Dijital dünyada veri kavramı

Kerem Aydın·8 Temmuz 2026·⏱5 dk

Veri, kendi başına bir anlamı olmayan ancak işlendikten sonra bilgi elde etmek için temel oluşturan kaydedilmiş gerçekler, sayılar, semboller veya sinyallerdir. Bilişimde veri, algoritmalar için "ham madde"dir: Bilgisayar veriyi okur, dönüştürür ve insan tarafından anlaşılabilir bir sonuç üretir.

Basitçe ifade edersek: "38" kaydı bir veridir. "Hastanın vücut sıcaklığı 38°C" ifadesi ise verinin bağlam kazandığı için artık bir bilgidir.

Temel fark: Veri nesnel ve birincildir (örneğin, bir sayı listesi). Bilgi ise öznel ve ikincildir; belirli bir soruyu yanıtlayan, anlamlandırılmış veridir.

Makale kapsamlı görünüyorsa, aşağıdaki navigasyonu kullanabilirsiniz:

İçindekiler

Temel tanım ve BT'deki rolü
Yapıya göre veri sınıflandırması
Sunum formatına göre veri türleri
Yaşam döngüsü: Veriden bilgiye
Veriyle çalışırken yapılan yaygın hatalar
SSS: Sık sorulan sorular

Temel tanım ve BT'deki rolü

Bilgisayar bilimlerinde veri, kaydedilebilen, iletilebilen veya işlenebilen herhangi bir sembol dizisi olarak tanımlanır. Makine için bir kitabın metni, bir kedinin fotoğrafı veya bir Excel tablosu arasında hiçbir fark yoktur; hepsi düşük seviyede ikili kod (sıfır ve birler) şeklinde temsil edilir.

Ancak geliştiriciler ve analistler için verileri amaçlarına göre ayırt etmek önemlidir:

Girdi verileri (Input): Kullanıcının veya sistemin programa sunduğu veriler.
Çıktı verileri (Output): Algoritmanın çalışma sonucu.
Meta veriler: Verinin kendisi hakkındaki bilgiler (dosyanın oluşturulma tarihi, boyutu, yazarı, formatı). Meta veriler olmadan dosya arama ve sıralama mümkün olmazdı.

Yapıya göre veri sınıflandırması

Bu, modern geliştirmede ve analizdeki en önemli ayrımıdır, çünkü yapı veritabanı seçimi ve işleme araçlarını belirler.

1. Yapılandırılmış veriler

Sıkı bir formata ve organizasyona sahiptir. Çoğunlukla satır ve sütunlardan oluşan tablolar halinde ilişkisel veritabanlarında (SQL) saklanır.

Örnekler: Excel tabloları, banka işlemleri, TC Kimlik No ve unvanları içeren çalışan listeleri.
Avantajları: Arama, filtreleme ve analiz etmesi kolaydır.
Dezavantajları: Katı şema önceden yapılandırma gerektirir; çeşitli bilgilerin saklanması için uygun değildir.

2. Yarı yapılandırılmış veriler

Sıkı bir tablo formuna sahip değildir, ancak öğeleri ayıran etiketler veya işaretçiler içerir.

Örnekler: JSON dosyaları, XML, e-postalar (konu ve gönderen vardır ancak e-posta gövdesi serbesttir), sunucu log dosyaları.
Avantajları: Format esnekliği, farklı sistemler arasında (web API'leri) kolay aktarım.
Dezavantajları: Analizi yapılandırılmış verilere göre daha zordur.

3. Yapılandırılmamış veriler

Dünyadaki tüm verilerin %80'ini oluşturur. Önceden tanımlanmış bir modeli veya organizasyonu yoktur.

Örnekler: Metin belgeleri, video kayıtları, sesli podcast'ler, fotoğraflar, sosyal medya gönderileri.
Avantajları: Doğal haliyle maksimum faydalı bilgi içerir.
Dezavantajları: Anlam çıkarmak için karmaşık işleme yöntemleri (NLP, bilgisayarlı görü) gerektirir.

Veri Türü	Saklama Formatı	Kullanım Örneği	Araçlar
Yapılandırılmış	SQL tabloları (CSV)	Finansal raporlama	PostgreSQL, MySQL
Yarı yapılandırılmış	JSON, XML	Uygulama ayarları, API yanıtları	MongoDB, Elasticsearch
Yapılandırılmamış	İkili dosyalar, Blob	Kullanıcı fotoğraflarının saklanması	S3, File System

Sunum formatına göre veri türleri

Yapının yanı sıra, veriler insanlar ve makineler tarafından nasıl algılandıklarına göre de sınıflandırılır.

