\u0130\u015f d\u00fcnyas\u0131nda al\u0131nan kararlar\u0131n do\u011frulu\u011fu, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde eldeki verinin kalitesine ba\u011fl\u0131d\u0131r. Peki, bu veriler genellikle da\u011f\u0131n\u0131k, eksik veya tutars\u0131z oldu\u011funda raporlama, sorgulama ve analiz s\u00fcre\u00e7leriniz nas\u0131l sa\u011fl\u0131kl\u0131 ilerleyebilir? \u0130\u015fte bu makale, veri haz\u0131rl\u0131\u011f\u0131n\u0131n neden hayati oldu\u011funu ve bu karma\u015f\u0131k s\u00fcreci ba\u015far\u0131yla y\u00f6netmek i\u00e7in hangi ara\u00e7lar\u0131 ve y\u00f6ntemleri kullanabilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayacak.<\/p>\n

G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda veri, adeta yeni petrol olarak kabul ediliyor. Ancak petrol\u00fcn ham haliyle kullan\u0131lamad\u0131\u011f\u0131 gibi, veriler de \u00e7o\u011fu zaman do\u011frudan anlaml\u0131 bilgiler \u00fcretmek i\u00e7in yeterli de\u011fildir. Raporlama, sorgulama veya derinlemesine analizler yapmaya \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131zda, veri kalitesindeki sorunlar sizi bekleyen en b\u00fcy\u00fck engellerden biri haline gelebilir. Yanl\u0131\u015f kararlar, ka\u00e7\u0131r\u0131lan f\u0131rsatlar veya gereksiz zaman kayb\u0131 gibi olumsuz sonu\u00e7larla kar\u015f\u0131la\u015fmamak ad\u0131na veri haz\u0131rl\u0131\u011f\u0131, her t\u00fcrl\u00fc i\u015f zekas\u0131 (Business Intelligence – BI) ve analitik giri\u015fiminin olmazsa olmaz\u0131d\u0131r.<\/p>\n

D\u00fc\u015f\u00fcn\u00fcn ki, bir e-ticaret \u015firketinin pazarlama departman\u0131nda \u00e7al\u0131\u015f\u0131yorsunuz. Ge\u00e7en ayki sat\u0131\u015f performans\u0131n\u0131 analiz etmek ve gelecek kampanya stratejilerini belirlemekle g\u00f6revlisiniz. Ancak size gelen veri setinde m\u00fc\u015fteri isimleri farkl\u0131 formatlarda (kimi b\u00fcy\u00fck harf, kimi k\u00fc\u00e7\u00fck, kimi k\u0131salt\u0131lm\u0131\u015f), \u00fcr\u00fcn kodlar\u0131 hatal\u0131 girilmi\u015f, baz\u0131 sipari\u015flerin tutarlar\u0131 eksik ve hatta ayn\u0131 m\u00fc\u015fterinin birden fazla kayd\u0131 bulunuyor. Bu da\u011f\u0131n\u0131k veriyle anlaml\u0131 bir rapor olu\u015fturmak ya da do\u011fru bir analiz yapmak neredeyse imkans\u0131zd\u0131r. \u0130\u015fte tam da bu noktada veri haz\u0131rl\u0131\u011f\u0131 devreye girer. Veri haz\u0131rl\u0131\u011f\u0131, ham veriyi temizleme, d\u00f6n\u00fc\u015ft\u00fcrme, zenginle\u015ftirme ve kullan\u0131ma haz\u0131r hale getirme s\u00fcrecidir. Bu s\u00fcre\u00e7 sayesinde verileriniz tutarl\u0131, do\u011fru ve analiz edilebilir bir yap\u0131ya kavu\u015fur. B\u00f6ylece raporlar\u0131n\u0131z ger\u00e7e\u011fi yans\u0131t\u0131r, sorgular\u0131n\u0131z g\u00fcvenilir sonu\u00e7lar verir ve analizlerinizle ger\u00e7ekten de\u011ferli i\u00e7g\u00f6r\u00fcler elde edebilirsiniz. K\u0131sacas\u0131, veri haz\u0131rl\u0131\u011f\u0131, veri odakl\u0131 kararlar alabilmenizin temelini olu\u015fturur ve i\u015f s\u00fcre\u00e7lerinizin verimlili\u011fini do\u011frudan etkiler. Bu y\u00fczden, ister k\u00fc\u00e7\u00fck bir i\u015fletme olun ister b\u00fcy\u00fck bir kurumsal yap\u0131, veri haz\u0131rl\u0131\u011f\u0131na yat\u0131r\u0131m yapmak, gelece\u011fe yap\u0131lan en \u00f6nemli yat\u0131r\u0131mlardan biridir.<\/p>\n

\n Uzman \u0130pucu: Ara\u015ft\u0131rmalar, veri analistlerinin zamanlar\u0131n\u0131n %60-80’ini veri haz\u0131rl\u0131\u011f\u0131na harcad\u0131\u011f\u0131n\u0131 g\u00f6steriyor. Bu s\u00fcreci otomatikle\u015ftirmek ve optimize etmek, genel analitik verimlili\u011finizi %40’tan fazla art\u0131rabilir.\n<\/div>\n

Veri Haz\u0131rl\u0131\u011f\u0131n\u0131n Temel Ta\u015flar\u0131 Nelerdir?<\/h2>\n
Veri haz\u0131rl\u0131\u011f\u0131 s\u00fcreci, tek bir ad\u0131mdan ibaret de\u011fildir; aksine, ham veriyi de\u011ferli bir varl\u0131\u011fa d\u00f6n\u00fc\u015ft\u00fcren birbirini tamamlayan bir dizi ad\u0131mdan olu\u015fur. Bu temel ad\u0131mlar\u0131 anlamak, hangi ara\u00e7lar\u0131 se\u00e7ece\u011finize ve hangi y\u00f6ntemleri uygulayaca\u011f\u0131n\u0131za dair size sa\u011flam bir yol haritas\u0131 sunacakt\u0131r. Her bir ad\u0131m, verinizin kalitesini art\u0131rarak analizlerinizin g\u00fcvenilirli\u011fini sa\u011flamak i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
\u00d6ncelikle Veri Temizleme (Data Cleaning)<\/strong> ile ba\u015flayal\u0131m. Bu, veri haz\u0131rl\u0131\u011f\u0131n\u0131n belki de en bilinen ve en zahmetli ad\u0131m\u0131d\u0131r. Veri temizleme, veri setinizdeki hatalar\u0131, tutars\u0131zl\u0131klar\u0131 ve eksiklikleri tespit etme ve giderme s\u00fcrecini i\u00e7erir. \u00d6rne\u011fin, yanl\u0131\u015f girilmi\u015f de\u011ferler (\u00f6rne\u011fin, ya\u015f hanesine “abc” yaz\u0131lmas\u0131), tekrar eden kay\u0131tlar (ayn\u0131 m\u00fc\u015fterinin birden fazla kez listelenmesi), format farkl\u0131l\u0131klar\u0131 (tarihlerin “GG.AA.YYYY” ve “AAAA-GG-AA” \u015feklinde kar\u0131\u015f\u0131k olmas\u0131) bu a\u015famada ele al\u0131n\u0131r. Veri temizli\u011finin amac\u0131, verilerinizin do\u011frulu\u011funu ve g\u00fcvenilirli\u011fini en \u00fcst d\u00fczeye \u00e7\u0131karmakt\u0131r. Genellikle bu ad\u0131mda otomatik ara\u00e7lar kullan\u0131lsa da, baz\u0131 durumlarda manuel m\u00fcdahale de gerekebilir. Manuel temizlik, \u00f6zellikle karma\u015f\u0131k veya belirsiz veri hatalar\u0131 i\u00e7in ka\u00e7\u0131n\u0131lmaz olabilir, ancak otomasyonun potansiyeli her zaman de\u011ferlendirilmelidir.<\/p>\n
