Açıköğretim Ders Notları

İşletme Analitiği Dersi 8. Ünite Özet

Açıköğretim ders notları öğrenciler tarafından ders çalışma esnasında hazırlanmakta olup diğer ders çalışacak öğrenciler için paylaşılmaktadır. Sizlerde hazırladığınız ders notlarını paylaşmak istiyorsanız bizlere iletebilirsiniz.

Açıköğretim derslerinden İşletme Analitiği Dersi 8. Ünite Özet için hazırlanan  ders çalışma dokümanına (ders özeti / sorularla öğrenelim) aşağıdan erişebilirsiniz. AÖF Ders Notları ile sınavlara çok daha etkili bir şekilde çalışabilirsiniz. Sınavlarınızda başarılar dileriz.

İşlemtabloları ile Veri Madenciliği

Giriş

Modeller, verileri bilgilere dönüştüren araçlardır. Gözlem ve analizlerle keşfedilebilen veri setleri arasındaki ilişkilerin, hipotezlerin ve dolayısıyla modellerin yapısının belirlenmesinde rol oynarlar. Karar analitiği kapsamındaki optimizasyon modellerinde bağımlı ve bağımsız değişkenlerin belirlenmesi, matematiksel ifadelerin gerçeği temsil etme düzeylerinin tespit edilmesi ve parametrelerin hesaplanması, probleme ait verilerin doğru derlenmesi, analizi ve değerlendirilmesi ile mümkün olabilmektedir. Kestirim modellemede gözlem ve veri analizleri özel bir yer tutar.

Veri madenciliği, özellikle yapısal olan ve olmayan büyük veri yığınlarından yararlanarak yeni durum ve yöntem bilgilerinin açığa çıkarılması amacıyla yürütülen çalışmaları içermektedir. Bu çalışmalarda yararlanılan yöntemler iki kategoride ele alınabilir:

  1. İstatistiksel yöntemler
  2. Yapay zekâ yaklaşımları

Veri madenciliğinde istatistiksel yaklaşımların kullanımında klasik istatistiksel yaklaşımlara göre önemli bir fark bulunmaktadır. Klasik yaklaşımlarda, hata karelerinin azaltılması esas iken büyük veride artan veri hacmi, hataların göz ardı edilmesine olanak vermektedir. Kesinlik içermeyen yapay zekâ algoritmaları, verilerdeki örüntülerin yakalanmasında veri büyüklüğünden istatistiksel yöntemler kadar etkilenmemektedir.

İşlemtabloları ile Veri Madenciliğine Başlarken

Microsoft Excel ile yapılan veri madenciliği işlemlerinde SQL Server Analysis Services (SSAS) arka planda veri madenciliği sihirbazlarının çalışmasına yardımcı olan bir motor görevi görürken Excel, veri madenciliği eklentisi sayesinde bir istemci görevi görmektedir. Microsoft Excel üzerinden veri madenciliği işlemlerini yapabilmek için üç temel yazılıma ihtiyaç duyulmaktadır. Bunlar:

  1. 2007 ve sonrası sürüme sahip bir Microsoft Ofis yazılımı,
  2. Microsoft SQL Server 2005 ya da sonrası bir sürümü,
  3. Microsoft Excel’in Data Mining eklentisi,

Microsoft SQL Server 2012 Data Mining Eklentisi Kurulumu: Microsoft’tan ücretsiz olarak “Microsoft SQL Server 2012 Data Mining Add-ins for Office” eklentisi indirilerek kuruluma başlanır. Lisans sözleşmesi kabul edilerek ve Next düğmesine basılır. Kurulması gereken özellikler seçilir. “Table Analysis Tools for Excel”, “Data Mining Client for Excel” ve “Server Configuration Utility” kesinlikle seçilmelidir. “Data Mining Templates for Visio” seçeneği opsiyoneldir. Install düğmesi ile yükleme işlemi başlar. Yükleme işlemi bittikten sonra Finish düğmesi ile kurulum tamamlanır.

Microsoft SQL Server 2012 Enterprise Evaluation Edition Kurulumu: .iso uzantılı olan program indirilir. Setup.exe dosyası çalıştırılarak kuruluma başlanır. Kurulum için “New SQL Server Standalone Installation or add features to an existing installation” seçeneği seçilir. Seçimden sonra kurulum sihirbazı, kurulum için gerekli olan yazılımları kontrol ederek bir rapor sunar. Rapor sonucu sorun varsa bu kısımlar düzeltildikten sonra kuruluma başlanır. Lisans sözleşmesi kabul edilir. Product Updates adımında yüklenebilecek güncellemelerden “Include SQL Server product updates” seçeneği seçilerek kurulum başlar. Kurulum esnasında, şu kurallar yapılandırılır: Setup Support Rules, Setup Role, Feature Selection, Installation Rules, Instance Configuration, Disk Space Requirements, Server Configuration, Database Engine Configuration, Analysis Services Configuration, Reporting Services Configuration, Distributed Replay Controller, Distributed Replay Client, Error Reporting: Installation Configuration Rules, Ready to Install, Installation Progress, Complete.

Excel Data Mining Eklentisi İçin SSAS’in Yapılandırılması: Sihirbaz çalıştırılarak yapılandırmaya başlanılır. Yapılandırma dört farklı adımdan oluşur. İlk adımda, Data Mining eklentisinin bağlanacağı sunucu bilgisi alanı “localhost” olmalıdır. İkinci adımda, geçici madencilik modellerinin kullanılabilmesi için “Allow creating temporary mining models” seçili iken Next düğmesine basılır. Üçüncü adımda, kullanılacak olan veritabanı seçilir. Dördüncü adımda, veritabanı erişimi için kullanıcı yetkilendirmesi yapılır. Yapılandırma sihirbazı bu bölümde SSAS kurulumu sırasında yetki verilmiş olan kullanıcı listesini varsayılan olarak sunacaktır. Eğer bu listede değişiklik yapılmak istenirse “Add” ve “Remove” düğmeleri kullanılabilir. Yapılandırma sonrası yapılandırma sırasında yapılan işlemlerin raporu sunulur. Close düğmesine basılarak yapılandırma sihirbazı kapatılır.

