G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda veri, en de\u011ferli varl\u0131klardan biri haline gelmi\u015ftir. Ancak bu verilerin \u00e7o\u011fu zaman da\u011f\u0131n\u0131k, eksik veya tutars\u0131z olmas\u0131, potansiyel de\u011ferini ortaya \u00e7\u0131karmay\u0131 zorla\u015ft\u0131r\u0131r. \u0130\u015fte tam bu noktada veri analistleri ve Power BI gibi g\u00fc\u00e7l\u00fc ara\u00e7lar devreye girer. Analistler, ham ve karma\u015f\u0131k veriyi anlaml\u0131 i\u00e7g\u00f6r\u00fclere d\u00f6n\u00fc\u015ft\u00fcrerek, bu i\u00e7g\u00f6r\u00fcleri Power BI panolar\u0131 arac\u0131l\u0131\u011f\u0131yla g\u00f6rselle\u015ftirir ve nihayetinde i\u015f kararlar\u0131n\u0131 y\u00f6nlendiren somut eylemlere d\u00f6n\u00fc\u015ft\u00fcrme k\u00f6pr\u00fcs\u00fcn\u00fc kurarlar. Bu makale, analistlerin bu d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc yolculuktaki kritik rol\u00fcn\u00fc ve Power BI’\u0131 nas\u0131l etkin kulland\u0131klar\u0131n\u0131 detayland\u0131racakt\u0131r.<\/p>\n
Veri analistleri, sadece say\u0131larla u\u011fra\u015fan ki\u015filer de\u011fil, ayn\u0131 zamanda i\u015f d\u00fcnyas\u0131 ile teknik d\u00fcnya aras\u0131nda bir k\u00f6pr\u00fc g\u00f6revi g\u00f6ren stratejik d\u00fc\u015f\u00fcn\u00fcrlerdir. Onlar, da\u011f\u0131n\u0131k veriyi anlamland\u0131rarak, y\u00f6neticilerin daha bilin\u00e7li ve veri odakl\u0131 kararlar almas\u0131n\u0131 sa\u011flayan kilit oyunculard\u0131r.<\/p>\n
Analistler, i\u015f birimlerinin ihtiya\u00e7lar\u0131n\u0131 ve hedeflerini anlar, bu ihtiya\u00e7lar\u0131 kar\u015f\u0131layacak verileri belirler ve teknik ara\u00e7larla bu verileri i\u015fleyerek geri bildirim d\u00f6ng\u00fcs\u00fcn\u00fc tamamlarlar. Bu sayede, teknik jargon ile i\u015f jargonunu bir araya getirerek herkesin anlayabilece\u011fi bir dil olu\u015ftururlar.<\/p>\n
Bir \u015firketin stratejik y\u00f6n\u00fcn\u00fc belirlemede, pazarlama kampanyalar\u0131n\u0131n etkinli\u011fini \u00f6l\u00e7mede, operasyonel verimlili\u011fi art\u0131rmada veya m\u00fc\u015fteri davran\u0131\u015flar\u0131n\u0131 anlamada analistlerin sa\u011flad\u0131\u011f\u0131 i\u00e7g\u00f6r\u00fcler hayati \u00f6neme sahiptir. Onlar olmadan, kararlar genellikle sezgilere veya ge\u00e7mi\u015f deneyimlere dayan\u0131r ki bu da riskleri art\u0131r\u0131r.<\/p>\n
Ba\u015far\u0131l\u0131 bir analist, SQL, Python, R gibi programlama dillerine hakim olman\u0131n yan\u0131 s\u0131ra Power BI gibi g\u00f6rselle\u015ftirme ara\u00e7lar\u0131n\u0131 etkin kullanabilmelidir. Ancak sadece teknik bilgi yeterli de\u011fildir; sekt\u00f6rel bilgi, i\u015f s\u00fcre\u00e7lerini anlama ve problem \u00e7\u00f6zme yetene\u011fi, analistlerin de\u011ferini katlayan unsurlard\u0131r.<\/p>\n