\u0130kinci temel ta\u015f ise Veri D\u00f6n\u00fc\u015ft\u00fcrme (Data Transformation)<\/strong>‘dir. Ham veriler genellikle analiz veya raporlama i\u00e7in uygun bir yap\u0131da de\u011fildir. Veri d\u00f6n\u00fc\u015ft\u00fcrme, veriyi farkl\u0131 bir formata, yap\u0131ya veya de\u011fere \u00e7evirme i\u015flemidir. Bu, s\u00fctunlar\u0131 birle\u015ftirmek (ad ve soyad\u0131 s\u00fctunlar\u0131n\u0131 tek bir “Tam Ad” s\u00fctununda toplamak), de\u011ferleri normalle\u015ftirmek (t\u00fcm say\u0131sal de\u011ferleri belirli bir aral\u0131\u011fa getirmek), kategorik de\u011fi\u015fkenleri say\u0131sal formata \u00e7evirmek (cinsiyet: Erkek=1, Kad\u0131n=0), veya farkl\u0131 veri setlerini tek bir tabloda birle\u015ftirmek (JOIN) gibi i\u015flemleri i\u00e7erebilir. D\u00f6n\u00fc\u015ft\u00fcrme, verinin analiz i\u00e7in en uygun ve verimli formata getirilmesini sa\u011flar. \u00d6rne\u011fin, bir sat\u0131\u015f raporu haz\u0131rlarken, farkl\u0131 birimlerdeki sat\u0131\u015f miktarlar\u0131n\u0131 (adet, kilogram, litre) tek bir ortak birime (\u00f6rne\u011fin, ciro) d\u00f6n\u00fc\u015ft\u00fcrmek, daha tutarl\u0131 ve kar\u015f\u0131la\u015ft\u0131r\u0131labilir bir analiz sunar.<\/p>\n
\u00dc\u00e7\u00fcnc\u00fc \u00f6nemli ad\u0131m Veri Zenginle\u015ftirme (Data Enrichment)<\/strong>‘dir. Bazen mevcut verileriniz tek ba\u015f\u0131na yeterli de\u011fildir. Veri zenginle\u015ftirme, analiz g\u00fcc\u00fcn\u00fc art\u0131rmak i\u00e7in harici veya dahili ek veri kaynaklar\u0131ndan bilgi ekleme s\u00fcrecidir. \u00d6rne\u011fin, m\u00fc\u015fteri verilerinize co\u011frafi konum bilgileri eklemek, hava durumu verilerini sat\u0131\u015f kay\u0131tlar\u0131yla birle\u015ftirmek veya \u00fcr\u00fcn kategori bilgilerini sipari\u015f detaylar\u0131na dahil etmek bu kategoriye girer. Bu sayede, daha derinlemesine analizler yapabilir ve daha kapsaml\u0131 i\u00e7g\u00f6r\u00fcler elde edebilirsiniz. Pazarlama kampanyalar\u0131n\u0131z\u0131 daha hedefe y\u00f6nelik hale getirmek i\u00e7in m\u00fc\u015fteri demografik bilgilerini \u00fc\u00e7\u00fcnc\u00fc taraf kaynaklardan entegre etmek, veri zenginle\u015ftirmeye g\u00fczel bir \u00f6rnektir.<\/p>\n
Son olarak, Veri Do\u011frulama ve S\u0131n\u0131fland\u0131rma (Data Validation and Classification)<\/strong> ad\u0131m\u0131 gelir. Veri do\u011frulama, haz\u0131rl\u0131k s\u00fcrecinin her a\u015famas\u0131nda yap\u0131labilir ve verinin belirli kurallara veya k\u0131s\u0131tlamalara uyup uymad\u0131\u011f\u0131n\u0131 kontrol etmeyi i\u00e7erir. \u00d6rne\u011fin, bir e-posta adresinin ge\u00e7erli bir formatta olup olmad\u0131\u011f\u0131n\u0131, bir say\u0131sal alan\u0131n belirli bir aral\u0131kta olup olmad\u0131\u011f\u0131n\u0131 kontrol edersiniz. Veri s\u0131n\u0131fland\u0131rma ise verileri belirli kategorilere ay\u0131rma i\u015flemidir. \u00d6rne\u011fin, metin verilerini anahtar kelimelere g\u00f6re “olumlu”, “olumsuz” veya “n\u00f6tr” olarak s\u0131n\u0131fland\u0131rmak veya m\u00fc\u015fterileri harcama al\u0131\u015fkanl\u0131klar\u0131na g\u00f6re “y\u00fcksek de\u011ferli”, “orta de\u011ferli” gibi segmentlere ay\u0131rmak bu ad\u0131ma \u00f6rnek te\u015fkil eder. Bu ad\u0131mlar, verinin tutarl\u0131l\u0131\u011f\u0131n\u0131 ve kullan\u0131labilirli\u011fini art\u0131rarak, analizlerinize sa\u011flam bir temel olu\u015fturur. T\u00fcm bu ad\u0131mlar, verinizin i\u015f s\u00fcre\u00e7lerinize de\u011fer katmas\u0131n\u0131 sa\u011flayan temel direklerdir.<\/p>\n

Hangi Ara\u00e7lar Veri Haz\u0131rl\u0131\u011f\u0131 S\u00fcrecini Kolayla\u015ft\u0131r\u0131r?<\/h2>\n
Veri haz\u0131rl\u0131\u011f\u0131, genellikle karma\u015f\u0131k ve zaman al\u0131c\u0131 bir s\u00fcre\u00e7 oldu\u011fundan, do\u011fru ara\u00e7lar\u0131 se\u00e7mek bu i\u015fin verimlili\u011fini ve do\u011frulu\u011funu do\u011frudan etkiler. G\u00fcn\u00fcm\u00fczde, veri haz\u0131rl\u0131\u011f\u0131 i\u00e7in \u00e7ok \u00e7e\u015fitli ara\u00e7lar bulunmaktad\u0131r ve her birinin kendine \u00f6zg\u00fc avantajlar\u0131 ve kullan\u0131m senaryolar\u0131 vard\u0131r. Bu ara\u00e7lar\u0131 kullanarak, veri temizleme, d\u00f6n\u00fc\u015ft\u00fcrme, zenginle\u015ftirme ve do\u011frulama gibi temel ad\u0131mlar\u0131 \u00e7ok daha etkin bir \u015fekilde ger\u00e7ekle\u015ftirebilirsiniz.<\/p>\n
\n
Elektronik Tablo Yaz\u0131l\u0131mlar\u0131 (Microsoft Excel, Google Sheets):<\/strong> K\u00fc\u00e7\u00fck veri setleri ve basit temizlik i\u015flemleri i\u00e7in vazge\u00e7ilmezdir. \u00d6zellikle manuel m\u00fcdahalelerin ve h\u0131zl\u0131 g\u00f6rsel denetimlerin gerekti\u011fi durumlarda \u00e7ok kullan\u0131\u015fl\u0131d\u0131r.\n
\n
Avantajlar\u0131:<\/strong> Yayg\u0131n kullan\u0131m, d\u00fc\u015f\u00fck \u00f6\u011frenme e\u011frisi, g\u00fc\u00e7l\u00fc form\u00fcl setleri (VLOOKUP, IF, CONCATENATE, TRIM, CLEAN).<\/li>\n
Dezavantajlar\u0131:<\/strong> B\u00fcy\u00fck veri setlerinde performans sorunlar\u0131, otomasyon kapasitesinin s\u0131n\u0131rl\u0131 olmas\u0131, izlenebilirli\u011fin ve tekrarlanabilirli\u011fin zorlu\u011fu.<\/li>\n
Kullan\u0131m Senaryosu:<\/strong> H\u0131zl\u0131ca tek seferlik veri temizli\u011fi, k\u00fc\u00e7\u00fck raporlamalar i\u00e7in veri d\u00fczenleme.<\/li>\n<\/ul>\n<\/li>\n
