"AI'yı devreye aldık ama sonuçlar beklediğimiz gibi olmadı."
Bu cümleyi çok sık duyuyoruz. Genellikle suçlanan araç, model veya danışmandır. Ancak gerçek neden çoğu zaman daha temel bir yerde: veri.
"Garbage in, garbage out" — kirli veri verirseniz kirli çıktı alırsınız. Bu kural AI için yazılım geliştirmeden çok daha sert işler. Zira AI sistemi hataları büyüterek öğrenir; insanın fark edip düzelteceği bir tutarsızlığı, model kalıp olarak benimser.
Bu yazıda veri kalitesi sorununu Türk şirketleri bağlamında ele alıyor, pratik bir hazırlık çerçevesi sunuyoruz.
Hızlı Özet: AI projelerinin büyük bölümü veri kalitesi yetersizliği nedeniyle başarısız olur. Kaliteli veri dört boyutla ölçülür: tamlık, tutarlılık, doğruluk ve güncellik. Türk şirketlerinde en sık karşılaşılan sorunlar Excel bağımlılığı, Türkçe karakter tutarsızlığı ve silolar arası veri kopukluğudur.
Neden AI Projeleri Beklenen Sonucu Veremiyor?
McKinsey araştırmalarına göre AI projelerinin yaklaşık %70'i pilot aşamasının ötesine geçemiyor. Başarısızlık nedenlerinin başında teknik eksiklik ya da yanlış araç seçimi değil, veri altyapısının yetersizliği geliyor.
Tipik senaryo şu: Şirket AI araç seçer, entegrasyon yapar, sistemi çalıştırır. İlk sonuçlar gelince tahminler tutarsız, öneriler alakasız, raporlar güvenilmez çıkar. Ekip modeli değiştirmeye, parametreleri ayarlamaya çalışır — ama sorun modelde değil, beslenen veridedir.
Veri hazırlığı, AI projesinin en sıkıcı ama en kritik aşamasıdır.
Veri Kalitesinin 4 Boyutu
Kaliteli veriyi dört temel kriterle değerlendirin:
1. Tamlık (Completeness)
Verinin sahip olması gereken alanların ne kadarı dolu? Müşteri kayıtlarında sektör bilgisi %40 eksikse, sektöre göre segmentasyon yapan bir AI modeli hatalı çalışır.
Ölçüm: Her kritik alanda doluluğu yüzde olarak hesaplayın. %80 altı alanlar risk işareti.
2. Tutarlılık (Consistency)
Aynı bilgi farklı sistemlerde farklı biçimde mi kayıtlı? "İstanbul", "istanbul", "İst.", "IST" — bunların hepsi aynı şehir ama makine için dört farklı değer.
Türkiye'deki çoğu şirkette ERP, CRM ve muhasebe sistemi farklı standartlarda veri tutar. Bu uyumsuzluk, entegrasyon tabanlı AI sistemlerinin en büyük düşmanıdır.
3. Doğruluk (Accuracy)
Veriler gerçeği yansıtıyor mu? Yanlış girilen müşteri telefon numaraları, eski fiyat verileri, hatalı kategori etiketleri — bunlar modelin "öğreneceği" gerçeklikler haline gelir.
Doğruluk testi: Rastgele 100 kayıt seçin, elle doğrulayın. Hata oranı %5 üzerindeyse kapsamlı temizlik gerekiyor.
4. Güncellik (Timeliness)
Veri ne kadar eski? 2019 satış verisiyle eğitilmiş bir talep tahmin modeli, pandemi sonrası değişen tüketici davranışını yansıtmaz. AI sistemi için "ne zaman toplanmış" sorusu, "ne toplanmış" kadar önemlidir.
Türk Şirketlerinde En Sık Veri Sorunları
Yüzlerce şirket analizi deneyimimizden derlediğimiz yaygın sorunlar:
Excel bağımlılığı: Kritik operasyonel veri hâlâ Excel'de, farklı formatlarda, birden fazla kullanıcı tarafından ayrı güncelleniyor. Makine öğrenmesi için kullanışsız, entegrasyon için kabus.
Türkçe karakter tutarsızlığı: "Şirket" vs "Sirket", "özgün" vs "ozgun" — Türkçe karakter sorunları string eşleştirmeli sistemlerde ciddi yanlış sınıflandırmaya yol açar.
Silolar arası veri kopukluğu: Satış CRM'i, muhasebe sistemi ve lojistik yazılımı arasında ortak müşteri ID'si yok. Müşteri 360° görünümü oluşturulması imkânsız hale gelir.
