Veri Analizi & Raporlama

Yapay zekâ veri analizi ile neyi çözüyoruz?

Çoğu işletmede veri eksik değildir; dağınıktır. Satışlar e-ticaret panelinde, müşteri bilgileri CRM’de, ziyaretçi davranışı Google Analytics’te, stok bir Excel dosyasında durur ve kimse bunları aynı tabloda göremez. Veri analizi hizmetimiz bu dağınıklığı gidermekle başlar: kaynakları otomatik akışlarla bir araya getirir, güvenilir panolar kurar ve yapay zekâyı bu temiz verinin üzerinde, yorum ve tahmin için kullanırız.

Amaç daha fazla grafik üretmek değil, işletmenin tek başına fark etmesi zor örüntüleri görünür kılmaktır: hangi müşterilerin kaybedilmek üzere olduğu, hangi ürünün talebinin değiştiği, hangi şubenin olağan dışı davrandığı. Bunun için verinin önce kendiliğinden akması, sonra güvenilir olması, en son da yorumlanması gerekir.

Rakam toplamakla geçen zaman

• Ekibin raporlamaya ayırdığı zamanın çoğu rakamları toplamaya, küçük bir kısmı yorumlamaya gider.
• Rapor hazır olduğunda veri eskimiştir; bir sorun ancak haftalar sonra görülür.
• Elle birleştirilen tablolardaki küçük hatalar fark edilmeden kararlara yansır.
• Stok tükenmesinin satışa etkisi gibi rakamlar arası ilişkilere bakmaya kimsenin vakti kalmaz.

Sektöre göre örnek sorular

Veri analizi en çok, işletmenin her gün sorduğu ama cevabını ancak tahminle verebildiği sorularda işe yarar. Farklı sektörlerden birkaç örnek:

• E-ticaret: Hangi ürünler birlikte satın alınıyor, hangi müşteriler ikinci siparişi vermeden kayboluyor?
• Kafe ve restoran zincirleri: Şubelere göre hangi saatlerde hangi ürünler satılıyor, personel planı talebe uyuyor mu?
• Üretim ve B2B firmaları: Hangi bayi ya da müşteri grubunun siparişleri düşüyor, teklif aşamasında hangi işler kayboluyor?
• Klinik ve hizmet işletmeleri: Randevuların ne kadarı gerçekleşiyor, hangi hizmetler tekrar tercih ediliyor?

Bu soruların ortak noktası, cevabın birden fazla sistemdeki veriyi birleştirmeyi gerektirmesidir. Veri analizi çalışmasının ilk değeri de çoğu zaman bu birleşmenin kendisinden gelir.

Bu hizmetin kapsamı

Bu sayfada anlattığımız çalışma, işletmenin tüm operasyonel verisini kapsayan altyapı ve analiz işidir: satış, müşteri, stok ve web sitesi davranışı. Reklam kampanyalarının getirisini ve pazarlama bütçesinin kanallara dağılımını ölçmek ayrı bir uzmanlık alanıdır; bunu pazarlama analizi ve raporlama hizmetimizde ele alırız. İki çalışma aynı veri altyapısını paylaşabilir.

Veri altyapısı: kaynakları tek yerde toplamak

Sağlam bir veri analizi, sağlam bir veri altyapısına dayanır. Bu aşamada hangi sistemlerin hangi veriyi tuttuğunu çıkarır, bu verilerin düzenli ve otomatik biçimde ortak bir yere akmasını sağlarız. Elle kopyalama ortadan kalktığında hem zaman kazanılır hem de hata payı azalır.

Veri envanteri: önce ne olduğunu görmek

İşe hangi verinin nerede tutulduğunu, kimin güncellediğini ve ne kadar geriye gittiğini listeleyerek başlarız. Bu envanter, veri analizi için neyin hazır, neyin eksik olduğunu gösterir. Bazen en önemli bulgu, hiç kaydedilmeyen bir bilgidir; örneğin müşterinin sizi nereden duyduğu ya da teklifin neden kaybedildiği. Bu tür eksikleri kayıt süreçlerine eklemek, sonraki aylarda veri analizinin derinliğini artırır.