Microsoft Excel 2013’ün Yapılandırılması: Veri madenciliği işlemlerinde istemci görevi görecek olan Microsoft Excel ile yapılandırılmış olan SSAS arasında bir bağlantı kurulması gerekmektedir. Bunun için Microsoft Excel 2013’ü açarak Data Mining sekmesi altındaki Connection bölümünden Analysis Services Connections listesi açılarak New (yeni) düğmesi aracılığı ile yeni bir bağlantı oluşturulmalıdır. Server name olarak “localhost” kullanılmalıdır. Catalog name altında sunulan listeden yapılandırma sırasında oluşturulan yeni veritabanının ismi seçilmelidir. Bu işlemden sonra Friendly name otomatik olarak oluşturulacaktır. “OK” düğmesi yardımı ile yeni bağlantı kurulmuş olur.

Excel İçin Sql Server Veri Madenciliği Eklentisi

Excel’in veri madenciliği eklentisi, SSAS’ın veri madenciliği işlemleri konusundaki gücünü ortaya çıkarmaktadır. Bu eklenti,

  • Excel tablolarındaki veriler ile SSAS altında bulunan birçok gelişmiş veri madenciliği algoritmalarını, yapılarını ve görüntüleyicilerini kullanarak veri madenciliği işlemlerinin yapılmasını sağlamaktadır. 
  • Karmaşık veri setlerinin analizi ve kestirimler kolaylıkla yapılabilmektedir.
  • Verilerin ve çıkarımların Excel’de tutulması sayesinde veri desenleri istenildiği zaman kolaylıkla belgelendirilebilmektedir.

Excel’i veri madenciliği istemcisi olarak kullanabilmek için SSAS ile bir bağlantı kurulması gerekmektedir. Bu bağlantı,

  • Excel’in SSAS motoruna erişimini ve SSAS’te bulunan veri madenciliği modellerinin analiz ve tahmin işlemleri için kullanılabilmesini sağlar.
  • Oluşturulan bir veri deseninin saklanması veya var olan veritabanı nesneleri üzerinde değişiklikler yapılabilmesini sağlar.

SQL Server ile veri madenciliği için kullanılacak olan verinin Excel’de kullanılabilmesi için verinin, doğrudan bir dış veri kaynağından alınması ya da Excel içerisinde yeni bir tablo formatında tutulması gerekir

Excel içerisinde verilerin bulunduğu bir tablo oluşturduktan ya da dış veri kaynaklarında bulunan bir veri setini Excel’e aldıktan sonra veri madenciliği eklentisi altında bulunan farklı araçlar kullanılabilecektir. Excel veri madenciliği eklentisi altında bulunan sihirbazlar yedi bölüme ayrılmaktadır. Bunlar:

  1. Data Preparation,
  2. Data Modeling,
  3. Accuracy and Validation,
  4. Model Usage,
  5. Management,
  6. Connection
  7. Help

1. Verinin hazırlanması (Data Preparation): Madencilik işlemlerinin sağlıklı bir şekilde yapılabilmesi için büyük önem taşımaktadır. Veri madenciliği işlemleri için kullanılacak olan verinin gözden geçirilmesi ve temizlenmesi işlemlerinde yardımcı olacak bazı sihirbazları barındırmaktadır.

Verinin keşfi: Eğer seçilmiş olan alan (sütun) içerisindeki bütün değerler sayısal ise, bu alanda bulunan değerleri istenilen miktarda eşit veri aralıklarına bölerek gruplandırılmasını sağlar ve bir sütun grafiği ile her bir aralıktaki veri miktarını ifade eder. İsteğe bağlı olarak, yapılan gruplandırma işlemi sonrası oluşturulan veri aralıkları da kaynak veri tablosu üzerinde yeni bir sütun oluşturularak her bir satırda bulunan verinin hangi aralıkta yer aldığını ifade edecek şekilde eklenir.

Verinin temizlenmesi: Veri madenciliği işlemleri için kullanılmak istenen veri seti içerisindeki anormallikleri tespit ederek, veri setini tekrar organize etmeyi ve böylelikle kullanılmak istenen veri setini veri madenciliği işlemleri için hazır hâle getirmeyi sağlar. Aykırılıklar (Outliers): Sihirbaz, veri seti içerisindeki aykırı değerleri tespit ederek bu değerler ile başa çıkmayı sağlamaktadır. Bir değeri aykırı olarak nitelendirebilmek için bazı ölçütler vardır. Bunlar:

  • Değerin, beklenilen aralığın dışında olma durumu
  • Verinin yanlış yazılmış olma ihtimali,
  • Değerin yazılmamış olma durumu,
  • Verinin boşluk karakterinden ya da boş bir dizinden (NULL string) oluşması,
  • Değerin, model dağılımını ciddi şekilde etkileme durumu,

Aykırı değerleri ayıklamak için öncelikle Explore Data sihirbazı kullanılarak değerlerin dağılımı ve aykırı diye nitelendirilebilecek değerlerin normal değerlerle olan ilişkileri daha iyi bir şekilde anlaşılmalıdır. Aykırı değerlerin tespitinden sonra sihirbaz aracılığı ile bu değerleri içeren satırlar silinebilir ya da bu değerler, kullanıcı tarafından belirlenmiş olan bir değerle, aynı sütun içerisindeki diğer değerlerin aritmetik ortalamasıyla ya da boş bir değer ile değiştirilebilir. Son olarak, yeni oluşturulan veri seti; kaynak veri seti ile değiştirilebilir, veri tablosuna yeni bir sütun olarak eklenebilir ya da yeni bir çalışma sayfasına aktarılabilir

Yeniden Etiketlendirme (Re-label): Re-label sihirbazı, veri tablosunun herhangi bir sütununda bulunan veri grubunu yeniden etiketlemek için kullanılır. Bu işlemin amacı verileri daha anlamlı değerlerle değiştirerek ya da istenilen şekilde gruplayarak veri tablosu üzerinde yapılacak analiz sonuçlarının daha anlaşılır şekilde olmasını sağlamaktır. Re-label sihirbazının diğer bir amacı verileri gruplamaktır.

Verinin örneklendirilmesi (Sample Data): Sihirbaz, veri setini yeniden örneklendirerek istenilen amaca daha uygun yeni bir veri seti oluşturmakta ya da bir model için kullanılacak olan veriyi istenilen oranda iki farklı gruba ayırabilmektedir. Bu gruplardan birisinde bulunan veri desenleri incelenerek model oluşturulma aşamasında, diğer grupta bulunan veri ise oluşturulacak olan modelin test edilmesi aşamasında kullanılabilmektedir.

