İŞL209U-İŞLETME BİLGİ SİSTEMLERİ
Ünite 4: Veri Yönetimi ve İş Zekâsı
Veri Kavramı
Bilgi çağının en geniş hareket alanı olan internetin kullanımına paralel olarak gelişen bilgi teknolojileri ve mobil cihazlar, dijital verinin üretim ve paylaşım hızını saniyenin binde biri ile ifade edilen rakamlara çekerek yeni bir dijital yaşam kültürünün gelişmesine olanak sağlamıştır.
Bilgi çağının en geniş hareket alanı olan internetin kullanımına paralel olarak gelişen bilgi teknolojileri ve mobil cihazlar, dijital verinin üretim ve paylaşım hızını saniyenin binde biri ile ifade edilen rakamlara çekerek yeni bir dijital yaşam kültürünün gelişmesine olanak sağlamıştır.
Kelime olarak Latincede vermek anlamına gelen dare fiilinin geçmiş zaman çekimi olan datum’dan türetilmiş olan veri deney, gözlem, araştırma, işlem ve deneyim sonucunda elde edilen, nicelik ya da nitelik belirten yapılardır. Çoğu zaman ham, işlenmemiş enformasyon parçacığı olarak da tanımlanır. Ölçüm, sayım ya da derleme yoluyla elde edilen sayısal değerler nicel, bunun dışında kalanlar ise nitel veri olarak adlandırılır.
Elle ya da çoğunlukla bilgisayar aracılığıyla işlenip enformasyona (information), bilgiye (knowledge) ya da bilgeliğe (wisdom) dönüştürüldüğünde anlam kazanır. Bu süreç, DIKW (Data-Information-Knowledge-Wisdom) piramidiyle tasvir edilir (s:95, Şekil 4.1). DIKW Piramidine göre bilgeliğe giden yol verinin oluşmasıyla başlar. Veri (data), belirli bir olguyu nitelendirmek için kullanılan anlamlandırılmamış bir değerdir. Veriden bir enformasyon (information) elde etmiş oluruz. Aslında gündelik ve iş hayatında veri olarak isimlendirdiğimiz; kitaplarda, dergilerde ve sosyal medyada karşımıza çıkan hemen hemen her şey verinin biçim kazanmış yani enformasyona dönüştürülmüş halidir. Piramitte enformasyondan sonra gelen basamak bilgi (knowledge)’dir. Bilgi, enformasyonun bireysel ya da kurumsal deneyimlerle harmanlanmış, önyargılarla işlenmiş ve farklı kaynaklardan beslenerek özümsenmiş yeni biçimidir. Piramidin en üstünde bilgelik (wisdom) yer alır. Verinin dönüşüm sürecinin bu son aşamasında bilgi, akıl süzgecinden geçirilerek bir öngörüye dönüştürülür.
Veriyi Ölçümlemek
Verinin özü, ölçmeye dayanır. En genel haliyle ölçü, verilerin belli ilkeler çerçevesinde sembollere ya da sayılara dönüştürülme işlemidir. Ölçme işlemi, farklı türde ölçü skalaları kullanılarak gerçekleştirilir. Ölçü skalası kavramı ilk olarak 1946 yılında psikolog Stanley Smith Stevens tarafından ortaya atılmıştır (Stevens, 1946). Stevens, bilimsel olarak bütün ölçülerin
• İsimsel (Nominal), • Sıralı (Ordinal), • Aralıklı (Interval) • Oransal (Ratio)
olmak üzere dört farklı skalada (ölçekte) sınıflandırılmasını önermiştir.
Dijital Veri Tipleri
Ölçü skalalarından farklı olarak bilgisayar sistemlerinde dijital verilerin yapılandırılması, saklanması ve işlenmesi için veri tiplerinden faydalanılır. Sayı, metin, tarih, saat ve para gibi her türlü değer, dijital ortamlarda benzer özelliklere sahip veri tipleri aracılığıyla kullanılır. Özellikle veritabanları oluştururken hangi verinin, hangi veri tipi kullanılarak saklanacağının belirlenmesi gerekir. Eğer veri sayısal bir değere sahip ise sayısal veri tiplerinden uygun değer aralığında olanı seçilmelidir. Değer aralığı, veri tipleri tanımlarken dikkat edilmesi gereken önemli noktalardan biridir. Veritabanlarının dosya boyutunun gereğinden fazla artmaması için, veri tipi en uygun değer aralığına göre tanımlanmalıdır. Çünkü değer aralığı arttıkça, veriyi saklamak için gerekli bellek alanı da artacaktır. Kullanılan veritabanı yönetim sisteminin ya da programlama dilinin yapısına ve söz dizimine göre isimleri ve bellekte kapladıkları alanlar farklılık gösterse de genellikle dijital veri tipleri;
• Sayısal, • Metinsel, • Zamansal
olmak üzere üç farklı gruba ayrıştırılarak ele alınır.