Veritaban\u0131 Y\u00f6netim Sistemleri (SQL – Structured Query Language):<\/strong> B\u00fcy\u00fck ve yap\u0131land\u0131r\u0131lm\u0131\u015f veri setleriyle \u00e7al\u0131\u015f\u0131rken, SQL ile do\u011frudan veritaban\u0131nda temizlik ve d\u00f6n\u00fc\u015f\u00fcm yapmak olduk\u00e7a etkilidir. \u0130li\u015fkisel veritabanlar\u0131ndaki verileri birle\u015ftirmek, filtrelemek ve d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.\n
\n
Avantajlar\u0131:<\/strong> \u00d6l\u00e7eklenebilirlik, veri b\u00fct\u00fcnl\u00fc\u011f\u00fc, karma\u015f\u0131k sorgu ve birle\u015ftirme yetenekleri, otomasyon (stored procedures, views).<\/li>\n
Dezavantajlar\u0131:<\/strong> Metinsel veri temizli\u011finde veya yap\u0131sal olmayan verilerde s\u0131n\u0131rl\u0131l\u0131klar, programlama bilgisi gerektirir.<\/li>\n
Kullan\u0131m Senaryosu:<\/strong> Farkl\u0131 tablolardan veri birle\u015ftirme (JOIN), filtreleme (WHERE), toplama (GROUP BY), veri tiplerini d\u00f6n\u00fc\u015ft\u00fcrme (CAST).<\/li>\n<\/ul>\n<\/li>\n
Programlama Dilleri (Python, R):<\/strong> En esnek ve g\u00fc\u00e7l\u00fc veri haz\u0131rl\u0131\u011f\u0131 ara\u00e7lar\u0131d\u0131r. \u00d6zellikle b\u00fcy\u00fck veri setleri, karma\u015f\u0131k d\u00f6n\u00fc\u015f\u00fcmler, makine \u00f6\u011frenimi modelleri i\u00e7in veri \u00f6n i\u015fleme ve otomasyon gerektiren durumlarda tercih edilirler.\n
\n
Python (Pandas k\u00fct\u00fcphanesi ile):<\/strong> Veri manip\u00fclasyonu i\u00e7in end\u00fcstri standard\u0131 haline gelmi\u015ftir. DataFrame yap\u0131s\u0131 sayesinde Excel’den veya SQL’den gelen verilere benzer \u015fekilde \u00e7al\u0131\u015fmak m\u00fcmk\u00fcnd\u00fcr.<\/li>\n
R:<\/strong> \u0130statistiksel analiz ve veri g\u00f6rselle\u015ftirme konusunda g\u00fc\u00e7l\u00fcd\u00fcr. ‘tidyverse’ paketi (dplyr, tidyr) veri temizli\u011fi ve d\u00f6n\u00fc\u015f\u00fcm\u00fc i\u00e7in olduk\u00e7a pop\u00fclerdir.<\/li>\n
Avantajlar\u0131:<\/strong> S\u0131n\u0131rs\u0131z esneklik, otomasyon, karma\u015f\u0131k algoritmalar\u0131n uygulanmas\u0131, b\u00fcy\u00fck veri deste\u011fi, zengin k\u00fct\u00fcphane ekosistemi.<\/li>\n
Dezavantajlar\u0131:<\/strong> Y\u00fcksek \u00f6\u011frenme e\u011frisi, kurulum ve ortam y\u00f6netimi gerektirmesi.<\/li>\n
Kullan\u0131m Senaryosu:<\/strong> Metin madencili\u011fi, do\u011fal dil i\u015fleme (NLP), zaman serisi analizi i\u00e7in veri haz\u0131rl\u0131\u011f\u0131, ETL boru hatlar\u0131n\u0131n in\u015fas\u0131.<\/li>\n<\/ul>\n<\/li>\n
ETL (Extract, Transform, Load) Ara\u00e7lar\u0131:<\/strong> Verileri birden \u00e7ok heterojen kaynaktan \u00e7ekmek (Extract), d\u00f6n\u00fc\u015ft\u00fcrmek (Transform) ve bir hedef sisteme (veri ambar\u0131, veri g\u00f6l\u00fc) y\u00fcklemek (Load) i\u00e7in tasarlanm\u0131\u015f \u00f6zel yaz\u0131l\u0131mlard\u0131r.\n
\n
\u00d6rnekler:<\/strong> Informatica PowerCenter, Talend Open Studio, Apache Nifi, Microsoft SSIS.<\/li>\n
Avantajlar\u0131:<\/strong> G\u00f6rsel aray\u00fczler sayesinde kod yazmadan karma\u015f\u0131k veri ak\u0131\u015flar\u0131 olu\u015fturma, \u00f6l\u00e7eklenebilirlik, hata y\u00f6netimi, i\u015f ak\u0131\u015f\u0131 otomasyonu.<\/li>\n
Dezavantajlar\u0131:<\/strong> Genellikle pahal\u0131d\u0131rlar, \u00f6\u011frenme e\u011frileri olabilir, esneklikleri programlama dilleri kadar de\u011fildir.<\/li>\n
Kullan\u0131m Senaryosu:<\/strong> Kurumsal veri entegrasyonu, veri ambar\u0131 olu\u015fturma, d\u00fczenli ve tekrarlayan b\u00fcy\u00fck \u00f6l\u00e7ekli veri haz\u0131rl\u0131k s\u00fcre\u00e7leri.<\/li>\n<\/ul>\n<\/li>\n
BI (Business Intelligence) Ara\u00e7lar\u0131 ve Veri Haz\u0131rl\u0131k Mod\u00fclleri:<\/strong> Modern BI ara\u00e7lar\u0131 (Power BI, Tableau, Qlik Sense) genellikle entegre veri haz\u0131rl\u0131k ve modelleme yetenekleri sunar. Bu ara\u00e7lar, kullan\u0131c\u0131lar\u0131n verileri g\u00f6rsel olarak temizlemesine ve d\u00f6n\u00fc\u015ft\u00fcrmesine olanak tan\u0131r.\n
\n
\u00d6rnekler:<\/strong> Power Query (Power BI, Excel), Tableau Prep.<\/li>\n
Avantajlar\u0131:<\/strong> Kullan\u0131c\u0131 dostu g\u00f6rsel aray\u00fczler, h\u0131zl\u0131 prototipleme, do\u011frudan raporlama ve analizle entegrasyon, i\u015f analistleri i\u00e7in eri\u015filebilir.<\/li>\n
Dezavantajlar\u0131:<\/strong> B\u00fcy\u00fck veri setlerinde performans s\u0131n\u0131rlamalar\u0131, daha karma\u015f\u0131k d\u00f6n\u00fc\u015f\u00fcmlerde s\u0131n\u0131rl\u0131 esneklik.<\/li>\n
Kullan\u0131m Senaryosu:<\/strong> Son kullan\u0131c\u0131lar\u0131n kendi raporlar\u0131 i\u00e7in h\u0131zl\u0131 veri haz\u0131rl\u0131\u011f\u0131, veri modellemesi ve basit ETL g\u00f6revleri.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n
Hangi arac\u0131 se\u00e7ece\u011finiz, projenizin b\u00fcy\u00fckl\u00fc\u011f\u00fcne, veri kaynaklar\u0131n\u0131z\u0131n karma\u015f\u0131kl\u0131\u011f\u0131na, b\u00fct\u00e7enize ve ekibinizin teknik yeteneklerine ba\u011fl\u0131d\u0131r. Genellikle, en iyi sonu\u00e7lar i\u00e7in birden fazla arac\u0131n kombinasyonu kullan\u0131l\u0131r. \u00d6rne\u011fin, SQL ile veritaban\u0131ndan \u00e7ekilen b\u00fcy\u00fck veriler Python ile temizlenip d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir, ard\u0131ndan bir BI arac\u0131yla raporlanabilir.<\/p>\n
Pratikte Veri Haz\u0131rl\u0131\u011f\u0131: Ad\u0131m Ad\u0131m Bir Senaryo<\/h2>\n
