Analist çoklu ekranda finansal verileri inceliyor

KURUMSAL ÇÖZÜMLER

BI-Driven AI: İş zekası birikimi üzerine yapay zeka

İş zekasının (BI) sağlam temeli, sektöre özel veri mühendisliği ve üretime hazır yapay zeka modelleri: tanısal, tahmine dayalı ve yönlendirici (Diagnostic, Predictive, Prescriptive).

Projenizi anlatın Yöntemi inceleyin

D-CAT AI METHOD

D-CAT AI Method: yedi aşamalı, disiplinli yöntem

Yapay zeka projeleri modelle değil, veriyle başlar. Her aşama bir öncekinin üzerine kurulur; hiçbir aşama atlanmaz.

01
Veri keşfi (Data Discovery)
Veri kaynaklarının envanteri, mevcut sistemlerin haritalanması ve veri kalitesi başlangıç seviyesi: hangi veri nerede, nasıl akıyor, ne kalitede?
02
Paydaş atölyesi (Stakeholder Workshop)
Sektör uzmanlarıyla hedef belirleme, iş sorularının netleştirilmesi ve başarı kriterleri: hangi soruya cevap arıyoruz?
03
Veri kalitesi ve hazırlığı (Data Quality & Preparation)
Veri temizleme, standardizasyon, eksik değerler ve aykırı değerlerin ele alınması. Veri hatalıysa model de hatalı olur; bu aşama kritiktir.
04
Öznitelik mühendisliği (Feature Engineering)
İç öznitelikler (sektörel iş verisi) ve dış öznitelikler (hava durumu, maç günleri, dini bayramlar, tatiller, okul takvimi), sektör bilgisiyle zenginleştirilir.
05
Model seçimi ve eğitimi (Model Selection & Training)
Probleme uygun model: LightGBM, XGBoost, zaman serisi modelleri ya da derin öğrenme. Temel modelden başlanır, adım adım iyileştirilir; hiperparametre ayarı yapılır.
06
Veri akışı tasarımı ve orkestrasyonu (Pipeline Design & Orchestration)
Üretime hazır yapay zeka veri akışı (pipeline) mimarisi: veri beslemeleri, toplu (batch) ya da gerçek zamanlı işleme, gözlemlenebilirlik, tekrarlanabilirlik ve MLOps iyi uygulamaları.
07
Devreye alma ve izleme (Deployment & Monitoring)
Üretime taşıma, model sürümleme, model sapması (drift) tespiti ve performans izleme. Ardından döngü başa döner: veri değişir, model güncellenir. Modelin canlıya çıkması başlangıçtır, son değil.

BI-Driven AI manifestosu

ÜÇ YAKLAŞIM

BI-Driven AI'ın üç yaklaşımı: tanısal, tahmine dayalı, yönlendirici

Ne oldu sorusunun ötesi: olası etkenleri analiz eden, geleceği tahminleyen ve seçenekleri karşılaştıran modeller.

Mühendis üretim hattında tablette verileri inceliyor

Tanısal

Tanısal yapay zeka (Diagnostic AI)

Olası etkenleri analiz eder

Yalnızca ne olduğunu gösteren raporların ötesinde, sapmanın arkasındaki olası etkenleri analiz eden modeller. Veri setindeki anormallikleri tespit eder, istatistiksel olarak anlamlı sinyalleri ortaya çıkarır, hipotez testlerini otomatikleştirir.

Teknoloji: Python, pandas, NumPy, SciPy, Isolation Forest, DBSCAN, Chi-square, ANOVA, Bootstrap, Prophet, STL.

Perakende: satış düşüşünde kategori, mağaza ya da kampanya bazında sapma tespiti ve olası etken analizi.
Promosyon: beklenmeyen kampanya sonuçlarında olası etkenlerin analizi.
Sağlık: operasyonel anomali tespiti; yatak doluluğu, bekleme süresi ve kaynak kullanımındaki sapmalar.
Kurumsal: KPI sapmalarında olası etkenlerin otomatik raporlanması, dashboard'lara entegre uyarılar.

Tahmine dayalı

Tahmine dayalı yapay zeka (Predictive AI)

Ne olabilir?

Trend, talep, risk ve davranış tahminleri. Sektör verisinden çıkarılan öznitelik mühendisliğiyle modeller işinizin gerçek dinamiklerine göre kurulur.

Teknoloji: LightGBM, XGBoost, Prophet, statsmodels, scikit-learn, PyTorch, MLflow, Darts.

Perakende: mağaza ve SKU bazında talep tahmini, stok optimizasyonu önerileri.
Promosyon: kampanya öncesi ROI ve etki tahmini.
Sağlık: hasta yoğunluğu ve yatak doluluğu projeksiyonu.
Kurumsal: operasyonel KPI'ların ileriye yönelik tahmini, sapma uyarıları.

