İş Zekası, Veri Bilimi, Makine Öğrenmesi ve Daha Fazlası: Veri Analitiği Disiplinleri

Veri analitiği tanımını “verilerin toplanması, işlenmesi, anlaşılması ve kullanılması” şeklinde yapmıştık. Bu tanımı gerçekleştirmek üzere çalışan birçok farklı disiplin var. Bahsi geçen bu disiplinler ne birbirlerinin yerine geçebiliyor ne de birbirinden tam olarak ayrılabiliyor; dolayısıyla uygulamalarda birbirleri ile iç içe geçmiş olarak kullanılıyorlar. Biz 9 tanesini seçtik: 

1. Veri Bilimi: Verilerin toplanması, işlenmesi, modellemesi, analizi ve anlaşılması gibi aşamaların tümünü kapsayan disiplinler arası bir alandır. 
2. İş Zekası: Verilerin işletme amaçları ile ilgili olarak kullanılmasıdır. Veri analitiğinin kurumsal kullanımlara işaret eden alt koludur ve veri analitiği yöntemlerini işletme veya organizasyonlar için uygular.
3. Veri Analizi: Verilerin incelenmesi, anlaşılması ve sonuçların çıkarılması gibi aşamaları kapsayan bir disiplindir. Veri ile ilişkili tüm disiplinlerde, gizli ya da açık nihai amaç verinin "işe yarar" hale gelmesidir ve bu bağlamda veri analizi kritik roldedir.
4. Veri Mühendisliği: Verilerin toplanması, depolanması, işlenmesi ve yönetilmesi gibi aşamaları kapsayan bir disiplindir. Verilerin iş senaryolarını yansıtacak formata getirilmesine, düzenli olarak toplanmasına ve erişime açık kalmasına odaklanır.
5. Makine Öğrenmesi: Bilgisayar sistemlerinin verileri kullanarak belirli bir görevi yerine getirmek için algoritmaları ve istatistiksel modelleri kullanmayı öğrenmesidir. Bu, insan programcılar tarafından doğrudan kodlanan kurallar yerine, verileri kullanarak öğrenme yeteneği kazanan algoritmaların geliştirilmesi anlamına gelir. 
6. Yapay Zeka: İnsan benzeri düşünce ve çözümleme yeteneği oluşturmayı amaçlayan bir alandır. Bu alan, insan düşüncesi, öğrenme, problem çözme, karar verme, dil anlama ve algılama gibi zekanın çeşitli yönlerini taklit etmek için algoritmalar ve çeşitli teknolojileri kullanır. Bu bağlamda, yapay zeka; makine öğrenmesi ve veri bilimi pratiklerinden yararlanır.
7. Büyük Veri: Çok miktarda ve farklı biçimlerdeki verilerin depolanması, işlenmesi ve analizi için kullanılan bir kavramdır. Büyük veri, özellikle veri mühendisliği ve makine öğrenmesi ile yakından ilgilidir, büyük verinin yönetimi ve büyük veride kullanılan makine öğrenmesi algoritmaları farklı gereklilikler içerdiğinden bu disiplinler birbirinden beslenir.
8. Dijitalleşme: Endüstrilerin ve toplumların dijital teknolojilere uyum sağlaması olarak tanımlanır. Dijitalleşme, tutulan veri hacminin artmasını sağlar ve dijitalleşen süreçlerden beklenti bu verilerden maksimum şekilde faydalanılmasıdır. Dolayısıyla, veri analitiği, yapay zeka, makine öğrenmesi ve diğer disiplinler dijitalleşme sürecinde önemli rol oynar.
9. IoT (Nesnelerin İnterneti): Fiziksel nesneler ile belirlenen ya da ölçülen verilerin internet bağlantısı sayesinde toplanması, işlenmesi ve analizi olarak tanımlanır. Veri analitiği, makine öğrenmesi ve diğer disiplinler IoT verilerinin düzenlenmesi, iş süreçleri ile ilişkili şekilde kaydedilmesi ve anlaşılması için kullanılabilir.

Bu tanımlardan da anlaşıldığı üzere, veri analitiği disiplinleri arasında keskin sınırlar bulunmaz ve bütün ayrımlar aynı seviyede de değildir. Bazı farklılıklar içerik ile ilgilidir, bazıları yöntem ile, bazıları kullanım alanı ile… Dolayısıyla mükemmel bir gruplandırma yapmaktansa; bu tanımların her birinin ne işe yaradığını öğrenip, onların bir karmasını kullanarak veriden anlam ve yarar çıkartmaya odaklanmak en iyi çözüm olabilir.

Bir sonraki yazımız bir proje senaryosunun nasıl tüm bu disiplinlere dokunabileceğini örnekliyor!