Bilgisayar açısından dijital verilerin okunabilirliği yapılandırılmış, yapılandırılmamış ve yarı yapılandırılmış olmak üzere üç başlık altında sınıflandırılır.
Temel Veri Kaynakları
Hangi tipte olursa olsun dijital verilerin işlenebilmesi için bilgisayar sistemlerine kayıt edilmeleri gerekir. Bireysel ve kurumsal alanlarda bilgisayarların kullanılmaya başlandığı ilk dönemlerde dijital veriler, çoğunlukla, basılı belgelerin teker teker bilgisayara girilmesiyle oluşturuluyordu. İlerleyen dönemlerde tarayıcı ve barkod okuyucu gibi donanımların ve optik karakter tanıma (OCR) gibi yazılım teknolojilerinin ortaya çıkmasıyla basılı belgelerin dijitalleştirilmesi kolaylaştı.
Veriler pek çok farklı kaynaktan pek çok farklı biçimde elde edilebilir: Sosyal ağlardaki kullanıcı profilleri, e- ticaret uygulamalarındaki alış-veriş tercihleri, kurum içi ve kurumlar arası elektronik belge yönetim sistemlerinde dolaşan yazışmalar ya da e-devlet uygulamalarındaki kayıtlar gibi hepsi dijital veri yığınlarını besleyen birer kaynaktır. Veriler; kişisel, işlem, web, sensör ve bilimsel kaynaklı olabilir.
Veri Yönetimi
Veri yönetimi; verinin güvenli, verimli ve uygun maliyetli bir şekilde toplanması, saklanması ve kullanılması bağlamında gerçekleştirilen tüm etkinlikleri kapsar. Veri yönetiminin amacı bireylerin, işletmelerin ya da kurumların veriye yönelik tüm ihtiyaçlarını etik sınırlar çerçevesinde optimize edebilmelerine yardımcı olmaktır.
Veri yönetimiyle işletmeler, kendilerine en yüksek faydayı sağlayacak kararları daha net öngörülerle hayata geçirebilme imkânına sahip olurlar.
Çok çeşitli görevler, politikalar, yöntemler, araçlar ve uygulamalar gerektiren veri yönetiminin genel kapsamı şu şekilde özetlenebilir:
• Yerel ya da bulut tabanlı veri yönetim sistemleri kurmak • Yüksek erişilebilirlik için gerekli altyapıyı tesis etmek • Veri oluşturma, erişim ve düzenleme süreçlerini yönetmek • Veri analitikleri ve algoritmaları geliştirmek • Veri gizliliğini ve güvenliğini sağlamak • Yasal yükümlülükler uyarınca verileri arşivlemek ve imha etmek • Olağanüstü durum senaryoları oluşturmak ve gerekli durumlarda işletilmelerini sağlamaktır.
İşletmeler açısından veri yönetimi, iyi planlanması gereken zorlu bir süreçtir. İşletmelerin yönetmesi gereken verinin çeşitliliği, hızı ve hacmi günden güne büyürken bu duruma ayak uydurabilmeyi sağlayacak etkili veri yönetim araçlarını bulmak da zorlaşmaktadır.
İşletmeler için veri; yeni eğilimleri keşfetmek, doğru kararlar almak ve rakiplerden önce harekete geçmek için kullanılabilecek en önemli katma değerdir. Verinin değer zincirindeki konumu, başarıyı hedefleyen işletmeleri daha etkin bir veri yönetimine doğru itmektedir.
