KOBİ'ler için AI öncesi veri hazırlığı: 5 adımlık kontrol listesi

Yapay zeka (YZ) heyecan verici bir teknoloji olabilir, ancak çoğu KOBİ için somut fayda sağlamanın önündeki en büyük engel genellikle teknik kapasite ya da bütçe değil, verinin kendisidir. Birçok şirket AI'ı bir an önce süreçlerine dahil etmek istiyor ama çoğu zaman elindeki verinin düzensizliği, eksik oluşu ve uyumsuzluğu, ilk adımı atamalarına engel oluyor. Yapay zeka uygulamaları, iyi niyetli bir başlangıçtan öteye gidemiyor.

McKinsey araştırmalarına göre yapay zeka projelerinin yaklaşık yüzde 70'i pilot aşamasının ötesine geçemiyor. Başarısızlığın başında yanlış araç değil, verinin hazır olmaması geliyor. Tipik senaryo şöyle: şirket aracı seçer, kurar, çalıştırır. İlk sonuçlar gelince tahminler tutarsız, raporlar güvenilmez çıkar. Ekip modeli değiştirmeye uğraşır. Oysa sorun modelde değil, ona verilen veridedir.

Hızlı Özet: Yapay zeka, ona verdiğiniz veri kadar iyi çalışır: çöp girerse çöp çıkar. Veriyi dört soruyla ölçün: tam mı, tutarlı mı, doğru mu, güncel mi? Türk şirketlerinde en sık sorunlar Excel bağımlılığı, Türkçe karakter tutarsızlığı ve sistemler arası kopukluk. Hazırlık beş adımda yapılır; her şeyi değil, yalnızca pilot projenin ihtiyaç duyduğu veriyi temizleyerek başlayın.

Peki, KOBİ'ler kısıtlı kaynaklarına rağmen bu veri açığını nasıl kapatabilir? Bu yazımızda, AI projenizin temelini sağlam atmak için 5 adımlık bir kontrol listesi sunuyoruz.

Veri Temizliği ve Tutarlılık: Yapay Zeka Kapısından Giriş Bileti

Çoğu KOBİ, yıllar içinde farklı departmanların, personellerin veya hatta farklı yazılımların etkisiyle dağınık veri havuzlarına sahip olur. Müşteri bilgileri CRM'de farklı bir formatta, faturalama sisteminde başka bir formatta bulunabilir. Ürün kodları farklı departmanlar tarafından farklı isimlendirilmiş olabilir. Bu durum, veri ekosisteminizde "kategori açığı" olarak adlandırdığımız bir soruna yol açar.

Örnek Senaryo: Bir e-ticaret KOBİ'si düşünelim. Müşteri hizmetleri ekibi, müşterinin ürün iade nedenini "Arızalı Ürün", "Bozuk Ürün" veya "Çalışmıyor" olarak girebilir. Pazarlama ekibi, aynı ürün arızasını "Üretim Hatası" olarak etiketleyebilir. Envanter yönetimi ise "Kalite Kusuru" der. Yapay zeka bu farklı etiketleri anlamlandıramaz, doğru bir kategori oluşturamaz ve sonuç olarak ürün iadelerinin temel nedenleri hakkında doğru analizler yapamaz.

Bu dağınık yapı, AI modelinin öğrenmesini engeller. AI modelinin size doğru ve anlamlı çıktılar verebilmesi için, tutarlı ve temiz veriye ihtiyacı vardır. Aksi halde, modeliniz yanlış genellemeler yapar ve hatalı kararlar almanıza neden olur. Üstelik yapay zeka bu hataları büyüterek öğrenir. İnsanın fark edip düzelteceği bir tutarsızlığı model kalıp olarak benimser.

