Bir Kurumsal Zekâ Teknolojisi Olarak Veri Madenciliği İle Muhasebe Bilgi Sistemi İlişkisi

Year 2014, Issue: 31.1, 1 - 21, 01.01.2014

Ali Alagöz Serdar Öge Metehan Ortakarpuz

Abstract

Kurumsal kaynak yönetimi ürünlerinin gelişmesi ve yaygınlaşmasısonucu, işletmelerin işsüreçlerinden temin ettikleri verilerin karar verme aşamasında anlamlıbilgilere dönüştürülmesinde birçok modelleme aracıtasarlanmıştır. Kurumsal sistemlerce toplanan veriler ile bu verilerin saklanmasıve gerekli durumlarda kullanılmasıile karar destek sistemlerine bilgi beslemesi yapan işletme hafızasıoluşmuşve bu hafıza “kurumsal zeka” veya “işzekası” Buseiness Intelligence olarak adlandırılmıştır. Kurumsal zekâ; alınacak kararlara destek olmak üzere işdinamikleri üzerinde kesin ve belirgin bir anlayışgeliştirmek üzere kullanılan yöntem ve süreçler bütünüdür. Kurumsal zeka dağıtık veriler kullanılarak stratejik karar alma durumunda olan kişilere bilgi üretmektedir. İşletmenin kurumsal zekâ uygulamalarında, veri madenciliği tekniklerinin kullanıldığınıve kurumsal kaynak planlama verilerine uyarlanması şeklinde bilgi üretimi sağlandığıgörülmektedir. Genel olarak, kurumsal zeka, veri madenciliği teknolojisini de kapsayan bir kavram olarak ele alınmaktadır. Günümüzde yaygınlaşan kurumsal kaynak planlamasında, kurumsal zeka uygulamalarıkullanılırken sistemlerin tasarımına veri madenciliği teknikleri de entegre edilmektedir. Kurumların karar verme sürecinde etkin bir yöntem olarak karşımıza çıkan veri madenciliği, çok büyük veri tabanlarındaki ya da veri ambarlarındaki veriler arasında bulunan ilişkiler, örüntüler, değişiklikler, sapma ve eğilimler, belirli yapılar gibi ilginç bilgilerin ortaya çıkarılmasıve keşfi işlemi olarak ifade edilmektedir. Veri madenciliği teknolojisi işletmelerin kurumsal verilerden, ilgilenilen bilgileri daha hızlıve daha az uzmanlık bilgisiyle elde edebilmeleri amaçlamaktadır. Kurumlar tarafından toplanan verileri sıralayan ve sınıflandıran sistemlerden biri de Muhasebe Bilgi Sistemidir Accounting Information System - AIS . Sistem, işletme faaliyetlerinin etkilerini planlamak, değerlendirmek ve teşhis etmek için kullanılabilen finansal bilgiyi ve organizasyonun finansal konumunun belirlenmesini sağlar. Bugün bu sistemlerin büyük miktarda veri topladığıdüşünüldüğünde, büyük bir veri tabanından gizli prediktif bilgi çıkarımısağlayan gelişmişve güçlü veri madenciliği teknolojisi yardımıile veri akıllıca analiz edilebilmektedir. Veri madenciliği tekniğinin kullanımımuhasebe bilgi sisteminde de toplanan verilerin işletme faaliyetlerinde kullanılabilir bilgiye dönüştürülmesinde önemli bir faktör olmuştur. Veri madenciliği ile ulaşılan bilgiler, muhasebe bilgi sisteminin ürettiği ve raporladığıkalıplaşmışbilgilere göre farklılık göstermektedir. Bu çalışmada, bir kurumsal zeka teknolojisi olan veri madenciliği ile muhasebe bilgi sisteminin ilişkisi ve birbirleriyle hangi noktalarda kesiştikleri incelenmektedir. Çalışma veri madenciliğinin tanımı, uygulama alanlarıve yöntemlerine ilişkin bilgiler ile muhasebe bilgi sisteminin genel yapısı, veri-bilgi akışıve raporlamasına yer vermektedir.

