Kurumsal veri kalitesi; kritik veri öğeleri için kullanım amacına uygun eşiklerin belirlenmesi, doğruluk, tamlık, tutarlılık, güncellik, geçerlilik ve benzersizlik ölçümlerinin düzenli çalıştırılması, sonuçların iş etkisiyle ağırlıklandırılması ve her hata sınıfının açık bir veri sahibi ile düzeltme akışına bağlanmasıyla ölçülür.
Veri kalitesi mutlak değil, kullanım amacına göre yeterli olmalıdır
Aynı veri, bir pazarlama segmentasyonu için yeterli; ödeme, yatırım kararı, düzenleyici raporlama veya AI modeli için yetersiz olabilir. Bu nedenle kalite çalışması önce kullanım senaryosunu, kararın geri alınabilirliğini, hata maliyetini ve toleransı tanımlar. “Bütün veriler yüzde 100 doğru olmalı” yaklaşımı hem gerçekçi değildir hem de kaynakları kritik alanlardan uzaklaştırabilir.
| Kullanım | Öncelikli boyut | Örnek tolerans |
|---|---|---|
| Müşteri iletişimi | Geçerlilik, güncellik, benzersizlik | Geçersiz e-posta ve mükerrer kayıt düşük olmalı. |
| Finansal raporlama | Doğruluk, tamlık, tutarlılık, izlenebilirlik | Kritik toplamlar kaynakla mutabık olmalı. |
| AI/RAG | Güncellik, erişim doğruluğu, kaynak ve temsil | Yetkisiz veya tarihi geçmiş belge sonuç üretmemeli. |
| Operasyonel karar | Zamanlılık ve bütünlük | Karar penceresi içinde güncellenmiş kayıt gerekir. |
Altı temel boyut birbirinin yerine geçmez
Gerçeği ne kadar yansıtıyor?
Kaynak, saha doğrulaması veya yetkili referansla karşılaştırılır.
Gerekli kayıt ve alanlar mevcut mu?
Eksik satır ile eksik alan ayrı ölçülür.
Sistemler aynı şeyi aynı mı söylüyor?
Tanım, kod ve toplamlar arasında çelişki aranır.
Karar anında yeterince yeni mi?
Güncelleme sıklığı iş ihtiyacına göre değerlendirilir.
Format ve iş kuralına uyuyor mu?
Tarih, kod, aralık ve zorunlu ilişki kontrolleri yapılır.
Aynı varlık kaç kez kayıtlı?
Mükerrerlik yalnız birebir eşleşmeyle sınırlı değildir.
İzlenebilirlik, erişilebilirlik ve temsil yeterliliği de özellikle düzenleyici raporlama, analitik ve AI kullanımında karneye eklenebilir. ISO/IEC 25012 genel bir veri kalitesi modeli sunarken, ISO/IEC 5259-2 analitik ve makine öğrenmesi bağlamında veri kalitesi ölçümü ve raporlamasını genişletir.
Ölçüm bütün tabloya değil, kritik veri öğelerine odaklanmalıdır
Kritik veri öğesi; yanlış, eksik veya gecikmiş olduğunda müşteri, finans, operasyon, uyum, güvenlik ya da yönetim kararını anlamlı biçimde etkileyen alandır. Müşteri kimliği, sözleşme durumu, ürün kodu, bakiye, risk sınıfı, onay tarihi ve veri erişim seviyesi buna örnek olabilir.
- İş süreçlerini ve kritik kararları listeleyin.
- Her kararın dayandığı rapor, tablo ve alanları geriye doğru izleyin.
- Hata etkisini finansal, operasyonel, hukuki ve itibari olarak puanlayın.
- Yüksek etkili alanları “kritik veri öğesi” olarak onaylayın.
- Her öğe için sahip, kaynak sistem, kural ve eşik tanımlayın.
Her metrik için payda, kaynak ve zaman penceresi açık olmalıdır
| Metrik | Örnek formül | Dikkat |
|---|---|---|
| Tamlık | Dolu zorunlu değer / beklenen değer | “Boş değil” anlamsal olarak doğru demek değildir. |
| Geçerlilik | Kurala uyan kayıt / toplam kayıt | Kural yanlışsa yüksek skor yanıltır. |
| Benzersizlik | Tekil varlık / kayıt | Ad, telefon ve adres için bulanık eşleşme gerekebilir. |
| Güncellik | Eşik içinde güncellenen / toplam | Eşik süreç bazında değişmelidir. |
| Mutabakat | Eşleşen toplam veya işlem / beklenen | Farkın yönü ve tutarı ayrı izlenmelidir. |
Ölçüm kodu, sorgusu veya kural motoru sürümlenmelidir. Aynı metrik adının farklı ekiplerce farklı payda ve filtreyle hesaplanması, veri kalitesi raporunun kendisini güvensiz hâle getirir.
