İş Zekası (BI) & Veri Ambarı Çözümü

Kurumsal veriden karar üretmek isteyen bir alıcı için bu yatırım; dağınık kaynaklardaki veriyi tek bir güvenilir modelde toplayıp KPI panoları ve self-service analitikle iş birimlerinin erişimine açmak demektir. Bu sayfa, bir teknik şartname hazırlamadan önce mimariyi, seçim kriterlerini ve bilinen tuzakları anlamak isteyen bilgi işlem ve veri ekipleri içindir.

Çözüm neyi kapsar?

Uçtan uca bir çözüm, veriyi kaynaktan panoya taşıyan bir boru hattıdır (pipeline). Katmanlar birbirini besler:

1. Kaynaklar — ERP, CRM, e-ticaret, üretim (MES), muhasebe, log ve dış veri (API, TÜİK vb.).
2. ETL / ELT — veriyi çıkarma, dönüştürme ve yükleme; temizleme, standardizasyon, tekilleştirme.
3. Veri ambarı — boyutsal modelle (star schema) düzenlenmiş, sorguya optimize merkezi depo.
4. Semantik katman — iş metrikleri (ciro, marj, churn) tek tanımla; tüm ekipler için tek gerçek kaynağı (single source of truth).
5. BI & görselleştirme — KPI panoları, raporlar, eşik uyarıları; self-service ve gömülü analitik.
6. AI destekli içgörü — anomali tespiti, tahminleme ve doğal dilde sorgu (NLQ).

Referans mimari ve depo seçenekleri

Depolama katmanının seçimi tüm mimariyi belirler. Aşağıdaki tablo, kurumsal alımlarda en çok karşılaştırılan üç yaklaşımı özetler:

Star schema: boyutsal modelleme

Veri ambarının kalbi boyutsal modeldir. Kimball yaklaşımında merkezde ölçümleri tutan fact (olgu) tablosu, çevresinde bağlamı tutan dimension (boyut)tabloları (zaman, ürün, müşteri, lokasyon) yer alır — buna star schema denir. Modelin en kritik kararı grain (tanecik) yani her fact satırının neyi temsil ettiğidir (ör. "bir satış kalemi" ya da "günlük mağaza cirosu"). Değişen boyut geçmişini yönetmek için SCD (Slowly Changing Dimension) Type 1/2 teknikleri kullanılır.

Basit bir boyutlandırma örneği: günde 50.000 satış kalemi × 365 gün × 3 yıl geçmiş ≈ 55 milyon fact satırı. Satır başına ~200 bayt ile ham veri ~11 GB; kolon-bazlı sıkıştırma (columnar) ile genelde 3-5 kat küçülür. Bu ölçek, doğru indeksleme ve bölümleme (partitioning) ile alt-saniye pano sorgularına imkan verir. (Rakamlar örnektir.)

Analitikte olgunluk: rapordan karara

Karar destek raporlama, geriye bakan bir rapordan ileriye dönük bir öneriye doğru olgunlaşır. Bir şartname yazarken kurumun hangi seviyeyi hedeflediğini netleştirmek, gereksiz maliyeti önler:

Teknik şartnamede dikkat edilecekler

• Standart & metodoloji: Boyutsal modelleme (Kimball) ya da kurumsal veri ambarı (Inmon) yaklaşımı; veri yönetişimi için DAMA-DMBOK; bilgi güvenliği için ISO/IEC 27001.
• Entegrasyon: Mevcut ERP/CRM ve veri tabanlarına hazır konnektör; açık arayüzler (ODBC/JDBC, REST, OData); kimlik için SSO/LDAP/SAML.
• Veri sahipliği & dışa aktarım (lock-in önlemi): Modelin ve verinin kuruma ait olması; açık formatta (SQL, Parquet/CSV) tam dışa aktarım; semantik katmanın taşınabilirliği. Tescilli formata hapsolmayın.
• SLA & performans: Pano yüklenme hedefi (ör. 3 saniye altı), veri tazeleme penceresi (freshness), ETL başarı oranı ve çalışma süresi (uptime).
• Güvenlik & mevzuat: Satır/sütun bazlı yetki, maskeleme, denetim izi; KVKK uyumu ve kişisel verinin yurt içinde tutulması; log içeren senaryolarda 5651.
• Veri kalitesi: Doğrulama kuralları, tekilleştirme, referans veri yönetimi ve ölçülebilir kalite metrikleri (eksiksizlik, tutarlılık).

Veri tazeleme SLA süresini net tanımlayın: gecikme = pano sorgu anı − verinin ambara işlendiği an. Toplu (batch) mimaride gecikme genelde 1-24 saat; near-real-time / CDC (Change Data Capture) ile dakikalar mertebesine iner. Gerçek zamanlı istemek maliyeti ciddi artırır; kararı iş biriminin gerçek tazelik ihtiyacına göre verin.

Seçim kriterleri

• Self-service olgunluğu: İş kullanıcısının kod yazmadan rapor/pano üretebilmesi; sürükle-bırak arayüz, hazır şablonlar.
• Ölçeklenebilirlik: Kullanıcı ve veri hacmi arttıkça performansın korunması; eş zamanlı kullanıcı (concurrency) testi.
• Lisanslama & TCO: Kullanıcı başına mı, kapasite/çekirdek başına mı? Görüntüleyen (viewer) ile üretici (creator) ayrımı toplam maliyeti belirler.
• Gömülü analitik: Panoların kurum portalına veya iş uygulamalarına iframe/API ile gömülebilmesi.
• AI yetenekleri: Doğal dilde sorgu, otomatik içgörü ve tahminleme; ancak açıklanabilirlik ve veri gizliliği şartıyla.

Örnek bir TCO kıyası: 200 görüntüleyen + 15 üretici için kullanıcı-başına modelde maliyetin büyük kısmını üretici lisansları oluşturur; çok sayıda görüntüleyende kapasite tabanlı model daha ekonomik olabilir. Lisans modelini kullanıcı profilinize göre değerlendirin. (Rakamlar örnektir.)

AI destekli içgörü ve self-service

Modern BI, panoyu pasif bir rapordan proaktif bir asistana dönüştürüyor: doğal dilde sorgu ile "geçen çeyrek en çok büyüyen bölge hangisi?" sorusuna hazır pano olmadan yanıt; otomatik anomali ve trend tespiti; müşteri segmentasyonu gibi ileri analitik senaryolar. Segmentasyonu AI ile müşteri segmentasyonu yazımızda uygulamalı ele alıyoruz. Bu yetenekleri kurgularken kişisel veride KVKK uyumunu ve model açıklanabilirliğini gözden kaçırmayın.

Mevcut veri kaynaklarınızı, raporlama ihtiyaçlarınızı ve tazelik/performans beklentinizi birlikte çıkarıp; boyutsal model taslağı, referans mimari ve ölçülebilir SLA maddeleri içeren bir şartname iskeleti hazırlayalım. Aşağıdaki formdan ihtiyacınızı iletmeniz yeterli.