VERİ ANALİTİĞİ VE KARAR VERME: MATEMATİKSEL MODELLERİN İŞLETMELERDE KULLANIMI
DATA ANALYTICS AND DECISION-MAKING: APPLICATIONS OF MATHEMATICAL MODELS IN BUSINESS OPERATIONS
Özet Görüntüleme: 13
/ 
PDF İndirme: 8
DOI:
https://doi.org/10.5281/zenodo.16968627Anahtar Kelimeler:
Veri analitiği, matematiksel modeller, karar verme, işletme yönetimi, optimizasyon.Özet
Günümüz iş dünyasında küresel rekabet koşulları, işletmelerin hızlı, doğru ve veriye dayalı kararlar almasını zorunlu kılmaktadır. Bu bağlamda veri analitiği ve matematiksel modeller, yalnızca teknik bir araç değil, aynı zamanda stratejik yönetim süreçlerinin ayrılmaz bir bileşeni olarak görülmektedir. Bu çalışma, veri analitiği yöntemleri ile matematiksel modelleme tekniklerinin işletmelerin stratejik ve operasyonel karar alma mekanizmalarına nasıl entegre edildiğini kapsamlı şekilde incelemektedir. Özellikle optimizasyon, regresyon analizi, karar ağaçları, makine öğrenmesi ve simülasyon gibi yöntemlerin uygulama alanlarına odaklanılmıştır. Çalışmada ayrıca yapay zekâ ve büyük veri teknolojilerinin karar destek sistemlerine entegrasyonu, işletmelere sağladığı rekabet avantajı ve operasyonel verimlilik boyutlarıyla ele alınmaktadır. Bulgular, işletmelerin veri temelli karar mekanizmaları geliştirmesinin riskleri minimize ettiğini, kaynak kullanımını optimize ettiğini ve uzun vadeli sürdürülebilir başarı sağladığını göstermektedir. Bununla birlikte veri kalitesi, analitik altyapı ve insan kaynağı yetkinliklerinin bu süreçlerin etkinliği üzerindeki belirleyici etkisi vurgulanmaktadır. Sonuç olarak, işletmelerin veri analitiği ve matematiksel modelleme konularında teknik, stratejik ve insan kaynağı boyutlarını kapsayan bütüncül bir yaklaşım benimsemeleri gerekliliği ortaya konmaktadır.
Referanslar
Bazerman, M. H., & Moore, D. A. (2013). Judgment in Managerial Decision Making (8th ed.). Wiley.
Bhimani, A. (2020). Big Data, Analytics and the Future of Accountancy. Routledge.
Bihani, P., & Patil, A. (2014). A Comparative Study of Data Analytics Tools. International Journal of Advanced Research in Computer Science and Software Engineering, 4(6), 216-220.
Blum, W., & Niss, M. (1991). Applied mathematical problem solving, modelling, applications, and links to other subjects-State, trends and issues in mathematics instruction. Educational Studies in Mathematics, 22(1), 37-68. https://doi.org/10.1007/BF00302716
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165-1188. https://doi.org/10.2307/41703503
Chen, M., Mao, S., Zhang, Y., & Leung, V. C. (2014). Big Data: Related Technologies, Challenges and Future Prospects. SpringerBriefs in Computer Science. https://doi.org/10.1007/978-3-319-04919-8
Chong, A. Y. L., & Shi, Y. (2021). Big data analytics for supply chain management: A review and research agenda. International Journal of Production Economics, 235, 108103. https://doi.org/10.1016/j.ijpe.2021.108103
Davenport, T. H. (2010). Analytics at Work: Smarter Decisions, Better Results. Harvard Business Press.
Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Press.
Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review, 96(1), 108-116.
Eykhoff, P. (1974). System Identification: Parameter and State Estimation. Wiley-Interscience.
Fitz-enz, J., & Mattox, J. R. (2014). Predictive Analytics for Human Resources. Wiley.
Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review, 1-15. file:///C:/Users/User/Downloads/c8d3cba5-8f10-4a00-894c-3a3b886ad844.pdf, 10.06.2025
Gandomi, A., & Haider, M. (2015). Beyond the Hype: Big Data Concepts, Methods, and Analytics. International Journal of Information Management, 35(2), 137-144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007
Giordano, F. R., Weir, M. D., & Fox, W. P. (2014). A First Course in Mathematical Modeling (5th ed.). Brooks Cole.
Gonzalez-Feliu, J., & Morana, J. (2020). Sustainable Urban Logistics: Concepts, Methods and Information Systems. Springer.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hillier, F. S., & Lieberman, G. J. (2021). Introduction to Operations Research (11th ed.). McGraw-Hill Education.
Hull, J. C. (2018). Options, Futures, and Other Derivatives (10th ed.). Pearson Education.
Kantardzic, M. (2020). Data Mining: Concepts, Models, Methods, and Algorithms (3rd ed.). Wiley.
Kaplan, D. (1997). Structural Equation Modeling: Foundations and Extensions. Sage Publications.
Kotler, P., & Keller, K. L. (2019). Marketing Management (15th ed.). Pearson Education.
Logan, J. D. (2013). Applied Mathematics (4th ed.). Wiley.
Mintzberg, H., Raisinghani, D., & Théorêt, A. (1976). The structure of “unstructured” decision processes. Administrative Science Quarterly, 21(2), 246-275. https://doi.org/10.2307/2392045
Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking. O'Reilly Media, Inc.
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Saaty, T. L. (2008). Decision Making with the Analytic Hierarchy Process. International Journal of Services Sciences, 1(1), 83-98.
Saltelli, A., Chan, K., & Scott, E. M. (2000). Sensitivity Analysis. Wiley.
Shmueli, G. et al. (2020). Data Mining for Business Analytics. Wiley.
Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2020). Data Mining for Business Analytics: Concepts, Techniques, and Applications in Python (3rd ed.). Wiley.
Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain: Concepts, Strategies, and Case Studies (3rd ed.). McGraw-Hill.
Simon, H. A. (1960). The New Science of Management Decision. Harper & Brothers.
Simon, H. A. (1977). The Structure of Ill-Structured Problems. Artificial Intelligence, 4(3-4), 181-201. https://doi.org/10.1016/0004-3702(73)90011-7
Smith, J., & Anderson, H. (2020). AI and Customer Behavior Prediction in E-Commerce. Journal of Retail Analytics, 16(2), 35-42.
Taha, H. A. (2017). Operations Research: An Introduction (10th ed.). Pearson.
UPS. (2022). 2022 Corporate Sustainability Report. https://www.ups.com/sustainability
Wedel, M., & Kamakura, W. A. (2012). Market Segmentation: Conceptual and Methodological Foundations (2nd ed.). Springer.
Winston, W. L. (2004). Operations Research. Duxbury Press.
Winston, W. L., & Goldberg, J. B. (2004). Operations Research: Applications and Algorithms (4th ed.). Duxbury Press.
Zarsky, T. Z. (2016). Incompatible: The GDPR in the Age of Big Data. Seton Hall Law Review, 47(4), 995-1020.
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Socrates Journal of Interdisciplinary Social Researches
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
