web analytics
Mali Analizde Siber Kaynak Kullanımı

Bütün bir mali sistem, bir inanç sistemi gibi birbirine bağlı ve yatay hiyerarşi basamaklarına uygun şekilde çalışmaktadır. Yapılan hataların telafi edilmesi için büyüyen ekonomik enflasyon, politik reel doğruluğa ihtiyaç duymaktadır. Politikaları kontrol altında tutmak adına davranış ekosisteminde ihtiyaç duyulan hata telafisinde sistem analizleri, doğru kararlar ile istenilen sonuca ulaşmak adına önemli bir elektronik harp türüdür.

Günümüzde veri sistemlerinin; reklam uygulamaları, finansal ve askeri faaliyetler, siyasal kitle manipülasyonu, bireyleri politize etme, inanç aşılama, organize güç kampanyaları yönetme gibi kullanım alanları bulunur. Veri tabanları; ulusların vatandaşlarınca sinyal işleme teknolojisinin bilinirliği arttığı zamana kadar, bağ kurma yetisini değiştirebilecek en büyük potansiyel araçtır.

Eylemlerin bilgisi insan vücudunda depolanır. Karar alma aktivitelerinde bu bilgilere us yoluyla ihtiyaç duyar, istenilen sonuca ulaşmak için öngörülen adımları atarız. Ticari faaliyette bu adımlarımızın devamlılığı için bir mekanizmaya ihtiyaç duyulur. Kontrol mekanizması sürdürülebilir bir büyüme gösterilebilmek için elemanlarını izler. Bu izleme, insani yahut teknolojik kontrol elemanlarınca takip edilerek, raporlanarak sürdürülmektedir. Rapor kayıtları oluşturmak için eylemde bulunanları teşvik eden sistemde; eylemlerimizi belgelendirmek ve bunları ihtiyaç duyduğumuz durumlarda kullanmak üzere kendi kayıtlarımızı tutmak için girişimlerde bulunuruz. Finansal eylemlerimizin sonucunu, dayanak belgeler ile borç/alacak olarak kayıt ederiz. Mizan usulünde borç/alacak durumunu, ayrıştırılmış alt hesap toplamlarında izleriz. Borç/alacak gerçekleşme ilişkisini gösteren kayıtsal hareketlere, muavin dökümünden ulaşırız. Borç/alacak sistemi ya da çift taraflı kayıt sistemi, gelirlerimizden giderlerimizin çıkartılmasıyla ortaya çıkan tutarın finansal durumumuza yansıtılması sonucu varlık ve yükümlülüklerimizin birbirine eşit çıktığı ve değer katkısının sonucu sıfır toplamlı bir oyundur.

Günlük belgelendirilmiş finansal hareketlerimizin kayıt altına alınması, sınıflanması, özetlenmesiyle mali tablolar ortaya çıkar. Mali tablolar; devlet kurumları, alacaklılar, potansiyel yatırımcılar ve şirketin diğer paydaşları için bir güven garantisidir. Mali tablolar bu açıdan güven mekanizmasında bozulma oluşturabilir. Bahsedilen güven mekanizması günümüz sistemini ayakta tutan en önemli insani faktördür. Bankaların sermaye yeterlilik oranı, kredi çekme, yatırım yapma durumlarını etkileyici biçimde tetikler. Güven mekanizmasının ortadan kalkmaya başladığı bir alanda sermaye sahipleri elindeki varlığı kaybetmek istemeyeceği yani üretimden vazgeçme yoluyla düşük performansla hayatını sürdürmek isteyebilirler. Bu durum nakit değişim hızın düşmesinden, ticari hayatın durmasına ve özel yaşantıların askıya alınmasına, temel ihtiyaç maddelerinin değerinin yükselmesine ve toplumsal karmaşaya uzanacak bir hikâye oluşturabilir. Her dönemde güven duygusunun içerik tükenmesi sorunu görülmektedir. Her insan hayatında bu durumla en az bir kez karşılaşmaktadır. Bulgular, bilgi ifşası, finansal kriz etkileri bu karşılaşma süreçlerinde toplumda daha yaygın duyulmaya başlanır. İstenilen finansal durumlar için takip edilebilir bir raporlama risklerin belirlenmesinde etkin bir seçenektir.

