Kazanimlar:
- İş zekası katmanlarını (kaynak, ETL, veri ambarı, rapor) ve temel iş metriklerinin (KPI) doğru tanımlanmasını açıklayabilme
- Yapay zekayı metrik tanımı, SQL taslağı ve rapor anlatısı üretmede kullanıp sonucu gerçek veriyle sağlamalayabilme
- AI destekli analiz çıktılarında korelasyon-nedensellik karışıklığı ve yanıltıcı metrik risklerini tanıyabilme
İş zekası (İngilizce Business Intelligence, BI), kurumun dağınık verisini toplayıp analize hazır hale getiren ve bu veriden karar destekleyen bilgi üreten disiplindir. Bir YBS uzmanı için BI, "verinin karara dönüştüğü" katmandır. Ham sipariş kayıtları tek başına anlam taşımaz; ancak "bu ay hangi bölgede ciro düştü, neden?" sorusuna cevap verebilen bir rapor haline geldiğinde değer üretir. Bu ünitede BI'ın katmanlarını, doğru metrik tasarımını ve yapay zekanın bu süreçte nerede hızlandırıcı, nerede tuzak olduğunu göreceğiz.
BI mimarisi genellikle şu katmanlardan oluşur. Kaynak sistemler: ERP, CRM, e-ticaret gibi verinin doğduğu yerler. ETL süreci (İngilizce Extract-Transform-Load): veriyi kaynaklardan çıkaran (Extract), temizleyip standart yapıya dönüştüren (Transform) ve hedefe yükleyen (Load) süreç. Veri ambarı (İngilizce data warehouse): analiz için tasarlanmış, tarihsel ve tutarlı verinin toplandığı merkezi depo. Raporlama/görselleştirme katmanı: panolar, raporlar ve anlık sorgular. Bu zincirde her katmanın kalitesi bir sonrakini belirler; kaynak kirliyse rapor da kirlidir.
Metrik ve KPI'ı Doğru Tanımlamak
Metrik, ölçülen sayısal bir değerdir: toplam ciro, sipariş sayısı. KPI (İngilizce Key Performance Indicator; anahtar performans göstergesi), bir hedefe göre performansı ölçen kritik metriktir: "aylık müşteri kayıp oranı %5'in altında". Her metrik KPI değildir; KPI, bir iş hedefiyle bağlanmış ve karar tetikleyen metriktir.
BI projelerinin en sinsi sorunu, metriklerin belirsiz tanımlanmasıdır. "Aktif müşteri" ne demek? Son 30 günde mi, 90 günde mi sipariş vermiş olan? İade edenler sayılıyor mu? İki ekip "aktif müşteri sayısı" derken farklı şeyi kastediyorsa, aynı pano iki farklı gerçek gösterir. Bu yüzden her KPI'ın tek cümlelik, herkesçe kabul edilmiş bir tanımı olmalıdır. Yapay zeka bu tanımların taslağını hızlıca üretir; ama hangi tanımın "doğru" olduğuna iş birimi karar verir.
Ipucu: Bir KPI tasarlarken üç şeyi yazın: (1) formül (pay/payda tam olarak nedir), (2) zaman penceresi, (3) dışlanan durumlar. Yapay zekaya "bu KPI'ın tanımındaki belirsizlikleri sorular halinde çıkar" dedirtmek, gizli varsayımları ortaya döker.
Adım Adım: AI Destekli Rapor Üretimi
Adım 1 — Soruyu netleştir. Rapor hangi karara hizmet edecek? "Güzel görünsün" değil, "hangi bölgeye bütçe kaydıracağımıza karar vereceğiz" gibi somut bir amaç.
Adım 2 — Metrikleri tanımla. Gerekli KPI'ları formül, pencere ve istisnalarıyla yaz. Yapay zeka tanım taslağı üretebilir.
Adım 3 — SQL taslağı ürettir. Yapay zekaya şema bilgisini verip sorgu taslağı ürettir. Ama sorguyu çalıştırmadan önce oku ve anla.
Adım 4 — Küçük veriyle doğrula. Sorguyu önce bilinen sonuçlu küçük bir örnekle çalıştır; toplamları elle kontrol et. AI'nin SQL'i sözdizimsel doğru ama mantıksal yanlış olabilir.
