2026 Yılında En Çok Sorulan 25 Veri Analitiği Mülakat Sorusu

2026 veri analitigi mülakat soruları yalnızca SQL sözdizimi ya da grafik oluşturma becerisini ölçmüyor. İşe alım ekipleri adayların karmaşık veri kümelerinden anlam çıkarma, teknik olmayan paydaşlara bulguları aktarma ve her metriği bir iş sonucuna bağlama yetkinliğini değerlendiriyor. Bu rehber, junior, mid-level ve senior veri analisti pozisyonlarında en sık karşılaşılan 25 soruyu kapsıyor.

Veri Analisti Mülakatlarında SQL Soruları

SQL, veri analitigi mülakatlarında en çok test edilen beceri olmaya devam ediyor. İlişkisel veritabanına sahip her şirket, analistlerin yardım almadan sorgu yazmasını bekliyor. Gelişmiş kalıplar için ek alıştırmalar SQL Window Functions, CTEs and Advanced Queries makalesinde bulunabilir.

1. WHERE ile HAVING arasındaki fark nedir?

WHERE, toplama işleminden önce satırları filtreler. HAVING, toplama işleminden sonra grupları filtreler. Bu ikisini karıştırmak, teknik değerlendirmelerde en sık yapılan hatalardan biridir.

-- monthly_revenue.sql
SELECT
  DATE_TRUNC('month', order_date) AS month,
  SUM(amount)                     AS revenue
FROM orders
WHERE status = 'completed'          -- row-level filter
GROUP BY month
HAVING SUM(amount) > 10000;         -- group-level filter

WHERE, veritabanı motoru GROUP BY işlemini gerçekleştirmeden önce veri kümesini daraltır. HAVING ise toplanmış sonuç üzerinde çalışır. Mümkün olduğunda WHERE kullanmak sorgu performansını artırır, çünkü çalışma kümesini yürütme planının daha erken aşamasında küçültmüş olur.

2. Pencere fonksiyonlarını pratik bir örnekle açıklayın

Pencere fonksiyonları, sonuç kümesini daraltmadan, geçerli satırla ilişkili bir satır kümesi üzerinde değer hesaplar. Sıralama, kümülatif toplamlar ve dönemsel karşılaştırmalar için vazgeçilmezdir.

-- user_ranking.sql
SELECT
  user_id,
  purchase_date,
  amount,
  ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY purchase_date) AS purchase_rank,
  SUM(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS running_total,
  LAG(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS prev_amount
FROM purchases;

ROW_NUMBER her kullanıcı için sıralı bir sıralama atar. SUM(...) OVER(...) self-join gerektirmeden kümülatif toplam hesaplar. LAG doğrudan karşılaştırma için bir önceki satırın değerini çeker. Mülakat yapanlar adaylardan genellikle bu kalıp üzerinden aydan aya büyüme hesaplamalarını ister.

3. Tekrar eden kayıtlar nasıl tespit edilir ve temizlenir?

Tekrar eden veri tespiti, olay günlükleri, CRM çıktıları veya üçüncü taraf veri akışlarıyla çalışan analistlerin günlük görevlerinden biridir.

-- deduplicate_events.sql
WITH ranked AS (
  SELECT *,
    ROW_NUMBER() OVER (
      PARTITION BY user_id, event_type, DATE_TRUNC('minute', created_at)
      ORDER BY created_at
    ) AS rn
  FROM events
)
SELECT * FROM ranked WHERE rn = 1;

CTE, her tekrar grubunda satır numarası atar. Yalnızca rn = 1 olanları tutmak, ilk kaydedilen girdiyi döndürür. Bu yaklaşım orijinal veriyi korurken gürültüyü filtreler.

4. Haftalık kohort bazında retention hesaplayan bir sorgu yazın

Kohort retention analizi, ürün ve büyüme ekiplerinin en çok talep ettiği analizlerden biridir. SQL kalıbı tüm veritabanlarında tutarlı bir yapı izler. Bu konuda pratik alıştırmalar kohort retention mülakat modülünde bulunabilir.

-- weekly_cohort_retention.sql
WITH cohorts AS (
  SELECT
    user_id,
    DATE_TRUNC('week', MIN(event_date)) AS cohort_week
  FROM user_events
  GROUP BY user_id
),
activity AS (
  SELECT
    c.cohort_week,
    DATE_TRUNC('week', e.event_date) AS active_week,
    COUNT(DISTINCT e.user_id)        AS active_users
  FROM user_events e
  JOIN cohorts c ON c.user_id = e.user_id
  GROUP BY c.cohort_week, DATE_TRUNC('week', e.event_date)
)
SELECT
  cohort_week,
  EXTRACT(WEEK FROM active_week - cohort_week) AS weeks_since_signup,
  active_users
FROM activity
ORDER BY cohort_week, weeks_since_signup;

İlk CTE her kullanıcının kayıt haftasını belirler. İkinci CTE kohort başına haftalık tekil aktif kullanıcı sayısını hesaplar. Son sorgu sonucu bir retention matrisine dönüştürür. Mülakat yapanlar adaylardan iş yorumunu açıklamasını bekler: 1. haftadaki sert düşüş bir işe alıştırma problemine işaret ederken, 4. haftadan sonraki düz eğri istikrarlı bir çekirdek kullanıcı tabanına işaret eder.

5. CTE nedir ve ne zaman alt sorgu yerine tercih edilmelidir?

Common Table Expression (CTE), WITH ifadesiyle tanımlanan adlandırılmış geçici bir sonuç kümesidir. CTE'ler okunabilirliği artırır ve recursive sorgulara olanak tanır. Alt sorgular, hata ayıklaması zor, derin iç içe geçmiş SQL üretme eğilimindedir. Aynı türetilmiş tabloya sorgu içinde birden fazla kez referans verildiğinde veya mantık üç ya da daha fazla dönüşüm adımı içerdiğinde CTE tercih edilmelidir.

