Veri Analitiği

1. Kapsam ve Amaç

Bu rehber; yapay zekâ mevzuatı, AI Act uyumu, ERP ve MES yönetimi, dijital fabrika, Endüstri 4.0, robotik otomasyon ve veri analitiği projelerini işletmeler açısından uygulanabilir bir dönüşüm modeli halinde açıklamak amacıyla hazırlanmıştır.

2. 2026 Güncellik Kontrolü

Yapay zekâ mevzuatı ve dijital dönüşüm alanı hızla değişmektedir. Avrupa Birliği AI Act uygulama takvimi, 2026 tarihli AI Omnibus düzenlemeleri, Türkiye Yapay Zekâ Eylem Planı ve güncel standartlar proje öncesinde resmî kaynaklardan doğrulanmalıdır.

3. Dijital Dönüşüm Stratejisi

Teknoloji yatırımları şirket stratejisi, müşteri beklentileri, üretim hedefleri, maliyet yapısı, yetkinlik seviyesi ve risk iştahıyla ilişkilendirilmelidir.

4. Mevcut Durum Analizi

Süreçlerin dijital olgunluğu, veri kalitesi, sistem altyapısı, entegrasyon seviyesi, insan kaynağı ve siber güvenlik kapasitesi ölçülmelidir.

5. Hedef Mimari

ERP, MES, PLM, WMS, CRM, bakım, kalite, IoT, veri platformu, yapay zekâ ve raporlama sistemlerinin hedef mimarisi çizilmelidir.

6. Yol Haritası

Projeler iş etkisi, teknik uygulanabilirlik, yatırım ihtiyacı, veri hazırlığı ve bağımlılıklara göre kısa, orta ve uzun vadeli aşamalara ayrılmalıdır.

7. İş Değeri ve Kullanım Senaryosu

Her dijital proje; çözülmek istenen problem, hedef kullanıcı, mevcut kayıp, beklenen kazanım, veri kaynağı ve başarı ölçütüyle tanımlanmalıdır.

8. Yönetim ve Yönetişim

Dijital dönüşüm kurulu, proje sponsoru, süreç sahibi, teknik ekip, veri sahibi, hukuk, bilgi güvenliği ve son kullanıcı sorumlulukları belirlenmelidir.

9. Yapay Zekâ Envanteri

Kullanılan veya geliştirilen yapay zekâ sistemleri; amaç, sağlayıcı, model, veri, kullanıcı, karar etkisi, risk seviyesi ve sorumlu kişi bazında kayıt altına alınmalıdır.

10. Risk Sınıflandırması

Yapay zekâ sistemleri insan hakları, güvenlik, ayrımcılık, mahremiyet, iş sağlığı, finansal etki ve operasyonel kritikliği bakımından sınıflandırılmalıdır.

11. Veri Yönetişimi

Veri sahipliği, kalite, sınıflandırma, erişim, saklama, paylaşım, silme, soy ağacı ve ana veri yönetimi kuralları oluşturulmalıdır.

12. Veri Kalitesi

Eksik, hatalı, çelişkili, güncel olmayan veya temsil gücü zayıf veriler yapay zekâ ve analitik sonuçlarını doğrudan etkiler. Veri kalite göstergeleri düzenli izlenmelidir.

13. Kişisel Veriler ve Gizlilik

Kişisel veriler işlenirken amaçla sınırlılık, veri minimizasyonu, hukuki sebep, aydınlatma, güvenlik ve yurt dışı aktarım şartları değerlendirilmelidir.

14. Ticari Sır ve Fikri Mülkiyet

Model girdileri, istemler, üretim reçeteleri, müşteri bilgileri, teknik çizimler ve yazılım çıktıları için gizlilik ve kullanım hakları tanımlanmalıdır.

15. Siber Güvenlik

Kimlik doğrulama, yetki, ağ ayrıştırma, şifreleme, güvenlik güncellemesi, loglama, yedekleme ve olay müdahale tedbirleri dijital mimarinin parçası olmalıdır.

16. Tedarikçi ve Bulut Riski

Hizmet seviyesi, veri konumu, model eğitimi için veri kullanımı, alt yüklenici, güvenlik, kesinti, veri taşınabilirliği ve çıkış planı sözleşmede düzenlenmelidir.