Rastgele Örnekleme (random sampling): Bu örnekleme yöntemi, oluşturulmuş bir model ile test edilen verilerin, modelin oluşturulması sırasında kullanılmış olan verileri açık bir şekilde temsil ettiğini göstermenin en iyi yoludur. Seçilmiş olan veri tablosu istenilen oranda ve rastgele verileri içerecek şekilde bölünerek yeni oluşturulacak iki farklı çalışma sayfasına aktarılır.

Amaçlı Örnekleme (Oversampling): Veri tablosu bu özellik ile istenilen oranda yeniden örneklendirerek, tablo içerisinde nadir olan bir değerin oluşturulacak yeni örneklemde daha sık yer alması sağlanabilmektedir. Oversampling özelliği kullanılırken kriterler belirlendikten sonra seçim işlemi rastgele yapılmakta ve yeni örneklem, yeni oluşturulacak bir çalışma sayfasına aktarılmaktadır.

2.Verinin Modellenmesi (Data Modeling): Data modeling, veri hazırlama işlemi sonrası hazırlanmış olan verilerin veri madenciliği fonksiyonları ve algoritmaları ile değerlendirilerek, verilerin trendlerinin ve desenlerinin belirlendiği veri madenciliği adımıdır.

Sınıflandırma (Classify): Sihirbaz, Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir sınıflandırma modeli oluşturulmasını sağlamaktadır. Sınıflandırma modelleri kategorik sonuçları tahmin etmek için kullanılmaktadır. Modelin sağlıklı bir şekilde kurulabilmesi için sonuçları önceden bilinen durumlar ve bu durumlarda ilgili faktörlerin aldığı değerleri de bilmek gerekmektedir.

Tahminleme (Estimate): Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir tahminleme modeli oluşturulmasını sağlamaktadır. Bu model, verilerden veri desenlerini çıkarmakta ve bu desenleri sonucu etkileyecek olan faktörlerin tahmin edilmesi için kullanmaktadır. Modelinin uygulanabilmesi için sonuç değerlerinin sayısal değerler olması gerekmektedir

Kümeleme (Cluster): Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir kümeleme modeli oluşturulmasını sağlamaktadır. Kümeleme modeli, veriyi benzer karakteristik özellikleri paylaşan kümelere ayırarak heterojen bir veri setinden homojen alt veri setleri elde etmeye çalışmaktadır. Kümeleme algoritmaları; aynı küme içerisinde bulunan veriler arasındaki benzerliğin mümkün olduğunca arttırılması ve farklı kümeler arasında bulunan benzerliğin de mümkün olduğunca azaltılması kavramına dayanır.

Sınıflandırma modelinde geçmiş verilere göre diğer alanlar tahmin edilir, kümeleme modelinde ise bu tarz geçmiş veriler bulunmaz ve veriler kendi içlerindeki benzer özelliklere göre gruplanmaktadırlar.

Birliktelik (Associate): Büyük veri kümeleri içerisinde bulunan, farklı veriler arasındaki birliktelik ilişkilerini tespit etmeyi amaçlamaktadır. Microsoft’un birliktelik analizi algoritmaları çoklu işlemlerde birlikte görünen ögeler arasındaki ilişkileri bulup ortaya çıkarmaktadır. Sihirbaz, bir veri setinde var olan ögelerden diğer ögelerin aynı veri seti içerisinde olabilirliğinin tahmin edilmesini sağlayacak veri desenlerinin ortaya çıkarılmasını ve bu desenlerden yola çıkarak müşterilerin satın aldıkları ürünler çerçevesinde yeni ürünler tavsiye edilmesini sağlayabilmektedir

Microsoft’un birliktelik analizi algoritmaları, bir işlemde birlikte görünen ögeleri bulmak için veri setini araştırmakta ve araştırma sonucu bulunan her bir öge grubu bir öge setini teşkil etmektedir. Daha sonra, öge setinin bütün işlemler boyunca kaç defa görüldüğünü sayarak her bir öge seti içerisindeki ögelerin bağıl önemini hesaplar. Hesaplanan bu önem, ilişkileri tahmin etmek ya da öneride bulunmak için ölçütler oluşturma sürecinde kullanılır. Bağıl önem, birbiriyle ilişkili olan ögeler arasındaki ilişkinin önemini ifade etmektedir

Öngörüleme (Forecast): Forecast sihirbazı yardımıyla bir zaman serisinde bulunan değerlerin desenleri çıkarılarak geleceğe dönük tahminler yapılabilmektedir. Bu sihirbaz, Microsoft’un zaman serileri algoritmasını kullanmaktadır. Zaman serileri için oluşturulan öngörüleme modeli bir hücre serisinde bulunan desenleri tespit ederek ek verileri öngörülemektedir

İleri Düzey Yapılandırma ve Modelleme (Advanced): İsteğe bağlı veri madenciliği yapıları ve modelleri oluşturmak için kullanılmaktadır. Veri modellemede Advanced altında bulunan iki sihirbaz, veri madenciliği yapıları ve veri madenciliği modelleri oluşturma imkanını ayrı ayrı sunmaktadır. Bunlar:

  1. Madencilik Yapısı Oluşturma: Excel’de bulunan bir veri tablosundaki, bir veri aralığındaki ya da SSAS’te tanımlanmış bir dış veri kaynağındaki verilerden yola çıkarak yeni bir veri madenciliği yapısı inşa etmeyi sağlamaktadır. Yapı, belirli veri kaynaklarına göre oluşturulmuş veri tanımıdır. Sihirbaz, herhangi bir model oluşturmadan bir veri madenciliği yapısı oluşturulmasına ve aynı veri üzerinde birden fazla algoritmanın kullanılmasına imkân sağlamaktadır.
  2. Yapıya Model Ekleme: Madencilik yapısı oluşturma sihirbazı aracılığıyla bir veri madenciliği yapısı oluşturulmuş ise ya da bağlı olunan SSAS sunucusu bir veri madenciliği yapısı içermekte ise var olan bu yapılara bu sihirbaz yardımı ile veri madenciliği modelleri eklemek mümkündür. Veri madenciliği yapısına yeni bir model eklendiğinde farklı algoritmalar ya da farklı parametreler kullanılarak veri analiz edilmiş olur.

