Araştırmacılar, iş analitiği, karar destek sistemleri, anlatısal raporlama ve makine öğrenmesinin kesiştiği bilimsel literatürü incelemek amacıyla transdisipliner ve yinelemeli bir literatür taraması yürütmüştür. Web of Science, Scopus ve ScienceDirect veri tabanlarından yararlanılmış; arama terimleri birkaç aşamada geliştirilmiş ve 2021–2025 dönemindeki hakemli çalışmalar dahil edilmiştir. Nihai inceleme 95 yayını kapsamış, literatürdeki kavramsal yakınlıklar ayrıca VOSviewer 1.6.20 ile anahtar kelime eş-oluşum haritası üzerinden değerlendirilmiştir.

Çalışmanın ana sonucu üçlü bir yapı göstermektedir. Birinci araştırma akışı, gösterge panoları, KPI'lar, otomasyon ve tahmine dayalı modeller üzerinden gelişen nicel karar desteğidir. İkinci akış, özellikle muhasebe, kurumsal açıklamalar, sürdürülebilirlik ve risk iletişiminde gelişen anlatısal raporlamadır. Üçüncü ve henüz daha sınırlı akış ise açıklanabilir yapay zekâ, doğal dil işleme ve makine tarafından oluşturulan raporları anlatısal açıklamayla birleştirmeye çalışan araştırmalardır.

Araştırmacılara göre temel boşluk, anlatısal raporlamanın çoğu mevcut sistemde karar mantığının bir parçası değil, analizin sonunda eklenen bir iletişim veya sunum katmanı olarak değerlendirilmesidir. Oysa uzman deneyimi, bağlamsal bilgi, belirsizliğin açıklanması ve kararın nedenlerinin ifade edilmesi, yalnız sayısal göstergelerden çıkarılamayan bilgiler sağlayabilir.

Bu sonuç, anlatısal AI raporlarının karar kalitesini artırdığının doğrudan deneysel kanıtı değildir. Çalışma yeni bir karar destek sistemi geliştirmemiş, yöneticileri anlatılı ve anlatısız rapor koşullarında karşılaştırmamış ve karar doğruluğu, güven, bilişsel yük veya karar süresi gibi çıktıları ölçmemiştir. Bulgular literatürün yapısına ve araştırma boşluklarına ilişkin sentez niteliğindedir.

Türkiye açısından: Çalışma Türkiye'deki şirketlerden veya yöneticilerden veri toplamamıştır. Bununla birlikte Türkçe kurumsal raporlama, karar destek sistemleri veya AI tabanlı yönetim araçları geliştirilirken yalnız KPI üretmek yerine sonuçların bağlamını, belirsizliğini ve uzman bilgisini aktarabilen anlatı katmanlarının araştırılması anlamlı bir araştırma yönü olabilir. Ancak Türkçe doğal dil işleme performansı, kurumların raporlama kültürü, sektör farklılıkları, yönetsel hiyerarşi ve kullanılan veri altyapıları yerel olarak sınanmadan çalışmanın önerileri Türkiye için doğrulanmış performans sonucu olarak kabul edilemez.

Karar vermede yalnız veri neden yeterli olmayabilir?

Çalışmanın çıkış noktası, modern kuruluşların çok büyük miktarda veri üretmesine rağmen yöneticilerin karar verirken yalnız ham verilere ihtiyaç duymamasıdır. Bir gösterge değerinin neden yükseldiği, ortaya çıkan değişimin geçici mi yapısal mı olduğu, hangi operasyonel koşulların sonucu etkilediği veya deneyimli çalışanların konu hakkında bildiği fakat veri tabanında bulunmayan ayrıntılar karar açısından önem taşıyabilir.

Geleneksel karar destek sistemleri bu problemi çoğunlukla veri birleştirme, hesaplama ve görselleştirme yoluyla çözmeye çalışır. Çalışmada incelenen literatüre göre bu sistemler genellikle:

• gösterge panoları,
• temel performans göstergeleri,
• sayısal özetler,
• tahmin modelleri,
• otomatik analizler

üretmektedir.