Finansal tablolarda varlık analizi Finansal tablolarda sorumluluk analizi

  • Finansal tablolarda varlık/sorumluluk analiz süreci nasıl işlemektedir?

    A-) Analizin amaç ve konusu
    B-) Giriş verileri
    C-) Verilerin işlenmesi
    D-) Veri Görselleştirme
    E-) İşlenen verilerin analiz ve yorumunun yapılması
    F-) Sonuç ve öneri modellerinin geliştirip geçerliliğinin test edilmesiyle sunulması
    G-) Süreç sonrasına ait rapora ilişkin durumların takip edilmesi

A-) Analizin amaç ve konusu

‎               Analistin işlevinin niteliği, yanıtlanacak olan önceden tanımlı problem listesiyle belirlenmektedir. Raporun niteliği ve içeriğinin ne olduğu burada açıklanmaktadır: Özkaynak veya borç yatırımının değerlendirilmesi, kredi notu verilmesi, ticari iş sürdürebilme potansiyel ölçümü benzeri nedenlerdendir. İş süreçleri analizinde bütçelenmiş kaynak kullanımı, gereksinim ve varsa endişeler konusunda müşteri veya amir ile kurulacak iletişim belirlenmiş periyotlara bölünerek planlanır. İş gelişimine yönelik farklılık oluşturan ilgili kurumsal kurallar burada açıklanmaktadır.‎

B-) Giriş verileri

‎              Hizmet tanımlaması bulunanların sicil bilgileri, kamuya açık diğer dijital kayıtları, çevre soruşturması, mobil cihaz logları, reklam anlaşmalarına dair servis istatistikleri, web sayfası ya da diğer entegre yöntemlerle ticari lokasyonlara yapılan emek/sermaye/bilgi transferler kayıtları, finansal tabloları, veri tabanı sistem bilgileri, iş koluyla ilgili sektör ve ekonomik bilgileri, yönetim şekline dair detayları, şirketlerin temel anlayışı, yatırım faaliyetleri, kurumsal yönetim ve algılanan güçlü ve zayıf yönleri de dahil olmak üzere şirketin genel bakış açısı, ‎ilgili endüstri özellikleri,‎ şirketin ürün ve hizmetlerine olan talep analizi, ‎maliyetlerin analizini içeren ürün ve hizmetlerin tedarik analizi, ‎şirketin fiyatlandırma ortamı, ‎zaman içinde karşılaştırmalar ve rakiplerle karşılaştırmalar da dahil olmak üzere ilgili finansal oranları, tedarikçileri, müşterileri, rakiplerle görüşmeleri,‎ varsa doldurulmuş anket taramaları, ‎şirketin başlıca ürün ve hizmetlerinin kimliği, endüstrideki mevcut konumu ve tarihi‎, satış bileşimi‎, ürün yaşam döngüsü aşamaları/deneyim eğrisi, araştırma ve geliştirme faaliyetleri‎, ‎geçmiş ve planlanan sermaye harcamaları‎, yönetim kurulu yapısı, devralma karşıtı hükümler ve diğer kurumsal yönetim konuları‎, ‎yönetimin güçlü / zayıf yönleri, tazminat bilgileri, ciro ve şirket kültürü detayları‎, ‎sağladığı avantajları, emeklilik planları ve hissedar değeri üzerindeki etkileri‎, iş ilişkileri‎, içeriklere sahip olma düzeyler ve yaptıkları değişiklikleri‎, ‎yasal işlemler ve şirketin hazırlık durumu‎, ‎endüstri özellikleri‎, ‎yaşam döngüsünde aşama‎ – ‎iş döngüsü duyarlılığı veya ekonomik özellikleri‎, ‎sektördeki tipik ürün yaşam döngüleri (patentlerle korunan ilaçlar gibi kısa ve teknolojik eskime veya uzun ile işaretlenmiş)‎, ‎marka sadakati, müşteri anahtarlama maliyetleri ve rekabet yoğunluğu‎, giriş ve çıkış bariyerleri,‎ ‎endüstri tedarikçisi hususları (kaynakların konsantrasyonu, tedarikçiler arasında geçiş yapma veya tedarikçilerin işine girme becerisi)‎, ‎sektördeki şirket sayısı ve pazar payları tarafından belirlendiği gibi parçalanmış veya konsantre olup olmadığı‎, ürün/hizmet ve bağıl ürün/hizmet fiyatı, maliyetini ve kalite avantajları/dezavantajları ayırt etme fırsatı‎, ‎kullandığı teknolojileri‎, ‎hükümet düzenlemeleri‎, ‎devlet ve iş ilişkileri tarihi, ‎diğer endüstri sorunları/fırsatları‎, ‎ürün/hizmet talebinin analizi, ‎talep kaynakları‎, ‎ürün farklılaşması, ‎geçmiş kayıtları, duyarlılıklar ve sosyo-demografik/ekonomik ve diğer değişkenlerle korelasyonları‎, kısa-orta-uzun vadeli yeni ürün ve iş fırsatları da dahil olmak üzere‎ ‎Ürün/Hizmet Tedarik analizi bilgileri, ‎kaynakları (konsantrasyon, rekabet ve yedekler)‎, ‎sanayi kapasite görünümü, şirketin kapasite ve maliyet yapısı‎, İthalat/ihracat hususları‎, ‎tescilli ürünler veya ticari markaları, fiyatlandırma analizi‎, talep, arz ve fiyatlar arasındaki geçmiş ilişkileri‎, ‎hammadde ve işçilik maliyetleri, ‎mevcut ve beklenen gelecekteki trendlere dayalı satış fiyatları veya cep telefonları, sensörler, özellikler operatörler üzerinden bunların gizliliği düşünülürken araştırma yoluyla giriş verileri gerçek hayatımızın her anında toplanmaktadır. Cep telefonu iletişimi, bilgisayar aktivitesi, biyometrik sensörler, video kayıtları veya manuel olarak kaydedilen verilerden elde edebilecekleri tüm bilgilerin kataloglama ve ölçme türü “lifelogging” olarak bilinir. Veriler ile günlük yaptığımız ekonomik faaliyetler, hayatımıza dataizme uzanan yüksek bir etki manevrasına kabiliyetine sahiptir. Büyük veri kümelerinde yeni ve birbiriyle bağlantılı desenler, görsel tabanlı eşleştirmeler, odak nesne makine keşfine yönelik türetilmektedir.

