Veri Kalitesi Yönetimi: Sorun Yapay Zekânızda Değil, Sütunlarınızda

Yapay zekâ kullanılarak yapılan analitik tahmin modelleri genellikle hep ümit verici bir şekilde başlar. Kullanılan model pilot uygulamada işe yarar görünür ve tutarlıdır. Sunulan demolar yönetim kadrosunu etkiler ve bütçe onayı alınır.

Ancak en fazla üç ay sonra gerçek hayattaki sonuçlar yükselmekten ziyade yerinde saymaya başlar ve tahminler sapma gösterir. Satış ekibi modelin puanlarına güvenmeyi bırakır ve her tahmin “manuel ayarlama” gerektirmeye başlar. Biri modeli yeniden eğitmeyi önerir, bir başkası ise yeni bir modele geçiş yapmanın sorunları çözeceğini iddia eder.

Aslında olan şey modelin kötüleşmesi değil de girilen verilerin kötüleşmesidir. Yapay zekâ sistemleri başarısız olurken pek işaret vermezler. Mesela kayan bir sütun başka bir alanın anlamını değiştirir, bir kimlik başka bir sistemin kimliğiyle çakışır. Zorunlu alanlar sessizce isteğe bağlı hâle gelir. Eksik veya yanlış girilen veriler, çalışanların dikkatsizliğinden değil, sistemin buna izin vermesinden dolayı çoğalır.

İnce ayar çözüm değil: veri kalitesi yönetimini doğru bir şekilde kurmalısınız

Basitçe ifade edecek olursak sorun genelde yapay zekâdan kaynaklanmaz, yanlış ve/veya eksik girilen verilerin bozduğu sütunlardan kaynaklanır. Hiçbir ince ayarsa bozuk sütunları düzeltemez. Bunun için modeli en başından doğru şekilde kurmanız ve veri doğrulama otomasyonu ile doğru şekilde işlediğinden emin olmanız gerekir.

Burada, bunu nasıl yapabileceğinizden bahsedeceğiz. Bitrix24 çözümleri her zaman olduğu gibi size bu konuda da yardımcı olmaya hazırdır: Paylaşılan Takvimler, Görev Yönetimi ve Görevler ile Projelerde CoPilot gibi özelliklere sahip olan Bitrix24 hem model stabilitesi artırma hem de iş zekâsı ve raporlama için kullanılarak veri kalitesi yönetiminizi kolay, pratik ve hızlı bir şekilde sorunsuz hâle getirebilir.

Planlama ile operasyonel gerçeklik arasındaki fark

Çoğu ekip aslında bir altyapı sorunu yaşarken modelleme sorunu yaşadıklarına inanır. Kâğıt üzerinde, kullanılan model için çizilen şema oldukça iyi görünür. Tüm gerekli alanlar mevcuttur, tablolar sorunsuz şekilde birleşir, işlem hatları ise bir kesinti olmadan çalışır. Ancak operasyonel gerçeklik devreye girdiğinde işler aniden karışmaya başlar. Örneğin:

• Satış departmanı belirli bir kampanya için şemaya “geçici” bir alan eklemeye çalışır ve kimseye haber vermez.
• Pazarlama ekibi şemada yer verilmemiş farklı tanımlayıcılar içeren bir CSV dosyasını içe aktarır.
• Destek ekibi müşteri biletlerini daha hızlı kapatmak için gerekli olmayan alanları atlamaya başlar.
• Tedarikçiler formatları değiştiren veya onlara hiçbir şekilde uygun olmayan güncellemeler yapar.

Aslında bu değişikliklerin hiçbiri sistemi bozmaz. Fakat sorun da zaten bundan kaynaklanır. Yapay zekâ modelleri, normal şartlarda kötü girdilere karşı oldukça toleranslıdır. Herhangi bir alanın anlamı değiştiğinde hata vermez veya girilmesi gereken değerler eksik olduğunda buna bağlı olarak bir uyarı görüntülemezler. Sadece daha zayıf ve eksik verilere uyum sağlamayı öğrenirler.

Diğer bir deyişle sıradan bir program kullanılsaydı ekranda kocaman bir uyarının çıkması başta olmak üzere kullanıcıya sağlanacak geri bildirimlere, yapay zekâ kullanılıyorsa hiç rastlanmaz. Bu, kendi kendini eğitebilen bir teknolojidir ve kötü, eksik veya hatalı verilere de uyum sağlamayı öğrenir.

Aynı nedenle model performansı tamamen dibe çakılana kadar hemen hiç kimse bir sorunun yaşandığını fark etmez. Yönetici kadro veya departmanlar “yapay zekâ çalışmıyor" dediğinde, hasar aslında aylar önce oluşmuş ve şemanın içerisinde kaybolup giden sütunlara gömülmüştür.