Araştırmacılar bunun önemli fakat tek başına eksik olabileceğini savunmaktadır. Karar verici, “satış %8 düştü” bilgisinin yanında düşüşün hangi bağlamda gerçekleştiğini, hangi faktörlerin birlikte değerlendirildiğini ve uzmanların sonucu nasıl yorumladığını da bilmek isteyebilir.

Örtük bilgi nedir ve neden önemli?

Çalışmanın sık vurguladığı kavramlardan biri tacit knowledge, yani örtük bilgidir. Bu kavram, kişinin deneyimle geliştirdiği ancak her zaman tabloya, veri alanına veya açık bir kurala kolaylıkla dönüştürülemeyen bağlamsal uzmanlığı ifade etmektedir.

Örneğin deneyimli bir üretim yöneticisi belirli bir KPI değişiminin olağandışı olup olmadığını yalnız sayısal eşiklerden değil, geçmiş olaylardan, iş süreçlerinden ve kuruluş içindeki ilişkilerden hareketle değerlendirebilir. Sorun, bu bilginin yönetim hiyerarşisinin üst seviyelerine aktarılırken kısa raporlar ve grafikler içinde kaybolabilmesidir.

Çalışmanın önerdiği araştırma yönü, AI destekli karar destek sistemlerinin veri analizini insan uzmanlığının bağlamsal anlatısıyla bir araya getirebilmesidir.

Anlatısal raporlama ne anlama geliyor?

Anlatısal raporlama yalnız bir tabloyu uzun cümlelere çevirmek değildir. İncelenen literatürde anlatı; sayısal bulguları bağlama yerleştirme, ilişkileri açıklama, belirsizlikleri ifade etme, önemli olayları önceliklendirme ve okuyucunun bilgiyi anlamlandırmasına yardımcı olma işlevleriyle ele alınmaktadır.

Özellikle muhasebe, yıllık raporlar, sürdürülebilirlik açıklamaları ve risk iletişimi alanlarında metinsel anlatıların uzun süredir kullanıldığı görülmektedir.

Çalışmada ayrıca Narrative Disclosure Tone kavramına dikkat çekilmektedir. Bir raporun olumlu, olumsuz, ihtiyatlı veya güven verici biçimde yazılması, aynı temel bilgi korunmasına rağmen okuyucunun mesajı algılama biçimini etkileyebilir.

Bu nedenle anlatısal raporlama yalnız içerik miktarı değil, dilin kullanımı, ton, belirsizlik açıklaması ve bağlam seçimiyle de ilgilidir.

Anlatı karar destek sistemlerinde bugün nerede duruyor?

İncelenen literatüre göre anlatı çoğunlukla karar destek sürecinin sonunda bulunmaktadır. Sistem önce veriyi analiz eder, tahmini veya KPI'yı üretir ve ardından sonuç bir metin veya rapor içinde sunulur.

Araştırmacıların dikkat çektiği araştırma boşluğu tam olarak buradadır: Anlatı analitik sürecin kendisinin bir parçası olabilir mi?

Bu yaklaşımda anlatı, yalnız “sonucu güzel anlatmak” için kullanılmayacaktır. Örneğin sistem:

• hangi veri noktalarının karar açısından önemli olduğunu açıklayabilir,
• sonucun hangi koşullar altında geçerli olduğunu belirtebilir,
• belirsizlikleri anlaşılır biçimde ifade edebilir,
• uzman yorumunu sayısal analizle ilişkilendirebilir,
• farklı yönetim seviyelerine göre farklı açıklama derinlikleri oluşturabilir.

Ancak bunlar çalışmada gerçekleştirilmiş bir yazılım mimarisinin ölçülmüş özellikleri değildir; araştırmacıların literatür boşluğundan türettiği gelecek araştırma yönleridir.

İş analitiğinin mevcut rolü ne?

