Filtreleri Bırakın, Sohbete Başlayın: Google Cloud’da Diyaloğa Dayalı Analitik Çağı

Verileri anlamlandırmak asla samanlıkta iğne aramak gibi hissettirmemeli. Yine de yıllar boyunca İş Zekası (BI) süreçleri katı ve kısıtlayıcı bir yapıda ilerledi. Kullanıcıların bir sorusu olduğunda bir pano açması, filtrelerle denemeler yapması ve cevabın orada olmasını umması gerekiyordu. Yanıt yoksa, yeni bir talep açılır ve bekleme süreci başlardı.

Bu geleneksel iş akışı artık yerini yeni nesil çözümlere bırakıyor.

Looker’daki diyaloğa dayalı analitiğin (Conversational Analytics) genel kullanıma sunulması ve BigQuery’deki diyaloğa dayalı analitik önizlemesi ile birlikte, bir soru ile bir içgörü arasındaki mesafe, Google Cloud’un tüm veri teknolojileri genelinde kapanıyor. İş kullanıcıları, analistler ve veri mühendisleri artık verileriyle bir insanla konuşur gibi etkileşime girebiliyor. Ve bu, basit bir sohbet arayüzünden çok daha fazlasını ifade ediyor. Diyaloğa dayalı analitik, analitiğin nasıl kullanıldığını, yönetildiğini ve sunulduğunu kökten değiştiriyor.

🎥 Okumak yerine izlemeyi tercih ediyorsanız, NotebookLM’de bu yazının içeriğinden hazırladığımız slayt ve görsellerle oluşturulmuş videoyu buradan izleyebilirsiniz.

1. Diyaloğa Dayalı Analitik Nedir?

Diyaloğa dayalı analitik, özünde Google Cloud içerisinde Gemini desteğiyle “verilerinizle sohbet etme” deneyimidir. Kullanıcılar doğal dilde sorular sorar ve tablolar, görselleştirmeler, özetler, hatta öngörüler şeklinde yanıtlar alır. Bu yaklaşımı önemli kılan nokta, artık analitik teknolojilerinin iki tamamlayıcı katmanında birden sunulmasıdır:

1. Looker’da yönetişimli ve iş dünyasına hazır içgörüler için güvenilir bir semantik model üzerinden çalışır.

2. BigQuery’de keşif, SQL üretimi, öngörücü analitik ve yapılandırılmamış veri analizi için doğrudan kaynağa iner.

🌟 Bu ikili yaklaşım basit bir gerçeği kabul eder: İş kullanıcıları ve veri profesyonelleri aynı şekilde çalışmaz ve buna zorlanmamalıdırlar.

2. İki Yol, Tek Felsefe: Yönetişim ve Keşif

Google Cloud’ta diyaloğa dayalı analitik, tek tip bir çözüm değildir. Farklı kullanıcı profilleri için bilinçli olarak ayrıştırılmış iki deneyim sunar.

2.1 Looker: Güvenilir İş Katmanı

Looker’daki diyaloğa dayalı analitik, güvenebilecekleri yanıtlara ihtiyaç duyan karar vericiler ve iş ekipleri için tasarlanmıştır.

Looker’ı yapay zeka çağında gerçekten farklı kılan unsur, semantik modeli olan LookML’dir. Genel amaçlı yapay zeka araçları çoğu zaman tanımları “uydururken” veya tahmin ederken, Looker her alanın ve metriğin tutarlı biçimde tanımlandığı ve hesaplandığı tek bir doğruluk kaynağı (SSOT) sunar.

• Doğruluk: Bir soru sorduğunuzda, Looker doğal dili veri uzmanlarınız tarafından tanımlanmış güvenilir mantığa dayalı, kesin SQL’e çevirir.
• Tutarlılık: Semantik katman, karmaşık iş mantığını herkesin anlayabileceği ortak bir dile dönüştürür. Böylece “gelir” ya da “müşteri kaybı” gibi kavramlar kurum genelinde aynı anlama gelir.
• Şeffaflık: LookML veri yapınızın kod tabanlı bir temsili olarak çalıştığı için işbirliğini teşvik eder ve yapay zeka tarafından üretilen içgörülerin yönetişimli ve doğru olmasını sağlar.