Verinizi Dört Soruyla Ölçün

Temizliğe başlamadan önce verinin ne durumda olduğunu bilmeniz gerekir. Dört soru yeter:

• Tam mı? Olması gereken alanların ne kadarı dolu? Müşteri kayıtlarının yarısında sektör boşsa, sektöre göre çalışan bir model yanlış sonuç verir. Her kritik alanın doluluğunu yüzde olarak hesaplayın. Yüzde 80'in altındaki alan risk işaretidir.
• Tutarlı mı? Aynı bilgi her sistemde aynı biçimde mi yazılı? "İstanbul", "istanbul", "İst.", "IST" insan için aynı şehir. Makine için dört ayrı değer.
• Doğru mu? Kayıtlar gerçeği yansıtıyor mu? Yanlış telefon numarası, eski fiyat, hatalı kategori etiketi modelin öğrendiği "gerçek" olur. Basit bir test: rastgele 100 kayıt seçin, elle kontrol edin. Hata oranı yüzde 5'i geçiyorsa ciddi bir temizlik gerekiyor.
• Güncel mi? Veri ne zaman toplandı? Beş yıl önceki satış verisiyle kurulan bir talep tahmini, bugünkü müşteriyi tanımaz. "Ne zaman toplandı" sorusu, "ne toplandı" kadar önemli.

Türk Şirketlerinde Sık Görülen Veri Sorunları

Bu listedeki sorunların birkaçı sizde de muhtemelen var:

• Excel bağımlılığı. Kritik veri hâlâ Excel'de duruyor. Birkaç kişi ayrı ayrı güncelliyor, her dosyanın düzeni farklı. Otomasyon için kullanışsız, entegrasyon için kabus.
• Türkçe karakter tutarsızlığı. "Şirket" ile "Sirket", "özgün" ile "ozgun" farklı kayıt olarak görülüyor. Metin eşleştiren sistemlerde bu, yanlış sınıflandırma demek.
• Sistemler arası kopukluk. CRM, muhasebe programı ve lojistik yazılımı arasında ortak bir müşteri kimliği yok. Bir müşterinin tüm geçmişini tek ekranda görmek imkânsız hale geliyor.
• Tarih formatı karmaşası. "15.03.2024", "2024-03-15", "15 Mart 2024" aynı tabloda. Zaman serisiyle çalışan her model burada tökezler.
• Etiket yokluğu. Tahmin modeli geçmişteki sonuçlardan öğrenir. "Bu müşteri bizi bıraktı mı?" sorusunun cevabı kayıtlarda yoksa, birinin geçmişi elle işaretlemesi gerekir.

1. Veri Kaynaklarınızı Haritalayın ve Envanter Çıkarın

AI yolculuğunuzun ilk adımı, elinizdeki tüm veriyi tanımaktır. Hangi departman hangi veriyi üretiyor? Hangi sistemler hangi bilgileri barındırıyor?

Eylem Adımları:

• Departman bazlı veri envanteri: Satış, Pazarlama, Muhasebe, İnsan Kaynakları, Üretim/Operasyon gibi departmanların kullandığı tüm veri tabanlarını, Excel dosyalarını, SaaS platformlarını (CRM, ERP vb.) listeleyin.
• Veri sorumlularını belirleyin: Her veri setinin birincil sorumlusunu atayın. Bu kişi, verinin toplanmasından, güncelliğinden ve kalitesinden sorumlu olacaktır.
• Veri akış şeması oluşturun: Verinin bir sistemden diğerine nasıl aktığını, hangi adımlarda değiştiğini veya dönüştüğünü gösteren basit bir şema çizin. Bu, veri akışındaki darboğazları veya tutarsızlık noktalarını tespit etmenizi sağlar.

Örnek Senaryo: Orta ölçekli bir üretim firması, üretim hatlarından gelen sensör verisini, Excel'deki günlük üretim raporlarını ve ERP'deki sipariş bilgisini yapay zekayla birleştirmek istiyor. İlk adımda tüm kaynakları (PLC, SCADA, elle girişler, ERP) listeleyip akışı bir şemaya dökerse, sensör verisinin ERP'ye elle aktarıldığını ve hataların tam orada doğduğunu görür.

2. Veri Standardizasyonu ve Biçimlendirme

Farklı sistemlerde tutulan veriler genellikle farklı biçimlerde karşımıza çıkar. Tarih formatları, para birimi gösterimleri, adres yazım şekilleri vb. tutarsızlıklar yaygındır.

