Veri Analizi Nedir?

Veri analizi, şirketlerin daha fazla görünürlük elde etmesine ve süreçleri ile hizmetlerine yönelik daha derin bir anlayış geliştirmesine yardımcı olur. Müşteri deneyimi ve müşteri sorunlarına yönelik olarak şirketlere ayrıntılı öngörüler sunar. Şirketler, öngörüleri eylemle birleştirmek için paradigmayı verilerin ötesine taşıyarak, kişiselleştirilmiş müşteri deneyimleri oluşturabilir, ilgili dijital ürünler inşa edebilir, operasyonları optimize edebilir ve çalışan üretkenliğini artırabilir.

Büyük veri analizi, herhangi bir büyük veri kümesini analiz etmek için beş adımı izler: 

1. Veri toplama
2. Veri depolama
3. Veri işleme
4. Veri temizleme
5. Veri analizi

Veri toplama

Bu veri kaynaklarını saptama ve bunlardan veri toplama işlemlerini içerir. Veri toplama ETL veya ELT süreçlerini takip eder.

ETL - Ayıklama Dönüştürme Yükleme

ETL'de, oluşturulan veriler öncelikle standart bir biçime dönüştürülür ve ardından depolama alanına yüklenir.

ELT - Ayıklama Yükleme Dönüştürme

ELT'de veriler, öncelikle depolama alanına yüklenir ve ardından gerekli olan biçime dönüştürülür.

Veri Depolama Alanı

Karmaşıklık düzeylerine göre veriler, bulut veri ambarları veya veri gölleri gibi depolama alanlarına taşınabilir. İhtiyaç olduğunda iş zekâsı araçları bu verilere erişebilir.

Veri gölleri ve veri ambarları

Veri ambarı, işlem tabanlı sistemlerden ve iş uygulamalarından gelen ilişkisel verileri analiz etmek için optimize edilmiş bir veri tabanıdır. Veri yapısı ve şeması, hızlı aramaya ve raporlamaya yönelik optimizasyon için önceden tanımlanır. Kullanıcıların güvenebileceği "tek bir gerçek kaynak" olarak işlev görmesi için veriler temizlenir, zenginleştirilir ve dönüştürülür. Veri örnekleri arasında müşteri profilleri ve ürün bilgileri bulunur.

Veri gölü, herhangi bir ayrıntılı işlem olmaksızın hem yapılandırılmış hem de yapılandırılmamış verileri depolayabilmesi yönünden farklıdır. Verilerin veya şemanın yapısı, veri yakalandığında tanımlanmaz. Böylece tüm verilerinizi dikkatli tasarım olmadan depolayabilirsiniz ve bu işlev, özellikle verinin gelecekte nasıl kullanılacağının bilinmediği durumlarda kullanışlıdır. Veri örnekleri arasında sosyal medya içerikleri, IoT cihaz verileri ve mobil uygulamalardan elde edilen ilişkisel olmayan veriler bulunur.

Kuruluşlar, veri analizi için tipik olarak hem veri göllerine hem de veri ambarlarına ihtiyaç duyar. AWS Lake Formation ve Amazon Redshift, veri depolama alanı ihtiyaçlarınızı karşılayabilir.

Veri işleme

Veriler mevcut olduğunda, analiz sorgularından doğru yanıtlar elde etmek için verilerin dönüştürülüp düzenlenmesi gerekir. Bunu yapmak için farklı veri işleme seçenekleri mevcuttur. Yaklaşım seçimi, veri işleme için kullanıma sunulan hesaplama ve analiz kaynaklarına bağlıdır.

Merkezi işleme 

İşleme sürecinin tamamı, tüm verileri barındıran özel bir merkezi sunucu üzerinde gerçekleşir.

Dağıtılmış işleme 

Veriler farklı sunucular üzerinde dağıtılır ve depolanır.

Toplu işleme 

Veri parçaları zaman içinde birikir ve toplu hâlde işlenir.