İş analitiği, çalışmanın incelediği literatürde çoğunlukla veriyi karar verilebilir hale getiren teknolojik ve analitik altyapı olarak görülmektedir. Büyük veri analitiği, metin analizi ve diğer analitik yöntemler kurumsal bilgiden örüntü ve içgörü çıkarabilmektedir.

Bununla birlikte çalışmanın sentezine göre iş analitiğinin ağırlığı daha çok veriyi hazırlamak ve analiz etmek üzerindedir; sonuçların insan tarafından nasıl yorumlanacağı konusu daha az merkezî konumdadır.

Karar Destek Sistemi ne yapıyor?

Karar Destek Sistemi (Decision Support System, DSS), farklı veri kaynaklarını bir araya getirerek yöneticiye karar vermede kullanılabilecek yapılandırılmış bilgi sunan sistemler için kullanılan genel kavramdır.

Çalışmada incelenen DSS literatüründe hız, tutarlılık, görselleştirme, KPI takibi ve stratejik planlama desteği öne çıkmaktadır. Ancak sistemlerin çıktıları büyük ölçüde yapılandırılmış ve görsel biçimdedir.

Araştırmacılar açısından buradaki eksik halka, verinin teknik olarak doğru sunulmasıyla karar vericinin veriyi bağlam içinde anlamasının aynı şey olmamasıdır.

Makine öğrenmesi bu yapıya ne ekliyor?

Makine öğrenmesi, büyük miktardaki yapılandırılmış ve yapılandırılmamış verinin işlenmesi, örüntülerin bulunması, tahmin yapılması ve bazı raporlama görevlerinin otomatikleştirilmesi açısından literatürde güçlü biçimde temsil edilmektedir.

Çalışmada incelenen araştırmalar makine öğrenmesinin:

• metinlerden bilgi çıkarmada,
• otomatik rapor üretiminde,
• duygu ve ton analizinde,
• tahmin oluşturmada,
• yapılandırılmamış veriyi analiz etmede

kullanılabildiğini göstermektedir.

Bununla birlikte teknik ilerleme, anlatısal ve bağlamsal karar desteğinin aynı hızda olgunlaştığı anlamına gelmemektedir. Araştırmacıların temel yorumu, alanın teknik olarak yorumlama boyutundan daha hızlı geliştiği yönündedir.

95 yayın hangi üç araştırma akışını ortaya çıkardı?

Çalışmanın nihai 95 yayınlık incelemesi üç büyük araştırma akışına işaret etmektedir.

Araştırmacıların temel çıkarımı, üçüncü akışın henüz ilk iki alanı tam olarak birleştirecek olgunlukta olmadığıdır.

VOSviewer haritası ne gösteriyor?

Çalışmanın Şekil 2'sinde 2021–2025 dönemindeki seçili yayınların anahtar kelime eş-oluşum ağı görselleştirilmektedir. Düğüm büyüklüğü bir anahtar kelimenin görünme sıklığıyla, bağlantılar ise terimlerin aynı yayınlarda birlikte bulunmasıyla ilişkilendirilmiştir.

Görselde machine learning büyük ve yoğun bağlantılı merkezî terimlerden biri olarak görünürken; textual analysis, text mining, narrative reporting, narrative disclosures, natural language processing, forecasting ve financial performance gibi kavramlar ağın farklı bölümlerinde yer almaktadır.

Bu yapı, makalenin temel sonucuyla uyumludur: makine öğrenmesi ve metin analitiği güçlü biçimde gelişmişken anlatısal raporlama bağlantıları daha parçalı bir görünüm sergilemektedir.

Görsel okuma notu: Şekil 2'nin lejantında açık biçimde 2021–2025 renk skalası bulunmaktadır. Buna rağmen metin renkleri “kümeler” olarak açıklamaktadır. Bu nedenle Verianla değerlendirmesinde renklerin neyi temsil ettiği konusunda kaynaktaki iki farklı gösterimden biri seçilip kesin gerçek olarak sunulmamıştır.

Araştırmacıların belirlediği üç temel boşluk

Birinci boşluk kavramsaldır. Anlatısal raporlama, akıllı karar desteğinin analitik parçası olmak yerine çoğunlukla sonuçların iletişimi olarak modellenmektedir.