C-) Verilerin işlenmesi

‎              Mali durum değerlendirmesi yapılırken kayıtlar üzerinden işlemler gerçekleştiririz. Veri işleme, farklı senaryo kullanımlarında oluşturulmuş değişken standartlaştırma aracıdır. Farklı senaryolar için aynı verilerle farklı sonuçlara ulaşmak; verilerin işlenmesiyle mümkün olur. Örneğin dolaylı yöntemle net gelire yapılan işlemler aşağıdaki gibidir:

‎                Eklemeler‎‎: Nakdi olmayan kalemler‎, maddi duran varlıkların amortisman gideri‎, ‎maddi olmayan duran varlıkların amortisman gideri‎, ‎doğal kaynaklarda tükenme gideri‎, tahvil iskontosu amortismanı‎, faaliyet dışı kayıplar‎, varlıkların satış veya kaydının silinmesi sonucu oluşan zarar, emeklilik yükümlülük giderleri, özkaynak yöntemi ile değerlenen yatırımlardaki zararlar, ‎ertelenmiş gelir vergisi yükümlülüğünde artış‎, cari işletme varlıklarındaki azalma, cari işletme yükümlülüklerindeki artış …

‎                Çıkarmalar: Nakit olmayan kalemler, çalışmayan kısım işletme varlıkları, ‎varlıkların satışından elde edilen kazanç‎, indirgenmiş emeklilik sigorta gelirleri, özkaynak yöntemiyle değerlenen yatırımlara ilişkin gelirler‎, ertelenmiş gelir vergisi yükümlülük azalışı‎, ‎cari işletme varlıklarındaki artış, cari işletme yükümlülüklerindeki azalış …

