• «Veri Görselleştirme» günümüzde popüler bir Enformatik Tekniği.
• Bunun için satın alınabilecek çok sayıda yazılım var.
• Bunlar size bir veri kütlesini etkileyici ve çarpıcı bir şekilde sunabilirler.
• Buna karşılık bu yazılımlar veri kütleleri içindeki gizli anlam ve ilişkileri açığa çıkarmaz.
VG ve GD Amaçları farklı
• Grafik Datamining de bir Veri Görselleştirme tekniği fakat amacı biraz farklı.
• GD ile sade veriyi görselleştirmiyor, veri kütlesi içindeki gizli bilgi ve ilişkileri de açığa çıkarmaya çalışıyorsunuz.
• Özellikle metriklenemeyen intagible faktörlerin metrik veriler üzerindeki olası etkilerini görebiliyorsunuz.
Grafik Datamining Uzmanlık Gerektirir!
• Benim çok gelişmiş VG yazılımlarım var GD de yapabilir miyim? Yapamazsınız.
• Grafik Datamining ile kolay grafik yapabilirsiniz ama hangi grafiği neden yapabileceğiniz bilinçli bir uzmanlık becerisi gerektirir.
• Buna karşılık GD grafiklerini çok az bir eğitimle profesyonel bilgi ve becerilerinizi kullanarak yorumlayabilirsiniz.
• GD kolay ve etkili grafik yapma tekniği değildir!
Grafik Üretenler ve Yorumlayanlar Ayrı Profesyoneller
• Bir GD çalışmasını tasarımlayıp grafik üretenler ile bu grafikleri yorumlayanlar ayrı profesyonel kadrolardır.
• Buna karşılık etkili bir GD yazılımı tasarımcı gereğini ortadan kaldırıp yorumcuların kendi grafiklerini üretebilmelerini sağlayabilir.
• Bu nedenle iyi bir GD yazılımı karar vericiler için vazgeçilemez bir analiz aracıdır.
Grafik Datamining Ne YaparPotansiyel İş Hacmi
• Büyük Kütleli veriler hızlı işleme için hızla saniyeler içinde, hafızaya okunur.
• Her boyuttan veriye tahminsel ve açıklayıcı veri analitiği uygulanabilir.
• Önceden bilinmeyen örüntüleri tespit edebilir• Anahtar nitelikteki ilişkileri belirleyebilir. • Gizli kalacak öngörüleri açığa çıkarır.
GD Self Servis Raporlama Hizmeti
• BT departmanınızda sıklıkla kullanıcılardan gelen yığılmış işler vardır– artık bu son buluyor.
• Self-servis, GD veri görselleştirme ortamı, BT'ye yük olmadan verileri kendi başınıza keşfetmenize imkan sağlar.
• BT Teknolojisinde uzman değil misiniz? Sorun değil. • Sadece arayüzden değişkenleri seçerek , dinamik olarak
filtreleyerek ve gruplayarak verilerle ilgili yeni görüşleri kolaylıkla oluşturabilirsiniz.
• Zorlu görselleri – violin grafikleri, ısı haritaları, balon grafikler ve daha fazlasını seçin ve veriye hayat verin.
• Daha da ileri analizler yapabileceğiniz zor öngörüleri ortaya çıkarın.
Veri Görselleştirme ve Grafik Datamining 10 Öneri
• Veri görselleştirme, elde olan karmaşık bilgileri, bir bakışta anlaşılabilecek şekilde görsel unsurlar kullanarak sunmaktır.
• Bu uygulamaların etkin olarak gerçekleştirilmesi için dikkat edilmesi gereken 10 nokta…
1) Sistemden Bilgi Çekmeyi Kolaylaştırın
• Bir yerlerden veri çekmeden önce, nasıl bir Teknoloji kullanırsanız işiniz kolaylaşır bunu belirleyin.
• Basit bir yöntem EXCEL veya XML kullanmak olabilir.
• Daha sonra sistemlerden mümkün olduğunca o şekilde bilgi almaya çalışın.
• EXCEL ve XML sayesinde her türlü sistemden veri kabul edebilir hale gelirsiniz.
• SQL uygulamaları ile databaselerden EXCEL ve XML e veri aktarabilirsiniz.
• Hangi tekniği kullanırsanız kullanın bir şekilde çektiğiniz veriler güncel olsun.
• Veri çektiğiniz servislerin (Web Service vs) çalışır olmasını sağlayın.
• Ve en önemlisi: Gösterdiğiniz verilerin doğru olduğundan emin olun.
2) Çektiğiniz veriler güncel ve doğru olsun
3) Verilerin Mimarisi Önemli
• Çektiğiniz veri kütlesi karakter, faktör, nümerik, tarih, lojik gibi alan tiplerinde oluşabilir.
• Bunların kompozisyonu (mimarisi) önemlidir çünkü seçeceğiniz grafik tipini belirleyecektir.
• Veri kütlesinin mimarisi konusunda bilinçli olmak analizin başarısını etkileyecektir.
4) Öncelikle görselleştirmenin mantığını anlayın:
• Çizgi grafik ne türlü işe yarar? • Pasta grafik hangi durumlarda kullanılmalı? • Radar grafik hangi durumlarda kullanılmalı?• Balon grafikler nerede kullanılır?• Matrix grafikler ne zaman gerekir? V.s.• Bu kararları veri mimarisi etkileyecektir.
