Big Data Nedir, Data Analyst Nasıl Olunur, Tableau ve Python Arasında ki Farklar Neler

Herkese merhabalar, ben Faruk Toprak, dijital pazarlamaya dair yeni bir podcast'ı bugün de sizlerle paylaşıyor oluyorum. 26 Şubat 2020 bugün uzun bir ara verdik ve bu podcast'ı şu anda Türkiye'den ve İstanbul'dan kayıt ediyorum, kayıt altına alıyorum. Ve bugün de muhteşem bir konuk ile, sürpriz bir konuk ile sizlerle muhteşem bir podcast'ı paylaşıyor olacağız. Bugün yanımda Uğur Yiğit var. Uğur benim çok sevdiğim bir arkadaşım ve kendisi Boğaziçi Üniversitesi'nde şu anda yüksek lisansını yapıyor. Aynı şekilde lisansını da Boğaziçi Üniversitesi'nde tamamladı ve kendisiyle bugün çok güzel bir konu hakkında konuşuyor olacağız. Şimdi dijital pazarlama denilince herkes direkt işte Google reklamları, Facebook reklamları, işte remarketing, retarketing hep bu şekilde kanalları ve mecraları düşünüyor.

Ama olayın arka tarafında işte Big Picture dediğimiz o arka tarafta aslında vurgulamamız gereken yerler datalar. Yani dataları iyi analizleyebiliyor ve dataları iyi anlayabiliyor olmamız gerekiyor. Uğur da aslında işin bu tarafında yani işin arka tarafında ve en önemli kısmında diyebilirim kendisi tamamen datayla içli dışlı bir şekilde çalışıyor. Ve title'ı da data analist ve şu anda kendisi yanımda. Uğur istersen sen biraz kendini tanıt bize hızlı bir şekilde akabinde biz de hemen başlayalım. Öncelikle uzun zaman sonra Faruk'la bir araya gelmek gayet güzel oldu.

Kendisi hem benim çok iyi bir dostum aynı zamanda eski çalışma arkadaşım olduğu için beraber bunu yapabilme mutluluğu açıkçası şu an çok iyi. Konumuzda yedirsek ben kendimi tanıtmam gerekirse sektörde birçok alanda yaklaşık 4-5 yıldır çalıştığım çeşitli pozisyonlarda çalıştığım finans alanında dijital pazarlamada beraber çalıştık zaten gayet eğlenceli bir yolculuğumuz oldu. Kesinlikle çok iyi. Sonrasında data analist olarak yaklaşık 1,5 yıl olarak çalıştığım ve şu anda kendi projelerimi gerçekleştirmek için çaba gösteriyorum. Aynen ve gerçekten bu projelerin de ben başarılı olacağına inanıyorum ve bu projelerini benimle paylaştıktan sonra ben de dedim ki ya madem öyle sen bu konuda gerçekten bilgilisin hadi gel seninle bir podcast yapalım dedim ve beni kırmadın geldin teşekkür ediyorum tekrardan. Peki Uğur'cum şimdi bu data science nedir? Bize bunu bir açıklayabilir misin? Arka tarafta bu nasıl çalışıyor?

Ya tarihsel süreç olarak girmemiz gerekirse aslında data science yeni bir kavram değil baktığımızda 1959 yılında ortaya çıkmış neural networkların computer scientistler tarafından işlenmesiyle ortaya çıkmış bir kavram ama günümüzde her alanda üretilen dataların patlama yaşaması ile beraber ve kararlarımızın tamamen data odaklı veri odaklı vermemizden dolayı böyle bir sektör mükemmel bir şekilde ortaya çıkmış durumda. Data analyst ne yapar ya da data scientist ne yapar dediğimizde aslında biz işin mutfağında arka tarafında planlamayı oluşturan ve planlama sürecinin içerisinde olan kişileriz. Sadece biz değil diğer departmanlarla beraber iş birliği sayesinde kararlarımıza en sağlıklı ve en güzel şekilde vermeye oluşturan kişileriz. Evet bu kararları verirken tabi sayılara bakarak ve eski verileri karşılaştırarak bu kararlar veriliyor diyebiliriz bununla ilgili. Tabi bunu mesela şeyi çok güzel söyledin her yerde kullanılıyor. Bunun belli bir sektörü yok belli bir işletme şeyi yok hacmi vesaire yok her yerde bu data analizini kullanabilirsiniz.

Özellikle dijital pazarlama da çok işe yarıyor. Neden işe yarıyor? Çünkü eski verileri karşılaştırarak yeni stratejileri belirlediğinizde bu veriler bu sayılar size yol gösterebilir size harita olabilir. Şimdi bir de şeyi konuşalım. Mesela bu data mühendisleriyle data scientistler arasında ne farkı var? Yani bu data engineers bir de data scientist diye geçiyor.

