6 Eylül 2026 Pazar

Doğru Raporlama ve Yapay Zeka

“Yapay zeka gelince …” diye başlayan soruları sıkça duyuyorum. Bir ara çok sayıda “YZ geldi, CRM öldü” diyenler vardı. Kısa yanıtını [1] – [2] kere verdim.

Bunları niye tekrar yazdım. Son zamanlarda okuduğum çeşitli makalelerde ve Linkedin paylaşımlarında YZ’nın ürettiği raporların doğruyu göstermediği, arka arkaya alınan raporlarda bile farklılık olduğu, vb. üzerinde duruluyor. Bu durumun çözüm yolları öneriliyor.

10-15 sene önceye gidersek… Danışmanlık vesilesiyle tanıdığım birkaç şirkette, farklı iş birimlerinin her birinde sadece raporlamayla uğraşan 4 – 5 kişilik gruplar vardı.  Bir bankada bu konu abartılmıştı. Bireysel Bankacılık, KOBİ bankacılığı, Ticari bankacılık, Kurumsal bankacılık, Özel bankacılık, Alternatif dağıtım kanalları, vb… her birinin ayrı raporlama birimleri vardı.

Yani 35 – 40 kişi, tüm mesailerini farklı kaynaklardan, faklı sistemlerden rakamlar bulup yönetim kademelerine rapor yazmaya ayırıyorlardı. Her bir departman farklı kaynakları ve farklı tanımları kullandığı için, aynı konudaki raporlar bile farklı rakamlar gösteriyorlardı. Aslında, yönetimin elinde sağlam ve tutarlı raporlar da olamıyordu.

Yapay Zeka Gelince

Yapay zeka ile yapılabilecekler konusunda senaryolar üretmek ve hayaller kurmak çok güzel. Bu senaryo ve hayalleri mercek altına alıp, olası sorunları aklımıza getirdiğimizde ise, bambaşka noktaları dikkate almamız gerektiğini görüyoruz.

Bu dört yazıyı da, geçmişte benden eğitim almış (ve gelecekte alacak) arkadaşlara öneriyorum.

Ercüment Büyükşener‘in Linkedin’de paylaştığı yazıları ve sohbetleri de izlenmeli.

Bir de Alper Bayraklı‘nın Linkedin paylaşımları var. Yurt dışına da hizmet veren bir ajansın AI ile yolculuğunun güncesi gibi… Çoğunluğu “mutlaka okunmalı” dediğim yazılar. Bazı yazılarından seçtiğim cümleler şöyle:

  • “Bunu Ahmet yaptı, ben bilmiyorum” cümlesi teknik borcun dokümante edilmemiş halidir.
  • “Hafta sonu bir bakarız” cümlesi benim için sessiz bir krizdir.
  • AI çağı, her şeyi yeniden yıkıp yeniden yaptığımız ilk çağ değildi. Waterfall’dan Agile’a, Monolith’ten Microservices’e geçişleri (ve zaman zaman geri dönüşleri) düşündüğümde, AI’ın bizi zorladığı yerin aynı olduğunu görüyorum: zihniyet değişikliği.

Doğru Raporlamak İçin

Mevcut durumda yaptığınız işleri (ve raporları) aynen dijitalleştirirseniz… hızını artırırsınız ve sabitlersiniz. Zaten yaptığınız yanlışı daha hızlı ve geri alınmaz büyük bir yanlış hâline getirirsiniz.

Bu kadar uzun giriş paragrafları ve referanslar yazmamın nedeni, bu cümledir.

Şimdi çözümü konuşalım.

İlk yapmanız gereken çalışma, mevcut raporları gözden geçirmektir.

 

Tıpkı “Veriden Önce Yanıtlanması Gereken Soru” yazısında vurguladığım gibi “Ne yapacaksın bununla?” sorusuyla başlanmalıdır.

  • Bu raporu kim üretiyor?
  • Neden bu rapor üretiliyor? Hangi belirsizliği azaltıyor?
  • Kim kullanıyor?
  • Nerede kullanıyor?
  • Hesaplama yöntemi nedir?
  • Bu yöntem gerçekten amaca hizmet ediyor mu?
  • Başka bilgilerle desteklenirse, daha doğru karar verilebilir mi? (Hangi başka bilgiler?)
  • Bu rapora dayalı kararlarda nasıl sonuçlar elde edildi? (Gerçekten işe yarıyor mı?)
  • Bu rapor hâlâ geçerli mi? (Hangi durumlarda bu raporu dikkate almamamız lazım?)

