Veri kalitesi nedir? Boyutlar ve örnekler

Veri kalitesi nedir?

Veri kalitesi (data quality), bir veri setinin kullanılacağı iş amacı için ne kadar uygun olduğunu ifade eder. Kalitesiz veri, hatalı rapora, yanlış müşteri iletişimine ya da kötü eğitilmiş bir modele yol açar.

Kalite mutlak değil, amaca bağlıdır: bir pazarlama listesi için yeterli adres bilgisi, bir teslimat sistemi için yetersiz olabilir. Bu nedenle önce verinin hangi karar ve süreç için kullanıldığı, sonra buna uygun kalite beklentisi tanımlanır.

Temel boyutlar

Kurumlar farklı sınıflandırmalar kullansa da yaygın boyutlar şunlardır:

• Doğruluk: veri gerçek dünyadaki durumu doğru yansıtıyor mu.
• Tamlık: gerekli alanlar dolu mu, eksik kayıt var mı.
• Tutarlılık: aynı bilgi farklı sistemlerde aynı mı.
• Geçerlilik: değer beklenen biçim ve kurala uyuyor mu (örneğin tarih alanında tarih var mı).
• Benzersizlik: aynı müşteri ya da ürün birden fazla kayıtta mükerrer görünüyor mu.
• Güncellik: veri karar için yeterince yeni mi.

Hangi boyutun öncelikli olduğu kullanım amacına göre değişir.

Nasıl ölçülür?

Ölçüm genellikle veri profillemesi ile başlar: alanların boş, benzersiz ve değer dağılımı incelenir. Ardından her boyut için kural yazılır ve bu kurallara uyan kayıtların oranı kalite göstergesi olarak izlenir.

Örneğin bir müşteri tablosunda e-posta alanının biçime uyma durumu geçerlilik, aynı kişinin birden fazla kaydı ise benzersizlik göstergesidir. Göstergeler zaman içinde izlenir ve eşik altına düşünce ilgili veri sahibine bildirim gider.

Küçük bir örnek

Örneğin bir perakende şirketi kampanya e-postası göndermek istiyor. Müşteri tablosunda aynı kişi farklı yazımlarla iki kez yer alıyor, bazı e-posta adreslerinde alan adı eksik, bir kısmının şehir bilgisi boş. Sonuç: aynı kişiye iki mesaj gidiyor, bir kısım geri dönüyor ve bölgesel kampanya hedeflemesi bozuluyor.

İyileştirme veri girişinde doğrulama kuralı eklemek, mükerrer kayıtları birleştirmek ve alanın sorumlusunu belirlemekten oluşur.

Veri yönetişimi ve yapay zeka ile ilişkisi

Veri kalitesi tek seferlik temizlik değil, sürekli bir yönetim işidir. Veri yönetişimi çerçevesinde veri sahipleri, kalite kuralları ve sorumluluklar tanımlanır; kalite sorunları kök nedeninde çözülür.

Yapay zeka ve makine öğrenmesi projelerinde veri kalitesi modelin üst sınırını belirler. MLOps uygulamalarında veri boru hatları içine kalite kontrolleri konur.

Hangi eğitimlerde işlenir?

Veri yönetişimi uzmanları, veri mühendisleri, analistler ve iş birimi veri sahipleri bu konuyla çalışır. Mindset'te Veri Yönetişimi ve Veri Kalitesi eğitimi veri kalitesi boyutlarını, değerlendirme süreçlerini ve iyileştirme projelerini işler. Veri Yönetişimi Uzmanlığı (Data Governance) Sertifika Programı veri kalitesi boyutları, ölçüm yöntemleri ve veri profili çıkarmayı kapsar. MLOps Mühendisliği Sertifika Programında ise veri boru hatları ve veri kalitesi ayrı bir modüldür.