Bunların arasındaki farklar nelerdir? Yani ikisi ne iş yapar? Net olarak özetlemek gerekirse zaten data scientist datalardan beslenen bir iş adamı işin aslında. Yani data modellerini oluşturup önümüze ve geleceğe yönelik tahminleriyle şirkete yön vermeye çalışan ve şirket içerisindeki problemleri çözmeye çalışan kişi data scientist. Ve kullandığı metotlarla beraber yazılım, matematik ve istatistiksel altyapısını çok iyi şekilde kullanan kişidir aslında data scientist. Ama data engineer dediğimizde data engineerler daha çok data pipeline yani data veri akışının hızını belirleyen bu veri akışıyla alakalı data scientistlerin ve bu data analizlerin kullanabileceği tool'ları yazan kişiler aslında üreten kişiler de data engineerlerdir.

Evet ben aslında benim en çok aldığım sorulardan bir tanesi de şu bu ikisi için de yani data engineer bir de data scientist tarafında da yazılım bilgisi gerekiyor mu? Yani bu iki kişinin de yazılım bilgisi yazılım bilgi sahibi olması gerekiyor mu? Aslında şöyle kullanılan yazılım dili iki alanla da Python çok güçlü bir yazılım dili ve yapabileceklerinizin sınırı olmayan bir yazılım dili aslında. Şöyle de bir noktamız var yazılımı iyi bildiğiniz süreçte yapabileceğiniz işlemleri bambaşka boyutlara taşıyabiliyorsunuz ve çok iyi bir data scientist olmak istiyorsanız ve işlerinize en iyi şekilde yerine getirmek istiyorsanız açıkçası ihtiyaç var. Peki mesela ben şu anda Python'ı öğrenmek istiyorum diyelim. Sence ne kadar zamana ihtiyacım var ve ben gerçekten bunu biliyorum demek için?

Bence şöyle de öncelikle kendinizi planlamanız ve oraya konsantre olduğunuz takdirde yaklaşık bir yıl içerisinde planlı ve programlı bir şekilde efficient hale gelebilirsiniz. Süper. Peki sence bunun Türkçe kaynağı var mıdır? Yoksa benim araştırdığım kadarıyla bütün kaynaklar İngilizce. Ne diyorsun, ne düşünüyorsun? Sen çok araştırdın biliyorum. Ne yazık ki her alanda olduğu gibi bu alanda da ülkemizdeki Türkçe kaynakların yetersizliği var. Ben derslerimi daha çok öğrenirken IBM, Stanford University ayrıca Intel'den dersler olarak yaptım ve bütün kaynaklar ne yazık ki İngilizce bu alanda.

Aynen. Yine geldik İngilizceye. Umarım sizler de İngilizceye odaklanırsınız önce ve akabinde de eğer yapmak istediğiniz iş gerçekten data analiz ise verileri analizlemek istiyorsanız ve Python'la başlayabilirler değil mi? Evet. Python çok önemli bir tool. Bu arada ben Python diyorum ama Python, Python gibi. Python. Python'dan geliyor aslında. Aynen.

Güzel oldu. Şimdi peki tabloyu duyduk. Değil mi? Tablo en son Salesforce çok ciddi bir rakaman satın aldı tabloyu. Tabloyla Python arasındaki fark nedir? Yani farkları mesela birinde yazılım bilmek gerekiyor, diğerinde bilmek gerekmiyor mu?

Yoksa arkada bir formül çalıştırmak gerekiyor. Bir bize bilgi verebilir misin bu iki şeyle alakalı? Tabii. Python bir programlama dili. Python'da belirli bir yazılım bilgisine ihtiyacınız var ve yapabileceğiniz çok fazla şey var. Tablo ise daha çok visualizing.

Yani verileri görsel hale getirme, sizin için çarklara dökme aslında verileri görsel hale getirip okunmasını en kolay hale getirmeye yarayan bir program. Ve tablo çok ciddi bir değere yani 16.4 milyar dolara satıldı geçtiğimiz günlerde. Piyasaya gayet söz ettirdi kendi markasından tablo. Ve arkadaşlar ben kurdum bilgisayarıma, mutlaka kurun. İlk böyle ön yüzü şey gibi görünüyor, Excel gibi görünüyor. Ama arkada mesela ücretsiz eğitimleri var tablonun kendi sitesinde.

Eğitimlere de bakın. Ve hatta şey var, o ücretsiz eğitimlerin arasında bir de kaynakları da paylaşıyorlar. Yani böyle işte örnek bir case vermiş. O case üzerinden işte şu raporları çıkaracaksınız. Şöyle bir dashboard, işte bir rapor ekranı hazırlayacaksınız şeklinde. Tabloyu inceleyin.

