Veri bilimi; veriden anlamlı sonuç, tahmin veya karar desteği üretmek için istatistik, programlama, veri yönetimi ve alan bilgisini birlikte kullanır. Veri analitiği ise mevcut veriyi inceleyerek ne olduğunu, neden olduğunu veya bundan sonra ne olabileceğini açıklamaya odaklanır. Çalışma alanını ayırmak için önce sorunun amacını belirleyin: geçmişi özetlemek istiyorsanız betimsel analitik, nedenleri araştırıyorsanız tanısal analitik, geleceği tahmin ediyorsanız kestirimsel analitik, hangi seçeneğin uygulanacağını belirlemek istiyorsanız kuralcı analitik yaklaşımını kullanın.
Veri bilimi daha geniş bir çerçevedir. Verinin toplanması, temizlenmesi, birleştirilmesi, modellenmesi, tahmin yapılması ve modelin bir uygulamada kullanılmasına kadar uzanabilir. Veri analitiği ise çoğunlukla veriyi inceleme, karşılaştırma, görselleştirme ve karar vermeye yardımcı olacak sonuçlar çıkarma çalışmalarını kapsar.
Bu iki alan kesin çizgilerle birbirinden ayrılmaz. Örneğin bir analist satışların son üç ayda neden düştüğünü araştırabilir; bir veri bilimci aynı verileri kullanarak gelecek ayın satışını tahmin eden bir model geliştirebilir. Her iki çalışmada da SQL, Python, elektronik tablo araçları, istatistik ve görselleştirme bilgisi kullanılabilir; farkı esas olarak sorunun amacı ve beklenen çıktı belirler.
Aşağıdaki ayrım, veriyle çalışırken hangi yöntemin uygun olduğunu seçmeyi kolaylaştırır:
Bu sınıflandırma, kullanılan yazılımı değil, yapılan çalışmanın amacını anlatır. Aynı araçla dört tür çalışma da yapılabilir. Örneğin Excel ile aylık satış toplamı betimsel, ürün gruplarını karşılaştırma tanısal, gelecek ay satış tahmini kestirimsel, stok sipariş miktarı önerisi ise kuralcı analitik olabilir.
Betimsel analitikte veriler gruplanır, özetlenir ve görselleştirilir. “Ocak ayında kaç sipariş verildi?”, “En yüksek geliri hangi ürün getirdi?” veya “Ortalama teslimat süresi kaç gün?” gibi sorulara yanıt verir.
Bu yaklaşım olanı açıklar; tek başına nedenini veya gelecekte kesin olarak ne olacağını kanıtlamaz. Bir ürünün satışının düşmesi, yalnızca satış toplamına bakılarak müşterilerin ürünü beğenmediği anlamına gelmez. Fiyat, stok durumu, kampanya, mevsim veya veri toplama hatası gibi başka etkenler de incelenmelidir.
Tanısal analitik, gözlenen sonucu farklı boyutlara ayırır. Satış düşüşünü mağaza, tarih, ürün, müşteri grubu veya kampanya bazında karşılaştırmak buna örnektir. Amaç, değişimin hangi koşullarda ortaya çıktığını bulmaktır.
Burada korelasyon ile nedensellik karıştırılmamalıdır. İki değişkenin birlikte değişmesi, birinin diğerine kesin olarak neden olduğunu göstermez. Daha güvenilir bir değerlendirme için zaman sırası, alternatif açıklamalar, veri kalitesi ve mümkünse kontrollü karşılaştırmalar incelenir.
Kestirimsel analitik, geçmiş örüntülerden yararlanarak yeni bir durum için tahmin üretir. Örneğin geçmiş sipariş, fiyat, tatil günü ve stok bilgileriyle gelecek haftaki talep tahmin edilebilir. Sınıflandırma, regresyon ve zaman serisi modelleri bu alanda sık kullanılan yöntemlerdir.