\u015eimdi teorik bilgileri bir kenara b\u0131rak\u0131p, ger\u00e7ek bir senaryo \u00fczerinden veri haz\u0131rl\u0131\u011f\u0131 s\u00fcrecini nas\u0131l uygulayabilece\u011fimize odaklanal\u0131m. Bir perakende \u015firketinde \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131z\u0131 ve farkl\u0131 e-ticaret platformlar\u0131ndan gelen sat\u0131\u015f verilerini birle\u015ftirip analiz etmeniz gerekti\u011fini varsayal\u0131m. Hedefimiz, ayl\u0131k sat\u0131\u015f raporu olu\u015fturmak ve en \u00e7ok satan \u00fcr\u00fcnleri belirlemek. Ancak, veriler olduk\u00e7a da\u011f\u0131n\u0131k ve tutars\u0131z.<\/p>\n
Excel ile H\u0131zl\u0131 \u00c7\u00f6z\u00fcmler Nas\u0131l \u00dcretilir?<\/h3>\n
Elinizde iki ayr\u0131 Excel dosyas\u0131 oldu\u011funu varsayal\u0131m: biri ‘Trendyol_Satislar.xlsx’ di\u011feri ‘Hepsiburada_Satislar.xlsx’. Her iki dosyada da ‘Siparis ID’, ‘Musteri Adi’, ‘Urun Adi’, ‘Adet’, ‘Birim Fiyat’, ‘Toplam Fiyat’, ‘Tarih’ s\u00fctunlar\u0131 var. Ancak baz\u0131 sorunlar mevcut:<\/p>\n
\n
‘Musteri Adi’ s\u00fctununda bo\u015fluklar var ve baz\u0131 isimler yanl\u0131\u015f yaz\u0131lm\u0131\u015f.<\/li>\n
‘Tarih’ s\u00fctunu farkl\u0131 formatlarda (birinde ‘GG.AA.YYYY’, di\u011ferinde ‘AAAA-AA-GG’).<\/li>\n
‘Urun Adi’ s\u00fctununda gereksiz kelimeler veya k\u00fc\u00e7\u00fck\/b\u00fcy\u00fck harf tutars\u0131zl\u0131klar\u0131 var.<\/li>\n<\/ul>\n
Ad\u0131m 1: Veri Birle\u015ftirme<\/strong><\/p>\n
\u00d6nce her iki dosyay\u0131 tek bir Excel \u00e7al\u0131\u015fma kitab\u0131nda ayr\u0131 sayfalar halinde a\u00e7\u0131n. Ard\u0131ndan, bir sayfadaki verileri kopyalay\u0131p di\u011fer sayfan\u0131n hemen alt\u0131na yap\u0131\u015ft\u0131rarak tek bir b\u00fcy\u00fck veri seti olu\u015fturun.<\/p>\n
Ad\u0131m 2: Veri Temizleme (Bo\u015fluklar ve Tutars\u0131zl\u0131klar)<\/strong><\/p>\n
\n
‘Musteri Adi’ s\u00fctunundaki fazla bo\u015fluklar\u0131 temizlemek i\u00e7in yeni bir s\u00fctun (\u00f6rn. ‘Temizlenmis Musteri Adi’) olu\u015fturun ve \u015fu form\u00fcl\u00fc kullan\u0131n:\n
=TRIM(A2)<\/pre>\n<\/code> \n Bu form\u00fcl\u00fc t\u00fcm sat\u0131rlara uygulay\u0131n.<\/li>\n 'Urun Adi' s\u00fctunundaki b\u00fcy\u00fck\/k\u00fc\u00e7\u00fck harf tutars\u0131zl\u0131klar\u0131n\u0131 gidermek i\u00e7in:\n=UPPER(B2) \/\/ T\u00fcm\u00fcn\u00fc b\u00fcy\u00fck harf yapar\n \/\/ veya\n =PROPER(B2) \/\/ Kelimelerin ba\u015f harflerini b\u00fcy\u00fck yapar<\/pre>\n<\/code> \n Uygun olan\u0131 se\u00e7ip uygulay\u0131n.<\/li>\n<\/ol>\n Ad\u0131m 3: Veri D\u00f6n\u00fc\u015ft\u00fcrme (Tarih Format\u0131)<\/strong><\/p>\n \n'Tarih' s\u00fctununu se\u00e7in.<\/li>\n \"Veri\" sekmesine gidin, \"Metni S\u00fctunlara D\u00f6n\u00fc\u015ft\u00fcr\" se\u00e7ene\u011fini kullan\u0131n.<\/li>\n Ay\u0131r\u0131c\u0131 olarak 'Nokta' veya 'Tire' kullan\u0131n (veriye g\u00f6re de\u011fi\u015fir).<\/li>\n S\u00fctunlar\u0131 ay\u0131rd\u0131ktan sonra, istedi\u011finiz format\u0131 (\u00f6rn. GG.AA.YYYY) sa\u011f t\u0131klay\u0131p \"H\u00fccreleri Bi\u00e7imlendir\" > \"Say\u0131\" > \"Tarih\" k\u0131sm\u0131ndan se\u00e7erek uygulay\u0131n. Excel otomatik olarak tarihleri tan\u0131yacakt\u0131r. Gerekirse DATEVALUE<\/code> fonksiyonunu kullanabilirsiniz:\n=DATEVALUE(\"01.01.2023\")<\/pre>\n<\/code> \n Bu, metin olarak girilmi\u015f tarihleri Excel'in tan\u0131d\u0131\u011f\u0131 tarih de\u011ferlerine \u00e7evirir.<\/li>\n<\/ol>\n Bu ad\u0131mlarla, Excel'in temel form\u00fcl ve \u00f6zelliklerini kullanarak h\u0131zl\u0131ca veri temizli\u011fi ve basit d\u00f6n\u00fc\u015f\u00fcmler yapabilirsiniz. Ancak, b\u00fcy\u00fck ve karma\u015f\u0131k veri setlerinde Excel'in yetenekleri s\u0131n\u0131rl\u0131 kalabilir.<\/p>\n SQL ile Veri D\u00f6n\u00fc\u015f\u00fcm\u00fc ve Birle\u015ftirme Sanat\u0131<\/h3>\nVerileriniz bir veritaban\u0131nda (SQL Server, PostgreSQL, MySQL vb.) depolan\u0131yorsa, SQL en g\u00fc\u00e7l\u00fc ara\u00e7lardan biridir. Yukar\u0131daki senaryodaki Excel dosyalar\u0131n\u0131 art\u0131k iki farkl\u0131 tablo olarak d\u00fc\u015f\u00fcnelim: trendyol_satislar<\/code> ve hepsiburada_satislar<\/code>. Amac\u0131m\u0131z, bu iki tabloyu birle\u015ftirmek ve temizlemek.<\/p>\n Ad\u0131m 1: Verileri Birle\u015ftirme (UNION ALL)<\/strong><\/p>\n \u0130ki ayr\u0131 platformdan gelen sat\u0131\u015f verilerini tek bir b\u00fct\u00fcnsel veri seti olarak g\u00f6rmek i\u00e7in UNION ALL<\/code> komutunu kullan\u0131r\u0131z. Bu, s\u00fctun yap\u0131lar\u0131 ayn\u0131 veya benzer oldu\u011funda idealdir.<\/p>\n SELECT\n \"Siparis ID\",\n \"Musteri Adi\",\n \"Urun Adi\",\n Adet,\n \"Birim Fiyat\",\n \"Toplam Fiyat\",\n Tarih\nFROM\n trendyol_satislar\nUNION ALL\nSELECT\n \"Siparis ID\",\n \"Musteri Adi\",\n \"Urun Adi\",\n Adet,\n \"Birim Fiyat\",\n \"Toplam Fiyat\",\n Tarih\nFROM\n hepsiburada_satislar;<\/pre>\n<\/code><\/p>\n Ad\u0131m 2: Veri Temizleme ve D\u00f6n\u00fc\u015ft\u00fcrme<\/strong><\/p>\n Birle\u015ftirilmi\u015f veri \u00fczerinde temizlik ve d\u00f6n\u00fc\u015ft\u00fcrme i\u015flemleri yapal\u0131m. \u00d6rne\u011fin, 'Musteri Adi'ndaki bo\u015fluklar\u0131 temizleyelim ve 'Urun Adi'n\u0131 b\u00fcy\u00fck harfe \u00e7evirelim. Tarih format\u0131 veritaban\u0131nda genellikle standart oldu\u011fundan, burada sadece d\u00f6n\u00fc\u015f\u00fcm yapmam\u0131z yeterli olabilir.