Keywords

Veri Madenciliği, Muhasebe Bilgi Sistemi, Veri, Bilgi, Raporlama

The Relationship of Data Mining, as a Business Intelligence Technology, with the Accounting Information System

Abstract

As a result of the development and becoming widespread of enterprise resource management products, many modeling tools have been designed in the transformation process of data obtained by enterprises conversion at decision-making process. Storing data collected by enterprise systems and to use these datas if necessary for supply information to decision support systems, company memory formed and it is called "business intelligence". Business intelligence, is the set of methods and processes to support the decisions taken on the dynamics of the business in order to develop an exact and distinct understanding. Business intelligence is generate information to the people who are in the event of a strategic decision-making by using distributed datas. It seems that business intelligence applications of enterprise produce information in the form of using data mining techniques and adapting datas to the enterprise resource planning. In general, business intelligence, is considered as a concept covering data mining technologies. Today, business intelligence applications using data mining techniques are integrated into the design of systems at widespread enterprise resource planning. Data mining which appears as an effective method in the process of decisionmaking of institutions, is expressed as a discovery process and reveal a lot of data in large databases or data warehouses relationships, patterns, changes, deviations and trends, as well as interesting information to reveal specific structures Data mining technology aims to achieve interest information more quickly and less expert knowledge from enterprise data businesses. As the term of “data mining” before used by statisticians, then the data base researchers and information system managers and business communities. Data mining models implemented on information systems established in businesses makes reaching quality information and reporting easy. One of the systems lists and classify the data collected by the corporate is AIS-Accounting Information System. System provides financial information can be used to plan, evaluate and diagnoise of the effects of management activities and to determine organization's financial position. Today if considered these systems collect large amount of data, providing a huge database of extraction of hidden predictive information with the help of advanced and powerful data mining technology, data can be analyzed intelligently. The role of accounting information system has become increasingly important with the rapid change in technology at the creation of new knowledge and changing decisions that create alternatives. Accounting, information systems, provides input to the decision-making process thanks to offered features by data at enterprise resource management. The use of data mining technique has been a major factor conversion of data collected from accounting information system to the usable information in the business activities. Achived informations by data mining vary according to produced and reported stereotypes informations by accounting information system. The accounting information system, as well as bringing different perspectives to the development of data mining and has contributed to the adaptation to the enterprise. For this purpose, data mining models are used such as Classification and Regression, Clustering, Association Rules, Anomaly Detection Models with Decision Trees, Artificial Neural Networks, Genetic Algorithms, K-Nearest Neighbor, Memory Based Reasoning and Naive-Bayes. The accounting information system, as well as bringing different perspectives to the development of data mining and has contributed to the adaptation to the business. In this study, examines data mining which is a business intelligence technology and accounting information system relationship and d the intersection points with each other. Study covers the definition of data mining, applications, and informations concerning the methods, with overall structure of accounting information system, data-information flow and reporting