Veri Yönetim Yaklaşımları
Bilgisayarların iş süreçlerinde kullanılmaya başlandığı ilk dönemlerde dijital verilerin oluşturulması, düzenlenmesi ve saklanması için benimsenen en temel yaklaşım; işletmeye ait belgelerin, formların veya kayıtların ayrı dosyalarda arşivlenmesiydi. Dosya tabanlı sistem olarak isimlendirilen bu geleneksel yaklaşımda işletme verileri, çoğunlukla, ilgili departman (muhasebe, insan kaynakları, satın alma vb.) tarafından zaman, işlem türü veya bölge gibi farklı kriterlere göre indekslenerek saklanır. Verilerin yönetimi, manuel olarak veya ilgili departmanların ihtiyaçlarına özgü olarak geliştirilen birbirinden bağımsız çalışan uygulama yazılımları aracılığıyla gerçekleştirilir. Maliyetsiz ve kullanımı kolay olmasına karşın dosya tabanlı yaklaşımda;
• Veri tekrarlarının çok fazla olması, • Veri bütünlüğünün sağlanamaması, • Veri paylaşımının zorluğu, • Veriler üzerinde arama, filtreleme ve sorgulama gibi işlemlerin yapılamaması
veri yönetiminde yeni yaklaşımların geliştirilmesini zorunlu kılmıştır.
Veritabanı
Veri yönetim süreçlerinin en temel bileşeni olan veritabanı (database), özetle, bilgisayar sistemlerinde
düzenli bir şekilde verileri depolayabilmek amacıyla geliştirilmiş bir elektronik dosya formatı olarak tanımlanabilir. Diğer dosya türlerinden farklı olarak veritabanları, düzenli bir biçimde indekslenmiş farklı tipteki yapılandırılmış, yapılandırılmamış ve yarı- yapılandırılmış verileri depolayabilmek için özelleştirilmiştir. Veritabanları, depolamanın yanı sıra sorgulama, filtreleme, sıralama, silme ve düzenleme gibi her türlü veri odaklı işlemin hızlı ve kolay bir biçimde gerçekleştirilebilmesini mümkün kılar.
Veritabanı Yönetim Sistemleri
Yeni veritabanları oluşturmak, var olan veritabanlarına erişmek ve düzenlemek için Veritabanı Yönetim Sistemleri (DBMS – Database Management System) olarak adlandırılan yazılımlardan faydalanılır. Veritabanı yönetim sistemi, veritabanıyla kullanıcılar ya da uygulama yazılımları arasında bir arayüz işlevi görür.
Günümüzde ise bulut ve otonom veritabanları, veri yönetimi konusunda yeni bir dönüşüme öncülük etmektedir. Microsoft Access, LibreOffice Base, Zoho Creator, Microsoft SQL Server, MySQL, MongoDB, Oracle Database, dBASE ve SQLite günümüzün popüler veritabanı yönetim sistemlerine örnek olarak gösterilebilir.
Günümüzde yaygın kullanılan veritabanı yönetim sistemleri, çalışma biçimleri ve sundukları özellikler bağlamında İlişkisel, Nesne Yönelimli, NoSQL, Bulut ve Otonom şeklinde sınıflandırılabilir.
İlişkisel (Relational) Veritabanı Yönetim Sistemleri: İlişkisel veritabanı yönetim sistemleri, özellikle, yapılandırılmış verileri yönetmek amacıyla tasarlanmış yazılımlardır. İlişkisel veritabanlarında veriler, satır ve sütunlardan oluşan tablo isimli veri matrislerinde saklanır. İlişkisel veritabanlarını tasarlamak ve yönetmek için ya- pılandırılmış sorgu dili SQL kullanılır. 1978 yılında IBM bünyesinde geliştirilen SQL; veriyi sorgulamak, manipüle etmek ve tanımlamak üzere geliştirilmiş bir programlama dilidir. C, C# ve Java gibi programlama dillerinden farklı olarak sadece veritabanı yönetim sistemlerinde çalışacak şekilde tasarlanmıştır.
Nesne Yönelimli Veritabanı Yönetim Sistemleri: İlişkisel modelden farklı olarak nesne yönelimli veritabanı yönetim sistemlerinde veriler, tablolar yerine nesneler biçiminde saklanır. Bu tür veritabanlarında tablo, satır, sütun, ilişki, anahtar ve indeks gibi kavramların yerini nesne, sınıf, özellik ve kalıtım gibi nesne-yönelimine özgü kavramları alır. C++, Java ve C# gibi nesne yönelimli programlama dillerinin yeteneklerini veritabanı yönetim sistemlerine taşımak amacıyla geliştirilmiş bir modeldir.
