Veri bilimi denince çoğu insanın aklına grafiklerle dolu ekranlar, karmaşık denklemler, Python kodları ve “bunu ben asla anlayamam” hissi geliyor. Oysa veri biliminin özü, düşündüğümüzden çok daha tanıdık bir yere dayanıyor: tahmin etme.

Daha doğrusu şuna:

“Geçmişte olanlara bakarak, bundan sonra ne olacağını sezmek.”

Aslında bunu gün içinde defalarca yapıyoruz. Hava bulutluysa şemsiye alıyoruz. Sabah trafikte bir yol kapalıysa alternatif güzergâh seçiyoruz. Bir arkadaşımızın mesaj atma saatine bakıp “birazdan yazar” diyoruz. Hiçbirimiz bunun için istatistik kitabı açmıyoruz ama yine de veriyle düşünüyoruz.

Veri bilimi tam olarak bu içgüdüyü alıp, daha sistemli, daha ölçülebilir ve daha az yanlı hale getirme çabası.

“Veri” Dediğimiz Şey Nedir Gerçekten?

Çoğu anlatımda veri, sanki kutsal bir nesneymiş gibi ele alınıyor. Oysa veri dediğimiz şey çoğu zaman sadece geride bırakılmış izler.

• Bir butona tıklaman
• Bir ürünü sepete ekleyip almaman
• Bir videoyu 3. saniyede kapatman
• Bir uygulamayı haftada kaç kez açtığın

Bunların hiçbiri “bilgi” değil. Ham, dağınık, bağlamsız izler. Veri bilimcinin yaptığı şey de bu izlere bakıp şunu sormak:

“Bu davranışlar birlikte ne anlatıyor?”

İşin zor kısmı genelde model kurmak değil, neye bakılması gerektiğini fark etmek.

En Büyük Yanılgı: Daha Fazla Veri = Daha İyi Sonuç

Bu veri bilimi dünyasının en yaygın yanılgılarından biri.

Gerçek hayatta çoğu problem:

• Çok fazla veri olduğu için değil,
• Yanlış veriye bakıldığı için çözülemiyor.

Örneğin bir e-ticaret sitesinde satışlar düşüyor diyelim.
İlk refleks genelde şu olur: “Daha fazla kullanıcı verisi toplayalım.”

Ama asıl soru şudur:

• Kullanıcı siteye geliyor mu?
• Geliyor ama güven mi duymuyor?
• Fiyat mı pahalı geliyor?
• Kargo mu geç?
• Ürün açıklaması mı yetersiz?

Veri bilimi, bu soruları tek tek ayıklama sanatıdır. Aksi halde gürültüyü büyütürsünüz, sinyali değil.

Modeller Aslında “Düşünce Kalıplarıdır”

Makine öğrenmesi modelleri çoğu zaman birer sihirli kutu gibi anlatılır. Oysa her model, çok basit bir düşünce kalıbını matematikle ifade eder.

• Linear regression: “Bir şey artarken diğeri de düzenli artıyor mu?”
• Decision tree: “Eğer buysa şunu yap, değilse bunu yap.”
• K-means: “Bunlar birbirine benziyor mu?”
• Neural networks: “Bunu tek adımda anlayamıyorum ama katman katman bakarsam belki yakalarım.”

Aslında modellerden korkmamızın sebebi matematik değil;
kendi sezgimizi formüle etmekte zorlanmamız.

İyi bir veri bilimci, modeli bilen değil;
modelin ne zaman işe yaramayacağını bilen kişidir.

En Zor Kısım: İnsan Davranışı

Veri biliminde en büyük karmaşa teknik tarafta değil, insan tarafında çıkar.

Çünkü insanlar:

• Tutarsızdır
• Fikir değiştirir
• Aynı koşulda farklı davranır
• Ve çoğu zaman kendisi bile neden öyle davrandığını bilmez

Bu yüzden veriye bakıp kesin hükümler vermek tehlikelidir.
Veri bize “neden”i değil, çoğu zaman sadece “ne oldu”yu söyler.

Veri bilimi burada bir kehanet aracı değil,
daha iyi soru sorma aracı olmalıdır.

Sezgisel Veri Bilimi Nedir?

Bence sezgisel veri bilimi şudur:

• Sonuca değil sürece odaklanmak
• Grafiği süslemek yerine hikâyesini anlamak
• Model doğruluğundan önce veri anlamını sorgulamak
• “Bu sonuç bana mantıklı geliyor mu?” diye sormaktan çekinmemek

Çünkü veri bilimi bir noktada şuna dayanır:

“Bu çıktıya ben güveniyor muyum?”

Eğer cevabın “emin değilim” ise, model ne kadar iyi olursa olsun bir sorun vardır.

Sonuç Yerine: Veri Bilimi Bir Zihin Disiplini

Veri bilimi bence bir meslekten çok bir düşünme biçimi.

• Varsayım yaparsın
• Test edersin
• Yanılırsın
• Düzeltirsin
• Yeniden denersin

Bu yönüyle bilimden çok felsefeye yakındır.
Ve belki de bu yüzden teknik olduğu kadar insani bir alandır.

Eğer veri bilimiyle ilgileniyorsan, önce koddan değil şuradan başla:

“Ben hangi konuda yanlış varsayım yapıyor olabilirim?”

Gerisi zaten gelir.