Bağlanabilecek kaynaklar

• E-ticaret altyapıları: Sipariş, ürün, iade ve kampanya kodu verileri.
• CRM sistemleri: Müşteri kayıtları, teklif aşamaları ve satış ekibinin notları.
• Google Analytics 4: Ziyaretçi davranışı, trafik kaynakları ve dönüşüm olayları.
• ERP, muhasebe ve kasa sistemleri: Fatura, stok ve mağaza satışları.
• Mesajlaşma ve çağrı kayıtları: WhatsApp, Instagram ya da telefon kanallarından gelen talepler.
• E-tablolar: Hedefler, bütçeler ve başka bir sistemde tutulmayan manuel kayıtlar.

Bir kaynağın bağlanıp bağlanamayacağını çoğunlukla API sunup sunmadığı belirler. API yoksa düzenli dışa aktarılan dosyalarla ya da veritabanına doğrudan, salt okunur bir bağlantıyla çalışmak gibi alternatifleri değerlendiririz.

Otomatik veri akışları

Verileri belirli aralıklarla çeken, dönüştüren ve ortak bir veri deposuna yazan akışlar kurarız. Küçük ve orta ölçekli işletmelerde bu iş için n8n gibi iş akışı araçları ya da yazdığımız küçük entegrasyonlar yeterli olabilir. Veri hacmi büyüdükçe BigQuery gibi bir veri ambarı daha uygun hale gelir; Google Analytics 4 verileri de BigQuery’ye aktarılarak ham olay düzeyinde incelenebilir.

Akışlara hata bildirimi de ekleriz. Bir kaynağın bağlantısı koptuğunda ya da beklenen veri gelmediğinde bunu panoda eksik bir rakam olarak değil, açık bir uyarı olarak görmeniz gerekir.

Analize hazır veri

Veri analizi sürecinin en az görünen ama en çok emek isteyen kısmı, veriyi analize hazır hale getirmektir. Aynı müşterinin farklı kayıtlarla tutulması, değişen ürün kodları yüzünden kopan satış geçmişi ve boş bırakılan alanlar en iyi modeli bile yanıltır. Bu sorunları tek tek ayıklar, kullanılacak metriklerin tanımlarını sizinle birlikte yazılı hale getiririz.

• Stok tükenmeleri: Ürün rafta yokken gerçekleşmeyen satışlar talebin düştüğü anlamına gelmez; tahmin modellerinde bu dönemlerin ayrıca işaretlenmesi gerekir.
• Tek seferlik büyük siparişler: Kurumsal bir toplu alım, ortalamaları ve eğilimleri bozabilir.
• Ürün kodu değişiklikleri: Aynı ürünün yeni bir kodla açılması geçmişini sıfırlar; eski ve yeni kodların eşleştirilmesi gerekir.
• Kampanya dönemleri: İndirimli haftaları olağan haftalarla aynı kefeye koymak, normal talebi olduğundan yüksek gösterir.

Panolar ve otomatik raporlama

Veri bir araya geldikten sonra veri analizi sonuçlarını karar verenlerin kolayca okuyabileceği panolara taşırız. Bu panolar günlük operasyonu yürütmek için değil, eğilimleri ve analiz bulgularını görmek için kurulur; her ekran belirli bir kişinin belirli bir soruya cevap bulmasını hedefler.

Elle hazırlanan raporu otomatiğe taşımak

Çoğu işletmenin elinde her hafta ya da ay sonunda elle hazırlanan bir rapor vardır. Bu raporun mantığını otomatik akışa taşırken bir süre iki raporu yan yana çalıştırır, rakamların birbirini tuttuğunu doğruladıktan sonra elle hazırlanan raporu bırakırız. Rakamlar arasında fark çıktığında bu çoğu zaman eski raporda fark edilmemiş bir hatayı ya da hiç yazılmamış bir kuralı ortaya çıkarır. Bu karşılaştırma, ekibin yeni veri analizi altyapısına duyduğu güveni de artırır.

İlk hangi panolar kurulmalı?

Her şeyi aynı anda kurmak, kimsenin açmadığı ekranlarla dolu bir sisteme yol açar. Bu yüzden birkaç temel panoyla başlamayı öneririz:

1. Yönetim özeti: Satış, kârlılık göstergeleri, yeni ve tekrar eden müşteri sayıları.
2. Müşteri davranışı panosu: Segmentlerin büyüklüğü ve aralarındaki geçişler, tekrar alım oranı, kohortlar.
3. Talep ve tahmin panosu: Ürün gruplarına göre satış eğilimleri, tahminler ve gerçekleşen rakamlar.