‎              Mali nitelik oluşturma potansiyeli olan durumların incelenmesi bilgi gereksinimi oluşturur. Bilgiler, birincil tutulan kayıtlar ve mevcut kayıtların işlendiği ikincil veriler olmak üzere ayrılır. Giriş verileri bu bilgilerin tümünü kapsar ve konum değiştirme özelliği bulunanlar da dahil olmak üzere yığınlar halinde depolama ünitelerinde tutulur. Nüfus yoğunluğu sınırlı olan bölgelerde deney, gözlem, anket yoluyla veri toplama pahalı ve emek yoğun doğası nedeniyle performans yetersizliği göstermektedir. Dijital ortamlarda tutulan videolar, ses kayıtları, metinler giderek kendine daha fazla alan sağlar. Veri tabanı yönetim sistemleri, büyük verilerde model kullanılabilirliği ve bu tanımları farklı bir aşamaya ulaştırdı…

‎              Dijital ortamda bir nesnenin ilgili zaman damgaları, olay türü gibi tanımlayıcı birden fazla değerle etiketli kümeler halinde tutulan verileri; istenen arama sonuçlarında bağlantılarla çağrılma durumu bir filtreleme kullanımını gerekli yapan şeydir. Filtreleme modelleri ve bunların çalıştığı elektronik yapı prensibi belirlenen sonuçlara ulaşmada önemli bir avantaj sağlamaktadır.

‎              Yığınların oluşturduğu deneysel veri havuzları, filtreleme yöntemiyle veri temizleme işlemine tabi tutulur. Veri temizleme, katkı derecesi yetersiz olan veri örneklerini kaldırmak ve anlamlı bilgileri en üst düzeye çıkarmak için gereklidir. Veri kümesinden çıkarılan verilerinin toplam veri kümesindeki ilişkili kaybı araştırması bu süreçte yapılmaktadır. Filtreleme işlevinden tutarlı ve uygun sistematiğe sahip veriler oluşturulması bir dengeleme görevi görür, verilerin uygun formata dönüşümünü sağlar. Dönüştürme işlemleri modelde boyut indirgeme işleminin uygulanmasıyla sağlanabilmektedir.

‎              Model sistematiği üzerinde yapılan değişiklikler, veri kümesi örnekleri üzerinde bozucu bir etki oluşturmadığını varsaymaktadır. Örneğin KNN algoritması parametrik olmayan bir sınıflandırma yöntemi olup, support vector machines kullanılarak çapı merkeze göre uzaklığı birbirine yakın olan değerlerin kümelenmesinde faydalı bir araç kullanma imkânı sağlar. Finansal verilerin açıklayıcı satırlarında yer alan metinlerin analizlerinde ise Bag of Words, Word Sense Disambiguation, n-gram algoritmaları matris formatında etiketlenmiş nesnelerin dizilimlerinde fayda sağlar. KNN algoritması, belirlenen destek ile bir dağılımda kümelerin hattını aşağıdaki gibi çizer.

‎              Finansal denetim metodolojisinde filtreleme; maddi bulguları yaşlandırma, fiyat kırılganlık oranı tespit etme, ürünün tanımlayıcı niteliklerinden sayısal değerlerle sentez yapma, risk oluşturacak nitelikleri bulmak maksadıyla niceliklerini test etme, depolama merkezlerinde yeniden uygulama yoluyla çıkarım yapma benzeri tekniklerde kullanım alanı bulmaktadır. Büyük veri kitlesiyle çalışmak; geleneksel istatistiksel yöntemleri geçersiz kılma ile yeni sağlam yöntemler geliştirme yoluyla veri analizine olan ilgi artışı avantajı sunar.

D-) Veri Görselleştirme

‎              Her veri setinin farklı bir özelliği bulunur. Verinin ölçeği, dağılım yapısı, incelenen konu verinin görselleştirme aracında farklılık meydana getirir.

‎              Veri görselleştirmeleri, verileri oluşturan kişiler. Haritalar, grafikler, animasyonlar veya veri gezginleri aracılığıyla verilerdeki eğilimlerin anlaşılması kolay olduğunda, politika yapıcıların krizdeki bölgeleri gözden kaçırma olasılığı daha düşüktür.

Görselleştirme araçları aşağıdaki nelerdir?

Çizgi grafik,
Çubuk çizim,
Kromatik daire,
Box-Plot,
Mum grafik,
Radar grafik,
Gösterge grafik,
Huni,
Düz tablo,
Pivot Tablo,
Mekko grafik,
Grafik animasyon

Görselde ise arka plan olabildiğince göz almayacak şekilde verinin işaret ettiği anlam değeri düşmesinin engellenmesi için gereklidir. Görselleştirmede genellikle arka plan resimleri kullanılması uygun bir durum değildir. Okuyucunun dikkatini dağıtma potansiyeli taşır.