Tahmin sonucu bir olasılık veya hata payı içerir; kesin gelecek bilgisi değildir. Model geçmişte bulunmayan bir durumla karşılaşırsa, veri değişirse veya eğitim verisi hatalıysa performans düşebilir. Bu nedenle modelin yalnızca tahmin değerine değil, hata ölçümlerine ve gerçek sonuçlarla düzenli karşılaştırmasına da bakılır.
Kuralcı analitik, olası seçenekleri ve kısıtları dikkate alarak ne yapılabileceğine ilişkin öneri üretir. Örneğin tahmini talep, depo kapasitesi ve tedarik süresi birlikte değerlendirilerek hangi ürünlerden ne kadar sipariş verilmesi gerektiği hesaplanabilir.
Bu çıktı doğrudan uygulanacak emir değildir. Kullanılmayan bütçe, operasyonel risk, yasal sınırlamalar veya müşteri etkisi modele eklenmemişse öneri pratikte uygun olmayabilir. Kuralcı analitik, karar vericinin yerini almak yerine seçeneklerin sonuçlarını karşılaştırmasına yardımcı olur.
Bir veri projesine başlamadan önce aşağıdaki sırayı kullanın:
Varsayımsal olarak bir mağazanın aşağıdaki aylık satış verisine sahip olduğunu düşünün: Ocak 100, Şubat 120, Mart 90 sipariş. Bu değerleri aylara göre grafikle göstermek betimsel analitiktir ve Mart ayında düşüş olduğunu ortaya koyar.
Daha sonra Mart ayındaki siparişleri ürün ve mağaza bazında ayırıp düşüşün yalnızca bir mağazada ve tek bir üründe yoğunlaştığını bulmak tanısal analitiktir. Geçmiş satış, kampanya ve stok bilgilerini kullanarak Nisan siparişini 95 olarak tahmin etmek kestirimsel analitik örneğidir. Depo kapasitesi ve tedarik süresini de hesaba katıp hangi ürün için ne kadar stok alınmasını önermek ise kuralcı analitiğe girer.
Bu örnekte 95 sayısı gerçekleşmiş satış değil, model çıktısıdır. Önerilen stok miktarı da karar için kullanılan varsayımlara bağlıdır. Sonucun güvenilirliğini değerlendirmek için kullanılan verinin kapsamı, hesaplama yöntemi ve hata ölçümü ayrıca incelenmelidir.
Yeni başlayan bir ekip için en uygun başlangıç genellikle betimsel analitiktir. Önce veri sözlüğü oluşturulur, ölçümlerin anlamı netleştirilir ve temel göstergeler hazırlanır. Ardından önemli bir değişimin nedeni araştırılacaksa tanısal analitiğe geçilir. Yeterli geçmiş veri ve ölçülebilir hedef bulunduğunda kestirimsel model denenebilir; karar seçenekleri, kısıtlar ve maliyetler açıkça tanımlanmadan kuralcı analitik uygulanmamalıdır.
Kısaca, veri analitiği veriyi anlamlandırma işinin yöntemlerini; veri bilimi ise bu işi veri hazırlamadan model geliştirmeye ve üretimde kullanmaya kadar genişleten çalışma alanını ifade eder. Alan seçimi kullanılan programın adına göre değil, sorulan soruya ve üretilecek çıktıya göre yapılır.
Veri bilimi ve veri analitiği arasındaki fark
Veri bilimi daha geniş bir çerçevedir. Verinin toplanması, temizlenmesi, birleştirilmesi, modellenmesi, tahmin yapılması ve modelin bir uygulamada kullanılmasına kadar uzanabilir. Veri analitiği ise çoğunlukla veriyi inceleme, karşılaştırma, görselleştirme ve karar vermeye yardımcı olacak sonuçlar çıkarma çalışmalarını kapsar.