Veri analizi s\u00fcrecinin ilk ve belki de en kritik ad\u0131m\u0131, ham veriyi anlamak ve temizlemektir. “\u00c7\u00f6p giren \u00e7\u00f6p \u00e7\u0131kar” (Garbage In, Garbage Out) ilkesi, veri analizi i\u00e7in her zamankinden daha ge\u00e7erlidir.<\/p>\n
Veriler genellikle farkl\u0131 sistemlerden (CRM, ERP, web analitikleri, Excel dosyalar\u0131 vb.) gelir ve farkl\u0131 formatlarda olabilir. Analistler, ilgili t\u00fcm veri kaynaklar\u0131n\u0131 belirlemeli ve bu kaynaklar aras\u0131ndaki potansiyel ili\u015fkileri anlamal\u0131d\u0131r.<\/p>\n
Veri kalitesi sorunlar\u0131 \u00e7ok \u00e7e\u015fitlidir:<\/p>\n
Power BI’\u0131n Power Query edit\u00f6r\u00fc, veri temizleme ve d\u00f6n\u00fc\u015ft\u00fcrme i\u00e7in inan\u0131lmaz g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r. Analistler, bu arac\u0131 kullanarak a\u015fa\u011f\u0131daki i\u015flemleri ger\u00e7ekle\u015ftirebilir:<\/p>\n
\u00d6rnek Power Query (M Dili) Kodu:<\/b><\/p>\n <\/code><\/p>\n Veri profil olu\u015fturma, analistlerin verilerin yap\u0131s\u0131n\u0131, kalitesini ve potansiyel sorunlar\u0131n\u0131 anlamalar\u0131na yard\u0131mc\u0131 olur. Power Query'deki \"S\u00fctun Kalitesi\", \"S\u00fctun Da\u011f\u0131l\u0131m\u0131\" ve \"S\u00fctun Profili\" \u00f6zellikleri, bu ke\u015fif s\u00fcrecinde paha bi\u00e7ilmezdir.<\/p>\n Temizlenmi\u015f veriler, Power BI'da anlaml\u0131 bir model olu\u015fturmak i\u00e7in kullan\u0131l\u0131r. \u0130yi tasarlanm\u0131\u015f bir veri modeli, panolar\u0131n performans\u0131n\u0131 art\u0131r\u0131r ve karma\u015f\u0131k analizleri m\u00fcmk\u00fcn k\u0131lar.<\/p>\n Y\u0131ld\u0131z \u015femas\u0131 (star schema) veya kar tanesi \u015femas\u0131 (snowflake schema) gibi modeller, verimlilik ve okunabilirlik a\u00e7\u0131s\u0131ndan tercih edilir. Ger\u00e7ekleri (facts) boyut tablolar\u0131ndan (dimensions) ay\u0131rmak, veri modelini optimize eder. Analistler, Power BI'\u0131n modelleme g\u00f6r\u00fcn\u00fcm\u00fcnde tablolar aras\u0131nda do\u011fru ili\u015fkileri kurar ve bu ili\u015fkilerin y\u00f6n\u00fcn\u00fc ve etkinli\u011fini belirler.<\/p>\n DAX (Data Analysis Expressions), Power BI'\u0131n kalbidir. Analistler, DAX kullanarak \u00f6zel hesaplamalar, \u00f6l\u00e7\u00fcler (measures) ve hesaplanm\u0131\u015f s\u00fctunlar (calculated columns) olu\u015fturarak ham veriden yeni i\u00e7g\u00f6r\u00fcler t\u00fcretirler.<\/p>\n \u00d6rnek DAX Kodu:<\/b><\/p>\n <\/code><\/p>\n Tarih (Y\u0131l > \u00c7eyrek > Ay > G\u00fcn), co\u011frafya (\u00dclke > \u015eehir) veya \u00fcr\u00fcn (Kategori > Alt Kategori) gibi hiyerar\u015filer olu\u015fturmak, kullan\u0131c\u0131lar\u0131n verileri farkl\u0131 detay seviyelerinde ke\u015ffetmesini sa\u011flar. Bu, panolar\u0131n interaktifli\u011fini ve analitik derinli\u011fini art\u0131r\u0131r.