NoSQL Veritabanı Yönetim Sistemleri: İlişkisel veritabanı yönetim sistemlerinin aksine NoSQL, yapılandırılmamış veya yarı yapılandırılmış verilerin depolanmasına ve yönetilmesine olanak sağlar. NoSQL veritabanı yönetim sistemleri, büyük veri yaklaşımıyla birlikte son dönemlerde popülerlik kazanmıştır. Günümüzde NoSQL veritabanları kendi içinde dört farklı
türe ayrılmaktadır: (1) Belge Veritabanları (2) Anahtar(Key)/Değer(Value) Veritabanları (3) Geniş Sütun Depoları(Wide-column Stores) (4) Grafik veritabanlarıdır.
Bulut Veritabanı Yönetim Sistemleri: Bulut bilişim altyapısıyla, yapılandırılmış veya yapılandırılmamış verileri yönetmek için tasarlanmış veritabanlarıdır. Günümüzde bulut veritabanları, geleneksel ve servis tabanlı olmak üzere iki farklı yaklaşım çerçevesinde yapılandırılmaktadır.
Otonom Veritabanı Yönetim Sistemleri: Çok yeni bir teknoloji olan ve kendi kendini yönetebilen otonom veritabanları; makine öğreniminden yararlanarak veritabanı yöneticileri tarafından gerçekleştirilen ince ayar, güvenlik, yedekleme ve güncelleme gibi görevleri otomatikleştirebilmektedir. Oracle Autonomous Database bu türün ilk örneklerden biridir.
Veri Bilimi
Veri bilimi, verilerden değer elde etmek üzere bilimsel yöntemleri, süreçleri, algoritmaları ve sistemleri kullanan disiplinler arası bir alandır (Oracle, 2020b). Veri bilimi, işletmelerin daha iyi kararlar almasını mümkün kılacak bilgi tabanını oluşturmayı hedefler. Geleceğe dönük yenilikçi öngörüler geliştirilmesine destek olur. Kuşkusuz veri, inovasyonun temel taşıdır ama değerini veri biliminden elde edilen bilgilerden ve bu bilgiler bağlamında gerçekleştirilen eylemlerden alır.
Veri bilimi çerçevesinde çalışmalar yapan kişiler genel olarak veri bilimci ya da veri uzmanı adıyla anılmaktadır.
Veri uzmanları çoğunlukla tek başına değil, bir ekip hâlinde çalışır. Genelde bir veri yönetim ekibi; veri uzmanına ek olarak sorunu tanımlayan bir iş analistinden, verilere erişmek için gerekli yöntemleri hazırlayan bir veri mühendisinden ve analiz çıktılarını uygulama yazılımlarına dağıtan bir yazılım geliştiriciden oluşur. Bir veri yönetimi projesinde çalışma ekibi, planlama, hazırlama, sindirme, keşfetme, modelleme ve dağıtma aşamalarını takip eder.
Veri Yönetim İlkeleri ve Veri Gizliliği
Günümüzün dijital dünyasında kişisel veriler, farklı platformlarda kolaylıkla toplanabilmektedir.
Kişisel verilerin toplanmasını şart koşan ürün ve hizmet sağlayıcılar, son kullanıcılara bazı kolaylıklar ve avantajlar sağlasa da bu durum özel verilerin istismar edilme riskini de beraberinde getirmektedir. Bu nedenle, kişisel verilerin korunmasını sağlayacak hukuki bir altyapının oluşturulması dünya genelinde bir zorunluluk hâline gelmiştir.
Türkiye’de 2016 yılında yürürlüğe konan 6698 sayılı Kişisel Verilerin Korunumu Kanunu, Avrupa Birliği’nde 2018 yılında yürürlüğe konan Genel Veri Koruma Yönetmeliği (GDPR) ve ABD’de yürürlükte olan California Tüketici Gizlilik Yasası (CCPA) kişisel verilerin korunması amacıyla tasarlanmış hukuki veri
yönetim ilkelerine örnek olarak verilebilir. Kişisel verilerin korunumunu ihlal eden herhangi bir durum karşısında bireyler, hukuki bir taraf hâline gelir ve yasal yollarla haklarını arayabilme imkânına sahip olur.
İş Zekâsı
Günümüz iş dünyasında işletmeler, veriler tarafından -ya da daha doğrusu verilerden süzülen bilgiler tarafından- yönlendirilmektedir.
Farklı kaynaklardan beslenen bir veri yönetimi stratejisi geliştirerek güncel verileri izlemek ve analiz etmek; iş süreçlerinin her aşamasının daha iyi anlaşılabilmesine, olası sorunların tespitine ve hatta daha sorun yaşanmadan önlem alınabilmesine olanak sağlar.
