Kötü veri, kötü sonuç: veri kalitesi
- Okuma süresi: 5 dk
- Kod bilgisi gerekmez

Bu ders genel bilgi verir; uzman görüşünün yerine geçmez.
Tabloyu yapay zekâya verip “analiz et” demek kolaydır. Tablo hatalıysa analiz de hatalı olur ve aynı özgüvenle gelir.
Aklınıza bir soru mu takıldı?
Bu derste neler öğreneceksiniz?
- Eksik, tekrarlı, tutarsız ve eskimiş kaydın ne demek olduğunu
- Veri kalitesinin altı boyutunu
- Memur ve muhasebeci tablolarında bu sorunları nasıl göreceğinizi
- Tabloyu vermeden önce sohbet botuna kalite kontrolü yaptırmayı
Dört tanıdık sorun
- Eksik kayıt: Başvuru tarihi boş, telefon yazılmamış.
- Tekrarlı kayıt: Aynı başvuru iki kez girilmiş.
- Tutarsız kayıt: Aynı mahalle bir yerde “Yenikent”, başka yerde “Yeni Kent” yazılmış.
- Eskimiş kayıt: Üç yıl önce girilmiş adres hâlâ geçerli sayılıyor.
Yapay zekâ bu sorunları kendiliğinden fark etmeyebilir. Tekrarlı iki satırı iki ayrı başvuru sayar, boş hücreyi sıfır sayar, “Yenikent” ile “Yeni Kent”i iki ayrı mahalle olarak raporlar. Sonuç düzgün görünür ama yanlıştır.
Veri kalitesinin altı boyutu
Birleşik Krallık hükûmetinin GOV.UK sitesindeki veri kalitesi boyutları yazısı altı başlık sayıyor. Aşağıda kendi cümlelerimizle özetliyoruz:
- Doğruluk: Veri gerçeği yansıtıyor mu?
- Tamlık: Kullanım için gereken bilgilerin hepsi var mı?
- Tekillik: Her kayıt tabloda yalnız bir kez mi geçiyor?
- Tutarlılık: Değerler birbiriyle çelişmiyor mu?
- Güncellik: Veri gerektiği zamanda hazır mı? Kaynaktaki tanım bu yönü anlatıyor; eskimiş kayıtları biz bu başlık altında arıyoruz.
- Geçerlilik: Değer beklenen biçime, türe ve aralığa uyuyor mu?
Hükûmetin veri kalitesi rehberi ise kalite kurallarının nasıl okunacağını anlatıyor. Rehbere göre kalite kuralları her değerin uyması gereken şartı değil, tipik iyi kaliteyi tarif eder; örnek olarak yüzde 98’lik bir hedef anılıyor. Rehber ayrıca yalnız belirli bir kullanıma bağlı, kritik veriyi ölçmeyi ve kaliteyi her kullanım için ayrı değerlendirmeyi öneriyor.
Memur örneği: başvuru kayıt tablosu
Kurgusal Karaçay Belediyesinin başvuru tablosunda şunlar olabilir: iki satırda aynı tarih, aynı konu ve “Yenikent” ile “Yeni Kent” (tekillik ve tutarlılık); bir satırda boş başvuru tarihi (tamlık); “Açık” yazılması gereken yerde “acik” (tutarlılık); başvuru tarihinden önce görünen bir son güncelleme tarihi (geçerlilik). Bu tabloyu olduğu gibi “hangi mahallede en çok şikâyet var?” diye sorarsanız sayılar yanlış çıkar.
Muhasebeci örneği: cari hesap listesi
Aynı firma bir satırda “Demir Gıda Ltd.”, başka satırda “DEMİR GIDA LİMİTED” olarak geçebilir. Yapay zekâ bunları iki ayrı firma sayabilir. Tarihler bir yerde “03.11.2026”, başka yerde “2026-11-03” yazılmışsa sıralama bozulur. Tutarlar metin olarak tutulduysa toplam yanlış çıkabilir. Gerçek liste yerine örnek veri hazırlamak için ilgili dersimize bakabilirsiniz.
Kişisel veri uyarısı
Tabloyu sohbet botuna vermeden önce kimlik numarası, ad, telefon ve adres sütunlarını çıkarın ya da kodlayın. Kişisel Verileri Koruma Kurumunun kanun bilgi notu kişisel veriyi kimliği belirli ya da belirlenebilir bir gerçek kişiye ilişkin her türlü bilgi diye tanımlıyor. Bu bölüm genel bilgidir, hukuki tavsiye değildir. Kurumunuzun yapay zekâ kuralları bu derste anlatılandan daha katıysa onlara uyun.
Adım adım uygulama
- Tablonun ne için kullanılacağını yazın: “mahalle bazında şikâyet sayısı”.