<\/p>\n B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken performans kritik \u00f6neme sahiptir. Analistler, veri modelini optimize etmek i\u00e7in gereksiz s\u00fctunlar\u0131 kald\u0131rma, veri tiplerini do\u011fru ayarlama, DAX sorgular\u0131n\u0131 optimize etme ve Power BI'\u0131n depolama modlar\u0131n\u0131 (Import, DirectQuery, Composite) do\u011fru kullanma gibi tekniklere ba\u015fvururlar.<\/p>\n Veri temizlendi, modellendi ve DAX ile zenginle\u015ftirildi. \u015eimdi s\u0131ra, bu veriyi hikaye anlatan ve eyleme ge\u00e7irilebilir i\u00e7g\u00f6r\u00fcler sunan etkili panolara d\u00f6n\u00fc\u015ft\u00fcrmekte.<\/p>\n Bir panonun ba\u015far\u0131s\u0131, kimin i\u00e7in yap\u0131ld\u0131\u011f\u0131na ve hangi soruyu yan\u0131tlad\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Sat\u0131\u015f ekibi i\u00e7in haz\u0131rlanan bir pano ile \u00fcst y\u00f6netim i\u00e7in haz\u0131rlanan bir pano farkl\u0131 g\u00f6rselle\u015ftirme ve detay seviyeleri gerektirir. Ama\u00e7, panonun kullan\u0131c\u0131lar\u0131n\u0131n h\u0131zl\u0131 ve do\u011fru kararlar almas\u0131n\u0131 sa\u011flamakt\u0131r.<\/p>\n Do\u011fru g\u00f6rsel se\u00e7imi, mesaj\u0131n netli\u011fini art\u0131r\u0131r. Trendler i\u00e7in \u00e7izgi grafikler, kar\u015f\u0131la\u015ft\u0131rmalar i\u00e7in \u00e7ubuk grafikler, da\u011f\u0131l\u0131m i\u00e7in da\u011f\u0131l\u0131m grafikleri tercih edilmelidir. Tasar\u0131mda sadelik, tutarl\u0131l\u0131k, renk uyumu ve bo\u015fluk kullan\u0131m\u0131 \u00f6nemlidir. A\u015f\u0131r\u0131 bilgi y\u00fcklemesinden ka\u00e7\u0131n\u0131lmal\u0131d\u0131r.<\/p>\n Power BI'\u0131n dilimleyicileri (slicers), filtreleri ve \u00e7apraz filtreleme \u00f6zellikleri, kullan\u0131c\u0131lar\u0131n panolarla etkile\u015fim kurmas\u0131n\u0131 ve kendi analizlerini yapmas\u0131n\u0131 sa\u011flar. Drill-down (detaya inme) ve drill-through (detay sayfas\u0131na ge\u00e7i\u015f) \u00f6zellikleri, kullan\u0131c\u0131lara daha derinlemesine inceleme f\u0131rsat\u0131 sunar.<\/p>\n Bir pano, sadece bir dizi g\u00f6rselden ibaret olmamal\u0131, ayn\u0131 zamanda bir hikaye anlatmal\u0131d\u0131r. Kullan\u0131c\u0131, panoyu inceledik\u00e7e bir sorudan di\u011ferine do\u011fal bir ak\u0131\u015fla ilerleyebilmeli ve sonunda bir sonuca veya eyleme y\u00f6nlendirilebilmelidir.<\/p>\n Pano haz\u0131rland\u0131ktan sonraki a\u015fama, g\u00f6rselle\u015ftirilen verilerden anlaml\u0131 ve eyleme ge\u00e7irilebilir i\u00e7g\u00f6r\u00fcler \u00e7\u0131karmakt\u0131r. Bu, analistin analitik zekas\u0131n\u0131 ve i\u015f bilgisiyle harmanlama yetene\u011fini gerektirir.<\/p>\n Ge\u00e7mi\u015f verilere bakarak gelecekteki e\u011filimleri tahmin etmek veya beklenmedik sapmalar\u0131 (anormallikleri) belirlemek, analistlerin temel g\u00f6revlerindendir. \u00d6rne\u011fin, sat\u0131\u015flarda ani bir d\u00fc\u015f\u00fc\u015f veya web sitesi trafi\u011finde beklenmedik bir art\u0131\u015f, daha derinlemesine inceleme gerektiren bir i\u00e7g\u00f6r\u00fcd\u00fcr.