Prescriptive analytics (Türkçe kullanımıyla Kuralcı Analitik veya buyurgan analitik), geçmiş veriler ve tahminsel modeller üzerine kurularak “ne yapmalıyız” sorusuna somut öneriler üreten veri analizi yaklaşımıdır. Descriptive, diagnostic ve predictive analitiğin ürettiği bilgiyi optimizasyon algoritmaları ve karar kurallarıyla birleştirerek, belirli bir hedefe ulaşmak için hangi aksiyonun alınması gerektiğini önerir. Dört analitik türü arasında en ileri düzeyde olanıdır çünkü sadece geleceği öngörmekle kalmaz, o geleceğe göre ne yapılacağını da belirler.
Kurumsal veri stratejilerinde son birkaç yıldır sıkça geçen bir kavram olan prescriptive analytics, özellikle yapay zeka destekli karar sistemlerinin yaygınlaşmasıyla birlikte CIO ve BI liderlerinin gündemine daha fazla giriyor. Ancak Türkçe kaynakların büyük bölümü bu konuyu yalnızca sözlük tanımı seviyesinde ele alıyor ve karar vericilerin asıl merak ettiği soruyu, yani kuruluşun bu yaklaşıma ne zaman hazır olduğunu, büyük ölçüde atlıyor. Bu yazı, prescriptive analytics kavramını tanımlamanın ötesine geçerek somut bir değerlendirme çerçevesi sunuyor.
Prescriptive Analytics Nedir?
Prescriptive analytics, veri analitiğinin dört temel türünden sonuncusu ve en olgunlaşmış olanıdır. Diğer üç tür soruları sırasıyla “ne oldu”, “neden oldu” ve “ne olabilir” şeklinde cevaplarken, prescriptive analytics “ne yapmalıyız” sorusuna odaklanır.
Dört analitik türü şu şekilde sıralanır:
Descriptive analytics geçmişte yaşanan olayları özetler ve raporlar. Diagnostic analytics bu olayların arkasındaki nedenleri araştırır. Predictive analytics (öngörücü analitik) geçmiş verilerden yola çıkarak gelecekteki olası sonuçları tahmin eder. Prescriptive analytics ise bu tahminleri alıp, optimizasyon algoritmaları, iş kuralları ve bazen makine öğrenmesi modelleriyle birleştirerek somut bir aksiyon önerisi üretir.
Kavramın önemli bir yönü, sadece istatistiksel tahminden ibaret olmamasıdır. Prescriptive analitik çözümleri, kısıtlar, hedefler, belirsizlikler ve ödünleşimler gibi çeşitli faktörleri hesaba katan matematiksel modeller ve optimizasyon algoritmaları kurarak en iyi iş sonucuna götürecek kararları önerir. Bu, sistemin yalnızca “büyük ihtimalle şu olacak” demediği, aynı zamanda “bu durumda şunu yapmalısınız” dediği anlamına gelir.
Kurumsal bağlamda bu fark kritik önemdedir. Bir CIO için tahmin tek başına yeterli değildir; tahminin operasyonel bir karara dönüşmesi gerekir. Prescriptive analytics tam olarak bu dönüşümü sağlayan katmandır.
Prescriptive Analytics ile Predictive Analytics Arasındaki Fark Nedir?
Predictive analytics geleceği tahmin eder, prescriptive analytics ise o tahmine göre ne yapılması gerektiğini önerir. Aradaki fark sadece çıktı türünde değil, kapsam ve yaklaşımda da kendini gösterir. Karar vericilerin bu iki yaklaşımı karıştırması, yatırım önceliklerinin yanlış belirlenmesine yol açabilir.
Predictive analytics genellikle işletmenin sınırlı yönlerine odaklanırken, prescriptive analytics iş fonksiyonları arasındaki karşılıklı bağımlılıkları da hesaba katar. Bu nedenle prescriptive analytics projeleri, tek bir departmanı değil, birden fazla iş birimini etkileyen kararlar için daha uygundur.
Aşağıdaki tablo iki yaklaşımı kurumsal karar açısından karşılaştırıyor.
| Kriter | Predictive Analytics | Prescriptive Analytics |
|---|---|---|
| Temel soru | Ne olabilir? | Ne yapmalıyız? |
| Çıktı | Olasılık ve tahmin | Somut aksiyon önerisi |
| Kapsam | Genellikle tek bir iş fonksiyonu | Fonksiyonlar arası bağımlılıklar |
| Karar otomasyonu | Düşük, insan yorumuna bağımlı | Orta-yüksek, karar desteğine veya otomasyona uygun |
| Gerekli altyapı olgunluğu | Temiz geçmiş veri, istatistiksel model | Predictive katman artı optimizasyon motoru veya kural motoru |
| Tipik kullanım alanı | Talep tahmini, churn olasılığı | Kaynak tahsisi, fiyatlandırma optimizasyonu, bakım planlama |
Bu tablo aynı zamanda bir kuruluşun hangi aşamada olduğunu görmesine yardımcı olur. Predictive analitik altyapısı henüz oturmamış bir kurum için doğrudan prescriptive analytics’e geçmek genellikle verimsizdir.