Eylem Adımları:

• Standart formatlar belirleyin: Tüm şirket genelinde kullanılacak tarih (GG.AA.YYYY), para birimi (TL, EUR), adres (sokak, numara, mahalle, ilçe, il, posta kodu) gibi formatları kesinleştirin.
• Kategorik verileri standartlaştırın: Ürün kategorileri, müşteri tipleri, sorun nedenleri gibi kategorik veriler için tek bir liste oluşturun. Örneğin, "Erkek Giyim", "Erkek giyim", "Erkek giysi" yerine sadece "Erkek Giyim" kullanın. Bu, n8n gibi araçlarla otomatize edilebilir bir süreçtir.
• Veri sözlüğü oluşturun: Şirketinizdeki tüm önemli terimlerin (örneğin müşteri tanımı, brüt kar, net ciro) anlamlarını ve hesaplama yöntemlerini içeren basit bir sözlük hazırlayın. Bu, herkesin aynı dili konuşmasını sağlar.

Örnek Senaryo: Bir lojistik firması, müşteri şikayetlerini AI ile analiz edip iyileştirme alanları bulmak istiyor. Ancak şikayetlerin girildiği serbest metin alanında "Teslimat Gecikmesi", "Ürün Geç Kaldı", "Zamanında Gelmedi" gibi farklı ifadeler kullanılıyor. Firma bu ifadeleri "Gecikmeli Teslimat" başlığında birleştirip kategorileri standart hale getirirse, model şikâyetleri doğru gruplar.

3. Eksik Verileri Tamamlama ve Hataları Düzeltme

Veri eksikliği veya yanlış veri girişi, YZ modellerinin performansını doğrudan etkiler. Bir AI modeli en iyi şekilde, eksiksiz ve doğru verilerle eğitilir.

Eylem Adımları:

• Eksik veri analizi: Hangi veri alanlarında eksiklikler olduğunu belirleyin. Örneğin, müşteri isimlerinin %10'u veya telefon numaralarının %15'i eksik olabilir.
• Boşlukları doldurma stratejileri: Eksik verileri manuel olarak tamamlama, diğer kaynaklardan alma veya belirli bir varsayılan değerle doldurma (örneğin, bilinmeyen müşteri segmentleri için "Diğer" atama) gibi yöntemler belirleyin.
• Anormallik tespiti ve düzeltme: Veri girişlerindeki bariz hataları (örneğin, doğum tarihi olarak 1800'lü yılların girilmesi, telefon numarasının eksik basamağı) otomatik veya manuel olarak tespit edip düzeltin.

4. İlişkisel Veri Entegrasyonu

Bir KOBİ'nin verileri genellikle silo halindedir. CRM, ERP, muhasebe yazılımı, web sitesi analitikleri farklı bilgiler barındırır. AI, bu farklı veri setleri arasındaki ilişkileri anlamlandırarak daha kapsamlı içgörüler sunar.

Eylem Adımları:

• Benzersiz tanımlayıcılar (ID) kullanın: Müşterileriniz, ürünleriniz veya siparişleriniz için tüm sistemlerde aynı benzersiz tanımlayıcıları (müşteri ID, SKU kodu, sipariş numarası) kullandığınızdan emin olun. Bu, farklı veri setlerini birleştirmek için anahtar görevi görür.
• Veri entegrasyon platformları keşfedin: n8n gibi açık kaynaklı otomasyon araçları veya yerel birleşik veri platformları kullanarak farklı sistemlerinizdeki verileri tek bir yerde toplayabilir ve senkronize edebilirsiniz. Bu, manuel veri transferindeki hata riskini ortadan kaldırır.
• Konsolidasyon stratejisi geliştirin: Tüm verileri tek bir merkezi depoya (veri gölü veya veri ambarı) taşımak mı, yoksa ihtiyaç duyulduğunda farklı sistemlerden çekerek birleştirmek mi ihtiyacınıza daha uygun? Bu kararı, veri hacminize ve bütçenize göre verin.