İkinci boşluk yöntemsel niteliktedir. Anlatısal açıklama, metin analizi, veri görselleştirme ve makine öğrenmesi çoğu çalışmada ayrı ayrı araştırılmakta; bütünleşik anlatı destekli DSS ortamlarını doğrudan deneysel olarak sınayan araştırmalar sınırlı kalmaktadır.

Üçüncü boşluk uygulama ve tasarımla ilgilidir. Örtük uzman bilgisinin, bağlamsal muhakemenin, belirsizlik açıklamasının ve makine çıktılarının gerçek kurumlarda kullanılan raporlama mimarilerine nasıl birlikte yerleştirileceği konusunda yeterli tasarım rehberi bulunmamaktadır.

Gelecekte hangi deneylerin yapılması gerekiyor?

Çalışmaya göre sonraki araştırmaların yalnız yeni bir anlatı üreten AI modeli geliştirmesi yeterli değildir. Anlatının karar vermeye gerçekten katkı sağlayıp sağlamadığının da sınanması gerekir.

Önerilen ölçüm alanları arasında:

• anlaşılabilirlik,
• eyleme dönüştürülebilirlik,
• bilişsel yük,
• kullanıcı güveni,
• karar tutarlılığı,
• farklı yönetim seviyeleri arasındaki iletişim etkinliği

yer almaktadır.

Araştırmacılar ayrıca dashboard ağırlıklı sistemlerle anlatı destekli sistemlerin karşılaştırıldığı ampirik çalışmaların karar kalitesi, güven ve stratejik uyum üzerindeki etkileri sınayabileceğini belirtmektedir.

Çalışmanın desteklediği sonuçlar

• İncelenen literatür iş analitiği, DSS ve makine öğrenmesinde dashboard, otomasyon ve tahmine dayalı modellere güçlü biçimde odaklanmaktadır.
• Anlatısal raporlama literatürü özellikle muhasebe, kurumsal açıklamalar, sürdürülebilirlik ve risk iletişimi alanlarında gelişmiştir.
• Anlatıların yorumlama, güven, risk algısı ve bazı tahmin süreçleriyle ilişkili olabileceğini gösteren çalışmalar bulunmaktadır.
• AI ve anlatısal açıklamayı karar destek sistemi düzeyinde bütünleştiren literatür daha sınırlı ve parçalıdır.
• Çalışma anlatısal raporlamayı gelecekteki AI destekli karar sistemleri için araştırılması gereken potansiyel bir analitik katman olarak tanımlamaktadır.

Çalışmanın kanıtlamadığı sonuçlar

• Anlatısal raporların dashboard'lardan kesin olarak daha iyi kararlar ürettiği gösterilmemiştir.
• Yeni bir AI destekli karar destek sistemi geliştirilip gerçek işletmede test edilmemiştir.
• Anlatısal açıklamanın karar doğruluğunu belirli bir yüzde artırdığına ilişkin sonuç bulunmamaktadır.
• Büyük dil modellerinin uzman insan muhakemesinin yerini alabileceği gösterilmemiştir.
• AI tarafından üretilen anlatının her durumda tarafsız, doğru veya güvenilir olduğu sonucuna ulaşılmamıştır.
• Belirlenen araştırma boşluğunun bütün sektörlerde ve ülkelerde aynı büyüklükte olduğu test edilmemiştir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Çalışma transdisipliner, literatür temelli bir derleme ve bibliyometrik destekli tematik analizdir. Araştırmacılar Mueller-Bloch ve Kranz'ın nitel literatür incelemelerinde araştırma boşluklarını belirlemeye yönelik yaklaşımından yararlanmıştır.

Yöntem doğrusal tek seferlik bir arama yerine, sonuçlara göre arama terimlerinin yeniden düzenlendiği yinelemeli bir süreç olarak tasarlanmıştır.

