Veri Analisti Olmak İçin Yol Haritası: Sıfırdan İlk İşe

Veri analisti olmak istiyorsun ama nereden başlayacağını bilmiyorsan, bu yazı senin için. İnternette sayısız kurs, araç ve tavsiye var; hepsini aynı anda öğrenmeye çalışmak en sık yapılan hata. Burada sana sıralı, beş aşamalı bir yol ve kendi öğrenme deneyimimden çıkardığım üç ilke veriyorum.

Veri analisti ne yapar?

Veri analisti, bir kurumun elindeki veriyi soruya cevap verecek hale getirir. İş genelde şöyle akar:

1. Soru gelir. “Geçen ay satışlar neden düştü?” ya da “Hangi müşteriler bizi bırakıyor?”
2. Veri toplanır. Çoğu zaman bir veritabanından SQL ile çekilir.
3. Veri temizlenir. Eksik değerler, tekrar eden satırlar, yanlış biçimlenmiş tarihler düzeltilir. İşin en çok zaman alan kısmı genellikle budur.
4. Analiz yapılır. Gruplama, karşılaştırma, basit istatistik.
5. Sonuç anlatılır. Bir grafik, bir pano ya da kısa bir sunum. Kimse 50 satırlık tablo okumak istemez; ne demek istediğini net söylemen gerekir.

Yani bu iş yalnızca kod yazmak değil. Doğru soruyu anlamak ve sonucu anlaşılır anlatmak da en az kod kadar önemli.

Başlamadan önce: üç öğrenme ilkesi

Kendi öğrenme yolculuğumda en çok işe yarayan üç şeyi söyleyeyim. Aşağıdaki yol haritasını bu üç ilkeyle yürürsen çok daha hızlı ilerlersin.

1. Pratik yap, izlemekle yetinme

Bir videoyu izleyip “anladım” demek kolay. Ama aynı kodu boş bir sayfaya kendin yazamadığın sürece öğrenmiş sayılmazsın. Her yeni konudan sonra videoyu kapat ve aynı işi kendin yap. Takıldığın yer, asıl öğreneceğin yerdir.

2. Sınava hazırlanır gibi hazırlan

Veri analizini “bir gün öğrenirim” diye değil, bir sınava çalışır gibi çalış. Yani:

• Konuları listele, her birine bir tarih ver.
• Her hafta kendini sına: SQL soruları çöz, bir veri setini sıfırdan analiz et.
• Yanlış yaptığın soruları not et ve bir hafta sonra tekrar çöz.

Sınav disiplini, belirsiz bir hedefi takip edilebilir bir plana çevirir.

3. “Bunu günlük hayatta nerede görüyorum?” diye sor

Yeni bir kavram öğrendiğinde zihninde bir bağlantı kur. GROUP BY öğrendiğinde, bankanın harcamalarını kategoriye göre özetlediği ekranı düşün. Ortalama ile medyanın farkını öğrendiğinde, bir mahalledeki kira ilanlarını düşün: birkaç lüks daire ortalamayı yukarı çeker, medyan ise daha gerçekçi bir tablo verir. Bu bağlantılar kavramı ezberden çıkarıp kalıcı hale getirir.

Yol haritası: beş aşama

Süreler, haftada 8-10 saat ayırabilen biri için kaba bir tahmin. Daha çok ya da daha az vaktin varsa kendine göre ayarla; önemli olan sırayı korumak.

Aşama	Ne öğreneceksin?	Tahmini süre
1. Excel / Google E-Tablolar	Formüller, filtre, pivot tablo, basit grafik	2-3 hafta
2. SQL	Sorgu yazmak, tabloları birleştirmek, gruplamak	4-6 hafta
3. Python ve Pandas	Veri okumak, temizlemek, dönüştürmek	6-8 hafta
4. Görselleştirme ve pano	Doğru grafiği seçmek, bir pano aracı	3-4 hafta
5. Temel istatistik	Ortalama, dağılım, korelasyon, basit test	3-4 hafta

1. Excel ya da Google E-Tablolar

Birkaç yüz satırlık bir veriyi hızlıca incelemenin en kolay yolu hâlâ bir tablo programı. Pivot tablo (özet tablo) öğrendiğinde veri analizinin temel fikrini, yani gruplayıp özetlemeyi, kod yazmadan kavramış olursun. Bu fikir SQL ve Python’da da aynen karşına çıkacak.

Pratik: Kendi aylık harcamalarını bir tabloya dök ve kategoriye göre pivot tablo yap.

2. SQL

Veri analisti ilanlarında en sık karşına çıkacak becerilerden biri. Verinin çoğu veritabanlarında durur ve SQL o veriye soru sormanın dilidir. Öncelik sırası:

1. SELECT, WHERE, ORDER BY
2. GROUP BY ve toplama fonksiyonları (COUNT, SUM, AVG)
3. JOIN ile tabloları birleştirmek
4. Alt sorgular ve pencere fonksiyonları (ROW_NUMBER, RANK)

Pratik: Her gün birkaç SQL sorusu çöz. Sınav mantığı burada çok işe yarar: çözemediğin soruları bir listede topla ve haftanın sonunda tekrar dene.