17. İnsan Gözetimi

Yüksek etkili kararlar yalnızca otomatik sisteme bırakılmamalı; yetkin kişiler tarafından kontrol, itiraz ve gerektiğinde durdurma mekanizması kurulmalıdır.

18. Şeffaflık

Kullanıcılar bir yapay zekâ sistemiyle etkileşimde olduklarını, sistemin sınırlarını ve karar üzerindeki etkisini uygun ölçüde anlayabilmelidir.

19. Açıklanabilirlik

Model çıktısının hangi veri ve faktörlerden etkilendiği, kullanım bağlamının gerektirdiği seviyede açıklanabilir olmalıdır.

20. Adillik ve Ayrımcılık Kontrolü

Eğitim verisi, özellikler, hedef değişken ve model performansı farklı kişi grupları bakımından ayrımcı sonuç üretme riski yönünden test edilmelidir.

21. Model Yaşam Döngüsü

Model seçimi, eğitim, doğrulama, onay, canlıya alma, izleme, yeniden eğitim, sürüm değişikliği ve kullanım sonlandırma adımları kayıt altında tutulmalıdır.

22. Doğrulama ve Test

Fonksiyonel test, performans testi, güvenlik testi, stres testi, veri kayması, model kayması, hata senaryoları ve insan kabul testleri yapılmalıdır.

23. Performans Göstergeleri

Doğruluk, hassasiyet, geri çağırma, hata maliyeti, gecikme, kullanılabilirlik, kullanıcı kabulü ve iş sonucu birlikte izlenmelidir.

24. MLOps ve DevOps

Kod, veri, model, yapılandırma, test, dağıtım ve izleme süreçleri sürüm kontrollü ve tekrarlanabilir hale getirilmelidir.

25. ERP Ana Veri Yönetimi

Cari, stok, ürün ağacı, rota, maliyet merkezi, hesap planı, vergi kodu ve kullanıcı yetkileri için veri sahipliği ve kalite kuralları kurulmalıdır.

26. MES Üretim Yönetimi

Üretim emri, operasyon, makine, işçilik, malzeme tüketimi, kalite sonucu, duruş ve üretim miktarı gerçek zamanlı izlenmelidir.

27. OT ve IT Entegrasyonu

Saha cihazları, PLC, SCADA, MES, ERP ve bulut sistemleri arasında güvenli, kontrollü ve sürdürülebilir entegrasyon sağlanmalıdır.

28. IoT ve Sensör Yönetimi

Sensör doğruluğu, kalibrasyon, bağlantı, zaman senkronizasyonu, veri örnekleme, bakım ve cihaz kimliği kontrol edilmelidir.

29. Dijital İkiz

Makine, hat, ürün veya fabrikanın dijital modeli; tasarım, simülasyon, kapasite planlama, bakım ve optimizasyon amacıyla kullanılabilir.

30. Robotik Otomasyon

Robot seçimi, yük, erişim, çevrim süresi, güvenlik, fikstür, kalite ve bakım şartları süreç mühendisliğiyle birlikte belirlenmelidir.

31. RPA ve Ofis Otomasyonu

Tekrarlı ve kural tabanlı ofis süreçlerinde robotik süreç otomasyonu kullanılabilir; istisna ve kontrol noktaları ayrıca tasarlanmalıdır.

32. Kestirimci Bakım

Titreşim, sıcaklık, akım, basınç, yağ analizi ve geçmiş arıza verileri üzerinden arıza olasılığı veya kalan ömür tahmini yapılabilir.

33. Kalite Analitiği

Hata türü, proses parametresi, tedarikçi, operatör, makine ve çevresel değişkenler arasındaki ilişkiler analiz edilmelidir.

34. Enerji Analitiği

Makine, hat, ürün ve vardiya bazında enerji tüketimi ölçülerek anormallikler ve verimlilik fırsatları belirlenmelidir.

35. Üretim Planlama Analitiği

Talep, kapasite, stok, termin, kurulum süresi ve darboğaz verileri üzerinden planlama kararları desteklenebilir.

36. Gösterge Panoları

Yönetim, süreç sahibi ve saha ekipleri için farklı ayrıntı düzeylerinde güvenilir ve eyleme dönük göstergeler sunulmalıdır.

37. Değişim Yönetimi

Yeni teknoloji nedeniyle görev, yetkinlik, iş yapış şekli ve performans ölçümü değişebilir. Çalışan katılımı ve iletişim planı oluşturulmalıdır.

