ERP YAZILIMI KULLANAN VE KULLANMAYAN LETMELER ARASINDAK YNETMSEL VE TEKNOLOJK FARKLILIKLARIN TANIMLAYICI VER MADENCL YNTEMLERYLE NCELENMES

Betl YAVAOLU* Ahmet Selman BOZKIR

*Gazi niversitesi Biliim Enstits Ynetim Biliim Sistemleri, Ankara, TRKYE E-mail: byavasoglu@gmail.com Hacettepe niversitesi Bilgisayar Mhendislii Blm, Ankara, TRKYE E-mail: selman@cs.hacettepe.edu.tr

ZET
ERP (Enterprise Resource Planning Kurumsal Kaynak Planlama) yazlmlar, irket gereksinimlere gre tasarlanm, esnek ve retim/hizmet gibi konularda yksek verim hedefleyen gelimi yazlm zmleridir. Bu almada tanmlayc veri madencilii yntemlerinden kmeleme ve birliktelik kurallar analizi ile kurumlarn ERP kullanmalar halinde kazanlarnn ne olaca, gei ncesinde ne gibi altyapsal unsurlara sahip olmalar gerektii ortaya karlmaya allmtr. Kmeleme almasnda ERP sistemlere sahip olan ve olmayan kurumlar arasndaki doal farkllklar ortaya karlmtr. Sonulara bakldnda gncel kapasite kullanm oranlarnn ve baz departmanlara sahip olma yzdesinin ERP sistemlere sahip olma ile yksek derecede pozitif korelasyon gsterdii tespit edilmitir. te yandan, birliktelik kurallar analizi ile ERP sistemlere sahip olan ve olmayan iletmelerde sklkla gzlemlenen kurallar karlmtr. Anahtar kelimeler: ERP, Veri Madencilii, Kmeleme, Birliktelik Kurallar Analizi

INVESTIGATION OF EFFECTS OF ERP SOFTWARES IN COMPANIES VIA DESCRIPTIVE DATA MINING METHODS ABSTRACT
ERP (Enterprise Resource Planning) softwares are the advanced solutions which tailored for whole enterprise needs and target high efficiency in production & service issues. In this study, the benefits of ERP upgrading in enterprises and the required infrastructural issues prior to this upgrading are revealed by descriptive data mining methods. For this purpose, clustering and association rules mining methods are employed. As the clustering results show that, recent capacity usage ratios and owning some departments have high correlations with ERP having condition. On the other hand, frequently observed patterns in case of with/without ERP are extracted by association rules mining. Key Words: ERP, Data Mining, Clustering, Associaton Rules Analysis

1. GR
Enterprise Resource Planning (ERP) yazlmlar, tanm olarak iletme iindeki materyal, bilgi ve finansal kaynak aklarnn ortak bir veritaban zerinden yrtlmesini salayan, i sreleri ve bilgi teknolojilerinin biraraya getirilmesiyle retilmi entegre yazlm sistemleridir [1]. Bununla birlikte ERP yazlmlar, iletme gereksinimlerine cevap veren, esnek, parametrik ve retim/hizmet gibi konularda yksek verim hedefleyen zmlerdir. ERPnin k, 60l yllarn sonlarnda retim ve datm irketlerinin stoklarn daha salkl ynetebilmek ve malzeme tedariklerini planlayabilmek iin kullandklar MRP (Material Requirements Planning Malzeme htiya Planlamas) yazlmlarnn douu ile balamaktadr. lerleyen yllarla birlikte ek modllerin de (retim ve kapasite planlamas, finans ve pazarlama) eklenmesiyle MRP IIye geilmi, 90l yllara gelindiinde ise muhasebe, lojistik ve retimle ilgili yeni zelliklerin dahil edilmesiyle birlikte bu yazlm teknolojisi evrimleerek ERP adn almtr [2,6]. Ancak, zellikle 2000 ylndan sonra ok hzl byme sergileyen internet ve uygulamalar, nemi daha ok artan mteri ilikileri ynetimi ve modern dnyann kahini saylan veri madenciliinin i