<\/p>\n Bir sorun veya f\u0131rsat tespit edildi\u011finde, analistler \"neden?\" sorusunu sorarak k\u00f6k nedenleri ara\u015ft\u0131rmal\u0131d\u0131r. Power BI'\u0131n \"Nedenini A\u00e7\u0131kla\" (Analyze -> Explain the increase\/decrease) \u00f6zelli\u011fi gibi ara\u00e7lar, bu s\u00fcre\u00e7te yard\u0131mc\u0131 olabilir.<\/p>\n Farkl\u0131 \u00fcr\u00fcn gruplar\u0131n\u0131, b\u00f6lgeleri, zaman dilimlerini veya m\u00fc\u015fteri segmentlerini kar\u015f\u0131la\u015ft\u0131rmak, performans farkl\u0131l\u0131klar\u0131n\u0131 ortaya \u00e7\u0131kar\u0131r ve iyile\u015ftirme alanlar\u0131n\u0131 g\u00f6sterir. \u00d6rne\u011fin, \"A b\u00f6lgesi neden B b\u00f6lgesinden daha iyi performans g\u00f6steriyor?\" sorusuna yan\u0131t aramak.<\/p>\n \u0130leri analitik teknikler kullanarak (Power BI'\u0131n yerle\u015fik tahmin \u00f6zellikleri veya Python\/R entegrasyonu ile), gelecekteki sat\u0131\u015flar\u0131, m\u00fc\u015fteri kayb\u0131n\u0131 veya talep dalgalanmalar\u0131n\u0131 tahmin etmek, proaktif kararlar almay\u0131 sa\u011flar.<\/p>\n En iyi i\u00e7g\u00f6r\u00fc bile, eyleme d\u00f6n\u00fc\u015fmedi\u011fi s\u00fcrece de\u011ferini kaybeder. Analistlerin en kritik rol\u00fc, bu i\u00e7g\u00f6r\u00fcleri somut i\u015f eylemlerine \u00e7evirmektir.<\/p>\n Analistler, bulgular\u0131n\u0131 net, \u00f6zl\u00fc ve ikna edici bir \u015fekilde sunabilmelidir. Teknik detaylara bo\u011fulmadan, i\u015fin ba\u011flam\u0131n\u0131 ve potansiyel etkilerini vurgulayarak payda\u015flar\u0131n dikkatini \u00e7ekmek \u00f6nemlidir. G\u00f6rsel hikaye anlat\u0131m\u0131 burada anahtard\u0131r.<\/p>\n Sunulan her i\u00e7g\u00f6r\u00fc i\u00e7in potansiyel eylem ad\u0131mlar\u0131 \u00f6nerilmelidir. \u00d6rne\u011fin, \"Sat\u0131\u015flar d\u00fc\u015f\u00fcyor\" i\u00e7g\u00f6r\u00fcs\u00fc yerine, \"Sat\u0131\u015flardaki d\u00fc\u015f\u00fc\u015f\u00fcn nedeni X \u00fcr\u00fcn\u00fcnde ya\u015fanan stok s\u0131k\u0131nt\u0131s\u0131d\u0131r; \u00e7\u00f6z\u00fcm, tedarik zinciriyle ileti\u015fime ge\u00e7ip X \u00fcr\u00fcn\u00fcn\u00fcn sto\u011funu art\u0131rmakt\u0131r\" \u015feklinde bir eylem plan\u0131 sunulmal\u0131d\u0131r.<\/p>\n Eylem planlar\u0131, \u00f6l\u00e7\u00fclebilir hedeflerle desteklenmelidir. \"X \u00fcr\u00fcn\u00fcn\u00fcn sto\u011funu art\u0131rarak \u00f6n\u00fcm\u00fczdeki \u00e7eyrekte sat\u0131\u015flar\u0131 %10 art\u0131rmak\" gibi SMART (Specific, Measurable, Achievable, Relevant, Time-bound) hedefler, ba\u015far\u0131y\u0131 izlemeyi kolayla\u015ft\u0131r\u0131r.