38. Yetkinlik ve Eğitim

Veri okuryazarlığı, yapay zekâ okuryazarlığı, sistem kullanımı, süreç analizi, siber güvenlik ve etik konularında rol bazlı eğitim verilmelidir.

39. Pilot Uygulama

Canlıya geçmeden önce sınırlı kapsamlı pilot uygulanmalı; teknik sonuç, kullanıcı deneyimi, iş değeri ve riskler ölçülmelidir.

40. Ölçeklendirme

Başarılı pilotun diğer hat, tesis, ürün veya ülkelere yayılımı için standart mimari, veri modeli, destek ve yatırım planı hazırlanmalıdır.

41. İş Sürekliliği

Sistem kesintisi, bağlantı kaybı, model hatası veya veri bozulması halinde manuel çalışma, geri dönüş ve felaket kurtarma prosedürleri bulunmalıdır.

42. Denetim İzi

Veri girişi, model sürümü, karar, kullanıcı müdahalesi, sistem yanıtı ve değişiklikler denetlenebilir şekilde loglanmalıdır.

43. Yatırımın Geri Dönüşü

Yatırım maliyeti, lisans, entegrasyon, bakım, eğitim, altyapı ve operasyon giderleri; tasarruf, kapasite, kalite ve gelir etkisiyle karşılaştırılmalıdır.

44. Sürdürülebilirlik

Dijital dönüşümün enerji, malzeme, atık, seyahat, sunucu tüketimi ve cihaz ömrü üzerindeki olumlu ve olumsuz etkileri ölçülmelidir.

45. İç Denetim

Yapay zekâ, veri, ERP, MES, otomasyon ve güvenlik kontrolleri planlı aralıklarla bağımsız kişilerce denetlenmelidir.

46. Yönetim Raporlaması

Proje ilerlemesi, bütçe, kullanım, performans, risk, ihlal, kesinti, iş değeri ve kullanıcı memnuniyeti yönetime düzenli raporlanmalıdır.

47. Uygulama Kontrol Listesi

Amaç, kapsam, veri, hukuki dayanak, risk, insan gözetimi, güvenlik, test, performans, eğitim, süreklilik ve sorumlu kişi tek kontrol formunda doğrulanmalıdır.

48. Analitik Seviyeleri

Betimleyici, teşhis edici, tahminleyici ve önerici analitik kullanım amaçlarına göre ayrılmalıdır.

49. Veri Modeli

Kaynak sistemler, ölçüm tanımları, boyutlar, zaman yapısı ve ortak anahtarlar kurumsal veri modelinde standardize edilmelidir.

50. Tek Doğru Kaynak

Aynı KPI için farklı raporlarda farklı sonuç oluşmaması amacıyla ölçüm sözlüğü ve onaylı veri katmanı kullanılmalıdır.

51. KPI Tasarımı

Gösterge net tanımlı, hesaplanabilir, karşılaştırılabilir, zamanında ve eyleme dönük olmalıdır.

52. İstatistiksel Analiz

Dağılım, değişkenlik, korelasyon, nedensellik, örnekleme ve güven aralığı doğru yorumlanmalıdır.

53. Tahmin Modelleri

Talep, arıza, kalite veya teslimat tahminlerinde veri sızıntısı, aşırı öğrenme ve gerçek hayat performansı test edilmelidir.

54. Self-Service BI

Kullanıcıların bağımsız rapor üretmesi desteklenirken yetkili veri setleri, tanım sözlüğü ve yönetişim kuralları korunmalıdır.

Resmî ve Teknik Kaynaklar

• AB Yapay Zekâ Tüzüğü Ana Sayfası
• Regulation (EU) 2024/1689 — EUR-Lex
• AI Act Uygulama Rehberi
• Yüksek Riskli Yapay Zekâ Sistemleri Rehberleri
• Genel Amaçlı Yapay Zekâ Modeli Rehberleri
• AI Üretimli İçerik Şeffaflık Kuralları
• ISO/IEC 42001 Yapay Zekâ Yönetim Sistemi
• ISO/IEC 42006 Belgelendirme Kuruluşları Şartları
• Türkiye Yapay Zekâ Eylem Planı 2026
• 2030 Sanayi ve Teknoloji Stratejisi