3.Test Etme ve Geçerliliği Doğrulama (Accuracy and Validation): Veri madenciliği çalışmalarında, oluşturulmuş olan ya da kullanılan modelin geçerli bir model olması için modelin test edilmesi ve geçerliliğinin doğrulanması gerekmektedir

Doğruluk Grafiği (Accuracy Chart): Sihirbaz, oluşturulan bir veri madenciliği modelinin yeni bir veri seti üzerinde uygulanmasını sağlamakta ve bu uygulama işlemi sayesinde modelin performansını değerlendirebilmektedir. Yapılan değerlendirme işleminde, modelin yapısına göre iyileşme grafiği ve serpme diyagramı kullanılır. Eğer değerlendirilecek olan model bir sınıflandırma modeli ise bu sihirbaz bir iyileşme grafiği oluşturarak, kullanılan modelin performansını ideal hipotetik bir model ile kıyaslayıp sunacaktır. Değerlendirilecek modelin bir tahminleme modeli olma durumunda ise bu sihirbaz bir serpme diyagramı oluşturarak modelin tahminlemelerini ve veri setinde bulunan aktüel değerleri birlikte sunacaktır

Sınıflandırma Matrisi (Classification Matrix): Sihirbaz, modeli kontrol etmek için kullanılacak olan aktüel test verisi ile modelin bu test verisi üzerinde kullanımı sonucu ortaya çıkan kestirimlerini kıyaslamakta ve bir çizelge ile ifade etmektedir. Çizelge, kullanılmış olan modelin kestirimlerinin ne oranda doğru olduğunu ve de ne oranda yanlış olduğunu açık bir şekilde göstermektedir

Kâr Grafiği (Profit Chart): Sihirbaz, bir işletme senaryosunda müşteri verileri üzerinde bir veri madenciliği modeli uygulanarak şirketin kâr artışı sağlamak için hangi müşterilerle irtibata geçmesi gerektiğinin tespit edilmesi durumu ile ilişkili olarak beklenen kâr artışını görsel olarak ifade etmektedir.

Çapraz Doğrulama (Cross-Validation): Sihirbaz, çapraz doğrulama tekniğini kullanmakta ve bu sayede daha etkin veri madenciliği modellerinin geliştirilmesine ve modeller üzerinde ince ayarlar yapılabilmesine katkıda bulunmaktadır. Çapraz doğrulama tekniği, model oluşturulduktan sonra bulunan sonuçları diğer sonuçlar ile karşılaştırmak ve modelin geçerliliğini saptamak için kullanılmaktadır. Bu teknik iki aşamadan oluşur.

  1. Deneyler yapmak,
  2. Rapor oluşturmak

4.Model Kullanımı ve Yönetim (Model Usage ve Management): Buradaki sihirbazlar, veri madenciliği süreci sırasında oluşturulmuş olan ve SSAS içerisindeki bir örnekte tutulan veri madenciliği modellerine göz atma, modeller üzerinde değişiklik yapma, bir sorgu oluşturma ve modelleri yönetme imkânı sunmaktadır.

Göz Atma (Browse): SSAS içerisindeki bir örnekte bulunan bir modele ya da Excel oturumunda oluşturulan geçici modele göz atmaya imkân tanımaktadır. Sihirbaz, model üzerindeki dikkat çeken trendleri araştırmaya, veri madenciliği modellerini interaktif olarak filtrelemeye, bulunan sonuçların görsel sunumunu oluşturmaya ve sunulan diyagramları ve verileri Excel ya da Visio’ya taşımaya olanak sağlamaktadır

Modelin Belgelendirilmesi (Document Model): Sihirbaz, oluşturulmuş bir veri madenciliği modeli hakkında faydalı bilgiler içeren bir rapor oluşturmakta ve sunmaktadır. Oluşturulan bu rapor aracılığı ile modelin oluşturulmasında kullanılan verinin kaynağına ulaşılabilir, modelin ne zaman işlendiği konusunda ek bilgi edinilebilir ya da modelin sonuçlarını etkileyen parametre değişikliklerinin izi sürülebilir. Sihirbaz ile modelin dokümante edildiği bir rapor iki şekilde oluşturulabilir:

  1. Özet rapor, modelin adı ya da modelin tanımı gibi temel bilgileri içerir.
  2. Tam rapor, modelin bağlı olduğu veri madenciliği yapısı ve madencilik modeli hakkında daha detaylı bilgileri içerir.

Sorgu (Query): Var olan madencilik modelleri ile etkileşime geçerek Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak kestirimler yapılmasına yardım etmektedir. Bu sihirbaz, SSAS’te bulunan bir veri madenciliği modeli için bir tahmin sorgusu oluşturulması süreci hakkında her şeyi açıklamakta ve böyle bir sorgu oluşturmaktadır. Tahmin sorgusu, trendlerden yola çıkarak bir kestirim yapabilmek için yeni bir verinin var olan bir model üzerinde uygulanması sürecidir

Data Mining Advanced Query Editor: Yeni veri madenciliği modellerinin oluşturulması ya da var olan modellerin düzenlenebilmesini sağlayan gelişmiş bir sorgu editörüdür. Bu editör yardımı ile Data Mining Extensions (DMX) taslakları açılabilir ve bu taslaklar üzerinde bulunan girdiler, çıktılar, algoritmalar ve parametreler düzenlenerek isteğe uyarlanmış yeni bir veri madenciliği modeli, veri madenciliği yapısı ya da prediction query oluşturmak mümkündür.

5.Modellerin Yönetimi (Manage Models): Sihirbaz, bağlantı kurulmuş olan SSAS sunucusunda bulunan modellerle ve yapılarla etkileşime geçme ve aktif oturumda oluşturulmuş olan geçici madencilik model ve yapılarını inceleme ve düzenleme imkânı sunmaktadır. Bu sihirbaz yardımı ile bir madencilik modeli ya da yapısı yeniden adlandırılabilir, silinebilir, temizlenebilir, işlenebilir, dışa ya da içe aktarılabilir.

6.Bağlantı (Connection): Buradaki sihirbazlar yardımıyla SSAS sunucu ile kurulmuş olan bağlantı yönetilmektedir.

Bağlantılar (Connections): Sihirbaz, SSAS ile bir bağlantı kurmayı ya da kurulmuş olan bağlantıyı düzenlemeyi sağlamaktadır.

Bağlantı Takibi (Trace): Sihirbaz ile kurulmuş olan bağlantı üzerinden yapılan işlemler izlenebilmektedir. Yapılan bütün işlemler DMX ifadesi olarak kaydedilmektedir ve herhangi bir sunucu sorunu yaşanması durumunda sorunun kaynağı kolayca tespit edilebilmektedir.