Prescriptive Analytics Hangi İş Süreçlerinde Kullanılır?
Prescriptive analytics, birden fazla iş fonksiyonunda somut fayda sağlar ve bu faydalar genellikle maliyet azaltma veya risk yönetimi şeklinde ölçülebilir. Kullanım alanları sektöre göre değişse de, temel mantık aynıdır: tahmine dayalı bir öneri, operasyonel bir karara dönüştürülür.
Kuruluşlar prescriptive analytics’i müşteri segmentasyonu, churn tahmini, dolandırıcılık tespiti, risk değerlendirmesi, talep tahmini, prescriptive bakım ve kişiselleştirilmiş öneriler gibi çok çeşitli görevler için kullanıyor. Bu çeşitlilik, yöntemin belirli bir sektöre özgü olmadığını, genel bir karar destek katmanı olarak konumlandığını gösteriyor.
Operasyonel verimlilik tarafında, prescriptive maintenance yaklaşımı sensör verilerini (sıcaklık, titreşim, basınç gibi) analiz ederek arıza oranlarını tahmin eder, böylece tesis yöneticileri ekipmanlarına proaktif olarak bakım yapabilir. Bu, reaktif bakımdan proaktif bakıma geçişin somut bir örneğidir ve doğrudan üretim kesintisi maliyetlerini azaltır.
Risk ve dolandırıcılık tespitinde ise sistem her işlemi ayrı ayrı değerlendirir. Prescriptive analytics, işlem tutarı, sıklık, konum ve müşteri davranışı gibi çeşitli risk faktörlerini dikkate alarak bireysel işlemlere veya varlıklara risk skoru atar ve bu sayede dolandırıcılık tespit ekipleri kaynaklarını daha etkili kullanıp yüksek riskli işlemlere odaklanabilir.
Karar vericiler için pratik çıkarım şudur: prescriptive analytics’i tek bir büyük dönüşüm projesi olarak değil, önce dar kapsamlı ve ölçülebilir bir süreçte (örneğin tek bir ürün hattında bakım optimizasyonu) pilot olarak başlatmak, yatırımın geri dönüşünü daha hızlı görünür kılar.
Prescriptive Analytics Nasıl Uygulanır?
Prescriptive analytics uygulaması, veri toplamadan model dağıtımına kadar birkaç aşamalı bir süreç izler ve her aşama bir öncekinin kalitesine bağımlıdır. Süreci atlayarak doğrudan optimizasyon modeline geçmek, güvenilmez öneriler üretir.
Süreç genellikle şu adımlarla ilerler: Önce çözülecek iş problemi net şekilde tanımlanır, çünkü model seçimi ve veri gereksinimleri probleme göre değişir. Ardından iç ve dış kaynaklardan veri toplanır ve eksik değerler, tutarsız formatlar gibi sorunlar giderilerek veri temizlenir. Bu aşamadan sonra tahmine gerçek katkı sağlayacak değişkenler seçilir veya türetilir.
Prescriptive analytics uygulamadan önce, kuruluşlar genellikle geçmiş performansı anlamak için descriptive analitik ve gelecekteki sonuçları öngörmek için predictive analitik yaparlar. Bu sıralama atlanmamalıdır; prescriptive katman, sağlam bir predictive temel olmadan güvenilir sonuç üretemez.
Model kurulduktan sonra sıra dağıtıma gelir. Modeller, gerçek zamanlı tahmin ve öneri üretebilmeleri için operasyonel sistemlere veya uygulamalara entegre edilir; bu genellikle mevcut yazılım sistemleri, API’ler veya panolarla entegrasyonu içerir. Son adım ise sürekli izlemedir, çünkü iş koşulları değiştikçe modelin de yeniden eğitilmesi gerekir.
Karar vericiler için bu adımlar, projenin zaman çizelgesini gerçekçi kurmak açısından önemlidir. Veri hazırlığı genellikle projenin en uzun süren aşamasıdır ve bu süre kısaltılmaya çalışıldığında model kalitesi düşer.
Kuruluşunuz Prescriptive Analytics’e Hazır mı?
Prescriptive analytics’e geçiş kararı, üç temel ön koşulun karşılanıp karşılanmadığına göre değerlendirilmelidir: veri olgunluğu, mevcut predictive altyapı ve karar sürecinin optimize edilebilir olması. Bu koşullardan biri eksikse, prescriptive analytics yatırımı beklenen sonucu vermez.