Bu iki alan kesin çizgilerle birbirinden ayrılmaz. Örneğin bir analist satışların son üç ayda neden düştüğünü araştırabilir; bir veri bilimci aynı verileri kullanarak gelecek ayın satışını tahmin eden bir model geliştirebilir. Her iki çalışmada da SQL, Python, elektronik tablo araçları, istatistik ve görselleştirme bilgisi kullanılabilir; farkı esas olarak sorunun amacı ve beklenen çıktı belirler.
Çalışma alanları hangi soruya göre ayrılır?
Aşağıdaki ayrım, veriyle çalışırken hangi yöntemin uygun olduğunu seçmeyi kolaylaştırır:
| Alan | Temel soru | Yaygın çıktı |
|---|---|---|
| Betimsel analitik | Ne oldu? | Rapor, toplam, ortalama, grafik, gösterge paneli |
| Tanısal analitik | Neden oldu? | Karşılaştırma, ilişki incelemesi, kök neden araştırması |
| Kestirimsel analitik | Ne olması bekleniyor? | Tahmin, sınıflandırma, risk veya talep modeli |
| Kuralcı analitik | Ne yapılmalı? | Öneri, senaryo, optimizasyon veya karar kuralı |
Betimsel analitik: geçmişi görünür hâle getirme
Betimsel analitikte veriler gruplanır, özetlenir ve görselleştirilir. “Ocak ayında kaç sipariş verildi?”, “En yüksek geliri hangi ürün getirdi?” veya “Ortalama teslimat süresi kaç gün?” gibi sorulara yanıt verir.
Bu yaklaşım olanı açıklar; tek başına nedenini veya gelecekte kesin olarak ne olacağını kanıtlamaz. Bir ürünün satışının düşmesi, yalnızca satış toplamına bakılarak müşterilerin ürünü beğenmediği anlamına gelmez. Fiyat, stok durumu, kampanya, mevsim veya veri toplama hatası gibi başka etkenler de incelenmelidir.
Tanısal analitik: nedenleri araştırma
Tanısal analitik, gözlenen sonucu farklı boyutlara ayırır. Satış düşüşünü mağaza, tarih, ürün, müşteri grubu veya kampanya bazında karşılaştırmak buna örnektir. Amaç, değişimin hangi koşullarda ortaya çıktığını bulmaktır.
Burada korelasyon ile nedensellik karıştırılmamalıdır. İki değişkenin birlikte değişmesi, birinin diğerine kesin olarak neden olduğunu göstermez. Daha güvenilir bir değerlendirme için zaman sırası, alternatif açıklamalar, veri kalitesi ve mümkünse kontrollü karşılaştırmalar incelenir.
Kestirimsel analitik: geleceğe yönelik tahmin
Kestirimsel analitik, geçmiş örüntülerden yararlanarak yeni bir durum için tahmin üretir. Örneğin geçmiş sipariş, fiyat, tatil günü ve stok bilgileriyle gelecek haftaki talep tahmin edilebilir. Sınıflandırma, regresyon ve zaman serisi modelleri bu alanda sık kullanılan yöntemlerdir.
Tahmin sonucu bir olasılık veya hata payı içerir; kesin gelecek bilgisi değildir. Model geçmişte bulunmayan bir durumla karşılaşırsa, veri değişirse veya eğitim verisi hatalıysa performans düşebilir. Bu nedenle modelin yalnızca tahmin değerine değil, hata ölçümlerine ve gerçek sonuçlarla düzenli karşılaştırmasına da bakılır.
Kuralcı analitik: kararı destekleme
Kuralcı analitik, olası seçenekleri ve kısıtları dikkate alarak ne yapılabileceğine ilişkin öneri üretir. Örneğin tahmini talep, depo kapasitesi ve tedarik süresi birlikte değerlendirilerek hangi ürünlerden ne kadar sipariş verilmesi gerektiği hesaplanabilir.