Sayısal (Nicel):
- Tam Sayılar (Integer): Depodaki ürün adedi, kullanıcı ID'si.
- *Ondalıklı Sayılar (Float): Ürün fiyatı, döviz kuru, sıcaklık.
Metinsel (Nitel/Kategorik):
- Karakter dizileri: İsimler, adresler, yorumlar.
- Kategoriler: Cinsiyet (E/K), sipariş durumu (Yeni/Gönderildi).
Multimedya:
- Görüntüler (piksel matrisleri).
- Ses (dalga formları).
- Video (kare ve ses parçalarının dizisi).
Zaman serileri (Time-series):
- Belirli zaman noktalarına bağlı veriler: Her saniye hisse senedi kotasyonları, her saat elektrik sayaç okumaları.

İpucu: Veritabanı tasarlarken her zaman en küçük uygun veri türünü seçin. Örneğin, yaşı saklamak için metin alanı kullanmayın; tam sayı türünü kullanın. Bu, sistemin çalışmasını hızlandırır ve bellekten tasarruf sağlar.

Yaşam döngüsü: Veriden bilgiye

Veriler kendi başlarına işe yaramaz. Değer, sadece birkaç aşamadan geçtikten sonra ortaya çıkar (DIKW piramidi: Data → Information → Knowledge → Wisdom).

Toplama: Verilerin kaynaklardan elde edilmesi (web sitesindeki formlar, IoT sensörleri, web sitelerinden veri çekme).
Temizleme (Data Cleaning): Tekrarların silinmesi, yazım hatalarının düzeltilmesi, eksiklerin doldurulması. Bu, analistin zamanının %80'ini alan en emek yoğun aşamadır.
Saklama: Uygun bir depolama alanında barındırma (analiz için Data Warehouse, ham veriler için Data Lake).
Analiz: Kalıpları bulmak için istatistik veya makine öğrenimi algoritmalarının uygulanması.
Görselleştirme: Karar vermek için sonuçların grafikler ve panolar halinde sunulması.

Örnek: Bir mağaza fişlerle ilgili verileri toplar (yapılandırılmış sayılar). Temizleme ve agregasyondan sonra, Cuma günleri şemsiye satışlarının arttığı ortaya çıkar (bilgi). Yönetici, hafta sonundan önce şemsiye alımını artırması gerektiğini anlar (bilgi) ve mevsimsel indirim stratejisi oluşturur (hikmet/eylem).

Veriyle çalışırken yapılan yaygın hatalar

Deneyimli uzmanlar bile yanlış sonuçlara yol açan hatalar yapar ("girdide çöp - çıktıda çöp").

Bağlamın ignor edilmesi. "1000" sayısı 1000 lira, 1000 kilometre veya 1000 hata anlamına gelebilir. Meta veriler ve ölçü birimleri olmadan veriler yanlış yorumlanır.
Örnekleme yanlılığı (Bias). Anket sadece iPhone kullanıcıları arasında yapılırsa, sonuçlar tüm akıllı telefon pazarı için temsil edici olmayacaktır.
Bütünlüğün bozulması. Aktif siparişleri olan bir müşteri kaydının silinmesi, veritabanında hatalara neden olur.
Dokümantasyon eksikliği. Altı ay sonra, tabloda flag_1 sütununun ne anlama geldiği hemen dokümante edilmediyse kimse hatırlamayacaktır.

Önemli: Makine öğrenimi modellerini eğitmek veya finansal raporlama yapmak için asla "kirli" veriler kullanmayın. Verideki hata, kod hatasından daha pahalıya mal olur çünkü tespit edilmesi daha zordur.

SSS: Sık sorulan sorular

Veri ile bilgi arasındaki fark nedir? Veri, işlenmemiş dağınık gerçeklerdir (örneğin, bir aylık sıcaklık listesi). Bilgi ise insanlar için anlamı olan işlenmiş veridir (örneğin, "Bu ay ortalamadan daha sıcaktı" sonucu).

Big Data (büyük veri) nedir? Normal bir bilgisayarda makul bir sürede işlenemeyecek kadar büyük veri hacimlerini (terabaytlardan eksabaytlara) işlemeye yönelik bir yaklaşımdır. "3 V" ile karakterize edilir: Volume (hacim), Velocity (gelme hızı), Variety (format çeşitliliği).

Saklama için en iyi veri formatı hangisidir? Evrensel bir cevap yoktur. Finansal işlemler ve sıkı bağlantılar için SQL (yapılandırılmış) daha uygundur. Loglar, belgeler ve esnek geliştirme için NoSQL (JSON, belge odaklı veritabanları). Büyük veri kümelerinin analizi için genellikle Parquet gibi sütunlu formatlar kullanılır.

Meta verilere neden ihtiyaç vardır? Meta veriler, verileri bulmaya, anlamaya ve güvenmeye yardımcı olur. Onlar olmadan image_001.jpg dosyası sadece bir piksel yığınıdır. Meta verilerle bunun "01.01.2026 tarihinde çekilen İvanov I.I.'nin pasaport fotoğrafı" olduğunu bilir ve sistemin kullanıcıyı otomatik olarak doğrulamasına olanak tanırsınız.