E) İşlenen verilerin analiz ve yorumunun yapılması

‎              Analiz, hedefin gerçekleşmesi amacıyla bitirilen işlerin gidiş yolunun doğruluğunu araştırır. Belirlenen hedef ile sonuç arasında kritik yollar bulunur. Finansal risk tanımlaması, mevcut durum ile istenilen sonuç arasında meydana gelen uç değerler ile yapılacak işlemin ne olacağını belirler. Uç değerler, anlamlı gerçek bir veri olabileceği gibi modelden çıkarılmasında sakınca oluşturmayacak yani gidiş yolunda sapma oluşturmayacak bir değer de olabilir. Oran analizi, karşılaştırmalı analiz, faktör analizi, modeller ve modellerin uygunluğu ve verimliği bu değerlendirmede kullanılır. Bir model şirketin finansal sonuçları veya ek açıklamalarıyla uyumlu veya bu bilgilere raporlardan çıkarım yapılarak ulaşım sağlamayı gerekli kılar. Analist ile tahminler ve gerçek durumdan elde edilen sonuçlar karşılaştırma ile test edilmektedir. Mali değerlendirme gelecekteki durum riskini erken uyarı imkânı sağlamasında faydalıdır. Erken uyarı sisteminden çıkan sonuçlar, finansal riskin kontrolünde uygulanacak prosedürlere ortam sağlar.

Oran analizleri

‎              Faaliyet oranları,‎ ‎bir şirketin işlev verimliğini ölçer. Satış devir hızı, ‎stok devir hızı, borç devir hızı örnek gösterilebilir. Likidite oranları,‎ ‎bir şirketin kısa vadeli yükümlülüklerini yerine getirme yeteneğini ölçer.‎ Nakit oranı,‎ ‎nakit dönüşüm döngüsü örnek gösterilebilir. Ödeme oranları,‎ ‎bir şirketin borç yükümlülüklerini yerine getirme yeteneğini ölçer. Kârlılık oranları,‎ ‎bir şirketin kendi kaynaklarından (varlıklardan) karlı satışlar üretme yeteneğini ölçer: ROIC getirisi örnek gösterilebilir.

‎              Finansal İstatistikler ve İlgili Hususlar‎‎, şirketin mali durumu hakkında gerçeklerin analist tarafından anlaşılmasına imkân sağlar: Göstergelerine, net satışların büyüme hızı‎, İşletme nakit akışı‎ örnek verilebilir.

‎              Risk Etkilerinde yaygın kullanım oran analizleridir. Risk unsurları ve tespiti için kullanılan ölçüt örnekleri aşağıdaki gibi olabilir:

  • Karlılık; kâr oranı, yatırım getirisi
  • İşletme kapasitesi; sabit kıymet devir hızı, likit varlık devir hızı
  • Büyüme yeteneği; varlık büyüme hızı, Gelir büyüme hızı
  • Ödeme Gücü; kısa vadeli ödeme gücü, uzun vadeli ödeme gücü
  • Nakit akımı; nakit akış ödeme gücü oranı, nakit akış karlılık oranı

‎              Reel sektörden veri toplama güçlüğü yüksektir. Bankalar sürdürülebilir bir ekonomik sistemin tepe noktasında bulunur. Bu nedenle literatür araştırmalarında bankacılık verilerinin kullanımı yaygındır. Bankalardan sağlanan finansal veriler, gelişmekte olan ülkelerde yaygın olarak üssel dağılım karakteristiği gösretir. Bu verileri modellemek için kuyruklu dağılımlar kullanılırken, getirilerin uzun vadeli otomatik korelasyonlu olması beklenir. Bu tip verilerin kalın ve uçtan yukarı kalkan red bölgelerine sahip olmasında ana etken; finansal verilerin faiz değişkenine duyarlı olmasıdır diyebiliriz. Finansal göstergeler bir zaman serisidir. Bu nedenle gösterge değişkenleri arasındaki eşbütünleşme derecesini azaltmak için, göstergeler arasındaki yüksek pozitif veya negatif korelasyon ortadan kaldırılır.