srelerine girmi hali olan i zekasnn ERPye dahil olmas ile ERP gelierek ERP II ortaya kmtr. Grld zere ERP srekli evrimlemi ve gelimitir ve her seferinde iletmelerdeki sahas ve rol daha da artmtr. Ancak bu geliimle birlikte iletmelerin ERPye terfi etme karar almalar eskiye nazaran zorlamtr. Cebeciye [3] gre ERP yazlmlarnn yksek maliyeti, olas entegrasyon sorunlar ve personel adaptasyonu gibi konular iletmeler asndan risk tekil etmektedir. Ayn zamanda, Saatcioglu [4], ERP yazlmlarn hem karmak olarak nitelendirmi hem de bu sistemlerin para, zaman ve deneyim konularnda ciddi yatrm gerektirdiinin altn izmitir. Buna karn Wu [5], ERPye geiin tamamlanmasyla elde edilecek faydalar gz nne alndnda birok iletmenin ERPye scak baktn ve bu riski gze alarak ERPye terfi ettiini belirtmitir. Bu noktada, iletmeler asndan ERPye terfi ncesinde ERPnin kurum iin ne derece gerektii, kuruma kazandraca faydalar ve iletmenin bu dnm iin gerekli altyapsal unsurlara sahip olup olmad ncelikle sorgulanmas gereken noktalar olarak ortaya kmaktadr. Literatr incelendiinde, ERPye gei halinde elde edilecek faydalar ve adaptasyon konular eitli almalarda sklkla ilenmektedir. Bir rnek olarak Buonanno v.d. [7], kk-orta lekli iletmeler ve byk iletmelerin ERPye adaptasyon srecinde yaadklar farkllklar ortaya koymutur. Ancak konuyla ilgili literatr taramas yapldnda gnmzn nemli veri analiz enstrmanlarndan biri olan veri madencilii yntemlerinin yer ald bir almaya rastlanlmamtr. Bu almada, kurumlarn ERP sistemine gemeleri halinde kazanmlarnn ne olaca ve gei ncesinde hangi altyapsal unsurlara sahip olmalar gerektii, gnmzde nemi daha da artmakta olan veri madencilii yntemlerinden kmeleme ve birliktelik analizi yardmyla ortaya karlmaya allmtr. alma kapsamnca, nceden yaplan bir anket almasndan elde edilen veriler nda, ERP yazlmna sahip olan/olmayan yurtii iletmelerin profilleri ve ERP hakkndaki grleri elde edilmi, sonrasnda kmeleme analizi ile ERPye terfi etmi/etmemi iletmeler arasndaki farkllklar belirlenmeye allmtr.. kinci safhada birliktelik kurallar (association rules) yntemi kullanlarak, kurumlarn ERPye sahip olma/olmama deikeninin dier deikenlerle birlikte gzlemlenen birliktelik rntleri ortaya karlmtr.

2. VER MADENCL
Veri madencilii tanm olarak byk miktarda veri iersindeki anlaml rnt ve bilginin istatistik, yapay zeka ve makine renmesi gibi yntembilimler nda akll algoritmalar yardmyla kefedilmesi srecidir [8]. Veri madencilii yntemleri temelde iki gruba ayrlmaktadr. lk yntem grubu olan kestirimsel yntemlerde ama, eldeki mevcut verinin yardmyla hi grlmemi rneklerin tahmin edilmesi iken tanmlayc yntemlerde ama veri iersindeki anlaml ilikilerin, korelasyonlarn ve rntlerin ortaya karlmasdr. Karar/regresyon aalar, destek vektr makineleri ve yapay sinir alar gibi yntemler kestirimsel yntemlerde yer alrken, almada kullanlan kmeleme ve birliktelik kurallar analizi, tanmlayc veri madencilii grubuna ye yntemlerdir. Kmeleme, en basit tarifiyle nesneleri zelliklerine gre verilen bir sayda gruba ayrma ilemidir [9]. Kmeleme yntemlerinin temeli uzaklk ilkesine dayaldr. rneklemdeki nesnelerin her bir nitelii bir boyut olarak ele alnr, nesne bu n boyutlu uzayda bir nokta olarak konumlandrlr. kinci aamada uzaklk tabanl (r: klid) kmeleme algoritmas bu noktalardan verilen kme says kadar noktay balang iin rasgele seer ve bunlar ilk kme merkezi olarak atar. Devamnda dier her seilecek noktay bu noktalara olan uzaklklarna bakarak bir kmeye atar ve o kmenin merkezini tekrardan yeni gelen rnei gzeterek hesaplar ve ilem tm noktalar bir kmeye atanana kadar srer. Kmeleme yntemleri genel olarak kat kmeleme ve esnek kmeleme olarak ikiye ayrlmaktadr. Kat kmeleme yntemlerinde (r: K-means) her bir nokta ancak ve ancak bir kmeye ait iken esnek kmeleme yntemlerinde (r: EM, bulank kmeleme) her rnek belli bir yelik derecesi ile birok kmeye ait olabilir [9]. alma kapsamnca esnek kmeleme yapabilen EM (Expectation Maximization Beklenti Enoklatrm) tabanl Microsoft Clustering (Microsoft Kmeleme) algoritmas kullanlmtr. EM algoritmas prensip olarak her bir boyut (deiken) iin bir ortalamaya