- Kişisel veri sütunlarını çıkarın ya da kodlayın.
- Aşağıdaki güçlü komutla botun yalnız kalite kontrolü yapmasını isteyin; düzeltme yaptırmayın.
- Bulunan her sorunu kaynak belgeyle ya da ilgili kişiyle karşılaştırın.
- Düzeltmeleri kendiniz yapın, sonra asıl analizi isteyin.
Zayıf komut
Bu tabloyu temizle ve analiz et.
Güçlü komut
Aşağıdaki kurgusal tabloyu kullanım amacım olan “mahalle bazında şikâyet sayısı” için kalite açısından incele. Hiçbir değeri değiştirme ve silme. Sorunları şu başlıklarla ver: tamlık, tekillik, tutarlılık, geçerlilik, güncellik, doğruluk. Her sorunun satır numarasını yaz. Tabloya bakarak anlaşılamayanı “bu tablodan anlaşılamaz” diye belirt.
Sütunlar: Kayıt No | Başvuru Tarihi | Mahalle | Konu | Durum | Son Güncelleme
1 | 03.11.2026 | Yenikent | Yol çukuru | Açık | 04.11.2026
2 | 03.11.2026 | Yeni Kent | Yol çukuru | Açık | 04.11.2026
3 | boş | Çınarlı | Çöp toplama | Kapalı | 05.11.2026
4 | 2026-11-06 | Çınarlı | Park aydınlatma | Açık | 06.11.2026
5 | 07.11.2026 | Gül Mahallesi | Su kesintisi | Çözüldü | 05.11.2026
6 | 09.11.2026 | Çınarlı | Çöp toplama | acik | 09.11.2026
Yapay zekâ çıktısı (örnek)
Tamlık: Kayıt 3’te başvuru tarihi boş. Tekillik: Kayıt 1 ve 2 aynı başvuru olabilir; silmeyin, kontrol edin. Tutarlılık: “Yenikent” ve “Yeni Kent” (1, 2); tarih biçimi farklı (4); “acik” ve “Açık” (6); “Gül Mahallesi” (5) diğerlerinden farklı biçimde yazılmış. Geçerlilik: Kayıt 5’te son güncelleme başvuru tarihinden önce. Güncellik: Bugünün tarihi ve işlem süresi kuralı verilmediği için bu tablodan anlaşılamaz. Doğruluk: Tablonun kendisinden anlaşılamaz; kaynak belgeyle karşılaştırın.
Kontrol listesi
- Tablonun kullanım amacı yazılı.
- Kişisel veri sütunları çıkarılmış ya da kodlanmış.
- Altı başlığın hepsi için bir kontrol yapıldı.
- Botun bulduğu her sorun kaynakla karşılaştırıldı.
- Düzeltmeleri bot değil, ben onayladım.
Sık yapılan hatalar
- Kalite kontrolünü atlamak: Analizi ilk istediğiniz anda hatalar sonuca gömülür.
- Botun “temizlemesine” güvenmek: Hangi satırı neye çevirdiğini göstermeyen temizliği kabul etmeyin.
- Tekrarı hemen silmek: Benzer iki satır gerçekten iki ayrı işlem olabilir.
- Doğruluğu tablodan aramak: Gerçeğe uygunluğu yalnız kaynak belge gösterir.
- Gerçek kişisel veriyi yüklemek: Önce arındırın ya da kodlayın.
İpucu
Kalite kontrolünü bir kez güçlü komuta çevirip kaydedin ve her yeni tabloda aynı komutu kullanın. Böylece altı başlığı her seferinde yeniden düşünmezsiniz.
Kendinizi deneyin
Aynı başvurunun tabloda iki kez girilmesi hangi kalite boyutunu ilgilendirir?
Aynı firmanın bir yerde Ltd., başka yerde LİMİTED yazılması hangi sorundur?
Botun kalite kontrolünden sonra ilk yapılması gereken nedir?
Kaynaklar
- GOV.UK: Meet the data quality dimensions (İngilizce)
- GOV.UK: The Government Data Quality Framework, rehber (İngilizce)
- Kişisel Verileri Koruma Kurumu: Kişisel Verilerin Korunması Kanunu bilgi notu (madde ve gerekçesi) (Türkçe)
Son kontrol: 16 Kasım 2026. Bu bilgi bu tarihte açılan kaynaklara dayanır; durum değişebilir.
Kaynak: yzdersleri.com/ders/kotu-veri-kotu-sonuc-veri-kalitesi/ · Yapay Zeka Dersleri
Dersi bitirdiniz mi?
İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.
Bu ders işinize yaradı mı?
Anonim oydur; kişisel veri toplanmaz.