‎             Bir ekonomik zümre yönetiminde olası bağlantı kurulabilecek alanların ihtiyaçları, kaynakları, demografik yapının içeriğini bilmek gereklidir. Gelir İdaresi Başkanlığının bilgi sağlayıcı kuruluşları olduğu gibi bugün Dünya Bankası veri kümelerini anlamlandırmaya yardımcı olmak için organizasyonlar ve veri organizatörlerinden bağlantıların sağlanması için API sunma tercihlerini geliştirmektedir. Google veri gezgini, google public data explorer buna örnek verilebilir. Bu veriler üzerinde geliştirilen derin öğrenme yöntemleri model belirlemede kullanılan ileri derece analiz yöntemleri arasındadır. Model tabanlı analizlerde verilerde aşağıdaki ölçütler karar süreçlerinin yapı taşlarını oluşturur;

  • Hata unsuru dağılımı,
  • Quartiles ve Ortanca değerler,
  • Varyans,
  • Standart Sapma,
  • Eğiklik,
  • Basıklık,
  • Değişkenler arasındaki kovaryans,
  • Değişkenler arasındaki Pearson korelasyon katsayısı,
  • Nakit akışı histogramı,
  • Boxplot test değeri,
  • Aykırılıkların açıklanması,
  • Kalıntı değerlerin varyans homojenliği,
  • Ortalama kare hata,
  • R-kare,
  • Nedensellik ilişkisi

‎             Veri modelleme stratejisi tanımlamasına uygun, varsayımları değerlendirmesi başarılı geçen bir model değerlendirmesi yorum öncesi geldiğimiz aşamadır. Güçlü modeller, gelecekteki veriler hakkında doğru tahminler yapmak için kapsam genişliği imkânı sağlar.

‎             Manuel model tespitleri makine öğrenimi ile artık gerçekleşebilir seviyededir. Öğrenmek; çalışarak, deneyimleyerek veya öğretilerek bir şey hakkında bilgi edinmek, bilgi veya gözlem yoluyla farkına varmak, hafızaya almak, bilgi sahibi olmak veya araştırmak, talimat almak için gerçekleşen bir süreçtir. Makine öğrenimi tekniklerini verimli bir şekilde uygulamak için, nasıl çalıştıklarını anlamanız gerekir. İstatistiksel testler, makine öğrenimi modellerini doğrulamak ve makine öğrenimi algoritmalarını değerlendirmek için kullanılır. Kişilere uygulandığında, veri madenciliği genellikle krediyi kimin, özel teklifi kimin aldığını vb. ayırt etmek için kullanılır. Finansal sonuçlara ait veriler makine öğreniminde kullanıldığı gibi bu sonuçları oluşturan detaylara ilişkin bilgiler içinde kullanılır. Örneğin, Amerikalıların %85’inden fazlasının halka açık kayıtlardan sadece üç tür bilgi kullanılarak tanımlanabildiği ortaya çıktı: beş haneli posta kodu, doğum tarihi (gün,ay,yıl) ve cinsiyet. Amerikalıların yarısından fazlası sadece şehir, doğum tarihi ve cinsiyetten belirlenebilir. Commonwealth of Massachusetts 1990’ların ortalarında bir çalışan hastane tıbbi kayıtlarını yayınladığında; isim, adres ve sosyal güvenlik numarası gibi tüm tanımlayıcı bilgileri kaldırarak anonim hale getirildiğine dair kamuya açık bir güvence verdi. Daha sonra kendisine gelen bir postada, kendi reçete ve tıbbi kayıtlarını bulmuştu. Anonim hale getirildiği iddia edilen verileri, iyi niyetle yayınlayan çok sayıda şirket bulunabilirdi ve öyle olmuştu. 2006 yılında bir araştırma topluluğu, İnternet hizmetleri şirketine ait 20 milyon kullanıcının arama kayıtlarını, yalnızca birçok kişinin kolayca tanımlanabilir olduğunu bulmak için kamuya açık verilerden elde ederek çözümlemesini yapabilmişti.

