Veriye Dayalı Bilinçli Kararları Nasıl alabiliriz?

Veri analistleri veriye dayalı karar verme yöntemini kullanır ve adım adım ilerleyen bir süreç izler. Bu sürecin 6 adımı vardır:

1. Sorular sorun ve sorunu tanımlayın. 

2. Bilgileri toplayarak ve depolayarak verileri hazırlayın.

3. Bilgileri temizleyerek ve kontrol ederek verileri işleyin.

4. Kalıpları, ilişkileri ve eğilimleri bulmak  için verileri analiz edin.

5. Bulguları hedef kitlenizle paylaşın.

6. Verilere göre hareket edin ve analiz sonuçlarını kullanın.

1. Soru Sorma Aşaması

- Paydaşların beklentilerini tam olarak anlamak için zaman ayır. Kimin için analiz yapıyorsun? Beklentileri neler? Ne istiyor? Ne zaman istiyor? Neden istiyor? Neyi hedefliyor?

- Çözülmesi gereken problemi tanımla. Mevcut durum ile ideal durum arasındaki farkı bul.

- Problemi çözmek için hangi sorulara cevap vereceğine karar ver. Hangi sorulara yanıt arandığını netleştir.

Örnek:

Diyelim ki bir kahve zinciri için veri analisti olarak çalışıyorsun. Mağaza müdürü(Paydaş), öğleden sonra satışlarının çok düşük olduğundan şikayetçi.

Paydaş beklentilerini anlamak:

. Paydaşlar: Mağaza müdürü ve bölge yöneticisi.

. Beklentiler: Öğleden sonra (14:00 - 17:00 arası) cirosunu %20 artırmak. Ayrıca haftalık raporlar ve bir sunum istiyorlar.

Problemi tanımlamak:

. Mevcut Durum: Sabahları kuyruk var, ancak saat 14:00'ten sonra dükkan neredeyse boş kalıyor.

. İdeal Durum: Günün her saati sürdürülebilir bir müşteri trafiği ve gelir akışı.

Sorulacak temel sorular: Bu sorular neden önemli? Çünkü bu sorular yapacağın analizin pusulasıdır. Eğer soru sorma aşamasında doğru soruları sormazsan hazırlık aşamasında yanlış verileri toplar ve günün sonunda kimsenin işine yaramayan bir analiz yapmış olursun.

. Müşteri Profili: Öğleden sonra dükkanın önünden geçen insanların profili(öğrenci, çalışan, emekli) sabah gelenlerle aynı mı? 

. Ürün Uygunluğu: Mevcut menümüz öğleden sonra atıştırmalık isteyen kişilere hitap ediyor mu?

. Fiyatlandırma: "Mutlu Saatler" (Happy Hour) gibi bir indirim öğleden sonra müşteri trafiğini artırır mı?

. Rekabet: Çevredeki rakip kafeler öğleden sonraları neyi farklı yapıyor?

2. Hazırlık Aşaması

Hazırlık aşamasında, sorularınızı yanıtlamak için kullanabileceğiniz verileri belirleme ve bulma üzerinde durulur. Verilerin objektif ve tarafsız olmasına dikkat etmelisin. Bir analiz sonucunda alınan kararlar her zaman gerçeklere dayanmalı, adil ve tarafsız olmalıdır.

Veri Türleri:

Nicel Veri: Sayılarla ifade edilen verilerdir. "Kaç tane?", "Ne kadar?" sorularına yanıt verir. (Örn: Satış rakamı, sıcaklık derecesi.)

Nitel Veri: Tanımlayıcı, öznel verilerdir. "Neden?" ve "Nasıl?" sorularına odaklanır. (Örn: Müşteri yorumları, anketlerdeki açık uçlu cevaplar).

Yapılandırılmış Veri: Satır ve sütunlara sığan, Excel veya SQL tabloları gibi düzenli veriler.

Yapılandırılmamış Veri: Belirli bir formatı olmayan veriler. (Örn: E-postalar, ses kayıtları, sosyal medya videoları).

Problemini çözmek için en yararlı veri, problemin kök nedeni ile en doğrudan ilişkiye sahip olan ve sana aksiyon aldırabilecek olan veridir. Yukarıdaki kahve zinciri örneğimize dönelim. Kahve zinciri senaryomuzda problemimiz netti: "14:00 - 17:00 saatleri arasındaki düşük satışları nasıl artırabiliriz?" Şimdi bu sorunu çözmek için hangi verinin "en yararlı" olduğuna nasıl karar vereceğimizi bir strateji dahilinde inceleyelim. Her veri değerlidir, ancak her veri bu spesifik problemi çözmez.