Etkili bir veri yönetimi, işletmeleri meydana getiren bileşenlerin performansını takip etmek için de pek çok eşsiz yöntem sunar. Boşa harcanan paradan ve zamandan tasarruf ederek iş süreçlerinin iyileştirilmesine yardımcı olur. Kaynak israfının tespit edilebilmesine ve gerekli önlemlerin alınabilmesine imkân verir.
Verinin işletmelere sağlayacağı en önemli artılardan biri de tüketici davranışlarının anlamlandırılmasıdır. Günümüz dünyasında veri, işletmelerin müşterilerini ve pazarı anlayabilmelerinin yegâne anahtarıdır.
İş zekâsı (Business Intelligence – BI) kavramı ilk olarak 1958 yılında, o dönemlerde IBM bünyesinde çalışmalar yürüten Hans Peter Luhn tarafından “İstenen bir hedefe ulaşmak için mevcut bilgiler arasındaki ilişkileri anlamlandırma yeteneği” olarak tanımlanmıştır (Luhn, 1958).
Günümüzde iş zekâsı; işletmelerin veri odaklı yönetimini sağlamak üzere özelleştirilmiş tüm stratejileri ve teknolojileri içermektedir. Büyük veri, makine öğrenmesi, yapay zekâ ve veri bilimi gibi pek çok teknik, iş zekâsı uygulamaları kapsamında işe koşulur. Geleneksel veri analiz yaklaşımlarına kıyasla iş zekâsının ön önemli farklarından biri, karar vericilerin, işletme bilgi tabanındaki değişimleri anlık olarak takip edebilmesidir.
İş zekâsı kapsamında, veriden bilgi üretme süresi veri entegrasyonu ile başlar. Bu süreçte farklı kaynaklardan gelen veriler, tek bir merkezde birleştirilir.
Veri depolama süreci, farklı kaynaklardan derlenen verilerin merkezi bir veri yönetim sisteminde birleştirilmesi için gerekli tüm teknikleri ve araçları kapsar. İş zekâsı uygulamalarında çoğunlukla analitik sorguları daha performanslı çalıştırmak üzerine özelleştirilmiş veri ambarı isimli veri yönetim sistemleri tercih edilir.
İş zekâsı uygulamalarının bileşenleri şunlardır:
Veri Kalitesi
Farklı kaynaklardan alınan verilerin kalitesi, her zaman kontrol edilmelidir. Bir verinin kaliteli olarak
nitelendirilebilmesi için temiz, tutarlı, uyumlu, güncel ve kapsamlı olması gerekir.
ETL-Veri Çekme, Dönüştürme ve Yükleme
İngilizce exract (çıkarma), transform (dönüştürme) ve load (yükleme) anlamına gelen ETL; verilerin farklı kaynaklardan alınması, dönüştürülmesi ve merkezi bir veri ambarına yüklenmesi için gerekli tüm süreçleri kapsar.
• Çıkarma, işlenecek olan verilerin kaynak veritabanından alınmasını ifade eder. • Dönüştürme, kaynak veritabanından alınan verilerin yapısını, hedef veritabanında kullanılacak formata dönüştürme sürecini ifade eder. • Yükleme, dönüştürülmüş verilerin veri ambarına yüklenme sürecini ifade eder.
Veri Sanallaştırma
Veri sanallaştırma (data virtualization), verilerin kaynağını değiştirmeden ya da kopyasını almadan, sanal bir katman aracılığıyla kullanılabilmesine olanak sağlayan bir teknolojidir. Veri sanallaştırmayla konum, yapı veya erişim dili gibi teknik detaylar gerekmeksizin verilere erişilebilir. ETL ve veri ambarı kullanımı ile kıyaslandığında, veriden bilgi elde etme süreci daha hızlı ve çeviktir. Çünkü sanallaştırılan veriler, bir yerden başka bir yere taşınmaz, kaynağında kalır. Veriler, doğrudan kaynağında sorgulanabilir. Bu da pek çok olası hatayı ve güvenlik riskini ortadan kaldırır.
Veri Ambarı
Veri ambarı, iş zekâsı uygulamalarında, özellikle yoğun veri analitiği sorgularını desteklemek üzere tasarlanmış bir veri yönetim sistemidir. Veri ambarları, çok sayıda kaynaktan gelen büyük miktardaki veriyi merkezi hâle getirerek ve tek bir çatı altında birleştirir.
