Veri Bilimci Nasıl Olunur? Beceriler, Yol Haritası ve Gerçekler

Öğrencilerden ve kariyer değiştirmek isteyen profesyonellerden en sık duyduğum sorulardan biri şu: “Veri bilimci olmak için nereden başlamalıyım?” Soru basit görünse de cevabı bir kurs listesinden ibaret değil. Veri bilimi; istatistik, programlama, iş bilgisi ve iletişimin kesiştiği bir alan ve bu parçaların hangisinin eksik kaldığı, işe başladığınızda hemen ortaya çıkıyor. Bu yazıda gereken becerileri, makul bir öğrenme sırasını, işe yarayan portföy projelerini ve ilk işin gerçeklerini abartmadan anlatmaya çalışacağım.

Veri bilimci aslında ne yapar?#

ABD Çalışma İstatistikleri Bürosu (BLS) meslek tanımında veri bilimcilerin işini, veriden anlamlı içgörüler çıkarmak için analitik araç ve teknikler kullanmak olarak özetliyor. Günlük işler arasında veri toplamak ve temizlemek, makine öğrenmesi modelleri kurup test etmek, bulguları görselleştirmek ve karar vericilere öneri sunmak sayılıyor.

Bu listenin sırası bile öğretici. Pek çok kişi işin “model kurma” kısmını hayal eder; gerçekte zamanın önemli bir bölümü verinin nereden geldiğini anlamaya, eksik ve hatalı kayıtları ayıklamaya ve doğru soruyu netleştirmeye gider. Veri kalitesi üzerine çalışan biri olarak şunu rahatlıkla söyleyebilirim: iyi bir veri bilimciyi ayıran şey çoğu zaman en karmaşık algoritmayı bilmesi değil, verinin neyi temsil ettiğini ve neyi temsil etmediğini sorgulamasıdır.

Temel beceriler#

BLS’nin önemli nitelikler listesinde analitik düşünme, bilgisayar becerileri, iletişim, mantıksal düşünme, matematik ve problem çözme yer alıyor. Bunu pratikte dört ana başlığa ayırmak mümkün:

SQL’in bu listede bu kadar üstte olması bazen şaşırtıcı bulunuyor. Ama ilk işinizde büyük olasılıkla ilk haftalarınız, ihtiyaç duyduğunuz veriyi doğru tablolardan doğru şekilde çekmeyi öğrenmekle geçecek. Basit bir örnek:

SELECT sehir,
       COUNT(*)            AS siparis_sayisi,
       AVG(tutar)          AS ortalama_tutar
FROM siparisler
WHERE siparis_tarihi >= '2026-01-01'
GROUP BY sehir
ORDER BY siparis_sayisi DESC;

Bu sorguyu yazabilmek kolay; asıl beceri, sonuca bakıp “iptal edilen siparişler de sayıldı mı?”, “aynı müşteri iki kez mi geçiyor?” diye sorabilmek.

Makul bir öğrenme sırası#

Herkesin yolu farklı olsa da şu sıra çoğu kişi için işe yarıyor:

1. Temel istatistik ve veriyle düşünme. Ortalama ile medyanın farkı, örneklem büyüklüğü, korelasyon ile nedenselliğin ayrımı.
2. Bir programlama dili. Python veya R’dan birini seçip derinleşmek, ikisine yüzeysel bakmaktan daha değerli.
3. SQL. Gerçekçi, birden fazla tablolu bir veri setinde pratik yapmak.
4. Veri temizleme ve keşifsel analiz. Eksik değerler, aykırı değerler, tutarsız kategoriler.
5. Temel makine öğrenmesi. Doğrusal ve lojistik regresyon, karar ağaçları; en önemlisi de modeli doğru değerlendirmek.
6. Sunum ve hikâye anlatımı. Bulguyu bir grafik ve birkaç cümleyle aktarmak.

Eğitim konusunda BLS, ABD için bu meslekte genellikle en az matematik, istatistik, bilgisayar bilimi ya da ilgili bir alanda lisans derecesi beklendiğini, bazı işverenlerin yüksek lisans veya doktora tercih ettiğini belirtiyor. Bu bir ABD tanımı; yine de diploma tek kapı değil. Fizik, ekonomi, mühendislik ya da sosyal bilimler gibi farklı bölümlerden gelip istatistik temelini sağlamlaştıran ve güçlü bir portföy hazırlayan kişiler de bu alana geçebiliyor.

Portföy: neyi göstermeli?#

İyi bir portföy projesi, sizin nasıl düşündüğünüzü gösterir. Birkaç öneri:

• Kendi sorunuzla başlayın. Herkesin kullandığı hazır veri setleri yerine ilginizi çeken bir konuda açık veri bulun: belediye verileri, ulaşım, hava kalitesi, spor istatistikleri.
• Uçtan uca gidin. Veriyi edinme, temizleme, analiz, sonuç ve sınırlılıklar. Yarım kalmış beş proje yerine tamamlanmış iki proje daha ikna edicidir.
• Sınırlılıkları açıkça yazın. “Bu veri şu grupları kapsamıyor, bu yüzden sonuç şuna genellenemez” demek, olgunluk işaretidir.
• Okunabilir bırakın. Düzenli bir kod deposu, kısa bir açıklama dosyası ve teknik olmayan biri için bir özet paragraf.
• Doğruluk yüzdesine takılmayın. Modelinizin başarısını basit bir referans yöntemle (örneğin her zaman en sık sınıfı tahmin etmek) karşılaştırın. Bu karşılaştırma, tek başına yüksek bir sayıdan çok daha fazla şey anlatır.

İlk işin gerçekleri#

Bu bölümü yazmamın nedeni, beklenti ile gerçek arasındaki farkın pek çok kişiyi erken hayal kırıklığına uğratması.

• Unvanlar karışık. Bir kurumda “veri bilimci” denen iş, başka bir kurumda “veri analisti” ya da “makine öğrenmesi mühendisi” olarak geçebilir. İlanda unvana değil, görev tanımına bakın.
• Giriş seviyesi kapısı çoğu zaman analistlikten geçer. Raporlama, SQL ve gösterge panelleri ile başlayıp zamanla modellemeye kaymak yaygın bir yol.
• Rekabet var. Alan popüler ve giriş seviyesindeki ilanlara çoğu zaman çok sayıda başvuru geliyor. Bu yüzden belirli bir sektöre (sağlık, finans, perakende, enerji) ilgi ve bilgi göstermek sizi ayırt edebilir.
• Talep görünür ama yere göre değişir. BLS, ABD’de veri bilimci istihdamının 2025–2035 döneminde yüzde 35 büyümesini öngörüyor. Bu bir ülke projeksiyonu; Türkiye ya da başka bir pazar için doğrudan geçerli sayılmamalı.

Maaş rakamları konusunda bilerek bir şey yazmıyorum: ülkeye, şehre, sektöre ve deneyime göre çok değişiyor ve kaynağı, tarihi belli olmayan rakamlar yanıltıcı oluyor.

Sık sorulan sorular#

Kaynaklar

• U.S. Bureau of Labor Statistics – Occupational Outlook Handbook: Data Scientists ↗
• U.S. Bureau of Labor Statistics – Career Outlook: Data occupations (2023) ↗
• Google for Developers – Machine Learning Crash Course ↗
• American Statistical Association – Statement on Statistical Significance and P-Values (2016) ↗