İlk arama terimleri

Başlangıç aşamasında araştırma alanının sınırları henüz kesin olmadığı için geniş terimler kullanılmıştır. Kaynakta verilen örnekler şunlardır:

• Business Reporting,
• Decision Support System,
• Machine Learning,
• Case-Based Reasoning,
• Narrative.

Bu aramaların çok geniş ve kısmen ilgisiz yayınlar getirmesi üzerine arama stratejisi yeniden düzenlenmiştir.

İkinci aşamadaki sorgu kombinasyonları

Çalışmada üç örnek gelişmiş sorgu açık biçimde verilmektedir:

• Decision Support System AND Summary AND Case-Based reasoning OR Machine Learning AND Narrative
• Statement AND Decision Support System OR Machine Learning AND Narrative AND Business Analysis
• Report AND Machine Learning AND Business Analysis AND Narrative

Araştırmacılar bu aşamada özellikle NLP, otomatik iş raporlaması ve bilişsel karar destek sistemleriyle daha doğrudan ilişkili yayınlara ulaşmıştır.

Nihai dört kavram

Yinelemeli arama sürecinin sonunda çalışma alanı dört ana kavramla sınırlandırılmıştır:

Dahil edilme kriterleri

Çalışmaya göre nihai seçimde:

• 2021–2025 arasında yayımlanan,
• hakemli dergi makalesi olan,
• Web of Science, Scopus veya ScienceDirect'te bulunan,
• iş analitiği, DSS, makine öğrenmesi veya anlatısal raporlama ile organizasyonel karar verme arasında açık ilişki gösteren

yayınlar dahil edilmiştir.

Dışlama kriterleri

İlgisiz çalışmalar, mükerrer kayıtlar, hakemli olmayan yayınlar ve iş raporlaması bağlamından kopuk yalnız teknik çalışmalar dışlanmıştır.

Tarama aşamaları

Araştırmacılar seçim sürecini:

1. mükerrer kayıtların çıkarılması,
2. başlık ve anahtar kelime taraması,
3. özet incelemesi,
4. tam metin değerlendirmesi

biçiminde açıklamaktadır.

Bununla birlikte her aşamada kaç kaydın bulunduğu ve kaçının elendiği kaynakta nicel bir akış diyagramıyla raporlanmamaktadır.

Bibliyometrik analiz

VOSviewer 1.6.20, seçilen yayınlardaki anahtar kelimelerin birlikte görülme ilişkisini değerlendirmek için kullanılmıştır.

Çalışmanın açıklamasına göre:

• düğümler anahtar kelimeleri,
• düğüm büyüklüğü terimlerin görülme sıklığını,
• bağlantılar iki terimin aynı yayınlarda birlikte bulunmasını,
• bağlantı gücü ise birlikte görülme sıklığını

temsil etmektedir.

Şekil 2'deki renk gösteriminin açıklamasında ise kaynak içi tutarsızlık bulunmaktadır; metin “kümelerden” söz ederken görsel lejantı 2021–2025 tarih skalası göstermektedir.

Temel sonuçlar

Yöntemsel sınırlılıklar

Çalışmanın kendi sınırlılık beyanına göre veri tabanı kapsamı temel olarak Web of Science, Scopus ve ScienceDirect ile sınırlandırılmış; ayrıca az sayıda önceden bilinen ilgili yayına başvurulmuştur. Bu nedenle bilimsel literatürün tamamını kapsadığı ileri sürülmemektedir.

İkinci önemli sınır, alanın kendi yapısındaki dengesizliktir. Nicel analitik ve veri görselleştirmeye ilişkin yayın sayısı anlatı temelli ve bilişsel karar desteği araştırmalarından daha yüksektir.

Üçüncü olarak, araştırma nihai olarak 95 yayını incelediğini belirtse de başlangıç aramalarındaki toplam kayıt sayıları ve taramanın her aşamasındaki dışlama sayıları ayrıntılı olarak sunulmamaktadır. Bu durum arama sürecinin bağımsız olarak tamamen yeniden oluşturulmasını güçleştirmektedir.