Örnek Senaryo: Bir yazılım KOBİ'si, müşteri geri bildirimlerini (CRM), ürün kullanım verisini ve destek kayıtlarını birleştirip müşteri kaybını tahmin etmek istiyor. Müşteri kimliklerini tüm sistemlerde aynı hale getirip bu veriyi n8n ile tek bir yerde toplarsa, hangi sorunların müşteri kaybına yol açtığını net görür.

5. Sürekli Veri Yönetişimi ve Kalite Kontrolü

Veri hazırlığı tek seferlik bir iş değildir. Sürekli değişen ve büyüyen bir organizasyonda verilerin kalitesi de zamanla bozulabilir. Bu nedenle, sürekli bir yönetişim ve kontrol mekanizması kurmak önemlidir.

Eylem Adımları:

• Veri kalitesi metrikleri belirleyin: Verilerinizin doğruluğunu, eksiksizliğini, tutarlılığını ve güncelliğini ölçecek metrikler tanımlayın (örneğin, eksik müşteri e-postalarının yüzdesi, hatalı ürün kodlarının sayısı).
• Periyodik veri denetimleri yapın: Belirlediğiniz metrikler doğrultusunda düzenli olarak (aylık veya üç aylık) veri denetimleri gerçekleştirin ve sorunları erkenden tespit edin.
• Veri kalite raporlaması: Veri kalitesi durumu hakkında düzenli raporlar oluşturun ve ilgili departmanlarla paylaşın. Bu, herkesin veri kalitesi konusuna dikkatini çekmeye yardımcı olur.
• Veri okuryazarlığı eğitimi: Çalışanlarınıza, doğru veri girişinin önemi ve veri kalitesinin şirkete faydaları hakkında kısa eğitimler verin. Verinin değerini anlayan bir ekip, daha iyi veri üretir. Bu konuyu kurumsal yapay zeka eğitiminin içine de alın; araç eğitimiyle veri disiplini birlikte öğrenilince kalıcı olur.

Örnek Senaryo: Bir online eğitim platformu, kurs önerilerini kişiselleştirmek ve ayrılacak öğrenciyi önceden görmek istiyor. Ama öğrenci kayıtları zamanla hatalı e-postalar ve eksik bilgilerle dolmuş. Çözüm, her ay kendiliğinden çalışan bir denetim akışı: eksik e-postayı bulur, öğrenciye hatırlatma gönderir, tutarsız kayıtları raporlar. Model ancak bundan sonra güvenilir tahmin yapar.

Veri hazırlığında dışarıdan destek ne zaman mantıklı?

Yapay zeka projeleri, güçlü ve temiz veriler olmadan beklenen sonuçları vermekte zorlanır. Yukarıdaki 5 adımlık kontrol listesi, KOBİ'lerin bu süreçte sağlam adımlar atması için bir yol haritası sunar. Ancak, bu adımları atarken karşılaşılan teknik zorluklar veya zaman kısıtları, KOBİ'ler için yıldırıcı olabilir.

Özellikle şu durumlarda dışarıdan bir göz işe yarar:

• Birden fazla sistemin birbirine bağlanması gerekiyorsa.
• Veri sahipliği belirsizse, yani kimin neyi güncellediğini kimse bilmiyorsa.
• Projenin kapsamı büyük ve hata maliyeti yüksekse.

Dışarıdan destek alacaksanız bir şeye dikkat edin: veri hazırlığını atlayıp doğrudan araç kurmayı öneren danışmandan uzak durun. Doğru partneri nasıl seçeceğinizi AI danışmanlık firması seçme rehberinde anlattım. Veri kaynaklarını birlikte haritalamak, AI projesi için hangi verinin gerçekten gerektiğini ayıklamak ve temizliği n8n gibi araçlarla otomatikleştirmek, ekibinizin haftalarca sürecek elle çalışmasını kısaltır. AI projenizin başlama noktasından emin değilseniz, önce şirketinizin mevcut durumunu birlikte değerlendirelim.

Sıkça Sorulan Sorular

Veri hazırlığı neden bu kadar önemli? Bütçem kısıtlı, doğrudan AI kullanmaya başlayamaz mıyım?

