İstanbul Gelişim Üniversitesi Kurumsal Açık Erişim Arşivi
DSpace@Gelişim, İstanbul Gelişim Üniversitesi tarafından doğrudan ve dolaylı olarak yayınlanan; kitap, makale, tez, bildiri, rapor, araştırma verisi gibi tüm akademik kaynakları uluslararası standartlarda dijital ortamda depolar, Üniversitenin akademik performansını izlemeye aracılık eder, kaynakları uzun süreli saklar ve yayınların etkisini artırmak için telif haklarına uygun olarak Açık Erişime sunar.
Güncel Gönderiler
Öğe Türü: Öğe , Istanbul Gelisim University IISBF SosyoCom: Monthly Events and News Bulletin (Issue: 67, July 2026)(İstanbul Gelişim Üniversitesi / Istanbul Gelisim University, 2026) Istanbul Gelisim University Faculty of Economics, Administrative and Social SciencesARTIFICIAL INTELLIGENCE AND SOLO ENTREPRENEURSHIP Entrepreneurship can be broadly defined as the process of recognizing opportunities, evaluating them, and creating value under uncertainty¹. In this sense, entrepreneurship is widely regarded as a strategic force that contributes to social welfare, supports sustainable employment, and stimulates innovation². In recent years, one concept that has attracted increasing attention is solo entrepreneurship. Solo entrepreneurship refers to the process through which an individual develops, manages, and grows a business idea mostly on their own³. As this definition suggests, although solo entrepreneurs may lack the division of labor and specialization provided by organizational hierarchies, they benefit from speed, flexibility, and direct decision-making. The rapid advancement of generative artificial intelligence technologies is reshaping the structure and operating logic of the entrepreneurial ecosystem. Artificial intelligence is one of the most important developments expanding the boundaries of solo entrepreneurship. Throughout the entrepreneurial journey, AI tools can increase the capacity of entrepreneurs in tasks such as market scanning, idea development, prototyping, content creation, customer interaction, and data analysis. In this way, solo entrepreneurs can build more systematic, repeatable, and scalable workflows without necessarily hiring employees.Öğe Türü: Öğe , İstanbul Gelişim Üniversitesi İİSBF SosyoCom: Aylık Etkinlik ve Haber Bülteni (Sayı: 67, Temmuz 2026)(İstanbul Gelişim Üniversitesi / Istanbul Gelisim University, 2026) İstanbul Gelişim Üniversitesi İktisadi, İdari ve Sosyal Bilimler FakültesiYAPAY ZEKÂ VE SOLO GİRİŞİMCİLİK Girişimcilik, en genel anlamıyla, fırsatları fark etme, değerlendirme ve belirsizlik altında değer yaratma süreci olarak tanımlanabilir¹ . Bu süreç, toplumsal refahı artırması, sürdürülebilir istihdamı desteklemesi ve inovasyonu tetiklemesi bakımından stratejik bir güç olarak kabul edilmektedir² . Son yıllarda giderek daha fazla ilgi gören kavramlardan biri ise solo girişimciliktir. Solo girişimcilik, bir kişinin bir iş fikrini çoğunlukla tek başına geliştirmesi, yönetmesi ve büyütmesi anlamına gelmektedir³ . Tanımdan da anlaşılacağı üzere solo girişimci, kurumsal hiyerarşinin sağladığı iş bölümü ve uzmanlaşmadan uzak kalsa da hız, esneklik ve doğrudan karar alma avantajına sahiptir. Üretken yapay zekâ teknolojilerindeki hızlı ilerleme, girişimcilik ekosisteminin yapısını ve işleyiş mantığını yeniden şekillendirmektedir. Yapay zekâ, solo girişimciliğin sınırlarını genişleten en önemli gelişmelerden biridir. Girişimcilik serüveninde yapay zekâ araçları; pazar taraması, fikir geliştirme, prototip oluşturma, içerik üretme, müşteri etkileşimi ve veri analizi gibi görevlerde girişimcinin kapasitesini artırmaktadır. Böylece solo girişimci, çalışan istihdam etmeden daha sistemli, tekrarlanabilir ve ölçeklenebilir iş akışları kurabilmektedir.Öğe Türü: Öğe , Istanbul Gelisim University Faculty of Engineering and Architecture: Bulletin (July 2026)(İstanbul Gelişim Üniversitesi / Istanbul Gelisim University, 2026) Istanbul Gelisim University Faculty of Engineering and ArchitectureTHE UNSEEN POWER İN THE SUPPLY CHAİN: WHY İS DEMAND FORECASTİNG SO IMPORTANT? In today ' s competitive business world, delivering the right product to the customer at the right time and in the right quantity has become a strategic advantage for businesses. At the heart of this success lies demand forecasting. Demand forecasting, one of the most important areas of study in Industrial Engineering, forms the basis of data-driven decision-making processes that enable businesses to look to the future with