Tarih formatı çeşitliliği: "15.03.2024", "2024-03-15", "15 Mart 2024" — aynı veri tabanında üç format. Zaman serisi analizi yapan modeller için kritik sorun.
Etiket yokluğu: Makine öğrenmesi için etiketli veri şarttır. "Bu müşteri churned mı?" sorusunun yanıtını tarihsel veride bulmak çoğu zaman elle yapılan bir etiketleme sürecini gerektirir.
Veri Hazırlık Süreci — Adım Adım
AI projesine başlamadan önce şu adımları izleyin:
1. Veri envanteri çıkarın Hangi sistemde, hangi veri var? Kim sahip, kim günceller, ne sıklıkla yenilenir? Bu harita olmadan başlamak kör uçuştur.
2. Veri kalitesi değerlendirmesi yapın Yukarıdaki dört boyutu her kritik veri kümesi için puanlayın. Hangi alan ne kadar temiz, ne kadar eksik?
3. Temizlik önceliklerini belirleyin Her şeyi mükemmelleştirmeye çalışmak yıllar alır. AI projesinin ilk fazında hangi veriye ihtiyaç var? Yalnızca o alanları temizleyin.
4. Standartları tanımlayın Tarih formatı ne olacak? Şehir adları nasıl yazılacak? Müşteri segmentleri kaç kategori? Bu standartları belgeleyin ve sistemlere yansıtın.
5. Veri pipeline'ı otomatize edin Temizlik tek seferlik değil, süregelen bir süreçtir. Yeni veri geldiğinde otomatik doğrulama ve normalizasyon kural setleri kurun.
6. Pilot dataset ile başlayın Tüm tarihsel veriyi hazırlamak yerine, dar bir zaman dilimini veya ürün kategorisini seçin. Pilot'tan öğrenin, sonra genişletin.
Ne Zaman Dış Destek Almalısınız?
Şirket içinde veri hazırlık kapasitesi olmadığında veya mevcut altyapının gerçek kalitesini nesnel olarak değerlendirmek istediğinizde dış destek değerlidir.
Özellikle şu durumlarda:
- Birden fazla sistem entegrasyonu gerekiyorsa
- Veri sahipliği belirsizse (kim neyi güncelliyor bilinmiyorsa)
- AI projesinin kapsamı stratejik düzeydeyse ve hata maliyeti yüksekse
Veri hazırlığı, AI danışmanlığının teknik kısmı kadar önemli bir sürecidir. Danışmanınız bu aşamayı atlıyorsa dikkatli olun.
Sık Sorulan Sorular
Veri kalitesi değerlendirmesi ne kadar sürer? Kapsamına bağlı. Kritik sistemlerdeki alan doluluğu ve tutarlılık analizi 1-2 hafta içinde yapılabilir. Verimio'nun Check-Up sürecinde veri kalitesi değerlendirmesi analiz raporunun ayrılmaz bir parçasıdır; ek süre gerekmez.
Veri temizliğine nereden başlamalıyım? Yapılacak AI projesinin ilk fazında hangi veriye ihtiyaç var sorusunu cevaplayın. Pilot proje için gereken alanları önce temizleyin; tüm sistemi mükemmelleştirmeye çalışmak yıllar alır ve projeyi başlatamadan yorar.
Excel'deki verilerimi AI için kullanabilir miyim? Mümkün, ancak doğrudan değil. Excel verisi önce standartlaştırılmalı (tarih formatı, karakter tutarlılığı, boş alan doldurma), ardından bir veritabanına ya da veri akışına aktarılmalıdır. Bu adımı atlayan projelerin büyük çoğunluğu başarısız olur.
Etiketli veri neden önemlidir? Makine öğrenmesi modelleri örüntüleri etiketli veriden öğrenir. "Bu müşteri çıkış yaptı mı?" gibi geçmiş kararların tarihsel veride işaretlenmesi olmadan tahminleyici model kurulamaz. Etiketleme çoğu zaman elle yapılan, zaman alan bir süreçtir; proje planınıza dahil edin.
Sonuç
AI yatırımı yapmadan önce bir soru sorun: "Verilerimiz bu sistemi besleyecek kalitede mi?"
Yanıt "bilmiyorum" ise, başlangıç noktanız belli: bir veri kalitesi değerlendirmesi. Bu değerlendirmeyi ücretsiz Şirket Check-Up'ımız kapsamında yapıyoruz. Mevcut veri altyapınızı, AI hazırlığınızı ve öncelikli aksiyon alanlarını somut bulgularla raporluyoruz.