Bu soruların bir kısmının yanıtını yapay zekadan alabilirsiniz. Hiç sakıncası yok, hatta yararı var. Yeter ki ilk soruları kendiniz yanıtlamaya çalışın.

Bu soruları yanıtlamaya kalkıştığınızda kendinizi “Veriden Önce Yanıtlanması Gereken Soru” yazısında anlattığım veri sözlüğünün karşısında bulacaksınız. Bu noktada “yapay zeka varken buna gerek yok” demeyin.

  • Ömer KORKMAZ, Linkedin’deki yazısında şu noktalara değinmiş. “Verisini yönetemeyen bir otel, yapay zekâyı nasıl yönetecek?“, “Yoksa mevcut dijital karmaşanın üzerine eklediğimiz daha pahalı bir katman mı?“, “Daha kaliteli veri. Ve mümkünse tek bir doğruluk kaynağı.” (Aradan işime gelen cümleleri çekip aldığımı düşünürseniz, tamamını okuyuverin.)
  • Sibel Akoğlu‘nun yukarıda referans verdiğim yazısı, müşteri odaklı veri ambarının önemine değiniyor.
  • McKinsey’in AI data readiness: The key to scaling impact makalesinde, tekrar kullanılabilecek verilerin önemine değiniliyor.
  • Elinizde veri olabilir ama bağlam ve müşteri deneyimi konusunda yeterli tecrübeniz yoksa, felaket yanlışlar yapabilirsiniz. O dönemlerde bunun sorumluluğunu insanlar üstleniyordu. Artık “Ben yapmadım, yapay zeka yaptı” mı diyeceksiniz.

Envanter yönetiminde FIFO (First in first out) ilk giren ilk çıkar – LIFO (Last in first out) son giren ilk çıkar gibi yöntemler vardır. Veri yönetiminde GIGO (garbage in garbage out) çöp koyarsan çöp alırsın değişmez bir gerçektir.

Yapay zeka bunu azaltmaz ama hızlandırır.

Özetle

“Yapay zekayı raporlama için kullanıyorum. “Şu müşterideki son durumu bana şu şekilde özetle” diyorum. Şipşak görüntü alıyorum” diyorsanız… kişisel kullanım için ehh… idare eder. Ama kurumsal boyutta böyle düşünüyorsanız.

Birkaç sene sonra anılarınızı ve hüznünüzü paylaşacağınızı şimdiden söyleyebilirim.

Eş zamanlı olarak Linkedin’de yayınlandı.

.

Etiketler: , , , , , , , , , , , , ,

Kategori: CRM

“Doğru Raporlama ve Yapay Zeka” yazısına şu ana kadar 4 yorum yapılmış:

  1. GÜLŞEN YEGİN • İstanbul İşletme Enstitüsü -Eğitmen
    .
    Uğur hocam yine mükemmel bir tespit. “Veri yönetiminde GIGO (garbage in garbage out) çöp koyarsan çöp alırsın ise değişmez bir gerçektir.”
    ======================
    Erinç Aşıcıoğlu • Marketing Communications Manager
    .
    Teşekkürler hocam. Veriyi daha önce test etmedinizse işi kısaltmak yerine sizin duymak istediğinizi söyleyip çok yanıltıcı oluyor.
    ======================
    Sibel Akoglu • Big Data Analyst, MBA, PSPO I @ Doğuş Teknoloji
    .
    Ugur Hocam,
    Normal bir raporlama yada yapay zeka destekli bir kurgu olsun hiç fark etmez, veri ile ilgili sorunların yıllar içinde hiç değişmediğini görüyorum. İhtiyaca göre değil, isteğe göre geliştirme yapılıyor çünkü.
    .
    Diğer taraftan bakarsak, bir şirkette üç tane yıl sonu ciro rakamı olunca (pazarlama başka, satış başka, finans başka gibi) ha insanı ha agent’ı koymuşuz sisteme, kafasının karışmaması imkansız. Basit bir ciro rakamında bile, agent’ın beklenen cevabı vermesini sağlamak müthiş bir efor. Veri kalitesi düşük, verileri birbiri ile konuşmayan kurumlara bu yolculukta sabırlar diliyorum sadece.
    =======================
    Alper Bayrakli • CTO | AI-Native Agency Transformation
    .
    Ugur Hocam beni de değerli isimlerle aynı cümlede andığınız için çok teşekkür ederim.
    Başlangıç noktası olarak “ne yapacaksın bununla” sorusu çok doğru ve kritik bir nokta. Raporun var olması demek bir beyanın, bir kararın var olması demek. Çözüm için de çerçeveyi çizmişsiniz hocam, okuyana uygulaması kalmış 🙂
    =======================
    Ercüment Büyükşener • Dijital Dönüşüm ve Yapay Zeka Stratejisti
    .
    Referans için teşekkürler Uğur Hocam