Karne, puan kadar iş etkisini ve eğilimi göstermelidir
Tek bir ortalama puan kritik hatayı saklayabilir. Örneğin 100 alanın 99’u kusursuzken ödeme tutarı alanındaki hata ciddi sonuç yaratabilir. Bu nedenle karne; kalite boyutu, kritik veri öğesi, eşik ihlali, etkilenen süreç, hata hacmi, eğilim ve iyileştirme sahibini birlikte göstermelidir.
| Katman | Gösterge | Karar |
|---|---|---|
| Yönetim özeti | Kırmızı kritik öğe, iş etkisi, eğilim | Kaynak ve öncelik |
| Veri sahibi | Kural, hata oranı, kök neden, aksiyon | Düzeltme planı |
| Teknik ekip | Sistem, alan, işlem, veri hattı | Kontrol ve iyileştirme |
| Denetim izi | Kural sürümü, koşu zamanı, istisna | Kanıt ve tekrar üretim |
Kalite kuralları iş diliyle tanımlanmalı, teknik olarak çalıştırılmalıdır
- Alan zorunluluğu ve koşullu zorunluluk.
- Kod listesinin yetkili referansla uyumu.
- Tarih ve tutar aralıkları.
- Ana kayıt ile alt kayıt ilişkisi.
- Sistemler arası mutabakat.
- Kimlik ve erişim sınıfının tutarlılığı.
- Gecikme ve veri tazeliği eşiği.
- Mükerrer ve olağandışı kombinasyonlar.
Kuralın açıklaması, iş gerekçesi, sahibi, hata örneği, uygulanacağı veri kümesi, istisna koşulu ve beklenen düzeltme süresi kaydedilmelidir. Sessizce değiştirilen kurallar, zaman serisi karşılaştırmasını bozar.
Hatalı kaydı düzeltmek ile kök nedeni ortadan kaldırmak ayrılmalıdır
Kalite sorunu çoğu zaman giriş ekranı, entegrasyon eşlemesi, süreç tasarımı, yetki, referans veri, eğitim veya teşvik sisteminden doğar. Yalnız hatalı kayıtları topluca düzeltmek puanı geçici olarak yükseltir; yeni hatalar aynı kaynaktan üretilmeye devam eder.
Kalite sorumluluğu yalnız veri ekibine bırakılamaz
- İş veri sahibi: Tanım, eşik, iş etkisi ve istisnayı onaylar.
- Data steward: Günlük kalite takibi ve düzeltme koordinasyonunu yürütür.
- Teknik sahip: Kaynak, entegrasyon, kural ve gözlemlemeyi işletir.
- Kullanıcı ekip: Hata bildirimini ve doğru giriş davranışını sürdürür.
- Risk/uyum: Kritik eşik ve kanıt gereksinimini sorgular.
- Yönetim: Çatışan öncelikler için kaynak ve risk kabulü kararı verir.
Her kırmızı gösterge bir aksiyon, sorumlu, hedef tarih ve doğrulama koşuluna dönüşmelidir. Sahipsiz gösterge, raporlama dekorasyonudur.
AI ve analitik için kalite; temsil, hak ve kaynak bağlamını da kapsar
AI kullanımında yüksek teknik doğruluk, izin dışı veri veya eksik temsil sorununu telafi etmez. Eğitim ve değerlendirme verisinin kapsamı, RAG belgelerinin güncellik ve erişim seviyesi, veri soyu, telif/lisans, kişisel veri ve alt gruplardaki performans birlikte incelenmelidir.
- Modelin amaçlanan kullanıcı ve durumlarını temsil ediyor mu?
- Veri tarihsel yanlılığı veya seçim yanlılığını taşıyor mu?
- RAG kaynağı güncel, yetkili ve erişim kontrollü mü?
- Test seti canlı kullanımdan bağımsız ve sürümlü mü?
- Kalite bozulduğunda model veya rapor otomatik sınırlandırılıyor mu?
Kaynaklar ve gözden geçirme notu
Bu rehberde değişebilir veya teknik iddialar için öncelikle resmî kurum, ürün geliştiricisi ve birincil araştırma kaynakları kullanılmıştır. Bağlantılar 27 Temmuz 2026 tarihinde gözden geçirilmiştir.
- 01ISO/IEC 25012 — Data Quality Model
Yapılandırılmış veriler için genel veri kalitesi modelini ve kalite değerlendirmesinin kullanımını tanımlar.
- 02ISO/IEC 5259-2:2024 — Data quality model for analytics and machine learning
Analitik ve makine öğrenmesi bağlamında veri kalitesi modeli, ölçüm ve raporlama yaklaşımı sunar.
- 03UK Government — Government Data Quality Framework
Veri kalitesinin yönetimi, sorumluluğu ve kullanım amacına göre değerlendirilmesi için kamu çerçevesidir.
- 04UK Government — Data Quality Dimensions
Doğruluk, tamlık, benzersizlik, tutarlılık, güncellik ve geçerlilik boyutlarını açıklar.
- 05NIST AI Risk Management Framework
AI sistemlerinde veri, ölçüm, yönetişim ve risk yönetimini bütünleşik olarak ele alır.