Sıfırdan başlayan6 modül · 27 ders · kişisel tempoda·Güncellendi: 2 Temmuz 2026

Veri Analisti Eğitimi: Sıfırdan İş Bulma Seviyesine

Araç listesi ezberletmeyen, zihniyetten başlayan bir yol: veriyle düşünmeyi öğren, ardından spreadsheet → SQL → veri modeli → dashboard zincirini tek portföy projesinde birleştir.

Kısa cevap

Veri analisti olmak için önce veriyle düşünmeyi (metrik okuma, doğru soru sorma), sonra sırasıyla spreadsheet analizi, SQL, veri temizleme, veri modelleme ve dashboard tasarımını öğrenmen gerekir. Bu yol 6 modül ve 27 derste bu zinciri kurar; her modül NovaCommerce portföy projesinde somut bir çıktıya bağlanır. Programlama önkoşulu yoktur — Python bu yolun devamındaki Data Scientist yolunda başlar.

Bu yol kimin için?

  • ✓Kariyer değiştirip veri alanına girmek isteyen, teknik geçmişi olmayanlar
  • ✓Excel kullanan ama analizi sistematikleştiremeyen operasyon/finans/pazarlama çalışanları
  • ✓Bootcamp temposunda kaybolup 'kendi hızımda ama plansız da değil' diyenler
  • ✓SQL öğrenmeye başlayıp bağlam eksikliğinden bırakanlar

Ne öğreneceksin?

  • Belirsiz bir iş talebini ölçülebilir analitik soruya çevirmek
  • Ortalamaların tuzağına düşmeden metrik ve dağılım okumak
  • Pivot mantığıyla hızlı keşif, XLOOKUP mantığıyla veri birleştirme
  • SELECT'ten window fonksiyonlarına iş sorularını SQL ile cevaplamak
  • Eksik, tekrarlı, tutarsız veriyi belgelenmiş adımlarla temizlemek
  • Yıldız şema mantığıyla analitik veri modeli kurmak
  • Karar vericinin 5 saniyede okuyabileceği dashboard tasarlamak

Müfredatta neler var?

Ders başlıkları müfredat iskeletidir; tüm anlatım içerikleri bu platform için özgün üretilir.

▶M1 · Veri Okuryazarlığı ve Analitik DüşünmeAraçlardan önce zihniyet: veriyle düşünmeyi, doğru soru sormayı ve metriklere eleştirel bakmayı öğrenmek.4 ders
  1. 1.Veri Nedir? Veri Türleri ve Ölçüm DüzeyleriSayısal/kategorik ayrımı, ölçüm düzeyleri ve bunların analiz seçimini nasıl belirlediği.
  2. 2.İyi Soru Sormak: İş Problemini Analitik Soruya ÇevirmekBelirsiz iş talebini ölçülebilir, cevaplanabilir analitik soruya dönüştürme.
  3. 3.Metrik Düşüncesi: Ortalamaların Tuzağı ve DağılımlarTek sayının yalanı: ortalama vs medyan, segment farkları, oran/taban ilişkisi.
  4. 4.Veri Etiği ve Veri Kalitesi TemelleriYanlı veri, örneklem sorunları, kişisel veri hassasiyeti ve kalite kontrol refleksi.
▶M2 · Spreadsheet ile AnalizEn düşük giriş bariyerli araçla uçtan uca ilk analiz döngüsünü tamamlamak.5 ders
  1. 1.Tablo Düzeni ve Veri HijyeniUzun format, tek başlık satırı, tutarlı tipler: analiz edilebilir tablo kurmak.
  2. 2.Formüllerle Veri İşlemeKoşullu mantık (IF), arama fonksiyonları (XLOOKUP mantığı) ve tarih işlemleri.
  3. 3.Pivot Tablolarla ÖzetlemeBöl-özetle-karşılaştır düşüncesi; pivot ile hızlı keşif.
  4. 4.Grafik Seçimi ve Görsel AnlatımHangi soruya hangi grafik? Karşılaştırma, trend, dağılım, ilişki.
  5. 5.Mini KPI Panosu KurmakBir işletmenin 5-7 kritik metriğini tek sayfada izlenebilir kılmak.
▶M3 · SQL ile Veri SorgulamaVeriye kaynağından erişmek: soru sorma dilini akıcı kullanmak.6 ders
  1. 1.SELECT ile Tanışma: Filtreleme ve SıralamaSELECT/WHERE/ORDER BY ile veritabanına ilk sorular.
  2. 2.Aggregation: GROUP BY ile ÖzetlemeCOUNT/SUM/AVG + GROUP BY + HAVING: pivot düşüncesinin SQL karşılığı.
  3. 3.JOIN: Tabloları BirleştirmeINNER/LEFT farkı, anahtar mantığı, satır sayısı değişimleri.
  4. 4.Alt Sorgular ve CTE'lerWITH ile okunabilir, katmanlı sorgu kurmak.
  5. 5.Window FonksiyonlarıSatır detayını kaybetmeden özetlemek: ROW_NUMBER, running total, LAG/LEAD.
  6. 6.Sorgu Okunabilirliği ve Performans TemelleriBiçimlendirme, isimlendirme, erken filtreleme ve maliyet sezgisi.
▶M4 · Veri Temizleme ve HazırlıkGerçek işin büyük kısmı: kirli veriyi analize hazır hale getirmek.4 ders
  1. 1.Kirli Veri Türleri: Eksik, Tekrarlı, TutarsızKir taksonomisi ve her tip için ilk kontrol sorguları.
  2. 2.Tip Dönüşümleri ve StandartlaştırmaMetin-sayı-tarih dönüşümleri, birim ve format birliği.
  3. 3.Aykırı Değerler: Bulmak ve Karar VermekAykırı mı, hata mı, sinyal mi? Tespit + gerekçeli karar.
  4. 4.Temizlik Sürecini Belgelemek ve TekrarlanabilirlikElle düzeltme yerine kayıtlı, tekrar çalıştırılabilir temizlik adımları.
▶M5 · Veri Modelleme ve DönüşümTek tablodan sisteme geçiş: analitik için veri organize etmek.4 ders
  1. 1.Neden Veri Modeli? Yıldız Şema MantığıFact/dimension ayrımı ve 'her metrik bir bağlama bağlanır' ilkesi.
  2. 2.Katmanlı Dönüşüm: Ham Veriden Hazır VeriyeHam → temiz → iş katmanı; her katmanın sorumluluğu.
  3. 3.Versiyon Kontrolü Temelleri: Git ile ÇalışmakCommit, branch, PR: analiz kodunu güvenle evrimleştirmek.
  4. 4.Veri Kalitesi TestleriBenzersizlik, boşluk, referans bütünlüğü: otomatik güven kontrolleri.
▶M6 · BI ve Dashboard TasarımıAnalizi karar vericinin diline çevirmek: yaşayan dashboard'lar.4 ders
  1. 1.Dashboard Kimin İçin? Kullanıcı Odaklı TasarımYönetici/operasyon/analist için farklı tasarım; 5 saniye kuralı.
  2. 2.Görselleştirme İlkeleri: Az Ama ÖzMürekkep oranı, renk disiplini, yanıltıcı eksenlerden kaçınma.
  3. 3.İnteraktivite: Filtre, Drill-down, ParametreTek dashboard'dan çok soruya cevap: etkileşim tasarımı.
  4. 4.Dashboard'u Yayınlamak ve YaşatmakPaylaşım, yenileme, sahiplik ve 'ölü dashboard' sendromundan kaçınma.