Aşağıdaki kriterler kuruluşunuzun hazır olup olmadığını değerlendirmenize yardımcı olabilir.
Ne zaman uygulamaya değer: Kuruluş zaten predictive modeller kullanıyor ve bu modellerin çıktıları düzenli olarak iş kararlarına dönüştürülüyorsa, karar süreci birden fazla değişken ve kısıt içeriyorsa (örneğin fiyatlandırma, envanter, kapasite planlaması gibi), ve karar hacmi insan tarafından tek tek değerlendirilemeyecek kadar yüksekse.
Ne zaman erken: Kuruluş henüz temel veri kalitesi sorunlarıyla uğraşıyorsa, descriptive raporlama süreçleri bile tutarsızsa, veya karar süreci zaten az sayıda değişkenle basitçe yönetilebiliyorsa. Bu durumda önce predictive analitik altyapısını olgunlaştırmak, prescriptive katmana geçmekten daha yüksek getiri sağlar.
Pratik bir test şudur: eğer bir kuruluş şu anda predictive modellerin çıktısını manuel olarak yorumlayıp karar veriyorsa ve bu yorumlama süreci tekrarlayan, kural bazlı bir yapıya sahipse, prescriptive analytics bu adımı otomatikleştirmek için doğru zamanlamadır.
Sık Sorulan Sorular
Prescriptive analytics ile predictive analytics arasındaki temel fark nedir? Predictive analytics geleceğin ne olabileceğini tahmin eder, prescriptive analytics ise bu tahmine dayanarak hangi aksiyonun alınması gerektiğini önerir. Predictive analitik genellikle tek bir iş fonksiyonuna odaklanırken, prescriptive analitik fonksiyonlar arası bağımlılıkları da hesaba katar.
Prescriptive analytics uygulamak için hangi ön koşullar gereklidir? Temiz ve güvenilir bir veri altyapısı, çalışan bir predictive analitik katmanı ve optimize edilebilir, birden fazla değişken içeren bir karar süreci gereklidir. Bu üçü olmadan prescriptive analytics projeleri genellikle beklenen getiriyi sağlamaz.
Prescriptive analytics hangi sektörlerde en çok kullanılır? Perakende, üretim, finansal hizmetler ve sağlık sektörlerinde yaygın olarak kullanılır. Perakendede talep tahmini ve fiyatlandırma, üretimde bakım planlaması, finansal hizmetlerde ise risk ve dolandırıcılık tespiti öne çıkan kullanım alanlarıdır.
Prescriptive analytics tüm kararları otomatikleştirir mi? Hayır, birçok durumda insan yorumu ve müdahalesi hâlâ gereklidir. Sistem bir öneri sunar, ancak nihai kararın insan tarafından onaylanması veya bağlama göre ayarlanması yaygın bir uygulamadır.
TL;DR
Prescriptive analytics, tahminlere dayanarak somut aksiyon önerileri üreten, dört analitik türünün en olgun olanıdır. Predictive analitikten farkı, sadece “ne olabilir” demek yerine “ne yapmalıyız” sorusuna cevap vermesidir. Churn tahmini, bakım planlaması, dolandırıcılık tespiti ve fiyatlandırma optimizasyonu gibi alanlarda kurumsal değer üretir. Uygulama süreci veri toplama, descriptive ve predictive analitik, optimizasyon modeli kurma ve sürekli izleme adımlarını içerir. Kuruluşların prescriptive analytics’e geçmeden önce predictive altyapılarının olgunluğunu ve karar süreçlerinin karmaşıklığını değerlendirmesi gerekir. Türkçe kaynaklarda hâlâ standart bir terminoloji oluşmamıştır; reçeteleyici, öngörücü ve normatif analitik ifadeleri birbirinin yerine kullanılmaktadır.
Sonuç
Prescriptive analytics, veri analitiğinin dört türü arasında en fazla operasyonel etki potansiyeline sahip olanıdır çünkü tahmini doğrudan bir karara dönüştürür. Ancak bu potansiyelin gerçekleşmesi, kuruluşun veri olgunluğuna ve mevcut predictive altyapısına bağlıdır. Doğru sırayla ilerlemeyen, yani descriptive ve predictive katmanları atlayarak doğrudan prescriptive modele geçen projeler genellikle güvenilmez sonuçlar üretir.
Kuruluşunuzda halihazırda kullanılan predictive modelleri, bu yazıdaki üç hazırlık kriterine (veri olgunluğu, predictive altyapı, karar karmaşıklığı) göre değerlendirerek başlayın. Bu değerlendirme, prescriptive analytics yatırımının hangi süreçte en yüksek getiriyi sağlayacağını netleştirecektir.