<\/p>\n Eylemler uyguland\u0131ktan sonra, analistler bu eylemlerin etkisini izlemek i\u00e7in panolar\u0131 veya raporlar\u0131 kullanmaya devam etmelidir. Bu, belirlenen hedeflere ula\u015f\u0131l\u0131p ula\u015f\u0131lmad\u0131\u011f\u0131n\u0131 g\u00f6rmek ve gerekti\u011finde ayarlamalar yapmak i\u00e7in \u00f6nemlidir.<\/p>\n Veri analizi ve panolar, statik ara\u00e7lar de\u011fildir; s\u00fcrekli evrilen ve geli\u015fen bir s\u00fcre\u00e7tir. Analistler, bu d\u00f6ng\u00fcsel yap\u0131n\u0131n merkezinde yer al\u0131r.<\/p>\n Panolar\u0131n y\u00fcklenme s\u00fcreleri, veri yenileme s\u0131kl\u0131\u011f\u0131 ve genel kullan\u0131labilirli\u011fi d\u00fczenli olarak izlenmelidir. Yava\u015f \u00e7al\u0131\u015fan panolar, kullan\u0131c\u0131 deneyimini olumsuz etkiler ve i\u00e7g\u00f6r\u00fclerin de\u011ferini d\u00fc\u015f\u00fcr\u00fcr.<\/p>\n Panolar\u0131 kullanan i\u015f birimlerinden d\u00fczenli olarak geri bildirim almak, eksiklikleri gidermek ve yeni ihtiya\u00e7lar\u0131 belirlemek i\u00e7in kritiktir. Analistler, bu geri bildirimleri panolar\u0131n ve veri modellerinin iyile\u015ftirilmesi i\u00e7in kullan\u0131r.<\/p>\n \u0130\u015f s\u00fcre\u00e7leri de\u011fi\u015ftik\u00e7e veya yeni veri kaynaklar\u0131 ortaya \u00e7\u0131kt\u0131k\u00e7a, veri analistlerinin veri entegrasyonlar\u0131n\u0131 ve modellerini g\u00fcncellemesi gerekir. Bu, panolar\u0131n her zaman en g\u00fcncel ve do\u011fru bilgiyi sunmas\u0131n\u0131 sa\u011flar.<\/p>\n Pazar ko\u015fullar\u0131, \u015firket stratejileri veya teknolojik geli\u015fmeler, yeni analitik ihtiya\u00e7lar do\u011furabilir. Analistler, bu de\u011fi\u015fimlere h\u0131zl\u0131ca adapte olarak yeni panolar geli\u015ftirmeli veya mevcutlar\u0131 g\u00fcncellemeli, b\u00f6ylece i\u015fin dinamik gereksinimlerini kar\u015f\u0131lamal\u0131d\u0131r.<\/p>\n Da\u011f\u0131n\u0131k veriden anlaml\u0131 i\u00e7g\u00f6r\u00fcler \u00e7\u0131karmak ve bu i\u00e7g\u00f6r\u00fcleri somut i\u015f eylemlerine d\u00f6n\u00fc\u015ft\u00fcrmek, g\u00fcn\u00fcm\u00fcz rekabet\u00e7i i\u015f ortam\u0131nda bir \u015firketin ba\u015far\u0131s\u0131 i\u00e7in hayati \u00f6neme sahiptir. Veri analistleri, Power BI gibi g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131 kullanarak bu karma\u015f\u0131k s\u00fcreci y\u00f6neten, veriyi i\u015fleyen, g\u00f6rselle\u015ftiren ve nihayetinde stratejik kararlar\u0131 y\u00f6nlendiren k\u00f6pr\u00fc kurucu profesyonellerdir. Onlar\u0131n teknik yetkinlikleri, analitik d\u00fc\u015f\u00fcnme becerileri ve i\u015f bilgisi, \u015firketlerin veri odakl\u0131 bir k\u00fclt\u00fcr\u00fc benimsemesini ve s\u00fcrekli geli\u015fim sa\u011flamas\u0131n\u0131 m\u00fcmk\u00fcn k\u0131lar. Power BI, analistlerin bu d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc rol\u00fc \u00fcstlenmeleri i\u00e7in vazge\u00e7ilmez bir platform sunar.