Adım 5 — Anlatıyı ekle, iddiaları sına. Yapay zeka rapor için bir anlatı metni üretebilir; ama her nedensel iddiayı ("satış bu yüzden düştü") kanıtla sına.
Korelasyon ve Nedensellik Tuzağı
BI'daki en tehlikeli hata, birlikte hareket eden iki metriği "biri diğerini oluşturuyor" diye yorumlamaktır. Korelasyon, iki değerin birlikte değişmesidir; nedensellik, birinin diğerine sebep olmasıdır. "Dondurma satışı arttıkça boğulma vakaları arttı" cümlesi gerçektir ama dondurma boğulmaya neden olmaz; ortak sebep yazdır (sıcak hava). Yapay zeka rapor anlatısı üretirken rahatlıkla nedensel cümleler kurabilir; YBS uzmanı bu iddiaları "başka açıklama var mı?" diye sınamalıdır. Aksi halde yanlış nedene dayalı yanlış karar alınır.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Tanımsız metriğin bedeli. Bir telekom şirketinde yönetim kuruluna sunulan "aktif abone" sayısı 2,1 milyon, finans ekibinin raporunda 1,7 milyondu. Fark, birinin 90 günü diğerinin 30 günü "aktif" saymasındandı. Ortak tanım netleştirilene kadar iki hafta boyunca yanlış büyüme oranı konuşuldu. Tek cümlelik bir KPI tanımı bu karmaşayı önlerdi.
Vaka 2 — AI'nin yanlış SQL'i. Bir perakendecide yapay zeka, "müşteri başına ortalama sepet" sorgusunu üretirken iade satırlarını da toplama kattı; sonuç gerçek değerin %12 üzerinde çıktı. SQL sözdizimsel olarak kusursuzdu. Uzman, bilinen bir günün toplamını elle doğrulayınca sapmayı yakaladı ve iade filtresini ekletti.
Vaka 3 — Nedensellik yanılgısı. Bir e-ticaret firmasında pano "e-posta kampanyası gönderilen günlerde satış %18 daha yüksek" diyordu ve ekip kampanya bütçesini artırmak üzereydi. İnceleme, kampanyaların zaten yüksek trafikli kampanya günlerine (indirim dönemleri) denk getirildiğini gösterdi. Satışı artıran e-posta değil, dönemdi. Bir kontrol grubuyla test edilmeden bütçe artırılsaydı para boşa gidecekti.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu tablodan satış raporu SQL'i yaz.
Güçlü prompt:
Rolün: Dikkatli bir BI analistisin.Aşağıdaki şemaya göre bir SQL sorgusu TASLAĞI yaz.Kurallar:- Sadece verilen tablo/alanları kullan; olmayan alan uydurma.- İadeleri (durum='İade') toplamdan HARİÇ tut.- Zaman penceresi: son 30 gün.- Sorgunun ne yaptığını satır satır yorumla.- Sonuçta test için elle doğrulanabilecek 1 örnek satır öner.Şema:Siparis(id, musteri_id, tarih, tutar, durum)Musteri(id, ad, segment)Amaç: segment bazında son 30 gün net ciro.
Güçlü prompt, şemayı sınırlar, iş kuralını (iade hariç) dayatır, pencereyi belirtir ve doğrulanabilir bir çıktı ister.
