Data Analytics

Veri analitiği; soruları yanıtlamak ve kararları desteklemek için verileri inceleme uygulamasıdır. Verileri toplama ve temizleme, istatistik ve makine öğrenmesi ile analiz etme, sonuçları raporlar, gösterge panoları ve veri görselleştirme yoluyla aktarma aşamalarını kapsar. Hangi mağazaların geçen çeyrekte satış kaybettiğini sorgulayan bir perakendeci, gelecek haftaki hasta yatışlarını tahmin eden bir hastane ve kamera akışlarından bir kavşaktaki araçları sayan bir şehir, veri analitiği yapıyor demektir.

Dört Analitik Türü#

Analitik genellikle yanıtladığı soruya göre sınıflandırılır ve her tür kendinden öncekinin üzerine kurulur:

• Betimleyici analitik: Ne oldu? Toplamlar, ortalamalar, dağılımlar ve eğilimler geçmiş verileri özetler ve iş raporlarının temelini oluşturur.
• Tanısal analitik: Neden oldu? Ayrıntıya inme, korelasyonlar ve bölümler arası karşılaştırmalar nedenleri araştırır.
• Tahmine dayalı analitik: Ne olacak? İstatistiksel ve makine öğrenmesi modelleri talep, müşteri kaybı veya ekipman arızası gibi sonuçları tahmin eder.
• Reçeteleyici analitik: Ne yapılmalı? Optimizasyon ve simülasyon, tahminleri kaç kasa şeridinin açılacağı gibi önerilen eylemlere dönüştürür.

İlk üç tür, scikit-learn ile birlikte gelen diyabet veri kümesinde birkaç satır pandas ve scikit-learn koduyla gösterilebilir. Veri kümesinde 442 hasta için başlangıçta alınmış 10 ölçüm ve bir yıl sonraki hastalık ilerleme puanı bulunur:

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 442 diabetes patients: 10 baseline measurements and a disease progression score one year later
data = load_diabetes(as_frame=True).frame

# Descriptive: how far did the disease progress?
print(f"progression: mean {data['target'].mean():.0f}, range {data['target'].min():.0f}-{data['target'].max():.0f}")

# Diagnostic: which measurements move with progression?
print(data.corr()["target"].drop("target").nlargest(3).round(2).to_dict())

# Predictive: how well do the measurements forecast progression for new patients?
X_train, X_test, y_train, y_test = train_test_split(data.drop(columns="target"), data["target"], random_state=0)
model = LinearRegression().fit(X_train, y_train)
print(f"R^2 on held-out patients: {model.score(X_test, y_test):.2f}")

Betimleyici adım, 25 ile 346 arasında değişen ilerleme puanının ortalamasını 152 olarak bildirir. Tanısal adım, ilerlemeyle en güçlü korelasyonun vücut kitle indeksinde (0,59) olduğunu; bunu s5 serum trigliserit ölçümünün (0,57) ve kan basıncının (0,44) izlediğini bulur. Tahmine dayalı adım, modelin daha önce görmediği hastalardaki ilerleme değişkenliğinin %36'sını açıklar; R² değeri 0,36'dır.

Analitik Süreci#

Proje, kesin bir soruyla ve bu soruyu yanıtlayan bir ölçütle başlar; ardından veritabanlarından, günlüklerden, sensörlerden veya kameralardan ilgili veriler toplanır. Veri temizleme ve veri ön işleme, eksik değerleri, yinelenen kayıtları ve tutarsız birimleri düzeltir. Keşifsel analiz ise modelleme başlamadan önce dağılımları ve ilişkileri görselleştirir. Analistler daha sonra istatistik, zaman serisi analizi veya veri madenciliği algoritmalarını uygular ve sonuçları belirsizlikleriyle birlikte raporlar. Yaygın araçlar arasında küçük sorular için SQL ve elektronik tablolar, analiz için pandas ve not defterleri, büyük veri için Apache Spark gibi dağıtık altyapılar ve gösterge panoları için Tableau ile Power BI gibi iş zekâsı araçları bulunur.

Makine öğrenmesi projeleri aynı analizi kendi verileri ve modelleri üzerinde yürütür. Eğitimden önce sınıf sayımları ve etiket istatistikleri dengesizliği ve veri kümesi yanlılığını ortaya çıkarır; eğitimden sonra karmaşıklık matrisi ve sınıf başına ölçütler, modelin hangi sınıfları, aydınlatma koşullarını veya nesne boyutlarını yanlış değerlendirdiğini gösterir.

Video Analitiği#

Bilgisayarlı görü, kameraları analitik için veri kaynaklarına dönüştürür. Nesne algılama ve nesne izleme, her kareyi sayılara, konumlara ve yörüngelere dönüştürür; bunlar bir araya getirilerek saatlik yaya trafiği, bekleme süresi ve şerit başına araç sayısı gibi kuyruk yönetimi ölçütleri ya da üretim vardiyası başına kusur oranları elde edilir. Mağazalarda ve ofislerde kişi sayımı ve doluluk analitiği ile kavşaklardaki trafik yönetimi, her ikisi de pikselleri tablolara dönüştürme yaklaşımından yararlanır.

Ultralytics YOLO Analitik çözümü, bu dönüşümü tek adımda gerçekleştirir: video karelerinin her birinde izlemeyle birlikte bir YOLO26 modeli çalıştırır ve sonuçları canlı bir grafik olarak çizer. Bu grafik, kare başına toplam algılama sayısını gösteren bir çizgi grafiği veya sınıf başına sayımları gösteren çubuk grafik, pasta grafik ya da alan grafiği olabilir; sonuçlar bir çıktı videosuna yazılabilir.

Veri Analitiği ve İlgili Terimler#

• Veri bilimi: Analitiği de kapsayan ve üretim ortamında çalışan öneri motorları gibi modeller ve veri ürünleri geliştiren daha geniş bir alandır.
• İş zekâsı (BI): Düzenlenmiş şirket verileri üzerinden çoğunlukla betimleyici ve tanısal analitik içeren raporlama ve gösterge panolarıdır.
• Veri madenciliği: Büyük veri kümelerindeki ilişkileri, kümeleri ve aykırı değerleri algoritmalarla otomatik olarak bulmaya yönelik, analitik sürecindeki örüntü keşfi adımıdır.