Keywords

Data Mining, Accounting Information System, Data, Knowledge, Reporting

References

• AKPINAR, H., (2000), Veritabanlarında Bilgi Keşfi ve Veri Madenciliği, İ.Ü. işletme Fakültesi Dergisi, C.29, S.2, Nisan.
• ALKAN, A., (2007), Finansal Uygulamalarda Veri Madenciliği, TBD İstanbul Bilişim Kongresi, 08 Haziran 2007, s.1-48.
• ARGÜDEN Y. ve ERŞAHİN, B., (2008), Veri Mandenciliği, Veriden Bilgiye Masraftan Değere, Ar-ge Danışmanlık Yayınları, No.10, 1.Basım, Kasım, İstanbul.
• AŞLIYAN R., GÜNEL, K., (2010), Metin İçerikli Türkçe Dokümanların Sınıflandırılması, Akademik Bilişim’10, XII. Akademik Bilişim Konferansı Bildirileri, 10-12 Şubat, Muğla Üniversitesi.
• AYRE, Lori B., (2006), Data Mining for Information Professionals, june 2006, http://citeseerx.ist.psu.edu/viewdoc/download ?doi=10.1.1.105.2789&rep=rep1&type=pdf, (Erişim Tarihi: 18.11.2012).
• AZMY, A., (2004), SuperQuery; Data Mining for Everyone, http://www.azmy.com/wp1.htm, Last Revised:03.06.2004, (Erişim Tarihi: 18.11.2012)
• BAĞCI Hasan, (2009), Yolsuzluklarla Mücadelede Veri Madenciliği, http://www.alomaliye.com/2009/hasan_bagci_yolsuzlukla.htm, (Erişim Tarihi: 10.11.2012).
• BAYKAL A., (2006), Veri Madenciliği Uygulama Alanları, D.Ü.Ziya Gökalp Eğitim Fakültesi Dergisi 7, 95-107
• BERRY, M. ve LINOFF, G., S., (2002), The Art and Science Of Customer Relationship, Industrial Management & Data Systems, s.100/5.
• BİRANT, Derya, KUTİ Alp, VENTURA, Medi, ALTINOK, Hakan, ALTINOK, Benal, ALTINOK, Elvan, IHLAMUR, Murat, (2010) İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi, Akademik Bilişim, 10-12 Şubat 2010, Muğla Üniversitesi, http://ab.org.tr/ab10/bildiri/112.pdf, (Erişim Tarihi: 05.12.2012).
• BRACKETT, Michael H., (1999), Business Intelligence, Value Chain, DM Review. BROWN, M., (2012)
• Data mining techniques,http://www.ibm.com/developerworks/opensource/library/ba-data-mining techniques/index.html?ca=drs- (Erişim Tarihi: 01.11.2012)
• CHUNG, H. M., GRAY, P. (1999), Special Section: Data Mining, Journal of Management Information Systems, s:16/1
• D.H.S.(U.S. Department of Homeland Security), (2007), 2007 Data Mining Report-DHS Privacy Office Response to House Report 109-699, 2007 Report to Congress on the Impact of Data Mining Technologies on Privacy and Civil Liberties, Hugo Teufel III-Chief Privacy Officer, WashingtonDC.
• DICK S., MEEKS, A., LAST, M., BUNKE, H. ve KANDEL, A., (2004), Data Mining İn Software Metrics Databases, Fuzzy Sets and Systems, 145/1.
• DUNHAM M., (2002), Data Mining, Introductory and Advanced Topics, Companion slides for the text Prentice Hall.
• EZERÇE, A., (2008) Müsteri İlişkileri Yönetimi (CRM) ve Veri Madenciliği (Data Mining): Tekstil Sektöründe Bir Uygulama, İ.Ü., Sosyal Bilimler Enstitüsü, Sayısal Yöntemler Bilim Dalı, Yüksek Lisans Tezi, İstanbul.
• FELDMAN R. ve SANGER, J., (2007), The Text Mining Handbook, Advanced Approaches in Analyzing Unstructured Data, Cambridge Universitesi Yayınları, s.85, 87
• GENÇER, M., (2007), Bilişim ve Kurumsal Zeka, XII Türkiye'de Internet Konferansı Makaleler Kitabı, 8-10 Kasım 2007, Ankara.
• GÜLEÇ, F., Mehmet, (2007), Kurumsal Verilerin Yapay Zekâ Modelleri ile İşlenmesi için Modelleme Aracı Alt Yapı Tasarım Ve Gerçekleştirimi Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği ABD, Yüksek Lisans Tezi.
• GÜRGEN, G., (2008), Birliktelik Kuralları ile Sepet Analizi ve Uygulaması, M.Ü. Sosyal Bilimler Enstitüsü, İstatistik Bilim Dalı, Yüksek Lisans Tezi, İstanbul.
• GÜRÜLER, H., (2005), Veri Tabanları Üzerinde Veri Madenciliği Uygulaması, Muğla Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• GÜRÜNLÜ B., 2009, http://www.iszekam.net/post/2009/05/17/Is-Zekasinda-Kullanilan- Veri-Madenciligi-Modelleri-2.aspx (Erişim Tarihi: 01.11.2012).
• HAIR, Joseph F., RONALD L. Tahtam, ROLPH E. Anderson, WILLIAM Black, (1998), Multivariate Data Analysis, New Jersey: Prentice Hall.
• HAN, J., KAMBER, M. (2001), Data Mining Concepts And Technques, Second Edition, Morgan- Kaufmann Academic Press Elsevier Inc., ABD.
• HEDELİN, L., ve ALLWOOD, C. M. (2002), IT and strategic decision making, Industrial Management & Data Systems, 102(3/4), 125.