ve standart sapmaya sahip an erileri karr. Bir rnek bu erilerin altnda kald noktann yerine gre birok kmeye farkl yelik dereceleri ile atanmaktadr [9]. En yksek yelik derecesi kazanlan kme, rnein nihai atand kme olarak belirlenmektedir. Bu ekilde bir yaklamla uzaklk ltne bal kat kmeleme yerine olaslksal bir at altnda esnek kmeleme yaplabilmekte ve rneklerin yelikleri gzlemlenebilmektedir. Dier bir tanmlayc veri madencilii yntemi olan birliktelik kurallar analizi tanm olarak, veri iersinde sklkla beraber varolan rnekleri tespit etme ilemidir. Bu konuyla ilgili almalar 80li yllarda balamtr ancak u an iin literatrde en yaygn kullanlan Apriori algoritmas Agrawal ve arkadalar tarafndan ortaya konulmutur[10]. Apriori algoritmas, gerekte aa tabanl alan ve belli bir eik deerinin altnda yer alan birliktelikleri budayp, gemeyi baarabilen birlikteliklerle yola devam eden iki aamal bir algoritmadr. lk aamada sklkla grlen e kmeleri (itemsets) tespit edilirken ikinci aamada elde kalan birlikteliklerden kurallar (rules) karlr. A, B C eklinde oluan kurallarda A ve B kuraln nceli (antecedent), C ise izleyeni (consequent) eklinde adlandrlmaktadr ve A ile B varken Cde olmaktadr eklinde okunabilmektedir. Algoritmann almas iin minimum destek (her kuralda gerekli minimal rnek says) ve gven deeri (A ve B olurken Cnin de olmas olaslnn minimal yzdesi) gibi parametreler belirtilmelidir.

3. VER
almada kullanlan veri kmesi Trkiye iersinde yer alan 129 adet byk ve orta lekteki iletmelere uygulanan bir ankete dayanmaktadr. Anket iersinde 30 adet soru bulunmaktadr. Sorulardan 3 hari dierleri kategorik trdedir. Anketin gvenilirliinin bir lt olan Cronbach Alpha deeri %94tr.

izelge 1. almada kullanlan verilerin nitelikleri

Deiken Ad Faaliyet Sektr Faaliyet Alan Veri Tr Kesikli Kesikli Alabilecei Deerler malat, Hizmet, Enerji, naat, Dier Bilgisayar/Elektronik, Gda, la, KatUrunleri, Kauuk/Plastik, Kimya, Mermer, Metal, Mobilya, tomotiv,Tekstil, Dier 10dan az, 10 49, 50 249, 250den fazla 10.000 TLden az, 10.000 50.000 TL, 50.000 100.000 TL, 100.000 250.000 TL, 250.000 500.000 TL, 500.000 1.000.000 TL, 1.000.000 TLden fazla Kesinlikle Katlyorum, Katlyorum, Kararszm, Katlmyorum, Kesinlikle Katlmyorum Var - Yok