7.Yardım (Help): Excel veri madenciliği eklentisinin kurulumu ve kullanımı konusunda yardımcı olabilecek kaynaklar bulunmaktadır.

Giriş

Modeller, verileri bilgilere dönüştüren araçlardır. Gözlem ve analizlerle keşfedilebilen veri setleri arasındaki ilişkilerin, hipotezlerin ve dolayısıyla modellerin yapısının belirlenmesinde rol oynarlar. Karar analitiği kapsamındaki optimizasyon modellerinde bağımlı ve bağımsız değişkenlerin belirlenmesi, matematiksel ifadelerin gerçeği temsil etme düzeylerinin tespit edilmesi ve parametrelerin hesaplanması, probleme ait verilerin doğru derlenmesi, analizi ve değerlendirilmesi ile mümkün olabilmektedir. Kestirim modellemede gözlem ve veri analizleri özel bir yer tutar.

Veri madenciliği, özellikle yapısal olan ve olmayan büyük veri yığınlarından yararlanarak yeni durum ve yöntem bilgilerinin açığa çıkarılması amacıyla yürütülen çalışmaları içermektedir. Bu çalışmalarda yararlanılan yöntemler iki kategoride ele alınabilir:

  1. İstatistiksel yöntemler
  2. Yapay zekâ yaklaşımları

Veri madenciliğinde istatistiksel yaklaşımların kullanımında klasik istatistiksel yaklaşımlara göre önemli bir fark bulunmaktadır. Klasik yaklaşımlarda, hata karelerinin azaltılması esas iken büyük veride artan veri hacmi, hataların göz ardı edilmesine olanak vermektedir. Kesinlik içermeyen yapay zekâ algoritmaları, verilerdeki örüntülerin yakalanmasında veri büyüklüğünden istatistiksel yöntemler kadar etkilenmemektedir.

İşlemtabloları ile Veri Madenciliğine Başlarken

Microsoft Excel ile yapılan veri madenciliği işlemlerinde SQL Server Analysis Services (SSAS) arka planda veri madenciliği sihirbazlarının çalışmasına yardımcı olan bir motor görevi görürken Excel, veri madenciliği eklentisi sayesinde bir istemci görevi görmektedir. Microsoft Excel üzerinden veri madenciliği işlemlerini yapabilmek için üç temel yazılıma ihtiyaç duyulmaktadır. Bunlar:

  1. 2007 ve sonrası sürüme sahip bir Microsoft Ofis yazılımı,
  2. Microsoft SQL Server 2005 ya da sonrası bir sürümü,
  3. Microsoft Excel’in Data Mining eklentisi,

Microsoft SQL Server 2012 Data Mining Eklentisi Kurulumu: Microsoft’tan ücretsiz olarak “Microsoft SQL Server 2012 Data Mining Add-ins for Office” eklentisi indirilerek kuruluma başlanır. Lisans sözleşmesi kabul edilerek ve Next düğmesine basılır. Kurulması gereken özellikler seçilir. “Table Analysis Tools for Excel”, “Data Mining Client for Excel” ve “Server Configuration Utility” kesinlikle seçilmelidir. “Data Mining Templates for Visio” seçeneği opsiyoneldir. Install düğmesi ile yükleme işlemi başlar. Yükleme işlemi bittikten sonra Finish düğmesi ile kurulum tamamlanır.

Microsoft SQL Server 2012 Enterprise Evaluation Edition Kurulumu: .iso uzantılı olan program indirilir. Setup.exe dosyası çalıştırılarak kuruluma başlanır. Kurulum için “New SQL Server Standalone Installation or add features to an existing installation” seçeneği seçilir. Seçimden sonra kurulum sihirbazı, kurulum için gerekli olan yazılımları kontrol ederek bir rapor sunar. Rapor sonucu sorun varsa bu kısımlar düzeltildikten sonra kuruluma başlanır. Lisans sözleşmesi kabul edilir. Product Updates adımında yüklenebilecek güncellemelerden “Include SQL Server product updates” seçeneği seçilerek kurulum başlar. Kurulum esnasında, şu kurallar yapılandırılır: Setup Support Rules, Setup Role, Feature Selection, Installation Rules, Instance Configuration, Disk Space Requirements, Server Configuration, Database Engine Configuration, Analysis Services Configuration, Reporting Services Configuration, Distributed Replay Controller, Distributed Replay Client, Error Reporting: Installation Configuration Rules, Ready to Install, Installation Progress, Complete.

Excel Data Mining Eklentisi İçin SSAS’in Yapılandırılması: Sihirbaz çalıştırılarak yapılandırmaya başlanılır. Yapılandırma dört farklı adımdan oluşur. İlk adımda, Data Mining eklentisinin bağlanacağı sunucu bilgisi alanı “localhost” olmalıdır. İkinci adımda, geçici madencilik modellerinin kullanılabilmesi için “Allow creating temporary mining models” seçili iken Next düğmesine basılır. Üçüncü adımda, kullanılacak olan veritabanı seçilir. Dördüncü adımda, veritabanı erişimi için kullanıcı yetkilendirmesi yapılır. Yapılandırma sihirbazı bu bölümde SSAS kurulumu sırasında yetki verilmiş olan kullanıcı listesini varsayılan olarak sunacaktır. Eğer bu listede değişiklik yapılmak istenirse “Add” ve “Remove” düğmeleri kullanılabilir. Yapılandırma sonrası yapılandırma sırasında yapılan işlemlerin raporu sunulur. Close düğmesine basılarak yapılandırma sihirbazı kapatılır.

Microsoft Excel 2013’ün Yapılandırılması: Veri madenciliği işlemlerinde istemci görevi görecek olan Microsoft Excel ile yapılandırılmış olan SSAS arasında bir bağlantı kurulması gerekmektedir. Bunun için Microsoft Excel 2013’ü açarak Data Mining sekmesi altındaki Connection bölümünden Analysis Services Connections listesi açılarak New (yeni) düğmesi aracılığı ile yeni bir bağlantı oluşturulmalıdır. Server name olarak “localhost” kullanılmalıdır. Catalog name altında sunulan listeden yapılandırma sırasında oluşturulan yeni veritabanının ismi seçilmelidir. Bu işlemden sonra Friendly name otomatik olarak oluşturulacaktır. “OK” düğmesi yardımı ile yeni bağlantı kurulmuş olur.