Ürünleşmiş bir örnek: Tracta Promotion Intelligence

Yönlendirici

Yönlendirici yapay zeka (Prescriptive AI)

Hangi seçenek değerlendirilmeli?

Ne yapılmalı sorusuna karar desteği sunan modeller. Optimizasyon çözücüleriyle seçenekleri değerlendirir, senaryoları “ya şöyle olursa” (what-if) simülasyonuyla karşılaştırır; yapay zeka ajanlarıyla karar destek akışları kurar. Karar insanda kalır.

Teknoloji: Google OR-Tools, PuLP, CVXPY, SimPy, pekiştirmeli öğrenme (Reinforcement Learning), ajan orkestrasyonu.

Perakende: stok dağıtım optimizasyonu; hangi ürün, hangi mağazaya, ne kadar.
Promosyon: promosyon kombinasyonu optimizasyonu; hangi indirim setinin hangi kategoride daha iyi sonuç verebileceği.
Sağlık: operasyonel kaynak öneri sistemleri.
Kurumsal: what-if simülasyonlarıyla senaryo karşılaştırma, yapay zeka ajanlarıyla karar desteği.

NEDEN D-CAT

Neden D-CAT

Yapay zeka projesini, verinizi zaten tanıyan bir iş zekası ekibiyle kurun.

20 yıllık BI ve sektör derinliği

Finans, sağlık, perakende, üretim ve sigortada kurumsal verinin yapısına hâkim ekip. Sektöre özel öznitelikler, dış verilerle (hava durumu, bayramlar, maç günleri) zenginleştirilir.

Mevcut veri ambarınız üzerinde

331+ kurumsal müşteri, 9 sektör, 1.000+ proje. BI katmanında tanıdığımız veri, yapay zeka katmanına sıfırdan başlamadan taşınır.

Kurum içinde ya da bulutta

Kurulum modeline göre kurum içi (on-premise) ortamda ya da Azure ML, AWS SageMaker gibi bulut platformlarında çalışır.

Disiplinli yöntem, üretime hazır MLOps

Pilotta kalmayan projeler: model sürümleme, drift izleme, geri alma (rollback) ve CI/CD ile canlıya çıkar.

TEKNOLOJİ

Kullandığımız teknolojiler

Açık kaynak ağırlıklı, üretimde sınanmış ve tedarikçi bağımlılığından (vendor lock-in) uzak araçlar.

BI-Driven AI projelerinde kullanılan araçlar
Katman	Araçlar
Veri işleme	Python, pandas, Polars, Spark
ML çerçeveleri	scikit-learn, LightGBM, XGBoost, PyTorch
Zaman serisi	Prophet, statsmodels, Darts
Optimizasyon	Google OR-Tools, PuLP, CVXPY
MLOps	MLflow, DVC, Airflow, Kubeflow
Devreye alma	Docker, Kubernetes, Azure ML, AWS SageMaker
İzleme	Evidently AI, Great Expectations

Sık sorulan sorular

Bu sayfayla ilgili en sık gelen soruların kısa yanıtları.

BI-Driven AI hangi tür projeleri kapsar?

Tanısal (Diagnostic), tahmine dayalı (Predictive) ve yönlendirici (Prescriptive) yapay zeka projelerini; perakende, promosyon, sağlık ve kurumsal kullanım alanlarında.

Mevcut iş zekası altyapımız kullanılır mı?

Evet. Yapay zeka katmanı mevcut veri ambarınızın ve BI katmanında tanıdığımız verinin üzerine kurulur; veri, sıfırdan başlamadan yapay zeka katmanına taşınır.

Hangi araçlarla çalışıyorsunuz?

Açık kaynak ağırlıklı bir teknoloji seti: Python, pandas, scikit-learn, LightGBM, XGBoost, PyTorch, Prophet, Google OR-Tools, MLflow, Airflow, Docker, Kubernetes; bulutta Azure ML ve AWS SageMaker.

Model canlıya çıktıktan sonra ne olur?

Model sürümlenir, drift ve performans izlenir. Veri değiştikçe döngü başa döner ve model güncellenir.

Projenizi anlatın

Sektörünüze özel tanısal, tahmine dayalı ya da yönlendirici bir yapay zeka projeniz mi var? Veri yapınıza birlikte bakalım, en uygun yaklaşımı konuşalım.

Projenizi anlatın info@dcat.com.tr

BI-Driven AI: İş zekası birikimi üzerine yapay zeka

D-CAT AI Method: yedi aşamalı, disiplinli yöntem

Veri keşfi (Data Discovery)

Paydaş atölyesi (Stakeholder Workshop)

Veri kalitesi ve hazırlığı (Data Quality & Preparation)

Öznitelik mühendisliği (Feature Engineering)

Model seçimi ve eğitimi (Model Selection & Training)

Veri akışı tasarımı ve orkestrasyonu (Pipeline Design & Orchestration)

Devreye alma ve izleme (Deployment & Monitoring)