3. Python ve Pandas

SQL ile çektiğin veriyi Python’da işleyip temizlemek, tekrar eden işleri otomatiğe bağlamak için Python öğreneceksin. Sıfırdan başlıyorsan bu blogdaki Python serisi tam bu amaçla hazırlandı: temellerden başlayıp NumPy ve Pandas’a kadar ilerliyor. Pandas’a geçince odaklanman gereken işler:

• CSV ve Excel dosyası okumak
• Eksik ve tekrar eden değerleri temizlemek
• groupby ile özetlemek, merge ile tabloları birleştirmek
• Tarih sütunlarıyla çalışmak

Pratik: Kaggle’ın ücretsiz Learn bölümündeki Python ve Pandas kursları, kısa alıştırmalarla ilerlediği için iyi bir tamamlayıcı.

4. Görselleştirme ve pano

Analiz ne kadar iyi olursa olsun, sonucu anlatamazsan kimse kullanmaz. İki şeyi öğren:

• Doğru grafik seçmek: Zaman içindeki değişim için çizgi, karşılaştırma için çubuk grafik. Pasta grafiği mümkün olduğunca az kullan.
• Bir pano aracı: Power BI ya da Tableau’dan birini seçip ilerle. Hangisinin öne çıktığını anlamak için hedeflediğin ilanlara bak.

Pratik: Aynı veriyi hem Python’la (Matplotlib) hem de seçtiğin pano aracıyla görselleştir.

5. Temel istatistik

Veri analisti olmak için ileri matematik gerekmez, ama ortalama ile medyanın farkını, dağılımı, korelasyonun nedensellik olmadığını ve basit bir A/B testini anlaman gerekir. Bu konular yanlış sonuç çıkarmanı engeller.

Pratik: Her yeni kavramı günlük hayattan bir örnekle açıkla. “Dondurma satışları arttığında boğulma vakaları da artıyor” cümlesinin neden dondurmayı suçlamadığını (ikisinin de asıl sebebinin sıcak hava olduğunu) anlatabiliyorsan korelasyonu anlamışsın demektir.

Portfolyo: çalışmalarını görünür kıl

İş ilanı deneyim istiyor, deneyim için iş lazım. Bu kısır döngüyü kırmanın en iyi yolu, yaptıklarını gösterebileceğin bir portfolyo. İyi bir portfolyo projesinde şunlar olur:

• Gerçek bir soru. “Titanic verisini analiz ettim” yerine “Hangi faktörler hayatta kalma şansını en çok etkiledi?”
• Temizleme adımları. İşverenler verinin ne kadar dağınık geldiğini bilir; nasıl toparladığını görmek ister.
• Kısa bir sonuç bölümü. Teknik olmayan birinin anlayacağı üç cümle.
• Paylaşılabilir bir link. GitHub ya da Kaggle profili.

Sevdiğin bir konudan proje seçmek motivasyonunu yüksek tutar. Bu blogdaki “Popüler Kültürü Kodluyorum” serisinde Netflix izleme geçmişiyle başlayan ve Spotify, futbol gibi verilerle devam edecek projeler, portfolyon için fikir verebilir.

İlk başvuru

• CV: Projelerini ve kullandığın araçları öne çıkar. Her projeye bir satırlık sonuç cümlesi ekle.
• GitHub: Profil sayfan düzenli olsun; her projede ne yaptığını anlatan bir README bulunsun.
• Mülakat: SQL ve vaka sorularına hazırlan. Bu blogda yakında “Veri Analisti Mülakat Soruları” ve “SQL Mülakat Soruları” yazıları da yayımlanacak.

Sık yapılan hatalar

1. Her şeyi aynı anda öğrenmeye çalışmak. Sırayı koru; SQL’i bitirmeden makine öğrenmesine atlama.
2. Kurs biriktirmek. Beşinci kursu bitirmek yerine ilk projeni yap.
3. Sadece temiz veri setleriyle çalışmak. Gerçek veri dağınıktır; temizlemeyi öğrenmek işin yarısıdır.
4. Sonucu anlatmayı atlamak. “Ne buldun?” sorusuna iki cümleyle cevap veremiyorsan analiz bitmemiştir.

Özetle

Excel’le başla, SQL’i iyice öğren, Python’la güçlen, sonuçlarını görselleştirmeyi ve istatistiğin temelini ekle. Bunu yaparken pratik yap, sınava çalışır gibi disiplinli ol ve öğrendiğin her şeyi günlük hayattan bir örneğe bağla. Yol uzun görünebilir, ama her aşama bir öncekinin üstüne kuruluyor.