​1. Adım: Hipotez Kur (Tahmin Yürüt)

​Veri seçmeden önce, sorunun neyden kaynaklanabileceğine dair mantıklı tahminler yürütürüz.

​Hipotez A: Fiyatlarımız öğleden sonra gelen öğrenci grubuna yüksek geliyor olabilir.

​Hipotez B: Menümüzdeki ürünler (sıcak kahveler) öğleden sonraki sıcak saatlerde tercih edilmiyor olabilir.

​Hipotez C: İnsanlar öğleden sonra kahve içmek yerine bir şeyler atıştırmak istiyor ama bizde seçenek az olabilir.

​2. Adım: Veri Kaynaklarını "Yararlılık" Filtresinden Geçir

Hangi verinin hangi hipotezi kanıtlayacağını veya çürüteceğini belirleriz.

3. Adım: "Harekete Geçirici" (Actionable) Veriyi Seç

​En yararlı veri, analiz bittiğinde sana "Hadi şunu yapalım!" dedirten veridir.

​Senaryo 1: Eğer Ürün Bazlı Satış verisi, öğleden sonra sadece "Iced Latte" satıldığını ama "Pasta" satışının sıfır olduğunu gösteriyorsa; en yararlı verin budur.

​Aksiyon: Kahve + Tatlı menüsü (combo) yapmalısın.

​Senaryo 2: Eğer Müşteri Anketi verisinde "Mekan çok gürültülü, çalışamıyoruz" cevabı baskınsa; en yararlı verin budur.

​Aksiyon: Öğleden sonraları müziği kısmalı ve prizli masa sayısını artırmalısın.

Pratik Karar Verme Tablosu (Analist Gözüyle):

​Bir verinin "en yararlı" olup olmadığını anlamak için kendine şu 3 soruyu sor:

1.​ İlgili mi? (Problemimle doğrudan alakası var mı? Örn: Kahve zinciri için döviz kuru verisi şu an öncelikli değil.)

2. ​Güncel mi? (3 yıl önceki veriler bugünkü müşteri alışkanlıklarını yansıtıyor mu? Hayır.)

​3. Güvenilir mi? (Veri eksik mi, hatalı girişler var mı? Süreç/Process aşamasında bunu temizledik mi?)

​Özetle: Kahve örneğinde en yararlı veri; "Müşterinin dükkana girmeme sebebini" açıklayan anket verisi ile "Girenlerin neyi almadığını" gösteren ürün bazlı satış verisinin birleşimidir.

3. Süreç Aşaması

Bu aşamada amaç, verileri rafine etmektir. Veri analistleri, sonuçların önüne geçebilecek her türlü hata ve yanlışlığı bulur ve ortadan kaldırır. Yani veriler toplandı ama muhtemelen "kirli". Verileri analize hazır hale getiriyoruz. Bu genellikle şu anlama gelir:

. Verilerin temizlenmesi

. Verilerin daha kullanışlı bir formata dönüştürülmesi

. Bilgiyi daha eksiksiz hale getirmek için iki veya daha fazla veri kümesinin birleştirilmesi

. Aykırı değerlerin kaldırılması (bilgiyi çarpıtabilecek veri noktaları)

Örnek Senaryo Uygulaması:

Verilerin temizlenmesi: Bazı satış kayıtlarında "Ürün Adı" boş kalmış olabilir veya sistem hatasıyla bir kahve iki kez girilmiş olabilir. Bu hataları siler ve düzeltirsin.

Formata dönüştürme: Farklı şubelerden gelen tarih formatlarını tek bir standart haline getirirsin (örneğin 05/04/2026 ile 04.05.2026).

Veri setlerini birleştirme: "Günlük Satış Verisi" ile o günkü "Hava Durumu Verisi"ni birleştirirsin. (Belki de yağmurlu günlerde öğleden sonra satışları zaten yüksektir?)

Aykırı değerleri ayıklama: Bir gün dükkanda özel bir etkinlik yapılmış ve satışlar patlamış olabilir. Bu "normal dışı" bir gün olduğu için genel ortalamayı bozmaması adına onu analizden çıkarabilirsin.

