Yapay zeka projelerinin gerçek zorluğu: veri kalitesi

Yapay zeka projelerinde harcanan zamanın büyük kısmı model kurmaya gitmez. Veriyi kullanılabilir hale getirmeye gider.

Bu, dışarıdan bakınca sıkıcı ve teknik bir ayrıntı gibi görünür. Oysa bir projenin başarısını belirleyen esas nokta burasıdır. Model, kendisine verilen veriden daha iyi bir sonuç üretemez.

Sahada en sık karşılaşılan beş sorun

1. Aynı şeyin farklı yazılması

Bir müşteri sistemde şu üç şekilde kayıtlı olabilir:

AHMET YILMAZ TİCARET
Ahmet Yılmaz Tic. Ltd. Şti.
A. Yılmaz Ticaret

İnsan bunların aynı firma olduğunu anlar; model anlamaz. Üç ayrı müşteri sayar ve her birinin satın alma geçmişini parçalar. Sonuç: hem müşteri sayısı yanlış çıkar hem de davranış analizi anlamsızlaşır.

Aynı sorun ürünlerde de olur — aynı ürün farklı kodlarla, farklı yazımlarla girilmiştir.

2. Tutarsız birimler

Bir üründen “3” satıldığı yazılmıştır ama bunun 3 adet mi 3 koli mi olduğu kayıtta belli değildir. Kilogram ile adet aynı sütunda karışmıştır.

Bu, satış tahmini yapılacak projelerde en yaygın tıkanma noktasıdır. Miktar verisi güvenilir değilse tahmin de güvenilir olmaz.

3. Eksik alanlar

Bazı kayıtlarda tarih yok, bazılarında tutar boş, bazılarında müşteri belirtilmemiş. Genelde sebep aynıdır: alan zorunlu tutulmamış, personel de acele ederken boş geçmiştir.

Eksik veri iki türlü ele alınabilir — kaydı dışarıda bırakmak ya da tahmini bir değerle doldurmak. İkisinin de bir bedeli vardır ve hangisinin doğru olduğu duruma göre değişir.

4. Tarih karmaşası

01/02/2026 hangi tarih? 1 Şubat mı, 2 Ocak mı? Farklı sistemlerden gelen veriler farklı biçimlerde tutulmuştur ve birleştirildiklerinde ay ile gün yer değiştirir.

Mevsimsellik analizi yapılacaksa bu hata doğrudan sonuca yansır.

5. Kopyalanan kayıtlar

Aynı satış iki kez girilmiştir; ya sistem çift kayıt açmıştır ya da personel tekrar girmiştir. Toplamlar şişer, ortalamalar bozulur.

Neden bu kadar önemli

Bir örnekle: geçmiş satış verisinde aynı ürün iki farklı kodla kayıtlıysa, model her iki kodun da satışının gerçekte olduğunun yarısı kadar olduğunu görür. Buna göre sipariş önerisi üretir. Sipariş eksik verilir, ürün tükenir, satış kaçar.

Model doğru çalışmıştır. Veri yanlıştı.

Bu alandaki klasik özdeyiş burada birebir geçerlidir: çöp girerse çöp çıkar.

Veri hazırlığı süreci

Sağlıklı bir hazırlık genelde şu adımlardan geçer:

Envanter. Hangi veri nerede duruyor, ne kadar geriye gidiyor, kim üretiyor? Çoğu işletmede sanılandan fazla veri vardır — dağınık durur.

Profilleme. Verinin mevcut hali ölçülür: kaç kayıt eksik, kaç mükerrer görünüyor, hangi alanlar tutarsız. Bu adım, işin büyüklüğünü gösterir.

Temizlik. Mükerrer kayıtlar birleştirilir, kodlar standartlaştırılır, birimler tek forma çevrilir, tarihler düzeltilir.

Doğrulama. Temizlenmiş veri bilinen bir gerçekle karşılaştırılır. Örneğin geçen yılın toplam cirosu muhasebe kaydıyla tutuyor mu? Tutmuyorsa temizlikte bir şey kaybolmuş demektir.

Süreklilik. En kritik adım bu: veri bir kez temizlenip bırakılırsa altı ay sonra aynı hale döner. Kaydın üretildiği yerdeki düzen de değişmelidir.

Kaynaktaki düzen

Veri temizliği bir kerelik bir iş değil, kayıt düzeninin sonucudur. Kaynakta alınacak önlemler:

• Yeni müşteri/ürün kartı açma yetkisini sınırlayın
• Benzer kayıt açılırken sistem uyarı versin
• Zorunlu alanlar gerçekten zorunlu olsun
• Birim ve kod yapısı tek standarda bağlansın
• Serbest metin alanı yerine seçim listesi kullanın

Son madde küçük görünür ama en etkilisidir. Serbest yazılan her alan, zamanla onlarca farklı yazıma dönüşür.

Ne kadar veri gerekir

Sık sorulan soru. Kesin bir eşik yok ama pratik yaklaşımlar var:

• Mevsimsellik öğrenilecekse en az iki yıllık veri gerekir — bir yıl, tekrarı göstermez
• Tahsilat riski için genelde iki yıllık düzenli ödeme geçmişi yeterlidir
• Nadir olaylar için daha uzun geçmiş gerekir

Ama miktardan önce süreklilik gelir. Üç yıllık dağınık veriden, bir yıllık düzenli veri daha kullanışlıdır.

Dürüst çerçeve

Elinizdeki veriyle anlamlı bir sonuç çıkmayacaksa bunu baştan söylemek, projeye başlayıp veri hazırlığı aşamasında tıkanmaktan daha iyidir.

Bu durumda doğru sıra genellikle şudur: önce kayıt düzenini kuran bir program, sonra biriken temiz veri, en sonunda analiz katmanı. Tersinden başlayan projelerin çoğu, veri hazırlığı aşamasında duruyor.