• JACKSON, J., (2002), Data Mining: A Conceptual Overview, Communications of the Association for Information Systems, V.8, s.267-296.
• KARAGÜL, Arman Aziz; (2005), Bilgi Yönetimi, Kurumsal Kaynak Planlaması ve Muhasebe Bilgi Sistemi Çerçevesinde Muhasebe Eğitimi, Türkiye 24. Muhasebe Eğitimi Sempozyumu, Muğla.
• KARAKAYA M.,(1999), Muhasebe Teknikleri, Tutibay Yayınları, Ankara.
• KAYA H., KÖYMEN K., (2008), Veri Madenciliği Kavramı Ve Uygulama Alanları, Doğu Anadolu Bölgesi Araştırmaları.
• KAYNAR, Y., (2010), Muhasebe Bilgi Sisteminde Üretilen Temel Performans Göstergelerinin (Key Performan Indıcators) Karar Verme Süreçlerinde Kullanılması, G.Ü.Sosyal Bilimler Enstirüsü, Muhasebe Finansman Bilim Dalı, Yüksek Lisans Tezi, Ankara.
• KOLAY, G., (2006), İşletmelerde Bilgi Sistemleri Verimliliğini Arttırmada Veri Madenciliği Yönetimi: Bir Simülasyon Çalışması, Zonguldak Karaelmas Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, s.23.
• KOLYİĞİT Ö., AŞLIYAN, R., GÜNEL, K., (2012), Türkçe Dokümanlar İçin Yazar Tanıma, Uşak Üniversitesi Akademik Bilişim Konferansı, http://ab.org.tr/ab12/bildiri/124.pdf (Erişim Tarihi: 05.02.2013).
• KOYUNCUGİL, A., S., (2008), Borsa Şirketlerinin Risk Bazlı Gözetimine Yönelik Veri Madenciliğine Dayalı Metodoloji ve Sistem Önerisi, Ankara, Sermaye Piyasası Kurulu Araştırma Raporu, Araştırma Dairesi.
• KURT, T., (2004), An Introduction to Data Mining, http://www.thearling.com/text/dmwhite/dmwhite.htm, (Erişim Tarihi: 05.11.2012)
• LIAO, S., H., (2003), Knowledge Management Technologies and applications-Literature review from 1995 to 2002. Expert System with Application, 25.
• ÖZEKES S., (2003), Veri Madenciligi Modelleri Ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 2(3):65-82.
• ÖZMEN, Şule, İs Hayatı Veri Madenciliği ile İstatistik Uygulamalarını Yeniden Keşfediyor, http://idari.cu.edu.tr/sempozyum/bil38.htm, (Erişim Tarihi: 16.10.2012)
• RAHMAN, Mohd S.,A., (2008) Utilisation of Data Mining Technology within the Accounting Information System in the Public Sector: A Country Study – Malaysia, School of Accounting and Corporate Governance Faculty of Business University of Tasmania.
• ROMNEY M. ve STEINBART Paul J., (2000), Accounting Information Systems, 8th ed., Prentice Hall,Inc., New Jersey.
• SEVİM, A., (2008), Muhasebe Bilgi Sistemi Temel Yapısı, http//home.anadolu.edu.tr/~asevim/docs/mbsnin_temel_yapisi.pdf, (Erişim Tarihi: 26.11.2012).
• SEYREK, İbrahim, H. ve ATA, A., (2010), Veri Zarflama Analizi ve Veri Madenciliği ile Mevduat Bankalarında Etkinlik Ölçümü, BDDK Bankacılık ve Finansal Piyasalar, Cilt:4, Sayı:2.
• SİYAH, B., (2012), Naive Bayes İle Spor Metinlerini Sınıflandırma, Çalışma Özeti, 2 Ocak 2012 http://www.bulentsiyah.com/naive-bayes-ile-spor-metinleri-siniflandirma/, (Erişim tarihi: 21.11.2012).
• SÜRMELİ, Fevzi (Editör) (2005), Muhasebe Bilgi Sistemi, Anadolu Üniversitesi Yayın No:1644, Eskişehir.
• TERZİ, S., (2012), Hile ve Usulsüzlük Tespitinde Veri Madenciliği Kullanımı, Muhasebe Finansman Dergisi, Nisan 2012.
• THURAISINGHAM, B., (1999), Data Mining Technologies, Techniques, Tools and Trends CRC Press LLC, USA, s.1.DUNHAO CROWS CORPORATION (1999), Introduction to Data Mining and Knowledge Discovery, http://www.twocrows.com/intro-dm.pdf, (Erişim Tarihi: 19.11.2012)
• ULUCAN Ö., PEKTEKİN, P., (2009), Muhasebe Yolsuzluklarının Tespitinde Adli Muhasebecinin Rolü Ve Veri Madenciliği Tekniklerinin Kullanılması, Muhasebe Bilim Dünyası Dergisi, Sayı 4.
• USGURLU, Ümit B., Bilgisayar Mühendisliği Yönetim Bilişim Sistemleri http://mail.baskent.edu.tr/~20394676/0302/bil483/HW2.pdf, (Erişim Tarihi: 09.11.2012)
• VAHAPLAR, A., İNCEOĞLU, M., (2001), Veri Madenciliği ve Elektronik Ticaret, Türkiye’de İnternet Konferansları, Harbiye İstanbul.
• YALÇIN, Esin, C., (2008), Proses İyileştirme Çalışmalarında Veri Madenciliği Yaklaşımının Kullanılması Üzerine Bir Çalışma, Sosyal Bilimler Enstitüsü Ekonometri Anabilim Dalı Ekonometri Programı, Yüksek Lisans Tezi, s.134.
• YARALIOĞLU, K., (2005), Veri Madenciliği, http://www.deu.edu.tr/userweb/k.yaralioglu/dosyalar/ver_mad.doc, (Erişim Tarihi: 12.03.2013).