Bu üç pano günlük kullanımda oturduktan sonra ihtiyaç duyulan ayrıntılı analizler eklenir. Veri analizi panolarının gerçekten kullanılıp kullanılmadığını da izler, açılmayan ekranları sadeleştiririz.

Raporlama ritmi

Her bilgi aynı sıklıkta gerekmez. Stok ve sipariş gibi operasyonel veriler günlük, satış ve müşteri eğilimleri haftalık, kârlılık ve segment değişimleri aylık bakışla daha anlamlı hale gelir. Veri analizi çıktılarını bu ritme göre düzenlemek, ekibin gereksiz bildirimlere boğulmasını önler.

Araç seçimi

Çoğu işletme için hazır pano araçları iyi bir başlangıçtır. Google’ın ücretsiz Looker Studio aracı Google Analytics, Google Ads ve E-Tablolar gibi kaynaklara doğrudan bağlanır; diğer kaynaklar için ek bağlayıcılar ya da ara bir veri katmanı gerekebilir. Power BI gibi araçlar da kurumsal ortamlarda sık tercih edilir.

Panonun kendi yazılımınızın içinde, kendi kullanıcı yetkilerinizle çalışması gerekiyorsa hazır araçlar yetmeyebilir. Bu durumda yönetim panelleri ve raporlama kapsamında size özel bir panel geliştirmeyi değerlendiririz.

Yapay zekâ veri analizi: davranış, tahmin ve yorum

Yapay zekâ veri analizi, temiz ve düzenli bir veri altyapısının üzerine eklendiğinde değer üretir. Dağınık ve hatalı veriyle beslenen bir model, hatalı sonuçları daha ikna edici bir dille sunar. Bu yüzden yapay zekâ katmanını her zaman altyapı ve tanımlar netleştikten sonra kurarız.

Davranış analizi ve segmentasyon

Müşteri davranışını anlamak için veri analizinde sık kullanılan yöntemlerden biri RFM analizidir: müşteriler son alışverişlerinin ne kadar yakın olduğuna, ne sıklıkla alışveriş yaptıklarına ve ne kadar harcadıklarına göre gruplanır. Böylece sadık müşterileri, kaybedilme riski taşıyanları ve tek seferlik alıcıları ayrı ayrı görürsünüz. Kohort analizi ise aynı dönemde kazanılan müşterilerin zaman içinde nasıl davrandığını gösterir.

Birlikte satın alınan ürünler, web sitesinde terk edilen adımlar ve müşterilerin ikinci siparişe kadar geçen süre de davranış analizinin konuları arasındadır. Bu bulguları somut aksiyonlara dönüştürmek için segmentleri kişiselleştirilmiş pazarlama akışlarına aktarabiliriz.

Kayıp riski taşıyan müşteriler

Düzenli alışveriş yapan bir müşterinin alışkanlığının dışına çıkması, çoğu zaman kaybedilmeden önceki ilk işarettir. Geçmiş sipariş aralıklarına bakan bir model, her müşteri için beklenen bir sonraki alışveriş zamanını hesaplayıp bu süreyi belirgin biçimde aşanları işaretleyebilir. Bu veri analizi sonucunda ortaya çıkan liste, kime ve ne zaman ulaşılması gerektiğini gösteren somut bir başlangıç noktasıdır.

Tahminleme modelleri

Geçmiş veriden yola çıkarak gelecek haftaların talebini, satışını ya da stok ihtiyacını tahmin eden modeller kurarız. Bu tür bir yapay zekâ veri analizi için yeterli uzunlukta ve tutarlı bir geçmiş gerekir; mevsimselliği görebilmek için en az bir tam yılı kapsayan veri, genellikle birkaç yıllık geçmiş ister. Kampanya dönemleri, fiyat değişiklikleri ve stok tükenmeleri de modele ayrıca tanıtılmalıdır.

Türkiye’de Ramazan ve Kurban Bayramı her yıl takvimde yaklaşık on bir gün öne kaydığı için, bu dönemlerin etkisini sabit bir ay yerine bayram tarihlerine göre modellemek gerekir. Tahminleri tek bir rakam olarak değil, olası bir aralık olarak sunarız; tahmin kesinlik değil, karar vermeye yardımcı bir olasılıktır.

Stok tarafında tahmin, tedarik süresiyle birlikte düşünüldüğünde anlam kazanır. Bir ürünün önümüzdeki haftalardaki talebi ile tedarikçinin teslim süresi yan yana konduğunda, ne zaman ve ne kadar sipariş verilmesi gerektiği daha net görülür. Veri analizi burada doğrudan nakit akışına ve raf boşluklarına etki eden bir karar aracına dönüşür.