Gerçek zamanlı işleme

Veriler sürekli olarak işlenir ve hesaplama görevleri saniyeler içinde tamamlanır. 

Veri temizleme

Veri temizleme; kopyalar, tutarsızlıklar, gereksiz veriler veya yanlış biçimler gibi tüm hatalar için veri silme işlemini içerir.  Ayrıca, analiz için istenmeyen tüm verilerin filtrelenerek çıkarılmasında da kullanılır.

Veri Analizi

Bu adımda ham veriler, eyleme geçirilebilir öngörülere dönüştürülür. Dört tür veri analizi bulunur:

1. Açıklayıcı Analiz

Veri bilimciler, geçmişte veya mevcut durumda veri ortamında neler olduğunu anlamak için verileri analiz eder. Karakteristik özelliği; pasta grafikleri, çubuk grafikleri, çizgi grafikleri, tablolar gibi veri görselleştirmeleri veya oluşturulmuş açıklamalar içermesidir.

2. Tanısal Analiz

Tanısal analiz, bir şeyin neden gerçekleştiğini anlamak için yapılan derinlemesine veya ayrıntılı veri analizi sürecidir. Karakteristik özelliği; ayrıntılara inme, veri keşfi, veri madenciliği ve bağıntılar gibi tekniklerdir. Bu tekniklerin her birinde, ham verilerin analiz edilmesi için birden çok veri operasyonu ve dönüştürme işlemi kullanılmaktadır.

3. Tahmine dayalı analiz

Tahmine dayalı analiz, gelecekteki trendler hakkında doğru tahminler yapmak için geçmiş verileri kullanır. Karakteristik özelliği; makine öğrenimi, tahminde bulunma, düzen eşleştirme ve tahmine dayalı modelleme gibi tekniklerdir. Bu tekniklerin her birinde, bilgisayarlar verilerdeki nedensellik bağlantılarına ters mühendislik uygulamak üzere eğitilir.

4. Kuralcı Analiz

Kuralcı analiz, tahmine dayalı verileri bir üst seviyeye çıkarır. Sadece gerçekleşmesi olası sonucu tahmin etmekle kalmayarak bu sonuç için ideal yanıtı da önerir. Farklı seçimlerin getirebileceği potansiyel sonuçları analiz edebilir ve en iyi eylem tarzını önerebilir. Karakteristik özelliği; grafik analizi, simülasyon, karmaşık olay işleme süreçleri, sinir ağları ve öneri altyapılarıdır.

Evet, veri analistleri süreçleri otomatikleştirip optimize edebilir. Otomatikleştirilmiş veri analizi, analiz görevlerini çok az veya sıfır insan müdahalesi ile gerçekleştirmek için bilgisayar sistemlerini kullanma uygulamasıdır. Bu mekanizmalar karmaşıklık açısından farklılık gösterir ve basit betikler veya kod satırlarından veri modelleme, özellik keşfi ve istatistiksel analiz gerçekleştiren veri analizi araçlarına kadar uzanır. 

Örneğin, bir siber güvenlik şirketi geniş web etkinliği alanlarından veri toplamak için otomasyonu kullanabilir, daha ayrıntılı analiz yürütebilir ve ardından sonuçları sergileyip iş kararlarını desteklemek üzere veri görselleştirmeyi kullanabilir.

İşletmeler istatistik, nicel veriler ve birden çok müşteriye dönük ve dahili kanaldan bilgi toplar. Ancak temel öngörüler elde etmek için şaşırtıcı miktarda verinin dikkatli analizi gereklidir. Bu yüksek beceri gerektirir. Veri analizi ve veri biliminin bir işletmeye nasıl değer katabileceğine dair bazı örneklere göz atın.