alan Says Gelir Durumu

Kesikli Kesikli

Bilgisayar Entegrasyonu

Kesikli

Geleneksel Tezgah, CNC Tezgah, zel Ama Tezgah, Otomatik retim Hatt, Robot, Servis letmesi, ISO9000-1994, ISO9000-2000, ISO14000, CE, OHSAS18001, retim Birimi , nsan Kaynaklar Birimi, Finans Birimi, Satnalma Birimi, Arge Birimi, Kalite Birimi, Birim Yok 2006 Kapasite Kullanm, 2007 Kapasite Kullanm, 2008 Kapasite Kullanm Erp Kurumda Var m?

0/1

Srekli

0 100 aras saysal deer

0/1

Var - Yok

Veri kmesi ierisinde 47 iletme ERP yazlmna sahip iken, 82 iletme byle bir teknolojiye sahip deildir. izelge 1 de grlecei zere iletmenin sektr, faaliyet alan, alan says, gelir durumu, eitli birimlere ve sertifikasyon belgelerine sahip olma durumu, 2006, 2007 ve 2008 yllarndaki kapasite kullanm oran ile son olarak ERP yazlmna sahip olma durumu sorular ankette yer almtr. Kapasite kullanm oranlarnn yer ald sorulara %15 lik bir kesim yant vermemitir.

4. YNTEM VE BULGULAR
alma kapsamnca kmeleme ve birliktelik kurallar almas yaplmtr. Kullanlan yntemlere ait algoritmalar Microsoft Analysis Services for SQL Server 2008 ierisinde yer alan Microsoft Clustering (EM tabanl) ve Apriori algoritmalardr. almann zerinde yer ald platform olarak Microsoft Analysis Servicesin seilmesinin temel nedenleri, dier baz veri madencilii paketlerinin (Orange, Weka vb..) aksine kmeleme yntemlerinde kme says verilmeksizin doal kmeleme yaplmasna olanak tanmas [9], dorudan ilikisel veritaban zerinden alabilmesi ve kaliteli grselletirme hizmetleri sunabilmesidir. te yandan kmeleme ynteminin kullanm amalar ve genel beklentiler u ekilde listelenebilir: 1. ERP sistemine sahip olan ve olmayan iletmelerin kmeleme almas yerine dorudan iki grup olarak ele alnp, deiken dalmlarnn farklarn ortaya koymak yerine doal kmeleme yaplm ve iletmelerin gerekten de sahip olduklar niteliklere gre ERPye sahip olan veya olmayan kmelerde yer alp almadklar tespit edilmitir. 2. Kme says verilmeksizin verinin gerekten de iki doal kmeye ayrlp ayrlmad gzlemlenmitir (ERPye sahip olanlar ve olmayanlar). Kmeleme analizi iin kat kmeleme yapan K-means algoritmas yerine esnek kmeleme yapan EM algoritmas tercih edilmitir. Doal kmeleme yapabilmek iin CLUSTER_COUNT parametresi 0a ayarlanarak 129 iletmenin herhangi bir maniplasyon olmakszn doal biimde kmelenmesi salanmtr. Algoritma iteratif olarak 5 defa altrlm ve her seferinde 2 adet kme elde edilmitir.

ekil 1. Kmeleme sonularndan bir kesit

Gerekte Microsoft Analysis Services sonular tek sutunda listelemektedir. Ancak bu yaynn sayfa saysnn kstl olmas nedeniyle ekil zerinde birletirme yaplarak iki sutun yan yana gelecek ekilde daha ok bilginin sunulmas amalanm ve ekil 1 elde edilmitir. ekil 1de grlecei zere 129 iletme, ilki 80 dieri 49 iletme ieren iki kmeye ayrlmtr. Birinci kmede ERP sahibi olan ve olmayan iletmeler sras ile %54 ve %46 olarak belirlenmitir. kinci kmede ise ERP sahibi olmayan iletmeler younluktadr ve %87 seviyesindedir. Bundan yola klarak ikinci kmenin ERP sahibi olmayan iletmeleri temsil edebilecei, ilk kmenin ise homojen bir dalma sahip olduu varsaym ile yorumlamalar yaplm ve izelge 2de sunulmutur.