Excel İçin Sql Server Veri Madenciliği Eklentisi

Excel’in veri madenciliği eklentisi, SSAS’ın veri madenciliği işlemleri konusundaki gücünü ortaya çıkarmaktadır. Bu eklenti,

  • Excel tablolarındaki veriler ile SSAS altında bulunan birçok gelişmiş veri madenciliği algoritmalarını, yapılarını ve görüntüleyicilerini kullanarak veri madenciliği işlemlerinin yapılmasını sağlamaktadır. 
  • Karmaşık veri setlerinin analizi ve kestirimler kolaylıkla yapılabilmektedir.
  • Verilerin ve çıkarımların Excel’de tutulması sayesinde veri desenleri istenildiği zaman kolaylıkla belgelendirilebilmektedir.

Excel’i veri madenciliği istemcisi olarak kullanabilmek için SSAS ile bir bağlantı kurulması gerekmektedir. Bu bağlantı,

  • Excel’in SSAS motoruna erişimini ve SSAS’te bulunan veri madenciliği modellerinin analiz ve tahmin işlemleri için kullanılabilmesini sağlar.
  • Oluşturulan bir veri deseninin saklanması veya var olan veritabanı nesneleri üzerinde değişiklikler yapılabilmesini sağlar.

SQL Server ile veri madenciliği için kullanılacak olan verinin Excel’de kullanılabilmesi için verinin, doğrudan bir dış veri kaynağından alınması ya da Excel içerisinde yeni bir tablo formatında tutulması gerekir

Excel içerisinde verilerin bulunduğu bir tablo oluşturduktan ya da dış veri kaynaklarında bulunan bir veri setini Excel’e aldıktan sonra veri madenciliği eklentisi altında bulunan farklı araçlar kullanılabilecektir. Excel veri madenciliği eklentisi altında bulunan sihirbazlar yedi bölüme ayrılmaktadır. Bunlar:

  1. Data Preparation,
  2. Data Modeling,
  3. Accuracy and Validation,
  4. Model Usage,
  5. Management,
  6. Connection
  7. Help

1. Verinin hazırlanması (Data Preparation): Madencilik işlemlerinin sağlıklı bir şekilde yapılabilmesi için büyük önem taşımaktadır. Veri madenciliği işlemleri için kullanılacak olan verinin gözden geçirilmesi ve temizlenmesi işlemlerinde yardımcı olacak bazı sihirbazları barındırmaktadır.

Verinin keşfi: Eğer seçilmiş olan alan (sütun) içerisindeki bütün değerler sayısal ise, bu alanda bulunan değerleri istenilen miktarda eşit veri aralıklarına bölerek gruplandırılmasını sağlar ve bir sütun grafiği ile her bir aralıktaki veri miktarını ifade eder. İsteğe bağlı olarak, yapılan gruplandırma işlemi sonrası oluşturulan veri aralıkları da kaynak veri tablosu üzerinde yeni bir sütun oluşturularak her bir satırda bulunan verinin hangi aralıkta yer aldığını ifade edecek şekilde eklenir.

Verinin temizlenmesi: Veri madenciliği işlemleri için kullanılmak istenen veri seti içerisindeki anormallikleri tespit ederek, veri setini tekrar organize etmeyi ve böylelikle kullanılmak istenen veri setini veri madenciliği işlemleri için hazır hâle getirmeyi sağlar. Aykırılıklar (Outliers): Sihirbaz, veri seti içerisindeki aykırı değerleri tespit ederek bu değerler ile başa çıkmayı sağlamaktadır. Bir değeri aykırı olarak nitelendirebilmek için bazı ölçütler vardır. Bunlar:

  • Değerin, beklenilen aralığın dışında olma durumu
  • Verinin yanlış yazılmış olma ihtimali,
  • Değerin yazılmamış olma durumu,
  • Verinin boşluk karakterinden ya da boş bir dizinden (NULL string) oluşması,
  • Değerin, model dağılımını ciddi şekilde etkileme durumu,

Aykırı değerleri ayıklamak için öncelikle Explore Data sihirbazı kullanılarak değerlerin dağılımı ve aykırı diye nitelendirilebilecek değerlerin normal değerlerle olan ilişkileri daha iyi bir şekilde anlaşılmalıdır. Aykırı değerlerin tespitinden sonra sihirbaz aracılığı ile bu değerleri içeren satırlar silinebilir ya da bu değerler, kullanıcı tarafından belirlenmiş olan bir değerle, aynı sütun içerisindeki diğer değerlerin aritmetik ortalamasıyla ya da boş bir değer ile değiştirilebilir. Son olarak, yeni oluşturulan veri seti; kaynak veri seti ile değiştirilebilir, veri tablosuna yeni bir sütun olarak eklenebilir ya da yeni bir çalışma sayfasına aktarılabilir

Yeniden Etiketlendirme (Re-label): Re-label sihirbazı, veri tablosunun herhangi bir sütununda bulunan veri grubunu yeniden etiketlemek için kullanılır. Bu işlemin amacı verileri daha anlamlı değerlerle değiştirerek ya da istenilen şekilde gruplayarak veri tablosu üzerinde yapılacak analiz sonuçlarının daha anlaşılır şekilde olmasını sağlamaktır. Re-label sihirbazının diğer bir amacı verileri gruplamaktır.

Verinin örneklendirilmesi (Sample Data): Sihirbaz, veri setini yeniden örneklendirerek istenilen amaca daha uygun yeni bir veri seti oluşturmakta ya da bir model için kullanılacak olan veriyi istenilen oranda iki farklı gruba ayırabilmektedir. Bu gruplardan birisinde bulunan veri desenleri incelenerek model oluşturulma aşamasında, diğer grupta bulunan veri ise oluşturulacak olan modelin test edilmesi aşamasında kullanılabilmektedir.

Rastgele Örnekleme (random sampling): Bu örnekleme yöntemi, oluşturulmuş bir model ile test edilen verilerin, modelin oluşturulması sırasında kullanılmış olan verileri açık bir şekilde temsil ettiğini göstermenin en iyi yoludur. Seçilmiş olan veri tablosu istenilen oranda ve rastgele verileri içerecek şekilde bölünerek yeni oluşturulacak iki farklı çalışma sayfasına aktarılır.

