AI ile Veri Analizi: Excel'den Python'a Kadar Pratik Rehber

Veri analizi 2026 = AI ile sıfırdan dashboard 30 dakika. CSV yükle, sor, cevap al + görselleştirme + insight.

Code Interpreter ile Hızlı Analiz

ChatGPT Plus = Advanced Data Analysis (eski adı Code Interpreter):

[CSV yükle: satis_2025.csv]

"Bu veriyi analiz et:
1. Genel istatistikler
2. En çok satılan 5 ürün
3. Aylık trend grafiği
4. Kategori bazlı dağılım
5. Anomali / outlier
6. Bir sonraki çeyrek için öngörü"

ChatGPT Python yazıp çalıştırır → grafik + insight üretir.

Detay: ChatGPT vs Claude

Pandas Operasyonları

Veri Temizleme

Görev: Aşağıdaki CSV için temizlik kodu:

Veri: [örnek 5 satır]

Sorunlar:
- Missing values (column X)
- Duplicate rows
- Inconsistent format (date, currency)
- Outlier (Z-score > 3)
- Mixed type (string + int aynı column)

Pandas kod:
- Strategy belirt (drop vs impute)
- Validation (assert)
- Before/after diff log
- Reusable function olarak

Aggregation

Görev: Aşağıdaki business question için Pandas:

Soru: "Her bölge için, en çok satan kategorinin geçen yıla göre büyüme oranı"

Veri: sales DataFrame (region, category, year, amount)

Çıktı:
- groupby + transform
- pivot_table
- Performant (büyük dataset için)
- Çıktı: pretty DataFrame
- Görselleştirme önerisi

Time Series

Görev: Time series analiz:

Veri: günlük sales (2 yıl)

Analiz:
1. Trend (rolling mean)
2. Seasonality (decompose)
3. Stationarity test (ADF)
4. Forecast (Prophet veya ARIMA)
5. Confidence interval
6. Anomaly detection

Görselleştir: matplotlib + seaborn

SQL Query

Karmaşık Query

Görev: PostgreSQL query yaz:

İhtiyaç: "Son 30 günde en az 3 sipariş veren müşterilerin ortalama sepet değeri, lifetime spend ve favori kategori"

Tablolar:
- users (id, name, created_at)
- orders (id, user_id, total, created_at)
- order_items (order_id, product_id, qty, price)
- products (id, category)

Çıktı:
- CTE ile readability
- Window function (rank)
- Index önerisi
- EXPLAIN ANALYZE örnek (performance)

Query Optimization

Görev: Yavaş query optimize:

Query:
[yapıştır]

EXPLAIN output:
[yapıştır]

Mevcut süre: 12 saniye
Hedef: < 500ms

Çıktı:
1. Bottleneck (seq scan, nested loop, sort)
2. Eksik index önerisi
3. Query rewrite (alternative)
4. Materialized view önerisi
5. Partition stratejisi (büyük tablo)
6. Read replica use case

Görselleştirme

Matplotlib / Seaborn

Görev: Aşağıdaki veri için 3 görsel:

Veri: [...]

1. Distribution (histogram + KDE)
2. Correlation matrix (heatmap)
3. Time series line chart

Stil:
- Seaborn theme
- Türkçe başlık + label
- 300 DPI (yayın kalite)
- Renk: colorblind-safe palet
- Annotations (önemli noktalar)

Plotly Interactive

Görev: Plotly interactive dashboard:

İhtiyaç: Satış dashboard
- KPI cards (Total, Δ%, count)
- Time series (zoom + hover)
- Geographic map (Türkiye)
- Drill-down by category

Çıktı:
- Streamlit ile entegre
- Filter widgets (date, region)
- Export (PNG, CSV)
- Mobile responsive

Tableau / Power BI

"Aşağıdaki veri için Power BI DAX measure:

Veri: sales fact table + date dim

Measure:
- YTD revenue
- Same period last year
- YoY growth %
- Rolling 12-month avg