izelge 2. Kmeleme sonras elde edilen bulgular

ERP sahibi iletmeler (Kme 1) 2006, 2007 ve 2008 kapasite kullanm oranlar kme 2ye nazaran daha yksek kmtr. alan says %50ye yakn oranda 50-250 kii arasndadr. Gelir, %70 orannda 1.000.000 TL ve zeridir. Faaliyet sektr kme 2dedaha eit dalm gsterirken bu kmedeki iletmeler byk oranda imalat sektrnde yer almaktadr. %100 finans birimine sahiptir. Arge birimine %45 orannda sahiptir. Kalite birimine %90 orannda sahiptir. Pazarlama ve retim birimlerine sahip olma oran %90n stndedidir. Otomatik retim hatt %50 orannda vardr. ISO9000-2000 belgesi % 66 orannda vardr. Satnalma birimi %93 orannda vardr. CNC tezgah oran kme 2yegre yzde 20 yksektir. CE, OHSAS 18001 ve ISO 14000 belgelerine sahiplik ok fazla olmamak kaydyla kme 2yegre daha yksektir. ERP sahibi olmayan iletmeler (Kme 2) alan says, belirgin biimde kme 1den dktr. Bu kmedeki iletmelerin ancak %19u K (nsan Kaynaklar) birimine sahiptir. Finans birimine sahip olma oran %50 dzeyindedir. Gelir, %50 orannda 250.000 TL ve altndadr. Arge birimi ancak %5 orannda mevcuttur. Kalite birimi ancak %8 orannda mevcuttur. Pazarlama birimine sahip olma oran %55 dzeyindedir. retim birimine sahip olma oran %60 dzeyindedir. Otomatik retim hattna sahip olma ancak %12 dzeyindedir. ISO9000-2000 belgesi % 18 orannda vardr. Satnalma birimine sahiplik %23 dzeyindedir. Geleneksel tezgah oran ilk kmeye oranla %25 daha fazladr (%45). Otomatik retim hattna sahip olma yzdesi ilk kmeye gre %20 daha dktr (%16)

Yukarda izelge 2de sunulan deikenler dndaki deikenlerde (robot teknolojisi, servis iletmesi, ISO9000-1994 ve dier birimlere sahiplik) kmeler baznda gzlemlenebilir bir fark yakalanamamtr. kinci aamada, birliktelik kurallar analizi ile iletmelerde sklkla birlikte gzlemlenen durumlar (r: belli bir birime sahip olma, gelir durumu vb..) tespit edilmeye allmtr. Bu amala Apriori algoritmas kullanlmtr. Ancak kacak olas yzbinlerce kuraldan nemli ve sk oluanlar bulabilmek amacyla minimum destek deeri %20, minimum gven deeri %50 olarak belirlenmitir. Kurallar nem (importance) deerine gre sralanmtr. nem deeri (literatrde lift olarak da bilinir) birliktelik kurallar analizinde gven deeri kadar nemli dier bir parametredir ve tanm olarak kuraln ncl ve sonculu arasndaki pozitif ya da negatif ilikiyi ortaya koymaktadr. Microsoft Analysis Services paketi iersinde yer alan Apriori algoritmasndan kan kurallarda nem deerinin 0dan byk olmas kuraln nclnn olmas halinde sonculunun ne oranda gerekleeceini, 0 olmas kuraln herhangi bir deer tamadn, 0dan dk olmas ncl ve soncul arasnda negatif bir iliki olduunu gstermektedir [9]. Elde edilen kurallardan bir ksm izelge 3de sunulmutur.

izelge 3. Birliktelik kurallar bulgular

Gven 0,625 1,000 0,521 0,833 0,563 nem 0,5539 0,4870 0,4532 0,4376 0,2657 Kural KALITEBIRIM = True, IKBIRIM = True ERPVAR = True CALISANSAYI = 250den fazla, ARGEBIRIM = True ERPVAR = True IKBIRIM = True, SERVISISLETMESI = False -> ERPVAR = True CALISANSAYI = 250den fazla, IKBIRIM = True -> ERPVAR = True CALISANSAYI = 50 249, KALITEBIRIM = True -> ERPVAR = True

rnek olarak ikinci kural ele alnarak yorumlanmak istenirse alan saysnn 250den fazla olduu ve arge birimine sahip iletmelerin tamam ERP kullanmaktadr. Sonuncu kuraln okunuu ise alan saysnn 50-250 arasnda olduu ve kalite birimine sahip iletmelerde %56 gven deeri ile ERP yazlm bulunmaktadr eklinde olacaktr.