Modelin isabetini izlemek

Bir tahmin modeli kurulduktan sonra kendi hâline bırakılmamalıdır. Yapay zekâ veri analizi kapsamında tahminleri gerçekleşen rakamlarla düzenli olarak karşılaştırır, sapmanın büyüdüğü dönemleri inceleriz. Yeni bir satış kanalı, fiyat politikasındaki bir değişiklik ya da ürün gamındaki genişleme, modelin yeniden eğitilmesini gerektirebilir.

Anomali tespiti

Olağan dışı değişimleri fark etmek, yapay zekânın veri analizine en pratik katkılarından biridir. Bir kategorinin satışları beklenen aralığın altına düştüğünde, belirli bir ödeme yönteminde hatalar arttığında ya da bir sayfanın trafiği aniden çöktüğünde sistem bunu işaretler. Böylece ekibiniz binlerce satır arasında aramak yerine dikkat edilmesi gereken birkaç konuya odaklanır. İşaretlenen durumlar e-posta ya da ekibinizin kullandığı mesajlaşma kanalı üzerinden ilgili kişiye iletilebilir.

Müşteri yorumlarını ve mesajları analiz etmek

Verinin önemli bir kısmı rakam değil, metindir: ürün yorumları, destek talepleri, anket cevapları ve WhatsApp ya da Instagram mesajları. Yapay zekâ veri analizi bu metinleri konularına göre sınıflandırabilir, olumlu ve olumsuz ifadeleri ayırabilir, en sık tekrar eden şikâyetleri öne çıkarabilir. Böylece kargo gecikmesi ya da beden uyumsuzluğu gibi konuların zaman içinde artıp azaldığını rakamla görebilirsiniz.

Sınıflandırmanın doğruluğunu rastgele seçilen örnekleri elle kontrol ederek sınarız. Metinlerde ad, telefon ya da adres gibi kişisel bilgiler geçebileceği için analizden önce bu bilgilerin ayıklanması gerekir.

Doğal dille özet ve soru sorma

Büyük dil modelleri, panodaki rakamları kısa bir yazılı özete dönüştürmek ya da “Geçen ay hangi şubede iade oranı arttı?” gibi sorulara cevap vermek için kullanılabilir. Ancak bu modeller hesaplamada hata yapabilir ve olmayan bir ilişkiyi varmış gibi anlatabilir. Bu yüzden hesaplamaları sorgu ve formüllerle yapar, yapay zekâya yalnızca hesaplanmış sonuçları yorumlatırız; özetin dayandığı rakamlar her zaman panoda görülebilir.

Pratikte bu, yöneticinin haftaya panoyu açmadan önce birkaç paragraflık bir özet okuyarak başlaması anlamına gelir: öne çıkan değişimler, olağan dışı hareketler ve dikkat edilmesi gereken konular. Yapay zekâ veri analizi bu özeti hazırlarken her cümlenin dayandığı rakamı gösterecek şekilde kurgulanır; böylece özet bir yorum değil, doğrulanabilir bir kısayol olur.

Veri güvenliği ve KVKK

Veri analizi müşterilere ait kişisel verilerle çalıştığında, teknik konular kadar hukuki yükümlülükler de gündeme gelir. 6698 sayılı Kişisel Verilerin Korunması Kanunu’na ilişkin rehberlere ve duyurulara Kişisel Verileri Koruma Kurumu sitesinden ulaşabilirsiniz. Aşağıdaki başlıklar genel bilgilendirme amaçlıdır; uygulamayı hukuk danışmanınızla birlikte değerlendirmenizi öneririz.

• Veri en aza indirme: Analiz için gerekmeyen kişisel bilgileri veri deposuna hiç taşımamak.
• Takma ad kullanımı: Ad, telefon ve e-posta gibi bilgileri analizde bir müşteri numarasıyla değiştirmek.
• Erişim yetkileri: Kimin hangi panoyu ve hangi ayrıntı düzeyini görebileceğini baştan belirlemek.
• Verinin konumu: Veri deposunun ve kullanılan yapay zekâ servisinin verileri nerede işlediğini bilmek.
• Sağlayıcı koşulları: Yapay zekâ servisinin gönderilen veriyi saklayıp saklamadığını ve model eğitiminde kullanıp kullanmadığını kontrol etmek.