Kullanacağın Araçlar:

​Bu aşamalarda en yakın dostların şunlar olacak:

​Elektronik Tablolar (Excel/Google Sheets): Küçük veri setlerini hızlıca temizlemek için.

​SQL: Binlerce satırlık devasa veri tabanlarından istediğin veriyi cımbızla çekip birleştirmek için.

​Özetle: Hazırlık aşamasında "Neyi kullanacağım?", Süreç aşamasında ise "Bu veriyi nasıl parlatırım?" diyorsun.

4. Analiz Aşaması

İyi tanımlanmış sorular ve temiz verilerden oluşan sağlam bir temel ile analiz aşamasına geçelim. Bu topladığınız, hazırladığınız ve işlediğiniz verileri eyleme geçirilebilir bilgilere dönüştürdüğünüz zamandır. Temizlediğimiz verilerden "Cevap" çıkarma aşamasıdır. Veriler arasındaki gizli bağları keşfederiz.

Kahve zinciri örneğiyle devam edelim:

Ne yaparsın? Elektronik tablolar, SQL veya R programlama dili gibi araçları kullanarak verileri sorgularız. Örneğin; "Sıcaklık 25 derecenin üzerine çıktığında sıcak kahve satışları ne kadar düşüyor?" veya "Öğrenciler genellikle hangi saatlerde geliyor?" sorularına yanıt ararsın.

Bulgu: Analiz sonucunda şunu fark edersin: Öğleden sonra gelen müşterilerin %70'i öğrenci ve çoğu sadece "su" alıp masalarda ders çalışıyor. Çünkü menüdeki soğuk içecekler çok pahalı veya seçenek az.

Sonuç: Veri sana şunu fısıldar: "Fiyat politikan veya ürün çeşitliliğin bu saat dilimindeki kitleye uymuyor."

 

5. Paylaşım Aşaması

Bu aşamada öğrendiklerinizi paydaşlarınızla paylaşma zamanıdır. Veri analistleri sonuçları nasıl yorumladığını göstermek ve paydaşların etkili, veriye dayalı kararlar almasına yardımcı olmak için veri görselleştirmeleri kullanırlar. Görselleştirme, verilerinizin size ne söylediğini başkalarının anlamasını sağlamak için gereklidir. Veri analistleri verileri görselleştirmek (infografikler, diyagramlar, grafik ve tablolar) için Google E-Tablolar, Tableau, R programlama dili gibi araçları kullanırlar. Ayrıca analiz ve görselleştirme aşamalarında yapay zeka araçlarını da kullanmak verimliliği artırabilir.

Kahve zinciri örneği için: Bulduğun "öğrenciler su içip ders çalışıyor" gerçeğini, karmaşık tablolarla değil, herkesin anlayacağı görsellerle anlatma zamanı.

Görselleştirme: Satışların saatlere göre düştüğünü gösteren bir çizgi grafik ve gelen müşteri kitlesinin (öğrenci vs. çalışan) dağılımını gösteren bir pasta grafik hazırlarsın. 

Hikaye Anlatıcılığı: Mağaza müdürüne (Paydaş) sunum yaparken şunu dersin: "Bakın, bu grafik öğleden sonra dükkanın dolu olduğunu ama kasaya para girmediğini gösteriyor. Eğer öğrenciler için uygun fiyatlı bir 'Soğuk Çay + Kurabiye' paketi yaparsak ciromuz yükselebilir."

6. Eylem Aşaması 

Veri analizi yolculuğu, veri içgörülerinin işe koyulduğu eylem aşamasında doruğa ulaşır. İşte her şeyin anlam kazandığı yer! Analizlerin tozlu raflarda kalmaz, gerçek bir iş kararına dönüşür.

Kahve Zinciri Uygulaması:

​Karar: Mağaza müdürü senin analizine güvenerek "Happy Hour: Öğrenci Saati" kampanyasını başlatır. Saat 14:00 - 17:00 arası tüm soğuk içeceklerde %30 indirim yapılır.

​Uygulama: Kampanya başlar, öğrenciler artık sadece su içmek yerine indirimli içeceklerden de sipariş verir.

​Sonuç: Bir ay sonra verileri tekrar kontrol ettiğinde, öğleden sonra cirosunun gerçekten arttığını görürsen amaçlarından bir tanesini gerçekleştirmiş sayılırsın. 🙂