Amaçlı Örnekleme (Oversampling): Veri tablosu bu özellik ile istenilen oranda yeniden örneklendirerek, tablo içerisinde nadir olan bir değerin oluşturulacak yeni örneklemde daha sık yer alması sağlanabilmektedir. Oversampling özelliği kullanılırken kriterler belirlendikten sonra seçim işlemi rastgele yapılmakta ve yeni örneklem, yeni oluşturulacak bir çalışma sayfasına aktarılmaktadır.

2.Verinin Modellenmesi (Data Modeling): Data modeling, veri hazırlama işlemi sonrası hazırlanmış olan verilerin veri madenciliği fonksiyonları ve algoritmaları ile değerlendirilerek, verilerin trendlerinin ve desenlerinin belirlendiği veri madenciliği adımıdır.

Sınıflandırma (Classify): Sihirbaz, Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir sınıflandırma modeli oluşturulmasını sağlamaktadır. Sınıflandırma modelleri kategorik sonuçları tahmin etmek için kullanılmaktadır. Modelin sağlıklı bir şekilde kurulabilmesi için sonuçları önceden bilinen durumlar ve bu durumlarda ilgili faktörlerin aldığı değerleri de bilmek gerekmektedir.

Tahminleme (Estimate): Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir tahminleme modeli oluşturulmasını sağlamaktadır. Bu model, verilerden veri desenlerini çıkarmakta ve bu desenleri sonucu etkileyecek olan faktörlerin tahmin edilmesi için kullanmaktadır. Modelinin uygulanabilmesi için sonuç değerlerinin sayısal değerler olması gerekmektedir

Kümeleme (Cluster): Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak bir kümeleme modeli oluşturulmasını sağlamaktadır. Kümeleme modeli, veriyi benzer karakteristik özellikleri paylaşan kümelere ayırarak heterojen bir veri setinden homojen alt veri setleri elde etmeye çalışmaktadır. Kümeleme algoritmaları; aynı küme içerisinde bulunan veriler arasındaki benzerliğin mümkün olduğunca arttırılması ve farklı kümeler arasında bulunan benzerliğin de mümkün olduğunca azaltılması kavramına dayanır.

Sınıflandırma modelinde geçmiş verilere göre diğer alanlar tahmin edilir, kümeleme modelinde ise bu tarz geçmiş veriler bulunmaz ve veriler kendi içlerindeki benzer özelliklere göre gruplanmaktadırlar.

Birliktelik (Associate): Büyük veri kümeleri içerisinde bulunan, farklı veriler arasındaki birliktelik ilişkilerini tespit etmeyi amaçlamaktadır. Microsoft’un birliktelik analizi algoritmaları çoklu işlemlerde birlikte görünen ögeler arasındaki ilişkileri bulup ortaya çıkarmaktadır. Sihirbaz, bir veri setinde var olan ögelerden diğer ögelerin aynı veri seti içerisinde olabilirliğinin tahmin edilmesini sağlayacak veri desenlerinin ortaya çıkarılmasını ve bu desenlerden yola çıkarak müşterilerin satın aldıkları ürünler çerçevesinde yeni ürünler tavsiye edilmesini sağlayabilmektedir

Microsoft’un birliktelik analizi algoritmaları, bir işlemde birlikte görünen ögeleri bulmak için veri setini araştırmakta ve araştırma sonucu bulunan her bir öge grubu bir öge setini teşkil etmektedir. Daha sonra, öge setinin bütün işlemler boyunca kaç defa görüldüğünü sayarak her bir öge seti içerisindeki ögelerin bağıl önemini hesaplar. Hesaplanan bu önem, ilişkileri tahmin etmek ya da öneride bulunmak için ölçütler oluşturma sürecinde kullanılır. Bağıl önem, birbiriyle ilişkili olan ögeler arasındaki ilişkinin önemini ifade etmektedir

Öngörüleme (Forecast): Forecast sihirbazı yardımıyla bir zaman serisinde bulunan değerlerin desenleri çıkarılarak geleceğe dönük tahminler yapılabilmektedir. Bu sihirbaz, Microsoft’un zaman serileri algoritmasını kullanmaktadır. Zaman serileri için oluşturulan öngörüleme modeli bir hücre serisinde bulunan desenleri tespit ederek ek verileri öngörülemektedir

İleri Düzey Yapılandırma ve Modelleme (Advanced): İsteğe bağlı veri madenciliği yapıları ve modelleri oluşturmak için kullanılmaktadır. Veri modellemede Advanced altında bulunan iki sihirbaz, veri madenciliği yapıları ve veri madenciliği modelleri oluşturma imkanını ayrı ayrı sunmaktadır. Bunlar:

  1. Madencilik Yapısı Oluşturma: Excel’de bulunan bir veri tablosundaki, bir veri aralığındaki ya da SSAS’te tanımlanmış bir dış veri kaynağındaki verilerden yola çıkarak yeni bir veri madenciliği yapısı inşa etmeyi sağlamaktadır. Yapı, belirli veri kaynaklarına göre oluşturulmuş veri tanımıdır. Sihirbaz, herhangi bir model oluşturmadan bir veri madenciliği yapısı oluşturulmasına ve aynı veri üzerinde birden fazla algoritmanın kullanılmasına imkân sağlamaktadır.
  2. Yapıya Model Ekleme: Madencilik yapısı oluşturma sihirbazı aracılığıyla bir veri madenciliği yapısı oluşturulmuş ise ya da bağlı olunan SSAS sunucusu bir veri madenciliği yapısı içermekte ise var olan bu yapılara bu sihirbaz yardımı ile veri madenciliği modelleri eklemek mümkündür. Veri madenciliği yapısına yeni bir model eklendiğinde farklı algoritmalar ya da farklı parametreler kullanılarak veri analiz edilmiş olur.