GRAFİK ÖRNEKLERİNE BAKIŞ
5) Görselleştirmeniz sade olsun:
• Veri görselleştirmenin amacı kullanıcıya basitçe etkili bilgilendirme yaparak bazı şeylere dikkati çekmektir.
• Karmaşık ilişkiler karmaşık tablolar gerektirebilir.
• Mesaj gerektiği kadar basit ve vurucu bir şekilde verilmeli.
• Daha fazlasını isteyen kullanıcılar için “İleri Düzey” diye bir seçenek sunulabilir.
6) Hızla Görüntüye Ulaşın.
• Geleneksel veri görselleştirme araçlarının aksine, Grafik Datamining ilgili bütün verileri interaktif olarak keşfetmenizi sağlarken – alt kümeleme veya örnekleme gerekmeden – belirgin şekilde hızlı öngörüler üretir.
• Size istediğiniz enformasyonu verecek en uygun grafik tipi ile görüntüye hızlı ulaşın.
7) Farklı grafik türlerini entegre etmeyi düşünün:
• Belki çok zaman harcayarak yapmaya çalıştığınız bir görselleştirmeyi tek grafikte çözebilirsiniz.
• Örneğin; çizgi grafik üzerinde balonlu görselleştirmeler, dünya haritası üzerinde renk geçişli görselleştirmeler…
• Faktörler ve nümerik değerler arasındaki etkileşmeyi gösteren Matris grafikler.
8) Görselleştirmeniz etkileşimli olsun:
• Örneğin, en çok satılan ürünleri gösteren bir pastada dilim tıklatılığında o dilimin şehir bazında ayrıntısını gösteren ikinci bir grafik canlanabilir.
• Yada, şehir nüfuslarını karşılaştırmalı gösteren bir çubuk grafikten şehri seçince başka bir çubuk grafikte ilçelerin karşılaştırmalı nüfusları görünebilir.
• Bu durum görselleştirmenize bir hareketlilik katar, katılımı sağlar. Yorumu teşvik eder.
9) Yazılımınız Interaktif Olsun
• Aynı veri seti üzerinde birden fazla analiz yapmak ve farklı grafik tiplerini denemek isteyebilirsiniz.
• Kullandığınız yazılım size bu olanağı sağlamalı.
• GD grafik çizme tekniği değildir. İleri istatistik analiz tekniklerini de uygulayabilmelisiniz.
10) Bilgileri yazdırmak isteyenleri unutmayın:
• Her ne kadar görselleştirmeyi insanların bilgisayarda bakıp görmesi için yapmış olsanız da kullanıcıların bu görselleştirmeyi kağıda yazdırmak isteyeceklerini unutmayın.
• Belki bir faturaya eklemek için belki bir toplantıda göstermek üzere yazdırmak isteyebilirler.
• Bu nedenle, görselleştirmenizin kağıda düzgün şekilde çıktığını kontrol edin.
Küçüközmen, C. C. and Çınar F., (2014). “Model l ing of Corporate Performance In Multi-Dimensional Complex Structured Organizations “CBBC” Management” , Submitted to the “2nd International Symposium on Chaos, Complexity and Leadership (ICCLS), December 17-19 at Middle East Technical University (METU), Ankara, Turkey.
Küçüközmen, C. C. ve Çınar F., (2014). “Finansal Karar Süreçlerinde Grafik-Datamining Analizi” , TROUGBI/DW SIG, Nisan 2014 İstanbul, http://www.troug.org/?p=684
Küçüközmen, C. C. ve Çınar F., (2014). “Görsel Veri Analizinde Devrim” Söyleşi, Ekonomik Çözüm, Temmuz 2014, http://ekonomik-cozum.com.tr/gorsel-veri-analizinde-devrim-mi.html.
Küçüközmen, C. C. ve Merih K., (2014). “Görsel Teknikler Çağı" Söyleşi, Ekonomik Çözüm, Temmuz 2014, http://ekonomik-cozum.com.tr/gorsel-teknikler-cagi.html
Küçüközmen, C. C. and Çınar F., (2014). “Banking Sector Analysis of Izmir Province: A Graphical Data Mining Approach” , Submitted to the 34th National Conference for Operations Research and Industrial Engineering (YAEM 2014), Görükle Campus of Uludağ University in Bursa, Turkey on 25-27 June 2014.
Küçüközmen, C. C. and Çınar F., (2014). “New Sectoral Incentive System and Credit Defaults: Graphic-Data Mining Analysis”, Submitted to the ICEF 2014 Conference, Yıldız Technical University in İstanbul, Turkey on 08-09 Sep. 2014.
Merih, K. ve Çınar, F., (2013). “Modell ing of Corporate Performance In Mult i-Dimensional Complex Structured Organizations: “Cbbc” Approach” , Submitted to the EconAnadolu 2013: Anadolu International Conference in Economics III June 19-21, 2013, Eskişehir. http://www.econanadolu.org/en/index.php/articles2013/3683http://www.sas.com/offices/europe/turkey/software/visual-analytics/data-visualization.html
Contact
@CORTEXIEN
@Riskonometri
@Riskonomi
@datanalitik
@Riskanalitigi
@RiskLabTurkey
@fatma_cinar_ftm
tr.linkedin.com/in/fatmacinar/
tr.linkedin.com/pub/kutlu-merih/9b/921/25a
tr.linkedin.com/in/coskunkucukozmen
http://www.ieu.edu.tr/tr
http://www.coskunkucukozmen.com
http://www.spk.gov.tr/
http://www.riskonomi.com