Format: DAX kod + explanation"

Excel + AI

Detay: Excel Formülü AI

Görev: Excel formül - SaaS metric:

Sayfa: monthly_revenue (A: month, B: MRR, C: churn $)

Hesapla:
- D: Net Revenue Retention
- E: 3-month rolling avg MRR
- F: Quarter-over-Quarter growth
- G: Anomaly flag (>2 std)

Çıktı:
- Each cell formula
- Named range önerisi
- Conditional format (kırmızı / yeşil)
- Pivot table tasarım

Makine Öğrenmesi

Sınıflandırma

Görev: Müşteri churn prediction model:

Veri: 50K user × 20 feature
Target: churn (binary)
Tools: scikit-learn

Çıktı:
1. EDA (correlation, distribution)
2. Feature engineering
3. Train/test split (stratified)
4. Baseline: logistic regression
5. Compare: Random Forest, XGBoost
6. Hyperparameter tuning (GridSearch)
7. Metrics: precision, recall, F1, ROC AUC
8. Feature importance
9. Confusion matrix
10. Production checklist (monitoring, retraining)

Clustering

Görev: Customer segmentation:

Veri: RFM (Recency, Frequency, Monetary) 100K user

Algoritma: K-means + DBSCAN comparison

Çıktı:
- Scaling (StandardScaler)
- Optimal k (elbow + silhouette)
- Cluster characterization (persona)
- Visualization (PCA 2D)
- Business action her cluster için
- Cluster stability test

NLP

Görev: Müşteri yorumları sentiment analysis:

Veri: 10K Türkçe review

Yaklaşım:
- Preprocess (Turkish stemming - Zemberek)
- Pre-trained model (BERTurk)
- Fine-tuning option
- Topic modeling (BERTopic) ek
- Aspect-based (ürün özelliği bazlı sentiment)

Çıktı: code + evaluation + dashboard mock

Veri Pipeline

ETL

Görev: Airflow DAG:

İş: Daily ETL
- Extract: Postgres + S3 CSV + REST API
- Transform: dedupe, normalize, enrich
- Load: Snowflake fact table

DAG:
- Operators (PythonOperator, SnowflakeOperator)
- Dependencies
- Retry logic
- SLA + alerting
- Idempotent
- Backfill support

Real-time (Stream)

Görev: Kafka → Flink stream processing:

Use case: Real-time fraud detection

Pipeline:
- Topic: transactions (10K msg/s)
- Window: 1 min tumbling
- Aggregation: user-level stats
- Anomaly: velocity check
- Output: alerts topic + Cassandra store
- Schema registry (Avro)
- Dead letter queue

İş Raporları

Görev: Excel rapor → AI özet:

[Excel yapıştır veya CSV yükle]

Çıktı:
1. Executive summary (3 cümle)
2. Önemli 5 insight
3. Trend (büyüyen + düşen)
4. Risk uyarısı
5. Önerilen aksiyon (3)
6. Görsel öneri (hangi grafik)
7. Sunum slide önerisi (5 slide)

Detay: Sunum Hazırlama

Yaygın Hatalar

1. Veriyi anlamadan AI’a vermek: AI sayı görür, context görmez
2. Hallucinated analysis: AI uyduran insight üretir → kontrol et
3. Pretty chart, wrong insight: Görsel güzel, conclusion yanlış
4. Kişisel veri AI’a: KVKK ihlali (anonimize et)
5. Production model trust: AI’ın ürettiği ML model = baseline, prod değil

Sonraki Adımlar

• Excel Formülü
• Sunum Hazırlama
• Test Yazma
• Programlama Öğrenme

Özet

Veri analizi + AI = 30 dk dashboard, 2 saat ML baseline. Code Interpreter ile CSV → insight 5 dakika. Pandas / SQL / viz / ML hepsi otomatize. Anahtar: veriyi anla, AI’a context ver, output’u skeptisizmle değerlendir.