Bu çıktı doğrudan uygulanacak emir değildir. Kullanılmayan bütçe, operasyonel risk, yasal sınırlamalar veya müşteri etkisi modele eklenmemişse öneri pratikte uygun olmayabilir. Kuralcı analitik, karar vericinin yerini almak yerine seçeneklerin sonuçlarını karşılaştırmasına yardımcı olur.
Kapsamı belirlemek için izlenecek yol
Bir veri projesine başlamadan önce aşağıdaki sırayı kullanın:
- Karar sorusunu yazın. “Satışları artırmak istiyorum” gibi genel bir hedef yerine “Gelecek ay hangi ürün grubunda stok yetersizliği riski var?” gibi ölçülebilir bir soru kurun.
- Beklenen çıktıyı belirleyin. Rapor veya grafik gerekiyorsa analitik çalışma; tahmin gerekiyorsa modelleme; seçenekler arasında öneri gerekiyorsa kuralcı çalışma kapsamına yaklaşılır.
- Gerekli verileri ve kalite koşullarını kontrol edin. Tarih, ölçüm birimi, eksik kayıtlar, tekrar eden satırlar ve veri kaynağının güvenilirliği sonucu doğrudan etkiler.
- Basit açıklamadan başlayın. Önce veriyi özetleyip temel eğilimleri görün. Sorun anlaşılmadan karmaşık bir makine öğrenmesi modeli kurmak, hatalı varsayımları gizleyebilir.
- Sonucu gerçek gözlemlerle karşılaştırın. Tahmin veya öneri üretiliyorsa geçmişte ayrılmış verilerle hata ölçün; sonuç yalnızca eğitim verisindeki uyuma bakılarak başarılı kabul edilmemelidir.
Basit bir örnekle ayrım
Varsayımsal olarak bir mağazanın aşağıdaki aylık satış verisine sahip olduğunu düşünün: Ocak 100, Şubat 120, Mart 90 sipariş. Bu değerleri aylara göre grafikle göstermek betimsel analitiktir ve Mart ayında düşüş olduğunu ortaya koyar.
Daha sonra Mart ayındaki siparişleri ürün ve mağaza bazında ayırıp düşüşün yalnızca bir mağazada ve tek bir üründe yoğunlaştığını bulmak tanısal analitiktir. Geçmiş satış, kampanya ve stok bilgilerini kullanarak Nisan siparişini 95 olarak tahmin etmek kestirimsel analitik örneğidir. Depo kapasitesi ve tedarik süresini de hesaba katıp hangi ürün için ne kadar stok alınmasını önermek ise kuralcı analitiğe girer.
Bu örnekte 95 sayısı gerçekleşmiş satış değil, model çıktısıdır. Önerilen stok miktarı da karar için kullanılan varsayımlara bağlıdır. Sonucun güvenilirliğini değerlendirmek için kullanılan verinin kapsamı, hesaplama yöntemi ve hata ölçümü ayrıca incelenmelidir.
Hangi çalışma alanıyla başlanmalı?
Yeni başlayan bir ekip için en uygun başlangıç genellikle betimsel analitiktir. Önce veri sözlüğü oluşturulur, ölçümlerin anlamı netleştirilir ve temel göstergeler hazırlanır. Ardından önemli bir değişimin nedeni araştırılacaksa tanısal analitiğe geçilir. Yeterli geçmiş veri ve ölçülebilir hedef bulunduğunda kestirimsel model denenebilir; karar seçenekleri, kısıtlar ve maliyetler açıkça tanımlanmadan kuralcı analitik uygulanmamalıdır.
Kısaca, veri analitiği veriyi anlamlandırma işinin yöntemlerini; veri bilimi ise bu işi veri hazırlamadan model geliştirmeye ve üretimde kullanmaya kadar genişleten çalışma alanını ifade eder. Alan seçimi kullanılan programın adına göre değil, sorulan soruya ve üretilecek çıktıya göre yapılır.