3.Test Etme ve Geçerliliği Doğrulama (Accuracy and Validation): Veri madenciliği çalışmalarında, oluşturulmuş olan ya da kullanılan modelin geçerli bir model olması için modelin test edilmesi ve geçerliliğinin doğrulanması gerekmektedir

Doğruluk Grafiği (Accuracy Chart): Sihirbaz, oluşturulan bir veri madenciliği modelinin yeni bir veri seti üzerinde uygulanmasını sağlamakta ve bu uygulama işlemi sayesinde modelin performansını değerlendirebilmektedir. Yapılan değerlendirme işleminde, modelin yapısına göre iyileşme grafiği ve serpme diyagramı kullanılır. Eğer değerlendirilecek olan model bir sınıflandırma modeli ise bu sihirbaz bir iyileşme grafiği oluşturarak, kullanılan modelin performansını ideal hipotetik bir model ile kıyaslayıp sunacaktır. Değerlendirilecek modelin bir tahminleme modeli olma durumunda ise bu sihirbaz bir serpme diyagramı oluşturarak modelin tahminlemelerini ve veri setinde bulunan aktüel değerleri birlikte sunacaktır

Sınıflandırma Matrisi (Classification Matrix): Sihirbaz, modeli kontrol etmek için kullanılacak olan aktüel test verisi ile modelin bu test verisi üzerinde kullanımı sonucu ortaya çıkan kestirimlerini kıyaslamakta ve bir çizelge ile ifade etmektedir. Çizelge, kullanılmış olan modelin kestirimlerinin ne oranda doğru olduğunu ve de ne oranda yanlış olduğunu açık bir şekilde göstermektedir

Kâr Grafiği (Profit Chart): Sihirbaz, bir işletme senaryosunda müşteri verileri üzerinde bir veri madenciliği modeli uygulanarak şirketin kâr artışı sağlamak için hangi müşterilerle irtibata geçmesi gerektiğinin tespit edilmesi durumu ile ilişkili olarak beklenen kâr artışını görsel olarak ifade etmektedir.

Çapraz Doğrulama (Cross-Validation): Sihirbaz, çapraz doğrulama tekniğini kullanmakta ve bu sayede daha etkin veri madenciliği modellerinin geliştirilmesine ve modeller üzerinde ince ayarlar yapılabilmesine katkıda bulunmaktadır. Çapraz doğrulama tekniği, model oluşturulduktan sonra bulunan sonuçları diğer sonuçlar ile karşılaştırmak ve modelin geçerliliğini saptamak için kullanılmaktadır. Bu teknik iki aşamadan oluşur.

  1. Deneyler yapmak,
  2. Rapor oluşturmak

4.Model Kullanımı ve Yönetim (Model Usage ve Management): Buradaki sihirbazlar, veri madenciliği süreci sırasında oluşturulmuş olan ve SSAS içerisindeki bir örnekte tutulan veri madenciliği modellerine göz atma, modeller üzerinde değişiklik yapma, bir sorgu oluşturma ve modelleri yönetme imkânı sunmaktadır.

Göz Atma (Browse): SSAS içerisindeki bir örnekte bulunan bir modele ya da Excel oturumunda oluşturulan geçici modele göz atmaya imkân tanımaktadır. Sihirbaz, model üzerindeki dikkat çeken trendleri araştırmaya, veri madenciliği modellerini interaktif olarak filtrelemeye, bulunan sonuçların görsel sunumunu oluşturmaya ve sunulan diyagramları ve verileri Excel ya da Visio’ya taşımaya olanak sağlamaktadır

Modelin Belgelendirilmesi (Document Model): Sihirbaz, oluşturulmuş bir veri madenciliği modeli hakkında faydalı bilgiler içeren bir rapor oluşturmakta ve sunmaktadır. Oluşturulan bu rapor aracılığı ile modelin oluşturulmasında kullanılan verinin kaynağına ulaşılabilir, modelin ne zaman işlendiği konusunda ek bilgi edinilebilir ya da modelin sonuçlarını etkileyen parametre değişikliklerinin izi sürülebilir. Sihirbaz ile modelin dokümante edildiği bir rapor iki şekilde oluşturulabilir:

  1. Özet rapor, modelin adı ya da modelin tanımı gibi temel bilgileri içerir.
  2. Tam rapor, modelin bağlı olduğu veri madenciliği yapısı ve madencilik modeli hakkında daha detaylı bilgileri içerir.

Sorgu (Query): Var olan madencilik modelleri ile etkileşime geçerek Excel’de bulunan bir veri tablosundan, bir veri aralığından ya da bir dış veri kaynağındaki verilerden yola çıkarak kestirimler yapılmasına yardım etmektedir. Bu sihirbaz, SSAS’te bulunan bir veri madenciliği modeli için bir tahmin sorgusu oluşturulması süreci hakkında her şeyi açıklamakta ve böyle bir sorgu oluşturmaktadır. Tahmin sorgusu, trendlerden yola çıkarak bir kestirim yapabilmek için yeni bir verinin var olan bir model üzerinde uygulanması sürecidir

Data Mining Advanced Query Editor: Yeni veri madenciliği modellerinin oluşturulması ya da var olan modellerin düzenlenebilmesini sağlayan gelişmiş bir sorgu editörüdür. Bu editör yardımı ile Data Mining Extensions (DMX) taslakları açılabilir ve bu taslaklar üzerinde bulunan girdiler, çıktılar, algoritmalar ve parametreler düzenlenerek isteğe uyarlanmış yeni bir veri madenciliği modeli, veri madenciliği yapısı ya da prediction query oluşturmak mümkündür.

5.Modellerin Yönetimi (Manage Models): Sihirbaz, bağlantı kurulmuş olan SSAS sunucusunda bulunan modellerle ve yapılarla etkileşime geçme ve aktif oturumda oluşturulmuş olan geçici madencilik model ve yapılarını inceleme ve düzenleme imkânı sunmaktadır. Bu sihirbaz yardımı ile bir madencilik modeli ya da yapısı yeniden adlandırılabilir, silinebilir, temizlenebilir, işlenebilir, dışa ya da içe aktarılabilir.

6.Bağlantı (Connection): Buradaki sihirbazlar yardımıyla SSAS sunucu ile kurulmuş olan bağlantı yönetilmektedir.

Bağlantılar (Connections): Sihirbaz, SSAS ile bir bağlantı kurmayı ya da kurulmuş olan bağlantıyı düzenlemeyi sağlamaktadır.

Bağlantı Takibi (Trace): Sihirbaz ile kurulmuş olan bağlantı üzerinden yapılan işlemler izlenebilmektedir. Yapılan bütün işlemler DMX ifadesi olarak kaydedilmektedir ve herhangi bir sunucu sorunu yaşanması durumunda sorunun kaynağı kolayca tespit edilebilmektedir.

7.Yardım (Help): Excel veri madenciliği eklentisinin kurulumu ve kullanımı konusunda yardımcı olabilecek kaynaklar bulunmaktadır.

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.