Bir ders nasıl anlatılıyor?

“Veri Nedir? Veri Türleri ve Ölçüm Düzeyleri” dersinden kesit:

Neden bu konu?

Bir sütundaki değerlerin 'sayı mı, kategori mi' olduğunu yanlış okuyan analist, yanlış grafiği çizer ve yanlış testi seçer. Ölçüm düzeyi, hangi özetin (ortalama mı, mod mu) anlamlı olduğunu belirler — bu yüzden her analizin görünmeyen ilk adımıdır.

Benzetme

Veri türleri mutfaktaki kaplara benzer: çorbayı bardağa, çayı tabağa koymazsın. 'Müşteri memnuniyeti 1-5' verisini ortalamayla özetlemek, çayı tabakta servis etmeye benzer — dökülür, ama fark etmeyebilirsin.

Dersin tam önizlemesini gör →

Sonunda elinde ne olacak?

NovaCommerce e-ticaret verisiyle: KPI panosu (Faz A), SQL analiz katmanı (Faz B), testli veri hattı (Faz C) ve yönetici dashboard'u (Faz D). Dört faz birlikte, işe başvururken gösterebileceğin uçtan uca bir analist portföyü oluşturur.

Yöntem: neden bu format?

Her ders aynı on bloklu pedagojik formattan geçer: neden bölümü konuyu gerçek bir iş problemine bağlar, benzetme kavramı gündelik hayata oturtur, kalıplar bölümü tekrar eden desenleri netleştirir, kontrol noktalı adımlar “izleme değil yapma” disiplinini kurar. Gerçek dünya bölümü her beceriyi analist/scientist günlük işine ve AI çağındaki yerine bağlar; tuzaklar, mülakat sorusu, quiz ve tekrar kartları öğrenmeyi kalıcılaştırır; proje görevi ise dersi portföye dönüştürür. İstenirse aynı ders beş farklı modda yeniden anlatılır — sade, proje üzerinden, mülakat odaklı, çocuğa anlatır gibi veya senior bakışıyla.

Sık sorulan sorular

Matematik geçmişim zayıf, veri analisti olabilir miyim?

Evet. Analist rolünün gündelik matematiği oran, yüzde ve dağılım okumadır; ileri matematik değil. Bu yol istatistiksel derinliği bilinçli olarak Data Scientist yoluna bırakır ve önce iş sorusu çözme refleksini kurar.

Önce Excel mi SQL mi öğrenmeliyim?

Önce spreadsheet. Giriş bariyeri en düşük araçta analiz döngüsünü (soru → özet → grafik → yorum) tamamlamak, SQL'i öğrenirken 'ne için öğrendiğini' bilmeni sağlar. Bu müfredatta SQL, pivot düşüncesinin devamı olarak gelir.

Bu eğitim sertifika veriyor mu?

Hayır ve bu bilinçli bir tercih. İşe alımda sertifikadan daha güçlü olan şey portföydür; bu yolun çıktısı dört fazlı, gösterilebilir bir NovaCommerce projesidir.

AI araçları varken veri analistliği öğrenmeye değer mi?

AI sorguyu senin yerine yazabilir; ama neyi soracağını, sonucun saçma olup olmadığını ve hangi metriğin yanıltıcı olduğunu bilen kişi hâlâ sensin. Bu müfredatın her dersinde 'AI ile hızlanma + buna rağmen insanın bilmesi gereken' bölümü vardır.

Bu yolu kendi tarzında öğren

Platform şu an kapalı erken erişimde. Örnek dersi ücretsiz incele; genel erişim açıldığında bu sayfada duyurulacak.

Örnek dersi inceleSSS