💡 Looker’ın ne olduğunu ve özelliklerini derinlemesine keşfetmek isterseniz, önceki blog yazımıza göz atın 👉 Looker ile Modern İş Zekasının Potansiyelini Keşfedin

2.2 BigQuery: Analistlerin Hızlandırıcısı

Looker, verinin karmaşık ve ham halinden arındırılıp, belirli bir iş hedefi veya kullanıcı grubu için anlamlı, güvenilir ve kolayca sindirilebilir hale getirilmesinde (curated analytics) öne çıkarken; analistler ve mühendisler çoğu zaman modellere geçilmeden önce ya da veri dağınık durumdayken veriye daha yakın çalışmak isterler. İşte burada BigQuery’deki diyaloğa dayalı analitik devreye girer. Doğrudan BigQuery Studio içine entegre olan bu deneyim, veri profesyonellerinin veri kümeleri hakkında doğal dilde sorular sormasını sağlar:

• Anında SQL üretip çalıştırma
• Sonuçları anlık olarak görselleştirme
• Öngörücü ve istatistiksel analiz yapma
• Ham, yarı yapılandırılmış ve yapılandırılmamış verilerle doğrudan çalışma

🌟 Bu sayede analistler, içgörüyü yazılan SQL satırı sayısıyla ölçmek yerine, sonuçları yorumlamaya ve “neden” sorusuna yanıt vermeye odaklanabilir.

3. Tahmin Yürütme Değil, Temellenmiş Zeka

Yapay zeka destekli analitikte en yaygın endişelerden biri halüsinasyondur. Google Cloud bu konuyu, güveni zedelemeden, her katmanda farklı biçimde ele alır.

3.1 Looker’da Temellendirme

Looker’da temellendirme (grounding), iş mantığının tek doğruluk kaynağı olan LookML üzerinden sağlanır.

3.2 BigQuery’de Temellendirme

BigQuery’de ise temellendirme şu unsurlardan gelir:

• Tablo şemaları ve metadata: Metinden yapı çıkarımı yapan genel amaçlı büyük dil modellerinin aksine, BigQuery’nin diyalog ajanı doğrudan gerçek tablo şemalarınıza ve metadata yapınıza dayanır. Herhangi bir SQL üretmeden önce şunları anlar:
  • Sütun adları ve veri tipleri
  • Tablo yapıları ve ilişkiler
  • Mevcut veri kümeleri ve görünümler


• Doğrulanmış Sorgular (Verified Queries): Bu, hataya karşı en güçlü güvenlik katmanıdır. Ajana, yıllık tekrarlayan gelir (ARR), müşteri kaybı veya günlük aktif kullanıcı sayısı gibi kritik metriklerinizi tanımlayan, güvenilir ve canlıda kullanıma hazır SQL içeren, özelleştirilmiş (curated) bir doğrulanmış sorgular kütüphanesi sağlayabilirsiniz.
  
  

  Ajan, sıfırdan mantık kurmak yerine, bu sorguları referans örüntüler olarak kullanır. Böylece sonraki yanıtların şunları sağlamasını garanti eder:

  • Onaylı hesaplama mantığını yeniden kullanma
  • Yönetici panoları ve raporlarla tutarlı kalma
  • İş biriminin halihazırda güvendiği metriklerle uyumlu olma


• Kullanıcı tanımlı talimatlar ve örüntüler: BigQuery, ajanın veriniz hakkında akıl yürütme şeklini kalıcı talimatlar ve bağlamsal kurallar ile yönlendirmenize de olanak tanır. Örneğin:
  • Kelime dağarcığı uyumu: Ajana, “Clients”, “accounts” ve “customers” terimlerinin aynı iş varlığına ya da sütuna karşılık geldiğini öğretin.
  • İş mantığı kuralları: Şu tür kısıtlamalar tanımlayın:
    • “Trend analizlerinde her zaman son tamamlanan çeyreği filtrele.”
    • “En iyi performans gösterenler yalnızca cirosu 100 bin doların üzerinde olan satış temsilcilerini ifade eder.”
  
  Bu talimatlar, üretilen SQL’in genel varsayımlar yerine kurum içi dilinizi ve karar alma mantığınızı yansıtmasını sağlar.

🌟 BigQuery’nin diyaloğa dayalı analitiği şema farkındalığı, doğrulanmış SQL mantığı ve işe özgü talimatları bir araya getirerek doğru, tekrarlanabilir ve yönetilebilir sorgular üretir. Yapay zeka veri modelinizin yerine geçmez, ona saygı duyar. Tahmin etmek yerine, verinizi, metriklerinizi ve kurallarınızı bilen, iyi eğitilmiş bir analist gibi davranır.

4. Looker ve BigQuery Genelinde Temel Yetenekler

Google Cloud’ta diyaloğa dayalı analitik tek bir özellik değildir. Soruyu kimin sorduğuna ve verinin nerede bulunduğuna adapte olan bir yetenekler bütünüdür. Looker ve BigQuery ortak prensipleri paylaşır, ancak her biri kendine özgü güçlü yönler sunar.