5. SONU VE TARTIMA
Bu almada tanmlayc veri madencilii yntemlerinden kmeleme ve birliktelik kurallar kullanlarak, kurulumu maliyetli ve riskler tayan ancak sonrasnda uzun dnemde nemli verimlilikler salayan ERP yazlmlarnn iletmelerdeki etkileri, bu teknolojiye sahip olan ve olmayan iletmeler arasndaki farkllklar ve sk gzlemlenen rntler ortaya karlmaya allmtr. Kmeleme almas ile iletmelerin sahip olduklar zelliklere dayanlarak iki grup elde edilmitir ve sonular incelendiinde u an ERP sistemine sahip olmayan ancak mevcut nitelikleri bakmndan bu sisteme sahip iletmelere yakn birok iletme gzlemlenmitir. Dolaysyla bu iletmelerin ERP sistemine geebilmek iin gerekli altyapsal koullar saladklar ve gei iin aday olabilecekleri ngrlmektedir. te yandan bir ksm iletmenin ERP teknolojisine belirli bir olgunluk dzeyine erimeden getii ortaya kmaktadr. Ayrca kapasite kullanm oranlarnn ykselmesiyle ERP sahibi olma arasnda korelasyon saptanmtr. Sonu olarak gerek kmeleme gerekse de birliktelik kural analizi ile iletmelerin ERP yazlmna terfi etmeden nce karlamalar gereken altyapsal (r: birimler ve teknolojiler) unsurlar ortaya konmutur. Ayrca kullanlan yaklam ve yntemler bu alanda yaplan almalarda bu gne dein kullanlmam olmas nedeniyle alana katk zellii tamaktadr.

KAYNAKLAR
[1] Su Y.F. & Yang C. (2009) A structural equation model for analyzing the impact of ERP on SCM, Expert Systems with Applications, 37(1), 256-469 [2] Yavasoglu B. Kurumsal Kaynak Planlama Sisteminin Etkinlii ve Uygulama, Yksek Lisans Tezi, Gazi niversitesi Biliim Enstits Ynetim Biliim Sistemleri, Ocak 2011 [3] Cebeci, U. (2009). Fuzzy AHP-based decision support system for selecting ERP systems in textile industry by using balanced scorecard, Expert Systems with Applications, 36(5), 89008909. [4] Saatcioglu, O.Y. 2007, What determines user satisfaction in ERP projects: Benefits, barriers or risks?, Proceedings of European and Mediterranean Conference on Information Systems 2007 (EMCIS2007) S. 2426. [5] Wu W.W. (2010), Segmenting and mining the ERP users perceived benefits using the rough set approach, Expert Systems with Applications, doi:10.1016/j.eswa.2010. [6] Jacobs F.R. & Weston F.C. (2007) Enterprise resource planning (ERP)A brief history, Journal of Operations Management, 25, 357-363 [7] Buonanno G., Faverio P., Pigni F., Ravarini A. (2009) Factors affecting ERP system adoption: A comparative analysis between SMEs and large companies, Journal of Enterprise Information, 18(4), 384-426 [8] Bozkir A.S., Gk B., Sezer E. (2008) nternetin eitimsel amalar iin kullanmn etkileyen faktrlerin veri madencilii ile tespiti, Bilimde Modern Yntemler Sempozyumu, Eskiehir. [9] Tang Z.H. and MacLennan J. (2005) , Data Mining with SQL Server 2005, Wiley Publishing [10] Agrawal R., Imielinski T., Swami A., Mining association rules between sets of items in large databases. In Proceedings of the ACM SIGMOD international conference on management of data, 1993, pp. 207216.