Dört Kopyalanabilir Şablon
1) KPI tanımı netleştirme:
Aşağıdaki KPI için tam tanım yaz: formül (pay/payda), zaman penceresi,dışlanan durumlar. Tanımdaki her belirsizliği soru olarak ekle.KPI: [ad, ör. "müşteri kayıp oranı"]
2) SQL mantık denetimi:
Aşağıdaki SQL sorgusunu incele: mantıksal hata, yanlış JOIN, eksikfiltre veya çift sayım riski var mı? Her bulguyu gerekçesiyle yaz.Sorguyu değiştirme, sadece denetle. SQL: [sorgu]
3) Rapor anlatısı + iddia denetimi:
Aşağıdaki sonuç tablosundan kısa bir yönetici özeti yaz. Her nedenseliddianın yanına [KANIT GEREKLİ] etiketi koy ve alternatif açıklamaöner. Sadece tablodaki veriye dayan. Tablo: [veri]
4) Metrik tutarlılık kontrolü:
Aşağıdaki iki raporda aynı isimli metrikler farklı değer veriyor.Olası tanım farklılıklarını (zaman penceresi, filtre, hesaplama)liste halinde çıkar. Raporlar: [A] [B]
Karşılaştırma Tablosu: İyi ve Kötü KPI
Özellik
Kötü KPI
İyi KPI
Tanım
"Aktif müşteri"
"Son 30 günde ≥1 tamamlanmış sipariş veren müşteri"
Hedefle bağ
Yok
"%5 kayıp oranının altında kalmak"
Ölçülebilirlik
Muğlak
Formül net
İstisna
Belirsiz
İadeler hariç
Karar tetikler mi
Hayır
Evet
Sık yapılan hatalar
- Metriği tanımsız bırakmak. "Aktif", "başarılı", "tamamlanan" gibi kelimeler formülsüz kullanılırsa her ekip farklı sayar.
- AI'nin SQL'ini doğrulamadan çalıştırmak. Sözdizimsel doğru bir sorgu mantıksal olarak yanlış olabilir; çift sayım ve yanlış JOIN sık görülür.
- Korelasyonu nedensellikle karıştırmak. "Şununla birlikte arttı" ifadesini "şu buna sebep oldu" sanmak yanlış karara götürür.
- Vanity metrik peşinde koşmak. "Toplam tıklama" gibi gösterişli ama karar üretmeyen metrikleri KPI sanmak.
- Bağlamsız sayı sunmak. "Ciro 4,2 milyon" tek başına anlamsızdır; geçen aya, hedefe veya bütçeye göre bağlam gerekir.
Dikkat: Yapay zekanın ürettiği rapor anlatıları ikna edici ve akıcıdır; bu tam da riski büyütür. Akıcı bir cümle yanlış bir nedensellik iddiası taşıyabilir. Her "çünkü" ve "bu yüzden" cümlesini kanıtla sınayın.
Özetle
İş zekası, dağınık veriyi karara dönüştüren katmandır ve kaynak, ETL, veri ambarı, raporlama zincirinden oluşur. KPI, bir iş hedefine bağlı, formülü ve istisnaları net tanımlı kritik metriktir; tanımsız metrik en sık BI hatasıdır. Yapay zeka KPI tanımı, SQL taslağı ve rapor anlatısı üretmede ciddi hız kazandırır; ancak her SQL mantıksal olarak doğrulanmalı, her sayı bilinen veriyle sağlamlanmalı ve her nedensel iddia kanıtla sınanmalıdır. Korelasyon nedensellik değildir; akıcı anlatı doğruluk garantisi vermez.
Uygulama görevi
Bir çevrimiçi kurs platformu için "tamamlama oranı" KPI'ını tasarlayın. (1) Formül, zaman penceresi ve istisnalarla tek cümlelik tanımını yazın (ör. iptal edilen kayıtlar sayılıyor mu?). (2) Basit bir şema uydurup (Kayit, Ders, Ilerleme) güçlü promptla bu KPI için SQL taslağı ürettirin. (3) Sorguda en az bir olası çift sayım veya yanlış filtre riski bulun. (4) Sonuç için bir yönetici özeti yazdırıp içindeki her nedensel iddiayı işaretleyin. (5) Bir korelasyon-nedensellik tuzağı örneği kurun ve nasıl test edeceğinizi anlatın.
Kontrol listesi
- [ ] Her KPI'ın formülü, zaman penceresi ve istisnası yazılı.
- [ ] AI'nin ürettiği SQL'i satır satır okuyup anladım.
- [ ] Sorguyu bilinen küçük veriyle elle doğruladım.
- [ ] Rapordaki her nedensel iddiayı kanıtla sınadım.
- [ ] Her sayıyı bir kıyasla (hedef/geçen dönem) bağlamlandırdım.
- [ ] Metrik tanımlarında ekipler arası mutabakatı sağladım.