Bununla ilgili hatta şey yapacağım. Bu podcast'in içeriğini web sitemde bulabilirsiniz. İşte nasıl indirebilirsiniz, nasıl bilgisayarınızı yükleyebilirsiniz. Bir bilgiye aktarıyor olacağım size. Bunun için de blog sayfasına gidip podcast'in içeriğine göz atmanızı öneririm. Peki, şimdi hep böyle data analiz dedik.

Bir de bu işin machine learning kısmı var, AI kısmı var. Aslında ana can alıcı nokta o taraf. Yani artık işler böyle manuelden ziyade automation'a kayıyor. Yani her şey otomatikleşiyor. Peki bununla ilgili bizlere neler aktarabilirsin bu machine learning ve AI kısmında? Tabii ki.

Aslında şöyle, data scientist zaten çoğu süreci otomatize eden bir kişi şirket içerisinde. Ve machine learning, AI ve deep learning konularında zaten başta değinmememizin sebebi top noktaları. En sona doğru gelelim dedik. Aslında bu noktalar data science'ın ulaştığı en top noktalar. Günümüzde hepimiz yapay zekayı duyuyoruzdur. Makine dilini duyuyoruzdur.

Derin öğrenmeyi duyuyoruzdur. Ama bunlar ne yapıyor, nerelerde kullanılıyor, neden var vs. tarzı sorular muhtemelen hepimizin kafasında. Ben yapay zeka ile başlamak istiyorum. Yapay zeka zaten bir küme olarak düşünürsek bunu büyük küme, yani bütün konuları machine learning'i ve deep learning'i kaplayan büyük küme artificial intelligence olarak bakabiliriz. Artificial intelligence nedir dediğimizde insan beyninin düşünme yapısını ve sorunları çözme yeteneğini bilgisayara kazandırma yöntemi. Artificial intelligence baktığımızda.

Bir örnek vererek kafamızda canlandırmak istersek, bugün baktığımızda otonom araçlar, kendini kendine süren Tesla'ya baktığımızda bu bir artificial intelligence sürecidir. Aynı zamanda Facebook'ta yüz tanıma sistemlerini ya da image recognition olaylarına baktığımızda bunlar bilgisayarın bizim gibi düşünüp ve operasyonu gerçekleştirme yöntemleridir. Diğer konumuz machine learning'e gelirsek. Aslında machine learning yapay zekanın bir alt kümesi gibi. Genelde yapay zeka ve machine learning karıştırılır. Machine learning de şöyle, belirli problemlerin yapay zeka ile çözülemediğini, çok kompleks hale geldiğini,

aslında yapay zekanın overtrain olduğu modellerde daha basit ve daha uygun, sonuca odaklı bir yöntem geliştirilmek istendi. Ve insan beyninin öğrenme sürecini bilgisayarın nasıl öğrenebileceği üzerine çalıştılar. Ve bu şekilde machine learning algoritmaları ortaya çıktı. Yani machine learning ile beraber bilgisayar insanın öğrenme şeklini öğrenip, yani machine learning ile nasıl öğreniyor, dataları biz bir şekilde train ettiğimizde ve modellediğimizde machine learning algoritmalarını eğitiyoruz. Bu şekilde de ürünler ortaya çıkıyor.

Geleceğe yönelik tahminler de bulunabiliyor. Mesela Netflix, siz izlediğinizde size bir film önerisi yapıyor Netflix. Buna biz recommendation systems diyoruz. Bu aslında bir machine learning algoritmasıdır. İşte şunu izlediysen bunu da izleyebilirsin şeklinde böyle arkada bir yapay zeka çalışıyor. Tabii bunu yaparken tabii manuel olmuyor hiçbir işlem, her şey otomatik.

Çünkü milyarlarca insan Netflix izliyor ve her bir kişi için, her bir user için arkada AI muhteşem bir şekilde çalışıyor. Tabii bir de bunun ülke farkları var. Ülke de ülkeye farklı çıkıyor. Yani siz Netflix.com'a login yaptıktan sonra karşınıza gelen ekranla, benim Netflix.com'a login yaptıktan sonra karşıma gelen ekran bambaşka, çok farklı. Gerçekten çok başarılı olduğunu düşünüyorum ben. Ve zaten günümüzün şu anki ana noktası ve ana konusu machine learning AI ve bence dijital pazarlamada da yani Google reklamlarında, Facebook reklamlarında yavaş yavaş bunu duyuyor olacağız.

Yeni şirketler gelecek. Şu anda mesela siz bir reklam kampanyası açıyorsunuz ama optimizasyonları neye dayanarak yapıyorsunuz? Son 14 günkü veriye dayanarak ya da son 7 günkü ya da son 1 ay ki ama hiç veriniz yoksa ne yapacaksınız? Ya da 1 yıllık veriniz varsa ne yapacaksınız? Şeklinde böyle bir destek alabileceğiniz yeni tool'lar gelebilir. Hatta şeyde, Kaliforniya'da bunun üzerine çalışan bir firma vardı.