<\/p>\n SELECT\n \"Siparis ID\",\n TRIM(\"Musteri Adi\") AS \"Temizlenmis Musteri Adi\",\n UPPER(\"Urun Adi\") AS \"Buyuk Harf Urun Adi\",\n Adet,\n \"Birim Fiyat\",\n \"Toplam Fiyat\",\n CAST(Tarih AS DATE) AS \"Siparis Tarihi\" -- Tarihi DATE tipine d\u00f6n\u00fc\u015ft\u00fcrme\nFROM (\n SELECT\n \"Siparis ID\",\n \"Musteri Adi\",\n \"Urun Adi\",\n Adet,\n \"Birim Fiyat\",\n \"Toplam Fiyat\",\n Tarih\n FROM\n trendyol_satislar\n UNION ALL\n SELECT\n \"Siparis ID\",\n \"Musteri Adi\",\n \"Urun Adi\",\n Adet,\n \"Birim Fiyat\",\n \"Toplam Fiyat\",\n Tarih\n FROM\n hepsiburada_satislar\n) AS birlesik_satislar;<\/pre>\n<\/code><\/p>\n Bu sorgu ile hem iki tabloyu birle\u015ftirdik hem de isimleri temizleyip \u00fcr\u00fcn adlar\u0131n\u0131 standartla\u015ft\u0131rd\u0131k. SQL'in g\u00fcc\u00fc, b\u00fcy\u00fck veri setlerinde bu t\u00fcr i\u015flemleri \u00e7ok h\u0131zl\u0131 ve verimli bir \u015fekilde yapabilmesidir. Ayr\u0131ca, olu\u015fturdu\u011funuz bu sorguyu bir View olarak kaydederek, her seferinde tekrar yazmak zorunda kalmadan, temizlenmi\u015f veriye kolayca eri\u015febilirsiniz.<\/p>\n Python (Pandas) ile Otomatikle\u015ftirilmi\u015f Veri Temizli\u011fi ve Zenginle\u015ftirme<\/h3>\nDaha karma\u015f\u0131k senaryolarda veya d\u00fczenli olarak tekrarlanan veri haz\u0131rl\u0131k g\u00f6revleri i\u00e7in Python ve Pandas k\u00fct\u00fcphanesi kurtar\u0131c\u0131n\u0131zd\u0131r. Yukar\u0131daki Excel senaryosunu Python ile otomatikle\u015ftirelim.<\/p>\n Ad\u0131m 1: K\u00fct\u00fcphaneleri Y\u00fckleme ve Verileri Okuma<\/strong><\/p>\n import pandas as pd\n\n# Excel dosyalar\u0131n\u0131 oku\ndf_trendyol = pd.read_excel(\"Trendyol_Satislar.xlsx\")\ndf_hepsiburada = pd.read_excel(\"Hepsiburada_Satislar.xlsx\")\n\n# Verileri birle\u015ftir\ndf_birlesik = pd.concat([df_trendyol, df_hepsiburada], ignore_index=True)\n\nprint(\"Birle\u015ftirilmi\u015f Veri \u0130lk 5 Sat\u0131r:\")\nprint(df_birlesik.head())<\/pre>\n<\/code><\/p>\n Ad\u0131m 2: Veri Temizleme<\/strong><\/p>\n 'Musteri Adi'ndaki bo\u015fluklar\u0131 temizleyelim, 'Urun Adi'n\u0131 b\u00fcy\u00fck harfe \u00e7evirelim ve 'Tarih' s\u00fctununu do\u011fru formatta d\u00f6n\u00fc\u015ft\u00fcrelim.<\/p>\n # 'Musteri Adi' s\u00fctunundaki ba\u015ftaki ve sondaki bo\u015fluklar\u0131 temizle\ndf_birlesik['Musteri Adi'] = df_birlesik['Musteri Adi'].str.strip()\n\n# 'Urun Adi' s\u00fctununu b\u00fcy\u00fck harfe \u00e7evir\ndf_birlesik['Urun Adi'] = df_birlesik['Urun Adi'].str.upper()\n\n# 'Tarih' s\u00fctununu datetime objesine d\u00f6n\u00fc\u015ft\u00fcr. Hatal\u0131 tarihleri NaT olarak i\u015faretle.\ndf_birlesik['Tarih'] = pd.to_datetime(df_birlesik['Tarih'], errors='coerce')\n\n# D\u00f6n\u00fc\u015ft\u00fcrme sonras\u0131 NaT (Not a Time) olan kay\u0131tlar\u0131 kontrol edebiliriz\nprint(\"\\nTarih d\u00f6n\u00fc\u015f\u00fcm\u00fc sonras\u0131 eksik de\u011ferler:\")\nprint(df_birlesik['Tarih'].isnull().sum())\n\n# Eksik tarih de\u011ferlerini i\u00e7eren sat\u0131rlar\u0131 silebilir veya ba\u015fka bir strateji uygulayabiliriz\n# df_birlesik.dropna(subset=['Tarih'], inplace=True)\n\nprint(\"\\nTemizlenmi\u015f ve D\u00f6n\u00fc\u015ft\u00fcr\u00fclm\u00fc\u015f Veri \u0130lk 5 Sat\u0131r:\")\nprint(df_birlesik.head())\nprint(\"\\nVeri Tipleri:\")\nprint(df_birlesik.info())<\/pre>\n<\/code><\/p>\n Ad\u0131m 3: Eksik De\u011ferleri Y\u00f6netme<\/strong><\/p>\n Veri setinizde eksik de\u011ferler (NaN) olabilir. \u00d6rne\u011fin, 'Toplam Fiyat' s\u00fctununda eksik de\u011ferler varsa, bunlar\u0131 ortalama veya medyan ile doldurabiliriz.<\/p>\n # 'Toplam Fiyat' s\u00fctunundaki eksik de\u011ferleri medyan ile doldur\nmedyan_fiyat = df_birlesik['Toplam Fiyat'].median()\ndf_birlesik['Toplam Fiyat'].fillna(medyan_fiyat, inplace=True)\n\nprint(\"\\nEksik Fiyat De\u011ferleri Doldurulduktan Sonra:\")\nprint(df_birlesik['Toplam Fiyat'].isnull().sum())<\/pre>\n<\/code><\/p>\n Ad\u0131m 4: Veri Zenginle\u015ftirme (\u00d6rnek: Ay ve Y\u0131l \u00c7\u0131karma)<\/strong><\/p>\n Analizleriniz i\u00e7in 'Tarih' s\u00fctunundan ay ve y\u0131l bilgilerini ayr\u0131 ayr\u0131 s\u00fctunlara \u00e7ekmek isteyebilirsiniz.<\/p>\n df_birlesik['Siparis Ayi'] = df_birlesik['Tarih'].dt.month\ndf_birlesik['Siparis Yili'] = df_birlesik['Tarih'].dt.year\n\nprint(\"\\nZenginle\u015ftirilmi\u015f Veri \u0130lk 5 Sat\u0131r (Ay ve Y\u0131l Eklendi):\")\nprint(df_birlesik.head())<\/pre>\n<\/code><\/p>\n Pandas, bu t\u00fcr i\u015flemleri inan\u0131lmaz derecede h\u0131zl\u0131 ve esnek bir \u015fekilde yapman\u0131z\u0131 sa\u011flar. Bu kod blo\u011funu bir Python beti\u011fi olarak kaydederek, her ay yeni veriler geldi\u011finde bu temizleme ve d\u00f6n\u00fc\u015ft\u00fcrme s\u00fcrecini saniyeler i\u00e7inde otomatik olarak \u00e7al\u0131\u015ft\u0131rabilirsiniz.<\/p>\n B\u00fcy\u00fck Veri Ortamlar\u0131nda Veri Haz\u0131rl\u0131\u011f\u0131 Nas\u0131l Y\u00f6netilir?<\/h2>\nGeleneksel ara\u00e7lar ve y\u00f6ntemler, b\u00fcy\u00fck veri (Big Data) ortamlar\u0131nda yetersiz kalabilir. Milyarlarca sat\u0131r ve terabaytlarca veri ile \u00e7al\u0131\u015f\u0131rken, performans, \u00f6l\u00e7eklenebilirlik ve otomasyon \u00e7ok daha kritik hale gelir. B\u00fcy\u00fck veri ortamlar\u0131nda veri haz\u0131rl\u0131\u011f\u0131, genellikle da\u011f\u0131t\u0131k sistemler ve bulut tabanl\u0131 \u00e7\u00f6z\u00fcmler arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir.<\/p>\n 1. Da\u011f\u0131t\u0131k \u0130\u015fleme \u00c7er\u00e7eveleri:<\/strong><\/p>\n \nApache Spark:<\/strong> B\u00fcy\u00fck veri k\u00fcmelerini bellek i\u00e7i i\u015fleme yetene\u011fi sayesinde ola\u011fan\u00fcst\u00fc h\u0131zda i\u015fleyebilen, a\u00e7\u0131k kaynakl\u0131 bir da\u011f\u0131t\u0131k i\u015flem motorudur. Spark'\u0131n SQL, DataFrames ve Machine Learning k\u00fct\u00fcphaneleri (MLlib) sayesinde, veri temizleme, d\u00f6n\u00fc\u015ft\u00fcrme ve zenginle\u015ftirme i\u015flemleri paralel olarak bir\u00e7ok sunucu \u00fczerinde y\u00fcr\u00fct\u00fclebilir. Python (PySpark), Scala, Java ve R dillerinde aray\u00fczler sunar.