Ham veri: Her türlü analizin temeli

Kerem Aydın·8 Temmuz 2026·⏱4 dk

Ham veri, çeşitli kaynaklardan toplanan, araştırmalar, hesaplamalar, model oluşturma ve yönetim kararlarının alınması için temel teşkil eden birincil, işlenmemiş bilgidir. Basitçe ifade etmek gerekirse, bu, işlendikten sonra faydalı bilgilere, raporlara veya tahminlere dönüşen "hammadde"dir. Kaliteli ham veriler olmadan, sonraki herhangi bir analiz güvenilir olmayacaktır.

Öz ve temel özellikler

Ham veriler (sıklıkla "ham veriler" veya İngilizce raw data olarak adlandırılır), henüz derinlemesine analitik işlemeye, agregasyona veya yorumlamaya tabi tutulmamış olmalarıyla ayırt edilir. En büyük değerleri, nesnelliklerinde ve belirli bir ana veya olaya bağlı olmalarında yatar.

Kaliteli ham verilerin temel özellikleri:

Birincillik: Doğrudan kaynaktan (sensör, kullanıcı, cihaz) elde edilir.
Tamlık: Belirlenen görevi çözmek için gerekli tüm parametreleri içerir.
Güncellik: Nesnenin veya sürecin mevcut durumuna uygundur.
Doğruluk: Kasıtlı tahrifatlardan ve kritik ölçüm hatalarından arındırılmıştır.

Önemli ayrım: Ham veri, sonuç değildir. Örneğin, bir aylık tüm fişlerin listesi ham veridir. "Gelir %10 arttı" çıkarımı ise bu verilerin işlenmesinin sonucudur.

Ham verilerin temel türleri

Bilginin doğasına ve elde edilme yöntemine bağlı olarak ham veriler birkaç kategoriye ayrılır:

Nicel (sayısal):
- Sürekli: sıcaklık, ağırlık, zaman, koordinatlar.
- Ayrık: ürün miktarı, tıklama sayısı, personel kadrosu.
Nitel (kategorik):
- Metinsel: müşteri yorumları, çağrı transkriptleri, ürün açıklamaları.
- Nominal: cinsiyet, renk, marka, sipariş durumu.
Multimedya:
- Görüntüler, ses kayıtları, güvenlik kameralarından gelen video akışları.
Zaman serileri:
- Zaman damgalarına bağlı veriler (günlük döviz kurları, sunucu günlükleri).
Meta veriler:
- Veri hakkında veri: dosya oluşturma tarihi, yazar, format, fotoğrafın coğrafi konumu.

Ham verilerin kullanıldığı alanlar

Birincil bilginin uygulama alanı çok geniştir. İşte belirleyici rol oynadıkları temel alanlar:

İş ve pazarlama

Şirketler satışlar, web sitesindeki kullanıcı davranışları, dönüşümler ve yorumlar hakkında veri toplar.

Örnek: Bir e-ticaret sitesi, kişiselleştirilmiş önerileri ayarlamak için ürün görüntüleme günlüklerini analiz eder.
Amaç: Talep tahmini, kitle segmentasyonu, reklam bütçelerinin optimizasyonu.

Bilim ve araştırma

Doğa ve sosyal bilimlerde ham veriler, deneylerin, gözlemlerin veya sosyolojik anketlerin sonuçlarıdır.

Örnek: Depremleri incelemek için sismografların okumalarının kaydedilmesi.
Amaç: Hipotezlerin test edilmesi, yeni düzenliliklerin keşfedilmesi, kanıta dayalı sonuçların yayınlanması.

Yazılım geliştirme ve BT

Geliştiriciler test verilerini, hata günlüklerini ve sistem performans metriklerini kullanır.

Örnek: Sinir ağının yüz tanıma konusunda eğitilmesi için sentetik veri seti.
Amaç: Kod hata ayıklama, makine öğrenimi (ML) modellerinin eğitilmesi, güvenlik izleme.

Kamu yönetimi

İstatistik kurumları nüfus sayımı verilerini, vergi beyannamelerini ve kamu hizmetleri verilerini toplar.