4.1 Veri Ajanları: Genel Sohbet Robotları Değil, Özelleştirilmiş Yapay Zeka

Hem Looker hem de BigQuery’de diyaloğa dayalı deneyimler, verinize ve iş bağlamınıza göre özelleştirilmiş Veri Ajanları tarafından desteklenir.

4.1.1 Looker Veri Ajanları, Explores ve semantik modelin üzerine inşa edilir.

• Bağlamsal Zeka: Ajana, “sadık müşteriler” ifadesinin beşten fazla tamamlanmış siparişi olan kullanıcılar anlamına geldiğini öğretebilirsiniz.



• Alanlar Arası Analiz: Tek bir ajan beş Explore’a kadar bağlanabilir. Böylece satış, envanter, pazarlama ve operasyonları tek bir sohbet içinde kapsayan sorular sorabilirsiniz.



• Kontrollü Paylaşım: Ajanlar belirli ekiplerle paylaşılabilir. Bu da kurum genelinde tutarlı tanımlar ve uyumlu içgörüler sağlar.

🌟 Looker’da Conversational Analytics’in nasıl çalıştığını görmek için aşağıdaki videoya göz atın:

4.2.1 BigQuery Veri Ajanları, geliştiriciler ve veri profesyonelleri için tasarlanmıştır.

• Veri Kaynaklarınıza Dayalı Derin Temellendirme: Halüsinasyon üreten genel yapay zekaların aksine, BigQuery ajanları sizin özel bilgi kaynaklarınıza dayanır. Ajanı belirli tablolar, görünümler ve kullanıcı tanımlı fonksiyonlar (UDF) ile ilişkilendirebilirsiniz. Bu sayede ajan yalnızca şemayı değil, ekibinizin halihazırda oluşturmuş olduğu özel hesaplamaları da anlar.



• Kalıcı Bağlam ve Talimatlar: Ajanın ekibinizdeki eğitimli bir analist gibi davranmasını sağlayacak belirli davranışlarla programlayabilirsiniz.



• Konsolun Ötesinde (API): Bu ajanlar BigQuery Studio ile sınırlı değildir. Conversational Analytics API’yi kullanarak ajanları kendi özel uygulamalarınıza ve şirket içi portallarınıza entegre edebilirsiniz. Böylece kullanıcıların doğal dilde soru sorduğu, arkada ise özelleştirilmiş BigQuery Ajanınızın çalıştığı “veri uygulamaları” geliştirebilirsiniz.

🌟 Conversational Analytics API’nin nasıl çalıştığını görmek için aşağıdaki videoya göz atın:

🌟 BigQuery’de Conversational Analytics’in nasıl çalıştığını görmek için aşağıdaki videoya göz atın:

4.2 İleri Seviye Analitik: Sorular SQL’in Ötesine Geçtiğinde

Her analitik soru SQL’e tam olarak uymayabilir. Google Cloud bu durumu iki katmanda da, farklı ama bilinçli yaklaşımlarla ele alır.

4.2.1 Looker Kod Yorumlayıcı

Kullanıcılar şu tür sorular sorduğunda:

• Tahminleme
• Kohort analizi
• İstatistiksel korelasyon
• Aykırı değer tespiti

Looker, doğal dili Python koduna dönüştürebilir, güvenli biçimde çalıştırabilir ve sonuçları döndürebilir. Altyapıda pandas ve scikit-learn gibi yaygın kütüphaneler kullanılır. Böylece kullanıcılar kod kullanmaksızın ileri seviye analitiğe erişebilir. Bu yaklaşım, yönetişim ve şeffaflık gerektiren iş odaklı derin analizler için idealdir.

4.2.2 BigQuery ML Entegrasyonu

BigQuery’de ileri seviye analitik yerleşiktir.

Diyaloğa dayalı istemler otomatik olarak şu BigQuery ML fonksiyonlarını tetikleyebilir:

• Talep ve satış tahmini için AI.FORECAST
• Trafik veya gelir anomalileri için AI.DETECT_ANOMALIES
• Özetleme ve içgörü üretimi için AI.GENERATE_TEXT

Örnekler:

• “Önümüzdeki üç ay için satış tahmini yap.”
• “Dünün trafik verilerindeki anomalileri bul.”
• “Destek kayıtlarındaki müşteri geri bildirimlerini özetle”

Bu yaklaşım, öngörücü analitiği ayrı bir iş akışı olmaktan çıkarıp sorgu deneyiminin bir parçası haline getirir.