\n# PySpark ile basit bir veri temizleme \u00f6rne\u011fi\n from pyspark.sql import SparkSession\n from pyspark.sql.functions import col, trim, upper\n\n spark = SparkSession.builder.appName(\"BigDataPrep\").getOrCreate()\n\n # B\u00fcy\u00fck veri setini oku (\u00f6rne\u011fin, Parquet format\u0131nda)\n df_big_data = spark.read.parquet(\"hdfs:\/\/...\/big_sales_data.parquet\")\n\n # M\u00fc\u015fteri adlar\u0131n\u0131 temizle, \u00fcr\u00fcn adlar\u0131n\u0131 b\u00fcy\u00fck harfe \u00e7evir\n df_cleaned = df_big_data.withColumn(\"Musteri Adi\", trim(col(\"Musteri Adi\"))) \\\n .withColumn(\"Urun Adi\", upper(col(\"Urun Adi\")))\n\n df_cleaned.show(5)\n spark.stop()<\/pre>\n<\/code><\/p>\n Bu \u00f6rnek, PySpark'\u0131n nas\u0131l kullan\u0131labilece\u011fini g\u00f6steriyor. Veriler HDFS gibi da\u011f\u0131t\u0131k bir dosya sisteminden okunuyor, i\u015flemler Spark'\u0131n da\u011f\u0131t\u0131k motoru \u00fczerinde paralel olarak yap\u0131l\u0131yor ve sonu\u00e7lar g\u00f6steriliyor. Bu yakla\u015f\u0131m, terabaytlarca veriyi bile verimli bir \u015fekilde y\u00f6netmenizi sa\u011flar.<\/p>\n<\/li>\n Apache Hadoop MapReduce:<\/strong> Spark'tan daha eski olmakla birlikte, hala b\u00fcy\u00fck \u00f6l\u00e7ekli batch (toplu) veri i\u015fleme i\u00e7in kullan\u0131lan bir \u00e7er\u00e7evedir. Daha d\u00fc\u015f\u00fck seviyeli bir programlama modeli sunar ve veri haz\u0131rl\u0131\u011f\u0131 i\u00e7in daha fazla kod yazmay\u0131 gerektirebilir.<\/li>\n<\/ul>\n2. Bulut Tabanl\u0131 Veri Haz\u0131rl\u0131k ve ETL Hizmetleri:<\/strong><\/p>\n Bulut sa\u011flay\u0131c\u0131lar\u0131, b\u00fcy\u00fck veri ortamlar\u0131nda veri haz\u0131rl\u0131\u011f\u0131n\u0131 kolayla\u015ft\u0131ran y\u00f6netilen hizmetler sunar. Bu hizmetler, altyap\u0131 y\u00f6netimi y\u00fck\u00fcn\u00fc ortadan kald\u0131rarak geli\u015ftiricilerin ve analistlerin sadece veri haz\u0131rl\u0131\u011f\u0131na odaklanmas\u0131n\u0131 sa\u011flar.<\/p>\n \nAmazon Web Services (AWS):<\/strong>\n\nAWS Glue:<\/strong> Sunucusuz bir ETL hizmetidir. Veri kataloglama, ETL boru hatlar\u0131 olu\u015fturma (Spark tabanl\u0131), veri kaynaklar\u0131n\u0131 ke\u015ffetme ve d\u00f6n\u00fc\u015ft\u00fcrme yetenekleri sunar. G\u00f6rsel bir s\u00fcr\u00fckle b\u0131rak aray\u00fcz\u00fc ve kod tabanl\u0131 geli\u015ftirme imkan\u0131 sunar.<\/li>\n AWS Data Pipeline:<\/strong> Periyodik veri i\u015fleme i\u015f ak\u0131\u015flar\u0131 olu\u015fturmak i\u00e7in kullan\u0131l\u0131r.<\/li>\n<\/ul>\n<\/li>\n Google Cloud Platform (GCP):<\/strong>\n\nGoogle Cloud Dataflow:<\/strong> Apache Beam tabanl\u0131, hem batch hem de stream (ger\u00e7ek zamanl\u0131) veri i\u015fleme yetenekleri sunan y\u00f6netilen bir hizmettir. B\u00fcy\u00fck veri k\u00fcmeleri \u00fczerinde karma\u015f\u0131k d\u00f6n\u00fc\u015f\u00fcmler ger\u00e7ekle\u015ftirmek i\u00e7in idealdir.<\/li>\n Google Cloud Dataprep (Trifacta ile desteklenir):<\/strong> Veri analistlerinin kod yazmadan g\u00f6rsel bir aray\u00fcz ile verileri temizlemesini ve d\u00f6n\u00fc\u015ft\u00fcrmesini sa\u011flar. Makine \u00f6\u011frenimi algoritmalar\u0131 ile veri kalitesi sorunlar\u0131n\u0131 otomatik olarak tespit edebilir.<\/li>\n<\/ul>\n<\/li>\n Microsoft Azure:<\/strong>\n\nAzure Data Factory:<\/strong> Hibrit veri entegrasyonu hizmetidir. Farkl\u0131 veri kaynaklar\u0131ndan verileri al\u0131p, d\u00f6n\u00fc\u015ft\u00fcr\u00fcp, y\u00fcklemek i\u00e7in g\u00f6rsel olarak veri ak\u0131\u015flar\u0131 olu\u015fturman\u0131z\u0131 sa\u011flar. Azure Databricks (Spark tabanl\u0131) veya Azure HDInsight (Hadoop tabanl\u0131) ile entegre \u00e7al\u0131\u015fabilir.<\/li>\n Azure Databricks:<\/strong> Spark tabanl\u0131 analiz platformu olarak b\u00fcy\u00fck veri \u00fczerinde g\u00fc\u00e7l\u00fc veri haz\u0131rl\u0131\u011f\u0131 yetenekleri sunar.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n3. Veri Y\u00f6neti\u015fimi (Data Governance):<\/strong><\/p>\n B\u00fcy\u00fck veri ortamlar\u0131nda veri haz\u0131rl\u0131\u011f\u0131 sadece teknik bir s\u00fcre\u00e7 de\u011fildir; ayn\u0131 zamanda g\u00fc\u00e7l\u00fc bir veri y\u00f6neti\u015fimi stratejisi gerektirir. Veri kalitesi standartlar\u0131n\u0131n belirlenmesi, veri sahipli\u011finin atanmas\u0131, meta veri y\u00f6netimi ve g\u00fcvenlik politikalar\u0131n\u0131n uygulanmas\u0131, b\u00fcy\u00fck veri ortamlar\u0131ndaki haz\u0131rl\u0131k s\u00fcre\u00e7lerinin ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir. Veri kataloglama ara\u00e7lar\u0131 (\u00f6rn. Apache Atlas, Alation) bu konuda yard\u0131mc\u0131 olabilir.<\/p>\n Sonu\u00e7 olarak, b\u00fcy\u00fck veri ortamlar\u0131nda veri haz\u0131rl\u0131\u011f\u0131, da\u011f\u0131t\u0131k sistemlerin g\u00fcc\u00fcnden ve bulut hizmetlerinin esnekli\u011finden faydalanarak gelenekselden \u00e7ok daha farkl\u0131 bir yakla\u015f\u0131m gerektirir. Bu yakla\u015f\u0131mlar, verinin \u00f6l\u00e7e\u011fi b\u00fcy\u00fcd\u00fck\u00e7e bile analiz i\u00e7in haz\u0131r olmas\u0131n\u0131 sa\u011flar.