  2. Rana Güzeldağ :
    15 Eylül 2026
    6:44 pm

    Hocam bundan çok seneler önce, bir ödev yapmıştık verilerden müşteriyi tanımaya çalışmıştık. Yapay zeka konusunda çok bilgili de değilim fakat o gün yapabildiğim yorumları yapay zekaya ben yaptıramazdım, belki doğru komutları girersem yapabilirdi ama o komutları verebilmek için bütün satın alımları yine detaylı inceleyip bazı saklı kalmış konular aklıma gelirse komut olarak girerdim yani aynı emeği harcamam gerekirdi belki sadece vakit kazanabilirdim diye düşünüyorum. Bu arada sizi yaklaşık 20 sene sonra hala çok büyük sevgi ve saygıyla anıyorum. Tüm ailenize ve size sevgiler.

  3. Serkan KAV • Yapay Zekâ Eğitmeni | Kurucu Ortak @Y İnovasyon | Kurumsal AI Eğitimleri
    .
    Ugur Bey, referansınız için çok teşekkür ederim.
    .
    Yazıda özellikle şu noktanın altını çizmeniz bence çok önemli: Yapay zekâya geçmeden önce, raporun kendisinin ne kadar sağlam olduğunu sorgulamak gerekiyor.
    .
    Tanımı net olmayan, hangi veriden beslendiği ya da nasıl hesaplandığı belli olmayan bir raporu yapay zekâya taşıdığımızda aslında problemi çözmüş olmuyoruz. Bazen sadece aynı belirsizliği daha hızlı ve daha büyük ölçekte üretmiş oluyoruz.
    .
    Benim “Bir Yapay Zekâ Kararının Delili Nedir?” yazısında baktığım taraf biraz bunun sonrasıyla ilgiliydi. Veri ve rapor doğru olsa bile, o rapordan hareketle verilen kararın nasıl oluştuğunu sonradan gösterebiliyor muyuz? Hangi veri kullanıldı, hangi kural devreye girdi, model ne yaptı, insan nerede müdahil oldu?

    Sanırım güvenilir kurumsal yapay zekâ için iki tarafı birlikte düşünmek gerekiyor: önce verinin ve raporun anlamı, sonra da verilen kararın izi.

    Emeğinize sağlık. Yazınız benim açımdan da konuyu tamamlayan çok güzel bir çerçeve olmuş.
    ===========================
    Ugur Ozmen
    .
    Serkan Bey, Yazınız için ben teşekkür ederim.
    .
    Benim yazdığım, sizin vurguladığınız gibi, sizin “Bir Yapay Zekâ Kararının Delili Nedir?” yazınızın öncesiyle ilgili oldu.
    .
    Açıkçası, o amaçla yazmamıştım. Eğitimlerime katılanlara “Her hangi bir sistemi, raporu, kararı… dijital alt-yapıya gömmeden önce yapılması gerekenler” diye bir yazı hazırlamayı hedeflemiştim.
    Sizin yazınızla birlikte konuyu tamamlayan bir çerçeve oldu. İyi ki…

  4. Taha G. • TIRSAN TREYLER – Purchasing Senior Specialist
    .
    Yapay zekânın raporlamayı hızlandırması tek başına bir başarı değil.
    .
    Yanlış tanımlanmış bir KPI’ı, tutarsız veriyi veya hatalı bir raporlama mantığını yapay zekâya verdiğimizde problemi çözmüyoruz. Sadece aynı problemi daha hızlı ve daha büyük ölçekte üretiyoruz.
    .
    Uğur Özmen’in bu yazısında özellikle altını çizdiği “Ne yapacaksın bununla?” sorusunu çok değerli buldum.
    =========================
    Buse Kargı • Data Analytics
    .
    I think people are particularly captivated by the allure of achieving a professional yet flexible appearance through artificial intelligence.
    I also really like the data management term “GIGO” (garbage in, garbage out).
    A very informative article.
    =========================

Yorum Yazın