Bulut tabanlı veri ambarları, son dönemde işletmeler tarafından daha çok tercih edilmektedir. Geleneksel veri ambarı uygulamaları ile kıyaslandığından bulut veri ambarları; esneklik, ölçeklenebilirlik, çeviklik, güvenlik ve düşük maliyet gibi pek çok avantaja sahiptir. Bulut veri ambarları, işletmelerin donanım, yazılım ve yönetim maliyetlerinden tasarruf ederek, iş zekâsı uygulamalarına daha çok odaklanabilmelerini sağlar.
OLAP ve OLTP
OLAP ve OLTP, ilişkisel veritabanı modeli çerçevesinde çalışan iki farklı veri yönetim sisteminin kısaltmalarıdır. OLTP (On Line Transactional Processing) sistemler veri ekleme, sorgulama, silme ve güncelleme gibi sürekli ve yoğun veri okuma/yazma işlemlerinde daha iyi sonuçlar verir. İlişkisel veritabanlarının pek çoğu bu sistem mimarisi çerçevesinde tasarlanmıştır. OLAP (On Line Analytical Processing) sistemler ise, OLTP’nin aksine, özellikle raporlama ve analiz işlemlerinde daha iyi sonuç verir. Veri ambarlarının tamamına yakını bu sistem mimarisi çerçevesinde tasarlanmıştır.
Veri Marketleri ve Operasyon Veri Depoları
Veri ambarına oranla veri marketi, daha dar kapsamda genellikle tek bir departman veya iş koluna hizmet verecek biçimde yapılandırılır (Şekil 4.6). Veri marketleri çoğunlukla veri tüketicileriyle veri ambarı arasında yoğun raporlama ve analiz sorgularına yanıt verecek biçimde yapılandırılır.
Kontrol Panelleri
İşletmelerin veri ile etkileşime girebilmelerine olanak sağlayan iş zekâsı kontrol paneli (BI Dashboard), eyleme geçirilebilir öngörüler üretmek için veri görselleştirme tekniklerinden yararlanan bir bilgi yönetim aracıdır.
Büyük Veri
Teknolojinin gündelik hayatımıza ve iş dünyasına getirdiği hız, kolaylık ve fayda ile doğru orantılı olarak artan dijital yaşam aktiviteleri çok büyük veri yığınlarının oluşumuna neden olmaktadır.
Büyük veri, ilişkisel veritabanları gibi geleneksel veri işleme yöntemleri ile işlenemeyecek kadar büyük ve karmaşık verileri tanımlamak için kullanılan bir kavram olmakla beraber verinin yakalanması, depolaması, paylaşılması, sınıflandırılması, görselleştirilmesi ve anlamlandırılması için yapılan çalışmaları da kapsamaktadır.
Hedefli reklamcılık denince akla gelen ilk firmalardan biri olan Netflix, özellikle kullanım istatistiklerinden topladığı devasa veri yığınlarını, yapay zekâ ve makine öğrenmesi algoritmaları ile işleyerek abonelerinin memnunyet düzeylerini en üstte tutmayı başarabilmektedir.
Yapay Zekâ ve Makine Öğrenmesi
Çağımızın en önemli bilimsel çalışma alanlarından biri olan yapay zekâ, ilk kez 1956 yılında John McCarthy tarafından ortaya atılmıştır (Kayabaş, 2010, s. 23). Yapay zekâ, bilim insanları tarafından farklı biçimlerde tanımlanmaktadır. Haugeland (1985) göre yapay zekâ, tam anlamıyla insan gibi düşünebilen bilgisayarlar ya da makineler yaratma çabasıdır. Genesereth ve Nilsson (1987)’a göre ise yapay zekâ, akıllı davranış üzerine bir çalışmadır. Ana hedefi, doğadaki varlıkların akıllı davranışlarını yapay olarak üretmeyi amaçlayan bir kuramın oluşturulmasıdır. Nabiyev (2005)’e göre ise yapay zekâ, bir bilgisayar sisteminin anlama, öğrenme, problem çözme, yorumlama gibi karmaşık zihinsel süreçleri gerçekleştirebilme yeteneğidir.
Büyük veri uygulamalarının en temel bileşenleri arasında yer alan yapay zekâ ve makine öğrenmesi, iş zekâsına uygulamalarına kaynak olan verilerinin işlenmesi amacıyla da kullanılmaktadır.