<\/p>\n Vaka Analizi: Hatal\u0131 Verinin Maliyeti ve Do\u011fru Haz\u0131rl\u0131\u011f\u0131n Kazanc\u0131<\/h2>\nHatal\u0131 verinin i\u015f s\u00fcre\u00e7leri \u00fczerindeki olumsuz etkilerini ve do\u011fru veri haz\u0131rl\u0131\u011f\u0131n\u0131n getirdi\u011fi somut faydalar\u0131 bir vaka analizi \u00fczerinden inceleyelim. B\u00fcy\u00fck bir e-ticaret \u015firketi olan \"TrendPazar\", sat\u0131\u015f ve m\u00fc\u015fteri ili\u015fkileri y\u00f6netimi (CRM) verilerini farkl\u0131 departmanlardan topluyordu. Pazarlama departman\u0131, m\u00fc\u015fteri segmentasyonuna dayal\u0131 ki\u015fiselle\u015ftirilmi\u015f kampanyalar y\u00fcr\u00fctmek istiyordu, ancak kar\u015f\u0131la\u015ft\u0131klar\u0131 veri sorunlar\u0131 b\u00fcy\u00fck bir ba\u015f a\u011fr\u0131s\u0131na d\u00f6n\u00fc\u015ft\u00fc.<\/p>\n Sorun: Hatal\u0131 Verinin Maliyeti<\/strong><\/p>\n TrendPazar'\u0131n verilerinde ba\u015fl\u0131ca \u015fu sorunlar vard\u0131:<\/p>\n \nTekrar Eden M\u00fc\u015fteri Kay\u0131tlar\u0131:<\/strong> Ayn\u0131 m\u00fc\u015fterinin farkl\u0131 e-posta adresleri, telefon numaralar\u0131 veya yaz\u0131m hatalar\u0131 nedeniyle birden fazla kayd\u0131 bulunuyordu. Bu durum, pazarlama kampanyalar\u0131n\u0131n ayn\u0131 m\u00fc\u015fteriye gereksiz yere birden \u00e7ok kez g\u00f6nderilmesine neden oluyordu, bu da hem maliyeti art\u0131r\u0131yor hem de m\u00fc\u015fteri memnuniyetini d\u00fc\u015f\u00fcr\u00fcyordu.<\/li>\n Eksik ve Tutars\u0131z Demografik Bilgiler:<\/strong> M\u00fc\u015fteri ya\u015f\u0131, cinsiyeti, gelir d\u00fczeyi gibi \u00f6nemli demografik bilgiler ya eksikti ya da tutars\u0131z formatlarda girilmi\u015fti. \u00d6rne\u011fin, \"ya\u015f\" s\u00fctununda \"25\", \"yirmi be\u015f\" veya \"bilinmiyor\" gibi farkl\u0131 giri\u015fler vard\u0131. Bu durum, do\u011fru m\u00fc\u015fteri segmentasyonu yapmay\u0131 engelliyordu.<\/li>\n Yanl\u0131\u015f \u00dcr\u00fcn Kategorizasyonu:<\/strong> Baz\u0131 \u00fcr\u00fcnler yanl\u0131\u015f kategorilere atanm\u0131\u015ft\u0131 (\u00f6rne\u011fin, \"spor ayakkab\u0131\" \"giyim\" kategorisinde g\u00f6r\u00fcn\u00fcyordu). Bu da \u00fcr\u00fcn tavsiye sistemlerinin hatal\u0131 \u00e7al\u0131\u015fmas\u0131na ve m\u00fc\u015fterilere alakas\u0131z \u00fcr\u00fcnlerin g\u00f6sterilmesine yol a\u00e7\u0131yordu.<\/li>\n Sat\u0131\u015f Verilerindeki Hatalar:<\/strong> Baz\u0131 sipari\u015flerin toplam fiyatlar\u0131 yanl\u0131\u015f hesaplanm\u0131\u015f veya iade edilen \u00fcr\u00fcnler hala sat\u0131\u015f olarak g\u00f6steriliyordu. Bu, finansal raporlar\u0131n g\u00fcvenilirli\u011fini zedeliyor ve yanl\u0131\u015f stok y\u00f6netimi kararlar\u0131na neden oluyordu.<\/li>\n<\/ol>\nBu veri sorunlar\u0131 nedeniyle TrendPazar, ki\u015fiselle\u015ftirilmi\u015f pazarlama kampanyalar\u0131ndan beklenen geri d\u00f6n\u00fc\u015f\u00fc alam\u0131yor, m\u00fc\u015fteri kayb\u0131 ya\u015f\u0131yor ve operasyonel verimsizlikler y\u00fcz\u00fcnden her ay \u00f6nemli miktarda mali kay\u0131p ya\u015f\u0131yordu. Pazarlama b\u00fct\u00e7elerinin %15'i hatal\u0131 veri nedeniyle bo\u015fa gidiyor, m\u00fc\u015fteri hizmetleri departman\u0131 ise hatal\u0131 sipari\u015f ve kampanya bilgileri y\u00fcz\u00fcnden artan \u015fikayetlerle u\u011fra\u015f\u0131yordu.<\/p>\n \u00c7\u00f6z\u00fcm: Do\u011fru Veri Haz\u0131rl\u0131\u011f\u0131n\u0131n Kazanc\u0131<\/strong><\/p>\n TrendPazar, bu sorunlar\u0131 \u00e7\u00f6zmek i\u00e7in kapsaml\u0131 bir veri haz\u0131rl\u0131\u011f\u0131 projesi ba\u015flatt\u0131. Proje kapsam\u0131nda \u015fu ad\u0131mlar izlendi:<\/p>\n \nETL Arac\u0131 Se\u00e7imi:<\/strong> Farkl\u0131 veri kaynaklar\u0131ndan (CRM, e-ticaret platformlar\u0131, faturaland\u0131rma sistemi) veri \u00e7ekmek ve d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in bir ETL arac\u0131 (\u00f6rne\u011fin, Talend Open Studio) kullan\u0131ld\u0131.<\/li>\n Veri Birle\u015ftirme ve Normalle\u015ftirme:<\/strong> ETL arac\u0131 ile t\u00fcm m\u00fc\u015fteri ve sat\u0131\u015f verileri tek bir merkezde topland\u0131. M\u00fc\u015fteri adlar\u0131 ve adresleri gibi metin tabanl\u0131 alanlar standardize edildi (\u00f6rne\u011fin, b\u00fcy\u00fck\/k\u00fc\u00e7\u00fck harf d\u00f6n\u00fc\u015f\u00fcmleri, bo\u015fluk temizleme).<\/li>\n Tekille\u015ftirme:<\/strong> Benzer kay\u0131tlar\u0131 tespit etmek i\u00e7in fuzzy matching (benzerlik e\u015fle\u015ftirme) algoritmalar\u0131 kullan\u0131larak tekrar eden m\u00fc\u015fteri kay\u0131tlar\u0131 birle\u015ftirildi. M\u00fc\u015fteriler i\u00e7in tekil bir kimlik (Customer ID) atand\u0131.<\/li>\n Eksik Veri Y\u00f6netimi:<\/strong> Eksik demografik bilgiler i\u00e7in uygun doldurma stratejileri uyguland\u0131 (\u00f6rne\u011fin, ya\u015f i\u00e7in medyan de\u011fer atama veya d\u0131\u015f kaynaklardan veri zenginle\u015ftirme).<\/li>\n Veri Do\u011frulama Kurallar\u0131:<\/strong> \u00dcr\u00fcn kategorizasyonlar\u0131 i\u00e7in kurallar tan\u0131mland\u0131 ve hatal\u0131 atamalar d\u00fczeltildi. Finansal verilerde tutars\u0131zl\u0131klar\u0131 yakalamak i\u00e7in i\u015f kurallar\u0131 (\u00f6rne\u011fin, 'toplam fiyat = adet * birim fiyat' olmal\u0131) uyguland\u0131.<\/li>\n<\/ol>\nSonu\u00e7lar ve Kazan\u00e7lar:<\/strong><\/p>\n Veri haz\u0131rl\u0131\u011f\u0131 projesi tamamland\u0131ktan sonra TrendPazar, b\u00fcy\u00fck faydalar elde etti:<\/p>\n \nPazarlama ROI'sinde Art\u0131\u015f:<\/strong> Do\u011fru m\u00fc\u015fteri segmentasyonu sayesinde ki\u015fiselle\u015ftirilmi\u015f kampanyalar\u0131n geri d\u00f6n\u00fc\u015f oran\u0131 %20 artt\u0131 ve bo\u015fa giden pazarlama harcamalar\u0131 %10 azald\u0131.<\/li>\n M\u00fc\u015fteri Memnuniyetinde Art\u0131\u015f:<\/strong> Ayn\u0131 m\u00fc\u015fteriye tekrar eden e-postalar\u0131n \u00f6n\u00fcne ge\u00e7ilmesi ve daha ilgili \u00fcr\u00fcn tavsiyeleri sunulmas\u0131yla m\u00fc\u015fteri memnuniyeti skorlar\u0131 %12 y\u00fckseldi.