Veri hazırlığı, bir AI projesinin temelidir. Veri kalitesi düşük olduğunda AI modeli hatalı veya anlamsız sonuçlar üretir, bu da yatırımlarınızın boşa gitmesine neden olur. "Çöp girdi, çöp çıktı" prensibi YZ için de geçerlidir. Veri hazırlığına yatırım yapmak, uzun vadede daha verimli ve başarılı AI projeleri anlamına gelir.

Çok fazla veri kaynağım var, hepsini birleştirmek zorunda mıyım?

Hayır, her veri kaynağını birleştirmek zorunda değilsiniz. Önemli olan, AI projenizin hedefleri doğrultusunda hangi verilerin kritik olduğunu belirlemek ve bu veriler arasında tutarlı bir ilişki kurmaktır. Genellikle, başlangıçta en kritik ve en etkili olabilecek veri setlerine odaklanılır.

n8n gibi otomasyon araçları veri hazırlığında nasıl yardımcı olur?

n8n, farklı sistemleriniz arasındaki veri akışını otomatize etmenizi, verileri dönüştürmenizi, temizlemenizi ve standartlaştırmanızı sağlar. Örneğin, farklı formattaki tarihleri standardize edebilir, eksik alanları varsayılan değerlerle doldurabilir veya farklı kaynaklardaki müşteri kayıtlarını tek bir merkeze senkronize edebilir. Bu, manuel veri işleme yükünü azaltır ve hata oranını düşürür.

Veri hazırlığı ne kadar sürer ve ne kadara mal olur?

Veri hazırlığının süresi ve maliyeti, şirketin mevcut veri durumuna, veri hacmine ve AI projesinin karmaşıklığına bağlıdır. Küçük ve orta ölçekli KOBİ'ler için birkaç haftadan birkaç aya kadar sürebilir. İlk adım mevcut veri durumunu görmektir; kapsam ve bütçe ondan sonra netleşir.

Veri güvenliği ve KVKK uyumu veri hazırlığı sırasında nasıl sağlanır?

Veri hazırlığı yaparken KVKK ve diğer veri gizliliği düzenlemelerine uyum sağlamak zorunludur. Kişisel verilerin anonimleştirilmesi veya maskelenmesi, verilere erişimin kısıtlanması ve güvenlik protokollerinin uygulanması gibi adımlar atılmalıdır. Bu konuda özellikle hassas verilerle çalışırken KVKK ve yapay zeka yazımızı inceleyebilirsiniz.

Veri temizliğine nereden başlamalıyım?

İlk yapay zeka projesinin hangi veriye ihtiyaç duyduğunu sorun. Yalnızca o alanları temizleyin. Tüm sistemi kusursuz hale getirmeye çalışmak yıllar alır ve projeyi başlamadan yorar.

Excel'deki verilerimi yapay zeka için kullanabilir miyim?

Evet, ama doğrudan değil. Excel verisi önce standart hale gelmeli: tek tarih formatı, tutarlı Türkçe karakter, doldurulmuş boş alanlar. Sonra bir veritabanına ya da otomatik bir veri akışına aktarılmalı. Bu adımı atlayan projeler çoğunlukla takılır.

Etiketli veri neden önemli?

Tahmin modelleri örüntüyü etiketli veriden öğrenir. "Bu müşteri bizi bıraktı mı?" gibi geçmiş sonuçlar kayıtlarda işaretli değilse tahmin modeli kurulamaz. Etiketleme çoğu zaman elle yapılır ve zaman alır; proje planınıza baştan koyun.

---

Başarılı bir AI projesinin ilk adımı sağlam bir veri altyapısıdır. Verinizin durumunu ve ekibinizin işini anlatın, yapay zekayla nasıl yapılacağını birlikte belirleyelim. Ücretsiz Check-Up beş dakika sürer; raporunuz form tamamlandığında ekranda açılır.

Sedat Bektaş
Bir şirkette, ekiplerin tekrar eden işleri için her gün yapay zekayla akışlar kuruyorum. Nasıl çalıştığımı ve yazıları nasıl hazırladığımı Hakkında sayfasında anlattım.