Şema kayması teknik bir sorun değildir

Şemada yaşanan kaymalar ilk bakışta bir mühendislik sorunu gibi görünse de zorunlu alan yönetimi gibi konularda başarısız olunmasından kaynaklanır. Gerekli alanlar kaydığında, eksik doldurulduğunda veya atlandığında; potansiyel müşteri puanları fırsatları yanlış sıralar, tahminler daralmak yerine genişler, öneriler gereğinden fazla tutucu veya düzensiz hâle gelir.

En önemlisi de hiç kimse artık “model ne diyor?” diye sorma ihtiyacı hissetmez. Bu, algoritmanın başarısız olmasından kaynaklanmaz. Bu durumun nedeni, işletmelerin verilerin ne anlama geldiği konusunda bir “veri sözleşmesi” kullanmaması ve onların kalitesini doğru şekilde yönetememesidir.

Yeniden eğitim neden işe yaramaz?

Bir modelin performansı düştüğünde, onun yeniden eğitilmesi sorunu çözmek için akla gelen ilk şeydir. Bu, teknik bilgiye sahip olmayan kişilerin bile mantıklı bulacağı bir çözümdür, yöneticilere bir şeyler yapıldığı konusunda güvence verir ve en azından bir süreliğine sorunun unutulmasını sağlar.

Ancak bozuk girdiler üzerinde yeniden eğitim yapmak hemen her zaman işleri daha da kötüleştirir. Verileri düzeltmeden ve onlarla ilgili diğer sorunları halletmeden, yani sorunun temeline inmeden yapılacak her değişiklik, kullanılan modele eksik/hatalı girişleri normalleştirmeyi öğretir.

Oysa çok daha az “gösterişli” bir şey yaparak hem sorunları çözebilir hem de sadece iki sprint içinde kaybedilen istikrarın %30-40'ını hiç yeniden eğitim yapmadan geri kazanabilirsiniz. Yapmanız gereken tek şey veri sütunu yönetimi konusunda gerekli disiplini sağlamak, yani en başta da değindiğimiz üzere sütunlarınızı düzeltmektir.

1. Adım: veri sözleşmelerini sade bir dille hazırlayın

Yukarıda veri sözleşmesine ilişkin kısa bir açıklama yapmıştık. Bu sözleşmeler, terimlerin anlamlarını ortaklaştırmanın yanı sıra veri girişlerinin genel kurallarını da belirler. Çoğu model de bu yüzden başarısız olur çünkü kimse tarafından okunmazlar.

Bunun nedeni ise çoğu zaman bir tür uyumluluk belgesi olarak hazırlanmalarından ve çevrimiçi saklanmamalarından kaynaklanır. Oysa veri sözleşmeleri kabul edilmeleri gereken gerçek bir “sözleşme” olarak hazırlanmalı, çevrimiçi olarak saklanmalı ve mümkün olduğunca sade bir dil kullanmalıdır. Bu sözleşmelerde yer verilmesi gereken en önemli hususlar şunlardır:

• Şemada yer alan her veri/bilgi alanının anlamı.
• Her alanın sahibinin kim olduğu.
• Belirli bir alanın ne zaman ve nasıl değiştirilmesi gerektiği.

Veri sözleşmesi oluşturma sırasında dikkat edilmesi gereken diğer şeyler arasında sürüm numarası ve tanımladıkları CRM öğelerine doğrudan bağlantı da yer alır. İlgili sözleşmenin en güncel hâlinin kullanıldığından emin olmak için sonuna veya başına sürümü eklenmeli, kullanıcının terimler ile öğeler arasında bağ kurabilmesi için de CRM'ye atıf yapılmalıdır.

2. Adım: Zorunlu alanları bilgi yönetimi ile doldurun

Historik veri temizleme ile uğraşmak istemiyorsanız onların doğru ve kurallara uygun şekilde girilmelerini sağlamalısınız. Yani veri temizliği daha işin başında devreye girmelidir. Bu da veri sözleşmesine bilgi yönetimi hakkında kurallar da eklemeniz gerektiği anlamına gelir. Basitçe ifade edecek olursak, kullanıcının zorunlu olarak giriş yapması gereken alanları belirlemeli ve modelinizde kullandığınız yapay zekâyı bunları dikkate alacak şekilde eğitmelisiniz.

Belirli bir alan tahmin veya uyumluluk için zorunluysa yapay zekâ kullanıcının o alanı boş bırakarak devam etmesine izin vermemelidir. Yani yapay zekâya aşağıdaki kuralları da tanımlamalı ve hatalı/eksik verilerle karar vermesini engellemelisiniz:

• Her alan için girilmesi gerekli tanımlayıcılar.
• Kabul edilen uyumlu formatlar.
• Tutarlılığın önemli olduğu kontrollü kelime dağarcıkları.