<\/p>\n Veri temizli\u011fi, analizlerin do\u011frulu\u011funu ve g\u00fcvenilirli\u011fini do\u011frudan etkiler. Temizlenmemi\u015f veya hatal\u0131 verilerle yap\u0131lan analizler, yanl\u0131\u015f i\u00e7g\u00f6r\u00fclere ve dolay\u0131s\u0131yla hatal\u0131 i\u015f kararlar\u0131na yol a\u00e7abilir. Bu nedenle, \"\u00e7\u00f6p giren \u00e7\u00f6p \u00e7\u0131kar\" ilkesi gere\u011fi, veri temizli\u011fi analiz s\u00fcrecinin temelini olu\u015fturur.<\/p>\n Power BI'da temel raporlar olu\u015fturmak i\u00e7in DAX bilmek zorunlu de\u011fildir, ancak karma\u015f\u0131k hesaplamalar, \u00f6zel \u00f6l\u00e7\u00fcler, zaman zekas\u0131 fonksiyonlar\u0131 ve ileri d\u00fczey analizler yapmak i\u00e7in DAX bilgisi kritik \u00f6neme sahiptir. Analistlerin \u00e7o\u011fu i\u00e7in DAX, Power BI yetkinli\u011finin ayr\u0131lmaz bir par\u00e7as\u0131d\u0131r.<\/p>\n Etkili bir pano tasarlarken hedef kitleyi ve panonun amac\u0131n\u0131 net bir \u015fekilde belirlemek \u00f6nemlidir. Do\u011fru g\u00f6rselle\u015ftirme t\u00fcrlerini se\u00e7mek, sade ve tutarl\u0131 bir tasar\u0131m kullanmak, interaktif \u00f6zellikler eklemek ve panonun bir hikaye anlatmas\u0131n\u0131 sa\u011flamak, etkili bir pano tasar\u0131m\u0131n\u0131n temel prensipleridir.<\/p>\n En b\u00fcy\u00fck zorluklardan biri, teknik i\u00e7g\u00f6r\u00fcleri i\u015f payda\u015flar\u0131n\u0131n anlayabilece\u011fi ve kabul edebilece\u011fi bir dile \u00e7evirmek ve onlar\u0131 harekete ge\u00e7meye ikna etmektir. Bu, g\u00fc\u00e7l\u00fc ileti\u015fim becerileri, i\u015f ba\u011flam\u0131n\u0131 anlama ve potansiyel etkiyi net bir \u015fekilde vurgulama yetene\u011fi gerektirir.<\/p>\n Power BI'da performans sorunlar\u0131n\u0131 gidermek i\u00e7in veri modelini optimize etmek (gereksiz s\u00fctunlar\u0131 kald\u0131rmak, do\u011fru veri tiplerini kullanmak), DAX sorgular\u0131n\u0131 optimize etmek, ili\u015fkileri do\u011fru kurmak, DirectQuery yerine Import modunu tercih etmek (m\u00fcmk\u00fcnse) ve g\u00f6rsel say\u0131s\u0131n\u0131 s\u0131n\u0131rlamak gibi y\u00f6ntemler kullan\u0131labilir.<\/p>\n","protected":false},"excerpt":{"rendered":"\u00d6rnek Power Query (M Dili) Kodu:","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-38881","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n\nlet\n Kaynak = Excel.Workbook(File.Contents(\"C:\\Veriler\\Sat\u0131\u015flar.xlsx\"), null, true),\n Sayfa1_Sheet = Kaynak{[Item=\"Sayfa1\",Kind=\"Sheet\"]}[Data],\n #\"\u00dcst Sat\u0131rlar\u0131 Ba\u015fl\u0131k Olarak Y\u00fckseltildi\" = Table.PromoteHeaders(Sayfa1_Sheet, [PromoteAllScalars=true]),\n #\"S\u00fctunlar Yeniden Adland\u0131r\u0131ld\u0131\" = Table.RenameColumns(#\"\u00dcst Sat\u0131rlar\u0131 Ba\u015fl\u0131k Olarak Y\u00fckseltildi\",{{\"\u00dcr\u00fcn Kodu\", \"SKU\"}, {\"Sat\u0131\u015f Tarihi\", \"Tarih\"}}),\n #\"Hatalar Kald\u0131r\u0131ld\u0131\" = Table.RemoveRowsWithErrors(#\"S\u00fctunlar Yeniden Adland\u0131r\u0131ld\u0131\", {\"Miktar\"}),\n #\"T\u00fcr De\u011fi\u015ftirildi\" = Table.TransformColumnTypes(#\"Hatalar Kald\u0131r\u0131ld\u0131\",{{\"Tarih\", type date}, {\"Miktar\", type number}, {\"Fiyat\", type number}})\nin\n #\"T\u00fcr De\u011fi\u015ftirildi\"\n<\/pre>\nVeri Profilleme ve Ke\u015fif<\/h4>\n