Dördüncü olarak, çalışmaların “metodolojik kalite” açısından değerlendirildiği belirtilmesine rağmen kaynakta standartlaştırılmış puanlama formu, risk-of-bias aracı veya çalışma bazında kalite skorları verilmemektedir.

Bu nedenlerle çalışma yapılandırılmış ve bibliyometrik destekli bir literatür sentezi sunmaktadır; ancak sonuçları meta-analiz veya deneysel nedensellik kanıtı olarak yorumlanmamalıdır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Decisions Beyond Data: Narrative Reporting Practices in Decision-Making

Yazarlar: Tamás Zelles; Bernadett Domokos; Sándor Remsei.

Yazar sıralaması: Kaynakta verilen sıra aynen korunmuştur.

Sorumlu yazar: Tamás Zelles.

Kurumsal bağlantılar: Doctoral School of Regional and Business Administration Sciences, Széchenyi István University, Győr, Hungary; Kautz Gyula Faculty of Business and Economics, Széchenyi István University, Győr, Hungary.

Kaynak türü ve hakemlik: Administrative Sciences dergisinde yayımlanmış hakemli, transdisipliner literatür incelemesi ve bibliyometrik haritalama çalışmasıdır. Çalışma yeni deneysel veri üretmemektedir.

Dergi: Administrative Sciences

Cilt / sayı / makale numarası: 16 / 4 / 181

Yayın yılı: 2026

Alınma tarihi: 8 Şubat 2026

Revizyon tarihi: 29 Mart 2026

Kabul tarihi: 3 Nisan 2026

Yayın tarihi: 9 Nisan 2026

DOI: 10.3390/admsci16040181

Yayınevi: MDPI, Basel, Switzerland.

Resmî kaynak bağlantısı:Administrative Sciences / MDPI resmî makale sayfası

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Finansman: Makalede yayın işlem ücretinin Széchenyi István University'nin yayın destek programı tarafından karşılandığı belirtilmiştir.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Çalışmanın analiz malzemesi akademik veri tabanlarından alınan yayımlanmış makalelerden oluşmaktadır. Yeni özgün veri seti oluşturulmamıştır.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma Tamás Zelles ve Bernadett Domokos; yöntem Tamás Zelles; biçimsel analiz Bernadett Domokos; araştırma Tamás Zelles; özgün taslak ve inceleme/düzenleme Tamás Zelles; görselleştirme Tamás Zelles; danışmanlık Sándor Remsei tarafından gerçekleştirilmiştir.

İncelenen literatür dönemi: 2021–2025.

Nihai inceleme kümesi: 95 yayın.

Temel veri tabanları: Web of Science, Scopus ve ScienceDirect.

Bibliyometrik araç: VOSviewer 1.6.20.

Temel araştırma alanları: Business Analytics, Decision Support Systems, Narrative Reporting ve Machine Learning.

Ana yöntemsel sınır: Çalışma bir literatür sentezidir; anlatı destekli AI karar sisteminin gerçek kullanıcılar üzerindeki etkisini deneysel olarak test etmez. Makale seçim süreci çok aşamalı biçimde açıklansa da ilk sorgulardan nihai 95 yayına kadar aşama bazında kayıt sayıları sunulmadığı için tam yeniden üretilebilirlik sınırlıdır.

Kaynak içi görsel notu: VOSviewer Şekil 2'de renk lejantı 2021–2025 zaman skalası gösterirken, metin farklı renkleri tematik kümeler olarak tanımlamaktadır. Bu Verianla içeriğinde söz konusu fark giderilmiş bir veriymiş gibi yeniden yorumlanmamış; görsel ve metin arasındaki tutarsızlık açıkça belirtilmiştir.

Bu Verianla içeriğindeki bilimsel sonuçlar, yöntem ayrıntıları, araştırma boşlukları ve sınırlılıklar yalnız incelenen çalışmaya dayanmaktadır. Dış kaynak yalnız bibliyografik kimliği ve derginin yayın/hakemlik durumunu doğrulamak amacıyla kullanılmıştır.