Sonuncusu, belirli bir veri türü için yine belirli bir metin/üslup formatının kullanılmasını sağlar. Bu özel kurallar ise daha yüksek bir tutarlılık elde edilmesinin yanı sıra kurumsal bir üslubun oluşmasına da yardım eder. Bazı kurallar çalışanları biraz yavaşlatabilir ancak gereğinden hızlı olup gelecekte tüm işletmeyi yavaşlatmalarından daha iyidir. Veri girişlerine dair net kurallar olması, yapay zekâ çıktılarının doğrudan eyleme dönüştürülebilmesini sağlayacaktır.

3. Adım: Kirli verileri karantinaya alın

Kirli, yani hatalı veya eksik verilerin girilmesinin nedeninin kötü niyet olduğunu sanıyorsanız yanılıyorsunuz. Kirli veriler hemen hemen daima aceleci davranılmasından ve yeterince dikkat edilmemesinden kaynaklanır. Otomasyon ise gerçek ilerlemeyi kirli verilerden ayırmanıza olanak tanıyan son derece etkili bir çözümdür.

Bu, otomasyon ile kirli verileri doğrudan reddetmek yerine onları “karantinaya” alabilmenizden kaynaklanır. Örneğin kirli bir veriyi otomatik olarak inceleme kuyruklarına yönlendirebilir, eksik veya hatalı kısımları işaretleyebilir ve böylece yapay zekâ eğitim veya çıkarım akışlarına girmelerini engelleyebilirsiniz. Bu yaklaşım analitik bütünlüğü korurken operasyonel gerçekliği de dikkate alır. Ayrıca kirli verilerin kaybolmamasını, görünür hâle gelip kontrol altında tutulmasını sağlar.

Yapay zekânın rolü kâhinlik değil, denetçilik olmalıdır

Yapay zekâ, satışları artırmak veya hizmet kalitesini geliştirmek için size talimatlar veren bir kâhin değildir ve bu amaçla da kullanılmamalıdır. Onu doğru şekilde kullanmak istiyorsanız bir “kalite gözlemcisi” hâline gelmesini sağlamalısınız. Yapay zekâ bir denetçi olduğunda, tekrarlayan veri sorunlarını sizin için özetler, hangi alanların en fazla probleme neden olduğunu vurgular ve teknik sorunları yöneticiler tarafından anlaşılabilir özetlere dönüştürür.

Dolayısıyla yönetici kadrosu bir modelin neden başarısız olduğunu sormak ve teknik cevaplarla zaman kaybetmek yerine “2025 sonu – 2026 başında hangi model bozuldu?” ve “Çalışanlar hangi gerekli alanları atlıyor?” gibi sorularla problemlerin gerçek kaynağına odaklanmaya başlayabilir. Örneğin Bitrix24’ün Co-Pilot veri özetleme özelliği tüm bunları yapabilir ve yapay zekâyı hesap verebilirliği artıran bir aynaya dönüştürebilir.

Sadece var olanı değil, değişenleri de ölçün

Çoğu analitik model statik gösterge panelleri üzerine kuruludur ancak yapay zekânın tutarlılığını artırmak, dinamik farkları takip etmeyi gerektirir. Kullanılan model örneğin şu soruları da cevaplayabilmelidir:

• Bu tedarikçiyi sisteme dâhil ettikten sonra tahminler nasıl değişti?
• Hangi girdi kaynağı geri çağırma (recall) oranlarını düşürüyor?
• Bu alan eksik olduğunda ne olur?

Performans metriklerini veri kaynaklarına bağlayarak, modeller hakkında tartışmayı bırakabilir ve girdileri düzeltmeye başlayabilirsiniz. Bu, gerçek hayattaki iyileşmeleri (ve kötüleşmeleri) açıklanabilir hâle getirir, yani iyi veya kötü sonuçların ardındaki gerçek nedenleri görebiliyor hâle gelirsiniz. Bu da modele duyulan güveni artırır ve karar vermek için daha sık kullanılmasını sağlar.

Türkiye pazarında yapısal disiplinin önemi

Birden fazla yerel tedarikçi, verilerin manuel içe aktarılması, tutarsız standartlar ve hızlı araç seti değişimi gibi durumlar Türkiye pazarında neredeyse normal hâle gelmiştir. Böyle bir ortamda yapısal disiplin kurulmadan yapay zekânın kullanılması hemen her zaman başarısızlık ile sonuçlanacaktır.

Yani başarı, en gösterişli modele sahip olup karar almak için onu kullanmakla ilgili değildir. Başarılı olmak için net veri sözleşmelerinin hazırlanması, zorunlu veri girişi alanlarının belirlenmesi ve kirli verilerin otomasyon ile temizlenmesi gerekir. İş birliği ve veri yönetimi politikaları operasyonel tutarlılık sağlar, bu da bir işletme olarak size rekabet avantajı sağlayacak en önemli şeydir.