4.2.3 Yapılandırılmamış Veri: BigQuery’nin Öne Çıktığı Nokta

Temel farklılaştırıcı unsurlardan biri yapılandırılmamış veri analizidir. BigQuery’nin diyaloğa dayalı ajanı şu veri türleri üzerinde akıl yürütebilir:

• PDF’ler
• Görseller
• BigQuery nesne tablolarında saklanan metin belgeleri

Bu özellik, sözleşmeler, raporlar, geri bildirimler veya taranmış belgeler gibi geleneksel iş zekası araçlarının işlemekte zorlandığı veri türlerinden, karmaşık ön işlemeye gerek kalmadan içgörü elde etmeyi mümkün kılar.

5. Diyaloğa Dayalı Analitikte Başarılı Olmak için En İyi Uygulamalar

Yapay zeka, ancak kendisine verilen bağlam kadar iyidir. Güvenilir ve yüksek kaliteli yanıtlar almak için veri temellerinizin bilinçli şekilde kurgulanması gerekir.

5.1 Looker En İyi Uygulamaları: Semantik Katmanı Optimize Edin

1. Net ve İş Dostu Etiketler Kullanın
Looker, soruları veri alanlarıyla eşleştirmek için etiketlerden yararlanır. user_creation_date gibi teknik isimleri, User Sign-up Date gibi okunabilir terimlerle değiştirmek için label parametresini kullanın.

2. Detaylı Alan Açıklamaları Yazın
description parametresiyle yapay zekaya kritik bağlam sağlayın. “Web sitesini ziyaret eden toplam tekil kullanıcı sayısı” gibi bir açıklama, kullanıcı sorularının doğru metriklerle eşleşmesine yardımcı olur.

3. Alan Kalabalığını Azaltmak İçin Explore‘ları Düzenleyin
Çok fazla sayıda ve alakası olmayan alanların gösterimi yapay zekanın seçeneklerini karmaşıklaştırır. Teknik alanları veya birincil anahtarları hidden: yes ile gizleyin ve özellikle diyaloğa dayalı kullanım için sadeleştirilmiş Explore’lar oluşturmayı değerlendirin.

💡 Looker’da geliştirme yapmak için en iyi uygulamaları öğrenmek isterseniz, önceki blog yazımıza göz atın 👉 Veri Ekipleri için Looker Geliştirme Rehberi: En İyi Uygulamalar

5.2 BigQuery En İyi Uygulamaları: Ajanı Temellendirin

1. Güçlü Metadata Yapısını Koruyun
Tablo ve sütun açıklamaları önemlidir. Gemini’nin niyeti anlamasına yardımcı olur ve belirsizliği azaltır.

2. Doğrulanmış Sorguları Kullanın
Güvenilir SQL örüntülerinizi (yıllık yinelenen gelir, müşteri kaybı, gelir mantığı vb.) ajanla paylaşın. Bu, tutarlılık sağlar ve yapay zekanın tahmin yürütmesini engeller.

3. Görünümleri ve Kullanıcı Tanımlı Fonksiyonları Stratejik Kullanın
İş mantığını yeniden kullanılabilir yapılarda kapsülleyin. Böylece diyaloğa dayalı sorgular mühendislik standartlarıyla uyumlu kalır.

Bunu, işe yeni başlayan bir analiste örnekler, bağlamlar ve koruyucu çerçevelerle ilgili eğitim vermek gibi düşünün.

Diyaloğa Dayalı Analitiği Bir Özellik Değil, Bir Strateji Olarak Ele Alın

Diyaloğa dayalı analitik, kurumların verilerle çalışma biçiminde yapısal bir dönüşümü temsil eder. Statik panolardan, uzun analiz kuyruklarından ve katı filtrelerden; sohbet yoluyla, bağlamsal ve anlık içgörü elde edilen bir dünyaya geçiyoruz.

Looker ile iş kullanıcıları, tanımları bozmadan ve güven kaybetmeden soru sorabilecekleri, yönetişimli ve güvenilir bir deneyim kazanır. BigQuery ile analistler ve mühendisler, doğal dili SQL’e, öngörücü modellere ve içgörülere doğrudan kaynağında dönüştüren güçlü bir hızlandırıcıya sahip olur. Gemini sayesinde ise bu deneyimler artık dağınık değil, tüm veri teknolojileri boyunca birbirine bağlıdır.

Bizimle iletişime geçin ve Google Cloud üzerinde diyaloğa dayalı analitiği hayata geçirmenize ve operasyonel hale getirmenize yardımcı olalım. BigQuery ve Looker’ı yapılandırmak ya da Gemini’yi kendi iş mantığınız, veri modelleriniz ve yönetişim standartlarınızla temellendirmek gibi yetenekleri kurumunuz genelinde güvenle kullanmanızı sağlayalım.