‎             Makine öğreniminde giriş verileri, işlenmiş veriler, veri görselleştirme çıktıları, analitik sonuçlar vardır. Makine öğreniminde girdi, kavramlar, örnekler ve betimler biçimine dönüşür. Öğrenilecek olan kavram açıklamasıdır. Veri madenciliği uygulamalarında temel olarak dört farklı öğrenme stili vardır:

  1. Sınıflandırma öğrenmede öğrenme şeması, kara kutuları sınıflandırmanın bir yolunu bir dizi sınıflandırılmış örnekle gerçekleştirir.
  2. İlişkisel öğrenmede, yalnızca belirli bir sınıf değerini öngören özellikler arasında herhangi bir ilişki aranır.
  3. Kümelemede birbirine ait örnek grupları aranır.
  4. Sayısal tahminde, tahmin edilecek sonuç ayrı bir sınıf değil, sayısal bir niceliktir. İlgili öğrenmenin türüne bakılmaksızın; öğrenilecek kavram ve bir öğrenmenin ürettiği çıktı oluşur.

‎             Bir makine öğrenimi şemasının girdisi, bir dizi örnektir. Bu örnekler, sınıflandırılması veya ilişkilendirilmesi veya kümelenmesi gereken şeylerdir. Kümeleme teknikleri, tahmin edilecek bir sınıf olmadığında, ancak örneklerin doğal gruplara bölünmesi gerektiğinde uygulandıktan sonra tahmin yöntemleri için gerekli incelemelerin başlatılmasında kullanılır. Makine öğrenim tasarımı yalnızca bir sınıf tahmininin ötesinde, herhangi bir özelliğin bir seferde birden fazla değerini tahmin edebilirler. Bu nedenle, sınıflandırma kurallarından çok daha fazla ilişkilendirme kuralları bulunur. ilişkilendirme kuralları, genellikle belirli bir minimum sayıda örnek için geçerli olanlarla sınırlandırılır. Sayısal tahminde çıktı, bir kategori değil sayısal bir değer sınıflandırmasıyla yapılan öğrenme çeşididir.

F-) Sonuç ve önerileri geliştirip sunmak

‎             Analitik sonuçlar ve tarihi raporlar sonuç ve önerilerin geliştirilmesinde katkı sağlar. Yayınlanan raporlar için kurumsal yönergeler,‎ soruları yanıtlanan analitik raporlar‎, bir yatırım veya hibe kredisi gibi durumlara analiz amacı ile ilgili tavsiye verilebilir.‎ Model yeterli performans göstermesi, başlangıçta yöneltilen soruları yanıtlama durumuna cevap aranır.

‎             Finansal tabloların hazırlanmasında kullanılan ölçüm tabanları‎, kullanılan önemli muhasebe ilkeleri‎, Mali tablolarda kabul edilen tutarlar üzerinde en önemli etkiye sahip muhasebe politikalarının uygulanmasında verilen kararlar değerlendirilir.‎

‎             Gelecek yıl içinde varlıkların ve yükümlülüklerin miktarında maddi ayarlamaya neden olan diğer tahmin belirsizliği kaynakları hakkında temel varsayımlar‎ saptanır.

‎             Sermaye ve özkaynak olarak sınıflandırılan bazı finansal araçlar hakkında bilgi‎, dönem içinde dağıtılmamış temettüler, mali tablolar düzenlenmeden önce beyan edilen temettüler ve kümülatif tercih temettüleri de dahil olmak üzere‎, meskeni, yasal şekli, kuruluş ülkesi ve kayıtlı ofis veya iş adresi de dahil olmak üzere tüzel kişiliğin tanımı‎, operasyonların niteliği, temel faaliyetler‎ araştırılır.

G-) Süreç sonrasına ait rapora ilişkin durumların takip edilmesi

‎             Periyodik olarak yinelenen analizler, gelecekle ilgili planlanan beklentiler, finansal notlarda değişiklik sonrası geriye dönük yapılması gereken açıklamalar; tutarlılık ve doğruluk prensipleri gereği etkisi takip edilmesi gereken durumları içerir.

Çeşitli kaynaklardan derleme bilgilerden yola çıkarak, kişisel görüş içerir.
Tavsiye niteliği taşımamaktadır. Uygulamalardan faydalanmak için profesyonel hizmetlere servis kategorisinden ulaşabilirsiniz.