Örnek vaka: Bir KOBİ, yapay zekâyı yeniden eğitmeden sorunu çözüyor

İstanbul'da 25 kişilik bir satış ekibine sahip orta ölçekli bir KOBİ düşünelim. Kullandığı CRM; WhatsApp konuşmaları, web sitesi formları ve bölgesel bayiler tarafından yüklenen elektronik tablolar aracılığıyla toplanan verilerle besleniyor olsun.

Altı ay önce bir yapay zekâ tabanlı müşteri adayı puanlama modelini kullanmaya başladılar ve pilot uygulama umut verici görünüyordu. Ancak ikinci çeyrekte, satış temsilcileri puanlara dikkat etmeyi bıraktı çünkü yüksek değerdeki müşteri adaylarını kapatamamak ana şikâyet hâline geldi.

Modeli yeniden eğitmek yerine CRM alanlarını kontrol ettiler ve şu sorunları buldular:

• Müşteri kimlikleri, WhatsApp içe aktarımları ve tedarikçi tabloları arasında farklılık gösteriyordu.
• "Müşteri adayı" kaynağı alanında, aynı kanal için 4 farklı varyant kullanılıyordu.
• Kayıtların neredeyse %40'ında, müşteri adaylarının “şirket büyüklüğü” alanı atlanıyordu.

Alan sahipliğini ve anlamını tanımlayarak, zorunlu veri girişlerini kullanarak ve tedarikçi yüklemelerindeki hataları tespit etmek için otomasyon kullanarak tüm bu sorunları çözdüler ve sadece iki sprint içerisinde model doğruluğunda %35’e yakın bir artış elde edebildiler.

Bunu siz de yapabilirsiniz: Paylaşılan Takvimler, Görev Yönetimi ve Görevler ile Projelerde CoPilot gibi modüllere tek bir platformdan erişim sağlayan Bitrix24 araçları, veri kalitenizi ve onları kullanarak hazırladığınız modelleri tutarlı hâle getirmek için ihtiyaç duyduğunuz her şeyi sunar. Sınırsız sayıda kullanıcı destekleyen ücretsiz sürümüyle, Bitrix24’ün işletmenize neler katabileceğini hemen bugün keşfedin.

Sık Sorulan Sorular

Hiçbir şey bozulmasa bile yapay zekâ modelleri neden zamanla doğruluğunu kaybeder?

Çünkü onları besleyen veriler yavaş yavaş değişir. Alanların anlamı kayar, gerekli veriler isteğe bağlı hâle gelir, kimlikler sistemler arasında çakışır ve eksik bilgilerin sayısı artar. Bunların hiçbiri hata mesajlarını tetiklemese de veri kalitesini düşürür ve bu da model istikrarını doğrudan etkiler.

Bir CRM'de "şema kayması" ne anlama gelir?

Şema kayması, bir alan teknik olarak var olmasına rağmen artık her yerde aynı anlama gelmediğinde ortaya çıkar. Örneğin pazarlama ve satış tarafından farklı şekilde kullanılan bir "kaynak" alanı vardır. Bu alan farklı şekillerde doldurulur ve çeşitli sorunların ortaya çıkmasına neden olur.

Yapay zekâ modellerini yeniden eğitmeden önce veri yapısını düzeltmek gerçekten önemli mi?

Çoğu durumda evet. Bozuk veya tutarsız girdiler üzerinde yeniden eğitim yapmak, modele sorunları normalleştirmeyi öğretir. Zorunlu alan gereksinimlerini uygulayarak, tanımlayıcıları düzenleyerek ve kötü verileri karantinaya alarak, yeniden eğitim yapmaya gerek kalmadan kayıp performansın %30-40'ını geri kazanabilirsiniz.

Bir CRM, modele dokunmadan yapay zekâ performansını iyileştirmeye nasıl yardımcı olur?

Bir CRM, veriler oluşturulduğu anda yapıyı da uygular. Veri sözleşmeleri, zorunlu alanlar, otomasyon kuralları ve kaynak düzeyinde raporlama ile düşük kaliteli verilerin yapay zekâ işlem hatlarına girmesini engeller ve performans değişikliklerini açıklanabilir hâle getirir.

Veri disiplini, Türkiye gibi pazarlarda neden özellikle önemlidir?

Türkiye pazarı, birden fazla tedarikçi, manuel içe aktarımlar ve tutarsız standartlar üzerine kuruludur. Bu ortamda disiplinli veri yapısı, deneysel yapay zekâ özelliklerinden daha iyi performans gösterir. İstikrar, yenilikten daha iyi sonuçlar verir.