Power BI ile Veri Modelleme ve D\u00f6n\u00fc\u015ft\u00fcrme<\/h3>\n
\u0130li\u015fkisel Model Olu\u015fturma<\/h4>\n
DAX ile Hesaplamalar ve \u00d6l\u00e7\u00fcler<\/h4>\n
\n-- Toplam Sat\u0131\u015f Tutar\u0131 \u00d6l\u00e7\u00fcs\u00fc\nToplam Sat\u0131\u015f = SUMX( 'Sat\u0131\u015flar', 'Sat\u0131\u015flar'[Miktar] * 'Sat\u0131\u015flar'[Birim Fiyat] )\n\n-- Ge\u00e7en Y\u0131l\u0131n Ayn\u0131 D\u00f6nemi Sat\u0131\u015flar\u0131 \u00d6l\u00e7\u00fcs\u00fc\nGe\u00e7en Y\u0131l Sat\u0131\u015f = \nCALCULATE(\n [Toplam Sat\u0131\u015f],\n SAMEPERIODLASTYEAR('Tarih'[Date])\n)\n\n-- Sat\u0131\u015f B\u00fcy\u00fcme Oran\u0131 \u00d6l\u00e7\u00fcs\u00fc\nSat\u0131\u015f B\u00fcy\u00fcme Oran\u0131 = \nDIVIDE(\n [Toplam Sat\u0131\u015f] - [Ge\u00e7en Y\u0131l Sat\u0131\u015f],\n [Ge\u00e7en Y\u0131l Sat\u0131\u015f]\n)\n<\/pre>\nVeri Hiyerar\u015fileri ve Kategorizasyon<\/h4>\n
Performans Optimizasyonu<\/h4>\n
Etkili Power BI Panolar\u0131 Olu\u015fturma<\/h3>\n
Hedef Kitleyi ve Amac\u0131 Belirleme<\/h4>\n
G\u00f6rsel Se\u00e7imi ve Tasar\u0131m \u0130lkeleri<\/h4>\n
\u0130nteraktif \u00d6zellikler ve Filtreler<\/h4>\n
Hikaye Anlat\u0131m\u0131 ve Ak\u0131\u015f<\/h4>\n
Panolardan Anlaml\u0131 \u0130\u00e7g\u00f6r\u00fcler \u00c7\u0131karma<\/h3>\n
Trendleri ve Anormallikleri Tespit Etme<\/h4>\n
K\u00f6k Neden Analizi<\/h4>\n
Kar\u015f\u0131la\u015ft\u0131rmal\u0131 Analizler<\/h4>\n
Tahmine Dayal\u0131 \u0130\u00e7g\u00f6r\u00fcler<\/h4>\n
\u0130\u00e7g\u00f6r\u00fcleri Eyleme D\u00f6n\u00fc\u015ft\u00fcrme Stratejileri<\/h3>\n
Payda\u015flarla \u0130leti\u015fim ve Sunum<\/h4>\n
Eylem Planlar\u0131 Olu\u015fturma<\/h4>\n
\u00d6l\u00e7\u00fclebilir Hedefler Belirleme<\/h4>\n
Takip ve \u0130zleme Mekanizmalar\u0131<\/h4>\n
S\u00fcrekli \u0130yile\u015ftirme ve Geri Bildirim<\/h3>\n
Pano Performans\u0131n\u0131 \u0130zleme<\/h4>\n
Kullan\u0131c\u0131 Geri Bildirimlerini De\u011ferlendirme<\/h4>\n
Veri Kaynaklar\u0131n\u0131 G\u00fcncelleme<\/h4>\n
Yeni \u0130htiya\u00e7lara Adaptasyon<\/h4>\n
Sonu\u00e7<\/h3>\n
SSS (S\u0131k Sorulan Sorular)<\/h3>\n
Power BI'da veri temizli\u011fi neden bu kadar \u00f6nemli?<\/h4>\n
DAX \u00f6\u011frenmek zorunlu mu?<\/h4>\n
Etkili bir pano nas\u0131l tasarlan\u0131r?<\/h4>\n
\u0130\u00e7g\u00f6r\u00fcleri eyleme d\u00f6n\u00fc\u015ft\u00fcrmenin en b\u00fcy\u00fck zorlu\u011fu nedir?<\/h4>\n
Power BI'da performans sorunlar\u0131 nas\u0131l giderilir?<\/h4>\n