Ve daha çok beta sürümü ama ben feedbacklere baktım. Çok güzel feedbackler yok ama ben inanıyorum ki ileride bence insandan daha iyi bir şekilde optimize edebilecek AI reklam kampanyalarına. Zaten çağımızda baktığımızda son makaleleri Forbes'tan ya da Giant Tech'ten incelediğinizde önümüzdeki yıllarda birçok işin yapay zeka tarafından ele geçirileceğini görüyoruz açıkçası. Yani şirketlerin ve insanların çok fazla tereddüt ettiği bir nokta. Ne kadar tartışılır, ne kadar doğrudur bilmiyorum ama şöyle düşünmek lazım. İnsan beyninin işlem gücü bir yere kadar.

Kesinlikle öyle. Ama bir makinayı mükemmel bir şekilde çalıştırıp mükemmel bir işlem gücüne sahip edebiliyorsunuz. Kesinlikle. Peki Uğur, yeni mezun olacak arkadaşlara şöyle çok kısa bir dipnot geçelim. Data analyst olmak istiyorlarsa onlara ne önerirsin? Ya da hangi mezun daha iyi data analyst mesleğine daha hızlı bir şekilde adapte olabilir?

Bir fikrim var mı bu konuda? Şöyle söyleyebilirim. Bu zaten çağımızın yükselen mesleği. Baktığınızda Harvard Business Review'u check ettiğinizde 21. yılın en seksi mesleği data scientist ve data analyst olarak gösterilsin. Kesinlikle. Bu alanlarda kendini geliştirmek isteyen kişi öncelikle matematiksel ve istatistiksel bir altyapı, analitik bir tarafının güçlü olmasına ihtiyacı var.

Analitik tarafını güçlendirdikten sonrasında zaten bu bütün alanlarda öyle baktığımızda. Yani sadece data science'a ve data analyst'e özgü bir şey değil. Analitik tarafınız güçlü olduğunda her daim bir adım öndesiniz. Ve bunun yanında çeşitli tool'ları öğreneceksiniz ve problem çözmeyi öğreneceksiniz. Yani yaklaşımlar üzerine çalışacaksınız. Yeni mezun arkadaşlara benim en büyük tavsiyem Python öğrenmesi, artık bir programımı bilinmesi ve bu alanda çalışmalar yapılması.

Bol bol proje üretmeleri yani proje dedikleri şey mükemmel karmaşık olmak zorunda değil. Kendiler için ufak tefek projelerle kendilerini geliştirebilirler. İnternette milyonlarca kaynak, milyonlarca örnekler var. Python'ı öğrenirler ve Python'ı iyi bir şekilde öğrendiklerinden sonra SQL bilgisi var. Database Management kısmı da var bu işin. Database'i yönetebildiklerinde sonrasında Machine Learning tarafı ve diğer tool'lar gelecek.

Onları da öğrendiklerinde ve sosyal hayata ve iş hayatına dair problemleri çözebildiklerini gördüklerinde zaten kendileri bu işten haz olarak yapacaklar. Aynen, aynen. Ben de inanıyorum. Peki, Uğur çok teşekkür ederim bugün. Ben teşekkür ederim. Güzel, değerli bilgileri bizlerle paylaştın. İstersen böyle bir kontak bilgileri bırak.

Şu anda e-post adresini de bırak. Belki dinleyenlerden bazıları sana ulaşmak isteyebilir. İş etme sahiplere ulaşmak isteyebilir. Belki ve ellerinde mevcut olan datayı daha iyi hale getirebilmek ya da satışları arttırabilmek konusunda senden feedback alabilirler belki. Tabii ki. Benim mail adresim uğur.deit at bone.tr.

Bone, Boğaziçi'nin kısaltılmışı. Aynen, kısaltılmışı. Normalde bone dediğimizde çok da bir anlam ifade etmiyor. Onu nasıl spell ediyorsun? B-O? B-O-U-N-E.

Tamam, B-O-U-N-E.T-A-T-E-D-U.T-E-R-E. Süper. Böyle daha şey oldu. Aynen. Arkadaşlar, bu haftaki podcastimiz bu kadardı. Bir sonraki podcastta görüşmek üzere.

Eğer ki podcastlerde istediğiniz bir konu varsa, yayınlamamı ya da yapmamı istediğiniz bir çalışma, bir yayın konusu varsa, bana ulaşabilirsiniz. İletişim sayfamdan Faruk Toprak ben. Bu hafta Uğur Yiğit buradaydı. Kendinize çok iyi bakın. Bir sonraki podcastta görüşmek üzere, hoşçakalın, bye bye.