Amaç: Bütçe planlaması, sosyal programların geliştirilmesi, altyapı inşaatı.

Ham verilerle çalışma aşamaları

"Ham" veriler kendi başlarına nadiren hemen kullanıma uygundur. Bunlardan fayda sağlamak için birkaç hazırlık aşamasından geçmek gerekir.

Aşama	Eylem açıklaması	Neden gereklidir
Toplama	Bilginin kaynaklardan (veritabanları, API'ler, anketler) çıkarılması	Gerekli bilginin tam hacmini elde etmek
Temizleme	Yinelenenlerin silinmesi, yazım hatalarının düzeltilmesi, boşlukların doldurulması	Sonucu bozacak "gürültüyü" ortadan kaldırmak
Normalizasyon	Tek bir formata getirilmesi (tarihler, para birimleri, ölçü birimleri)	Farklı veri setlerinin karşılaştırılabilirliğini sağlamak
Doğrulama	Aykırı değerler ve anormallikler açısından kontrol	Verilerin mantıksal bütünlüğünden emin olmak
Belgeleme	Yapının, kaynakların ve toplama yöntemlerinin açıklanması	Gelecekte analizin tekrarlanabilirliğini garanti etmek

İpucu: Orijinal ham verileri her zaman değiştirilmemiş halde saklayın. Bir kopya üzerinde çalışın. Bu, temizleme aşamasında bir hata yaparsanız veya önemli bir bilgiyi yanlışlıkla silerseniz başa dönmenizi sağlar.

Verilerle çalışırken sık yapılan hatalar

Deneyimli uzmanlar bile bazen başlangıçta hesap hataları yapabilir. Kaçınılması gerekenler şunlardır:

Bağlamın yok sayılması. Ölçü birimi (TL, adet, kilogram?) ve zaman dilimi olmadan "100" sayısı hiçbir şey ifade etmez.
Örnekleme yanlılığı. Sadece sadık müşterileri anketlerseniz, memnun olmayanların ayrılma nedenlerini öğrenemezsiniz. Ham veriler, tüm kitleyi temsil edici şekilde yansıtmalıdır.
Kaynakların kontrol edilmemesi. Güvenilir olmayan veya eskimiş bir kaynağa duyulan güven, yanlış sonuçlara yol açar.
Kötü belgeleme. Bir ay sonra tablonuzdaki flag_1 sütununun ne anlama geldiğini unutabilirsiniz. Veri yapısını her zaman yorumlayın.

SSS: Sıkça Sorulan Sorular

Ham veriler ikincil verilerden nasıl farklıdır? Ham (birincil) veriler, belirli bir görev için özel olarak ilk kez toplanır. İkincil veriler ise daha önce başkası tarafından toplanıp yayınlanmış olan bilgilerdir (makaleler, raporlar, devlet kurumlarının istatistikleri) ve siz bunları hazır halde kullanırsınız.

Eksik ham veriler kullanılabilir mi? Teknik olarak evet, ancak bu risklidir. Boşluklar azsa (%5'ten az), ortalama değerlerle doldurulabilir veya algoritmalarla restore edilebilir. Boşluklar çoksa veya sistematik bir karakter taşıyorsa, sonuçlar yanlış olacaktır. Ek veri toplamak daha iyidir.

Ham veriler nerede saklanmalıdır? Küçük hacimler için net klasör yapısına sahip CSV/Excel dosyaları uygundur. Büyük diziler (Büyük Veri) için veritabanları (SQL, NoSQL) veya bulut depolama alanları (Veri Gölleri) kullanılır. En önemli gereksinim, güvenilir yedekleme ve erişim kısıtlamasıdır.

Ham verilerin kalitesi nasıl kontrol edilir? Hızlı bir denetim yapın: boş değerlerin varlığını kontrol edin, sayıların beklenen aralıklarda olduğundan emin olun (örneğin, bir insanın yaşı 200 olamaz), tanımlayıcıların benzersizliğini ve tarih formatlarının tutarlılığını kontrol edin.