Başlamadan önce: hazırlık ve kapsam

Sizden istediğimiz bilgiler

• Kullandığınız sistemlerin listesi ve her birine okuma yetkili erişim.
• Bugün hazırladığınız raporların örnekleri ve bu raporlarla verilen kararlar.
• Cevabını bulmakta zorlandığınız sorular.
• Hedefleriniz, bütçeleriniz ve dönemsel kampanya takviminiz.
• Panoları kullanacak kişiler ve her birinin ihtiyacı.

Kapsamı belirleyen etkenler

Kapsamı en çok bağlanacak kaynak sayısı, bu kaynakların API sunup sunmadığı, verinin ne kadar temiz olduğu ve kaç farklı pano hazırlanacağı belirler. Tahminleme ve davranış modelleri ayrı bir çalışma katmanıdır; çoğu işletme için önce altyapı ve panolarla başlamak, yapay zekâ veri analizi katmanını veri güvenilir hale geldikten sonra eklemek daha sağlıklıdır.

Sık yapılan hatalar

Veri analizi projelerinde en sık gördüğümüz hatalar teknik değil, planlamayla ilgilidir. Başlıcaları şunlardır:

• Araçla başlamak: Hangi soruya cevap arandığı belli olmadan pano aracı seçmek.
• Satışı talep sanmak: Stok tükenmesi dönemlerini ayırmadan tahmin modeli kurmak.
• Yapay zekâ özetine körü körüne güvenmek: Dayandığı rakamı kontrol etmeden yoruma göre karar vermek.
• Kirli veriye model kurmak: Temizlenmemiş veriyle kurulan tahminler yanlış güven verir.
• Kurup bırakmak: İş süreçleri değiştikçe veri akışları ve tanımlar da güncellenmelidir.

Sık sorulan sorular

Veri analizi için büyük bir şirket olmak gerekir mi?

Gerekmez. Tek bir e-ticaret sitesi ve muhasebe programı olan bir işletme de satış, müşteri ve stok verisini tek panoda görmekten fayda sağlar. Kapsam, kaynak sayısına ve ihtiyaç duyulan derinliğe göre ölçeklenir.

Yapay zekâ veri analizi kararlarımı kendisi mi verir?

Hayır. Yapay zekâ olağan dışı değişimleri işaretler, olasılıklı tahminler üretir ve rakamları yorumlar; kararı bu bilgilerle siz verirsiniz. Tahminler kesinlik değil, karar vermeye yardımcı aralıklardır.

Hangi pano aracını kullanacağız?

Bu, kaynaklarınıza, bütçenize ve panoların kimler tarafından kullanılacağına bağlıdır. Google kaynaklarıyla çalışan çoğu işletme için Looker Studio iyi bir başlangıçtır; yazılımınızın içinde çalışması gereken panolar için özel geliştirme gerekebilir.

Tahminleme modeli için ne kadar geçmiş veri gerekir?

Mevsimselliği görebilmek için en az bir tam yılı kapsayan veri gerekir; birkaç yıllık tutarlı geçmiş daha güvenilir sonuç verir. Veri kısa ya da düzensizse önce altyapı ve raporlamayla başlamak daha doğrudur.

Veri analizi ile pazarlama analizi arasındaki fark nedir?

Veri analizi satış, müşteri, stok ve web sitesi davranışı gibi işletmenin tüm operasyonel verisini kapsar. Pazarlama analizi ise reklam kampanyalarının ve kanalların getirisini ölçmeye odaklanır; iki çalışma aynı veri altyapısını kullanabilir.

Verilerimiz yapay zekâ servislerine gönderilir mi?

Yalnızca gerekli olduğu ölçüde ve mümkün olduğunca takma adlarla gönderilir. Hangi servisin kullanılacağını, verinin nerede işleneceğini ve sağlayıcının saklama koşullarını kurulumdan önce birlikte değerlendiririz.

Veri analizi ihtiyacınızı birlikte konuşalım

Bugün hangi raporları nasıl hazırladığınızı ve hangi sorulara cevap bulmakta zorlandığınızı anlatın; kaynaklarınızı, ilk panoların neleri göstermesi gerektiğini ve yapay zekânın nerede katkı sağlayabileceğini birlikte çıkaralım. Elinizdeki birkaç rapor örneği ilk görüşme için yeterlidir. İletişim sayfamızdan bize yazabilirsiniz.