<\/li>\n Operasyonel Verimlilik:<\/strong> Do\u011fru stok ve sat\u0131\u015f verileri sayesinde envanter y\u00f6netimi optimize edildi, stokta kalmama veya a\u015f\u0131r\u0131 stok maliyetleri azald\u0131. Finansal raporlama s\u00fcre\u00e7leri daha h\u0131zl\u0131 ve g\u00fcvenilir hale geldi.<\/li>\n Daha H\u0131zl\u0131 ve G\u00fcvenilir Analizler:<\/strong> Analistler, zamanlar\u0131n\u0131n \u00e7o\u011funu veri temizlemek yerine do\u011frudan analiz yapmaya ay\u0131rabildiler, bu da i\u015f birimlerine daha h\u0131zl\u0131 i\u00e7g\u00f6r\u00fcler sunulmas\u0131n\u0131 sa\u011flad\u0131.<\/li>\n<\/ul>\nBu vaka analizi, veri haz\u0131rl\u0131\u011f\u0131n\u0131n sadece bir \"teknik i\u015f\" olmad\u0131\u011f\u0131n\u0131, ayn\u0131 zamanda \u015firketin alt \u00e7izgisine do\u011frudan etki eden stratejik bir yat\u0131r\u0131m oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Hatal\u0131 veri maliyetli ve verimli veri, karl\u0131 bir yat\u0131r\u0131md\u0131r.<\/p>\n Mobil Dostu Raporlama \u0130\u00e7in Veri Haz\u0131rl\u0131\u011f\u0131na \u00d6zel \u0130pu\u00e7lar\u0131<\/h2>\nG\u00fcn\u00fcm\u00fczde i\u015f d\u00fcnyas\u0131nda kararlar anl\u0131k olarak, \u00e7o\u011fu zaman hareket halindeyken veriliyor. Bu durum, raporlar\u0131n sadece masa\u00fcst\u00fc bilgisayarlarda de\u011fil, ayn\u0131 zamanda tablet ve ak\u0131ll\u0131 telefon gibi mobil cihazlarda da sorunsuz bir \u015fekilde g\u00f6r\u00fcnt\u00fclenmesi gerekti\u011fi anlam\u0131na gelir. Mobil dostu raporlama i\u00e7in veri haz\u0131rl\u0131\u011f\u0131, masa\u00fcst\u00fc raporlamadan farkl\u0131 baz\u0131 \u00f6zel dikkat noktalar\u0131 gerektirir. Verilerinizi, mobil ekranlar\u0131n s\u0131n\u0131rl\u0131 alan\u0131nda bile anlaml\u0131 ve h\u0131zl\u0131 bir \u015fekilde sunabilecek \u015fekilde haz\u0131rlamak, kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\n 1. Veri Boyutunu ve Detay Seviyesini Optimize Etme:<\/strong><\/p>\n Mobil cihazlar\u0131n ekran boyutlar\u0131 ve veri ba\u011flant\u0131lar\u0131 masa\u00fcst\u00fcne g\u00f6re daha k\u0131s\u0131tl\u0131d\u0131r. Bu nedenle, raporlarda sunulan veri miktar\u0131n\u0131 ve detay seviyesini mobil uyumlu hale getirmek \u00f6nemlidir. Gereksiz detaylar\u0131 eleyin veya ilk etapta g\u00f6stermeyin. Kullan\u0131c\u0131ya yaln\u0131zca en kritik bilgileri sunarak, karma\u015f\u0131kl\u0131\u011f\u0131 azalt\u0131n. Veri haz\u0131rl\u0131\u011f\u0131 a\u015famas\u0131nda, daha y\u00fcksek seviyeli toplama (aggregation) i\u015flemleri yaparak mobil raporlar i\u00e7in \u00f6zet veri setleri olu\u015fturabilirsiniz. \u00d6rne\u011fin, saatlik sat\u0131\u015f verilerini g\u00fcnl\u00fck veya haftal\u0131k bazda toplayarak daha k\u00fc\u00e7\u00fck ve y\u00f6netilebilir bir veri seti elde edebilirsiniz.<\/p>\n -- G\u00fcnl\u00fck toplam sat\u0131\u015flar\u0131 \u00f6zetleyen bir SQL sorgusu\n SELECT\n CAST(Tarih AS DATE) AS \"Satis_Gunu\",\n SUM(\"Toplam Fiyat\") AS \"Gunluk_Ciro\",\n COUNT(DISTINCT \"Siparis ID\") AS \"Gunluk_Siparis_Sayisi\"\n FROM\n birlesik_satislar -- Daha \u00f6nce birle\u015ftirdi\u011fimiz veri seti\n GROUP BY\n CAST(Tarih AS DATE)\n ORDER BY\n \"Satis_Gunu\" DESC;<\/pre>\n<\/code><\/p>\n Bu yakla\u015f\u0131m, mobil cihazlarda veri y\u00fckleme s\u00fcresini k\u0131salt\u0131r ve performans sorunlar\u0131n\u0131n \u00f6n\u00fcne ge\u00e7er.<\/p>\n<\/p>\n 2. Kategorik Verileri Basitle\u015ftirme:<\/strong><\/p>\n Mobil ekranlarda \u00e7ok fazla kategori veya uzun metinler karma\u015faya yol a\u00e7abilir. Veri haz\u0131rl\u0131\u011f\u0131 a\u015famas\u0131nda, \u00e7ok say\u0131da kategoriye sahip alanlar\u0131 daha az ve daha genel kategorilere indirgeyebilirsiniz. \u00d6rne\u011fin, 50 farkl\u0131 \u00fcr\u00fcn kategorisi yerine bunlar\u0131 ana 5-10 kategori alt\u0131nda gruplayabilirsiniz. Metin alanlar\u0131n\u0131 k\u0131saltmak veya \u00f6zetlemek de mobil raporlarda okunabilirli\u011fi art\u0131r\u0131r.<\/p>\n<\/p>\n 3. Gecikme Duyarl\u0131l\u0131\u011f\u0131na Kar\u015f\u0131 Veri Ambar\u0131\/Cache Kullan\u0131m\u0131:<\/strong><\/p>\n Mobil kullan\u0131c\u0131lar genellikle anl\u0131k yan\u0131t beklerler. Canl\u0131 ba\u011flant\u0131lar yerine \u00f6nceden i\u015flenmi\u015f ve bir veri ambar\u0131nda veya \u00f6zel bir cache mekanizmas\u0131nda saklanan verileri kullanmak, rapor y\u00fckleme s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. Veri haz\u0131rl\u0131\u011f\u0131 boru hatt\u0131n\u0131zda, mobil raporlar i\u00e7in \u00f6zel, optimize edilmi\u015f bir veri katman\u0131 olu\u015fturmay\u0131 d\u00fc\u015f\u00fcnebilirsiniz. Bu sayede, mobil uygulamalar veya web tabanl\u0131 mobil raporlar, veriyi \u00e7ok daha h\u0131zl\u0131 \u00e7eker.<\/p>\n<\/p>\n 4. Mobil Uyumlu Tasar\u0131m \u0130\u00e7in CSS Media Queries Dikkate Alma:<\/strong><\/p>\n Raporunuzu HTML\/CSS ile olu\u015fturuyorsan\u0131z, CSS Media Queries kullanarak farkl\u0131 ekran boyutlar\u0131na g\u00f6re raporun g\u00f6r\u00fcn\u00fcm\u00fcn\u00fc optimize edebilirsiniz. Veri haz\u0131rl\u0131\u011f\u0131 bu k\u0131sma do\u011frudan etki etmese de, sunulacak verinin yap\u0131s\u0131 (\u00f6rne\u011fin, pivot tablolar\u0131n veya karma\u015f\u0131k grafiklerin basit g\u00f6sterimlere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi) medya sorgular\u0131yla kolayca uyum sa\u011flayacak \u015fekilde d\u00fc\u015f\u00fcn\u00fclmelidir.<\/p>\n