more confidence. Demand forecasting aims to predict future demand by analyzing many different data points such as past sales data, seasonal changes, economic indicators, and customer behavior. Thanks to accurate forecasts, excess inventory and product shortages are reduced, production plans can be prepared more effectively, and the supply chain can be managed more efficiently. In addition to traditional statistical methods, artificial intelligence and machine learning-based forecasting models have also been widely used in recent years. These technologies can reveal complex demand patterns by analyzing large datasets and significantly increase forecasting accuracy. Data-driven demand forecasting systems are among the critical tools that increase the competitiveness of businesses, especially in the retail, e-commerce, healthcare, automotive, and electronics sectors. Industrial engineers not only forecast demand but also integrate these forecasts with production planning, inventory management, capacity planning, and logistics processes, helping businesses utilize their resources in the most efficient way. This reduces operational costs and increases customer satisfaction.Öğe Türü: Öğe , İstanbul Gelişim Üniversitesi Mühendislik ve Mimarlık Fakültesi: Bülten (Temmuz 2026)(İstanbul Gelişim Üniversitesi / Istanbul Gelisim University, 2026) İstanbul Gelişim Üniversitesi Mühendislik ve Mimarlık FakültesiTEDARİK ZİNCİRİNDE GÖRÜNMEYEN GÜÇ: TALEP TAHMİNİ NEDEN BU KADAR ÖNEMLİ? Günümüzün rekabetçi iş dünyasında doğru ürünü, doğru zamanda ve doğru miktarda müşteriye ulaştırabilmek, işletmeler için stratejik bir avantaj haline gelmiştir. Bu başarının temelinde ise talep tahmini yer almaktadır. Endüstri Mühendisliğinin en önemli çalışma alanlarından biri olan talep tahmini, işletmelerin geleceğe daha güvenle bakmasını sağlayan veri odaklı karar süreçlerinin temelini oluşturmaktadır. Talep tahmini, geçmiş satış verileri, mevsimsel değişimler, ekonomik göstergeler ve müşteri davranışları gibi birçok farklı verinin analiz edilmesiyle gelecekte oluşabilecek talebin öngörülmesini amaçlar. Doğru yapılan tahminler sayesinde stok fazlalıkları ve ürün yetersizlikleri azaltılırken, üretim planları daha etkin şekilde hazırlanabilmekte ve tedarik zinciri daha verimli yönetilebilmektedir.Geleneksel istatistiksel yöntemlerin yanı sıra yapay zekâ ve makine öğrenmesi tabanlı tahmin modelleri de son yıllarda yaygın olarak kullanılmaktadır. Bu teknolojiler, büyük veri kümelerini analiz ederek karmaşık talep desenlerini ortaya çıkarabilmekte ve tahmin doğruluğunu önemli ölçüde artırmaktadır. Özellikle perakende, e-ticaret, sağlık, otomotiv ve elektronik sektörlerinde veri destekli talep tahmin sistemleri, işletmelerin rekabet gücünü artıran kritik araçlar arasında yer almaktadır. Endüstri mühendisleri, yalnızca talebi tahmin etmekle kalmayıp bu tahminleri üretim planlama, envanter yönetimi, kapasite planlaması ve lojistik süreçleriyle entegre ederek işletmelerin kaynaklarını en verimli şekilde kullanmalarına katkı sağlamaktadır. Böylece hem operasyonel maliyetler azaltılmakta hem de müşteri memnuniyeti artırılmaktadır.Öğe Türü: Öğe , The Impact of Environmental, Social and Governance (ESG) Pillar Scores on Banking Sector Stock Returns: An Empirical Analysis of Banks in the MSCI Emerging Market Index(Mendel University in Brno, 2025) Öcal, Hüseyin; Yılmaz, Tarık; Kamil, Anton AbdulbasahThis article examines whether investing in ESG impacts banks’ stock returns, aiming to illustrate the value generated by ESG investment in the MSCI Emerging Markets Index. The fiscal year-end data of thirty-five financial companies within the Index, covering the period from December 31, 2015, to December 31, 2022, have been utilised. The analysis employs a pooled panel regression model utilising robust least squares estimation. Firm-specific and market-specific variables are used as independent variables. We have observed a significant positive direct relationship between the social pillar score and stock returns. Banks may initiate investments in social pillars in the Index. In addition, firm-specific variables such as market capitalisation, return on equity, capital adequacy, and price-earnings ratio influence the relationship between ESG pillar scores and stock returns. We recommend that portfolio managers closely monitor improvements in ESG pillar scores alongside firm-specific variables to predict banks’ stock returns in the index.