Veri analizi, müşteri öngörülerini iyileştirir

Veri analizi, aşağıdakiler gibi çeşitli müşteri veri kaynaklarından alınan veri kümeleri üzerinde yürütülebilir:

• Üçüncü taraf müşteri anketleri
• Müşteri satın alma günlükleri
• Sosyal medya etkinliği
• Bilgisayar çerezleri
• Web sitesi veya uygulama istatistiği

Analiz; müşteri tercihleri, bir web sitesindeki popüler sayfalar, müşterilerin gezinirken harcadıkları zaman, müşteri geri bildirimi ve web sitesi formlarıyla etkileşim gibi gizli bilgileri ortaya çıkarabilir. Bu, işletmelerin müşteri ihtiyaçlarına verimli şekilde yanıt vermesine ve müşteri memnuniyetini artırmasına olanak tanır.

Örnek olay incelemesi: Nextdoor, müşteri deneyimini iyileştirmek için veri analizini nasıl kullandı?

Nextdoor; güvenilen bağlantıların yanı sıra faydalı bilgi, ürün ve hizmetlerin alışverişi için topluluk merkezidir. Yerel topluluğun gücünü kullanan Nextdoor, insanların daha mutlu ve daha anlamlı hayatlar yaşamasına yardımcı olmaktadır. 

Nextdoor, müşteri etkileşimini ve önerilerinin etkililiğini ölçmek için Amazon Analiz Çözümlerini kullandı. Veri analizi, Nextdoor'un daha iyi bağlantılar kurmaları ve daha alakalı içerikleri gerçek zamanlı olarak görüntülemeleri için müşterilere yardımcı olmasını sağladı.

Veri analizi, etkili pazarlama kampanyaları için bilgi sağlar 

Veri analizi; pazarlama, ürün geliştirme, içerik oluşturma ve müşteri hizmetlerinde tahminde bulunma iş yükünü ortadan kaldırır. Şirketlerin hedeflenmiş içerikler sunmasına ve gerçek zamanlı verileri analiz ederek bunları hassas şekilde ayarlamasına imkan tanır. 

Veri analizi ayrıca pazarlama kampanyalarının nasıl performans gösterdiğine ilişkin değerli öngörüler de sunar. Gerçek zamanlı analize dayalı olarak hedeflemeye, mesaja ve reklamlara küçük çaplı düzeltmeler uygulanabilir. Analizler, pazarlamayı daha fazla dönüşüm ve daha az reklam atığı için optimize edebilir.

Örnek olay incelemesi: Zynga, pazarlama kampanyalarını iyileştirmek için veri analizini nasıl kullandı?

Zynga; Words With Friends, Zynga Poker ve FarmVille gibi popüler oyunlarıyla dünyanın en başarılı mobil oyun şirketlerinden biridir. Bu oyunlar, dünya çapında bir milyardan fazla oyuncu tarafından yüklenmiştir. 

Zynga'nın gelirleri, uygulama içinde yapılan satın alma işlemlerinden geliyor. Bu nedenle, daha etkili oyun içi pazarlama kampanyaları planlamak üzere Amazon Kinesis'i kullanarak gerçek zamanlı oyun içi oyuncu eylemlerini analiz ediyorlar.

Veri analizi, operasyonel verimliliği artırır

Veri analizi, şirketlerin süreçlerini kolaylaştırmasına, kayıplarını azaltmasına ve geliri artırmasına yardımcı olabilir. Tahmine dayalı bakım planlamaları, optimize edilmiş personel görev listeleri, verimli tedarik zinciri yönetimi iş performansının katlanarak artmasını sağlayabilir.

Örnek olay incelemesi: BT Group, operasyonları kolaylaştırmak için veri analizini nasıl kullandı?

Birleşik Krallık'ın lider telekomünikasyon ve ağ hizmetleri firması olan BT Group, 180 ülkede müşterilere hizmet veriyor. BT Group'un ağ desteği ekibi, kendi ağları üzerinden Birleşik Krallık genelinde yapılan çağrılara yönelik gerçek zamanlı bir görünüm elde etmek için Amazon Kinesis Veri Analizi'ni kullandı. Ağ desteği mühendisleri ve hata analistleri, ağdaki sorunları saptamak, bunlara yanıt vermek ve bunları başarılı şekilde çözmek içi bu sistemi kullanır.