Python Veri Analizi Mülakat Soruları

2026'da Python soruları Pandas 3.0, veri temizleme iş akışları ve kodun iş terimleriyle açıklanabilme becerisine odaklanır. Mülakat yapanlar akademik soyutlamalar değil, pragmatik çözümler görmek ister.

6. Pandas DataFrame'de eksik değerler nasıl ele alınır?

Eksik veriler toplamaları ve model girdilerini bozar. Yaklaşım, sütun türüne ve iş bağlamına göre değişir. pandas 3.0 ile birlikte, metin sütunları eksik değerleri tutarlı bir şekilde NaN olarak işleyen PyArrow destekli özel str türünü kullanıyor.

# handle_missing.py
import pandas as pd
import numpy as np

df = pd.read_csv('sales.csv')

# Inspect the extent of missing data
print(df.isnull().sum())
print(df.isnull().mean().round(3))  # percentage per column

# Strategy 1: drop rows where critical columns are null
df_clean = df.dropna(subset=['customer_id', 'amount'])

# Strategy 2: fill numeric columns with median (robust to outliers)
df['amount'] = df['amount'].fillna(df['amount'].median())

# Strategy 3: fill categorical columns with the mode
df['region'] = df['region'].fillna(df['region'].mode()[0])

Eksiklik oranı %5'in altındaysa ve sütun kritikse satır silme işlemi uygulanabilir. Medyan ile doldurma, çarpık dağılımlar için ortalamadan daha güvenlidir. Mod ile doldurma, baskın bir değere sahip kategorik sütunlar için uygundur. Doldurma stratejisinin belgelenmesi, denetim izleri açısından kritik önem taşır.

7. merge, join ve concatenate: hangisi ne zaman kullanılır?

Pandas, DataFrame'leri birleştirmek için birden fazla yöntem sunar. Seçim, işlemin satır bazlı mı yoksa sütun bazlı mı olduğuna ve anahtar tabanlı bir eşleşme gerekip gerekmediğine bağlı olarak değişir.

# combine_dataframes.py
import pandas as pd

orders = pd.read_csv('orders.csv')
customers = pd.read_csv('customers.csv')

# Key-based merge (equivalent to SQL JOIN)
result = orders.merge(customers, on='customer_id', how='left')

# Stack rows from multiple sources
all_events = pd.concat([events_q1, events_q2], ignore_index=True)

# Add columns side-by-side (same row count required)
combined = pd.concat([features, labels], axis=1)

merge, anahtar tabanlı birleştirmeler için doğru seçimdir. Varsayılan axis=0 ile concat satırları üst üste yığar. axis=1 ile concat ise sütunları yan yana ekler. how='left' kullanmak sol DataFrame'deki tüm satırları korur; bu, SQL'deki LEFT JOIN ile aynı mantığa sahiptir.

8. Satış verilerini gruplama, toplama ve dönüştürme

GroupBy işlemleri, SQL'deki GROUP BY'ın Pandas karşılığıdır. Bu kalıp hemen her veri analisti ödev çalışmasında karşımıza çıkar.

# sales_analysis.py
import pandas as pd

df = pd.read_csv('transactions.csv', parse_dates=['date'])

# Monthly revenue by product category
monthly = (
    df.groupby([pd.Grouper(key='date', freq='ME'), 'category'])
    .agg(revenue=('amount', 'sum'), orders=('order_id', 'nunique'))
    .reset_index()
)

# Add a column with each category's share of total monthly revenue
monthly['share'] = (
    monthly.groupby('date')['revenue']
    .transform(lambda x: x / x.sum())
    .round(4)
)

print(monthly.head(10))

Not: pandas 3.0, varsayılan frekans takma adını 'M''den 'ME' (MonthEnd) olarak değiştirdi. Eski 'M' takma adını kullanan kod hata verecektir. agg ile adlandırılmış toplama, çıktıyı okunabilir tutar. transform, grup düzeyinde bir hesaplamayı her satıra geri yayar ve ayrı bir merge adımını gereksiz kılar. Bu kombinasyon, ad hoc raporlama görevlerinin büyük çoğunluğunu karşılar.

9. pandas 3.0'da Copy-on-Write ile ne değişti?

Copy-on-Write (CoW), pandas 3.0'da (Ocak 2026) varsayılan ve tek mod haline geldi. Bu değişiklik, öngörülemeyen SettingWithCopyWarning uyarısını ortadan kaldırıyor ancak pandas 2.x'te çalışan zincirleme atama kalıplarını bozuyor.

# copy_on_write_demo.py
import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# This NO LONGER modifies df in pandas 3.0
df['A'][0] = 999  # Does nothing, no warning

# Correct approach: use .loc for direct assignment
df.loc[0, 'A'] = 999  # This works

# When you need an independent copy, be explicit
subset = df[df['A'] > 1].copy()
subset['A'] = subset['A'] * 2  # Safe modification

2026'da mülakat yapanlar, adayların zincirleme atamanın neden başarısız olduğunu ve nasıl düzeltileceğini açıklamasını bekliyor. Doğru cevap: doğrudan atama için .loc veya .iloc kullanın ve değiştirilecek bir alt küme oluştururken açıkça .copy() çağırın. Tam değişiklik listesi için pandas 3.0 geçiş kılavuzuna bakılabilir.

10. Bir veri kümesinde aykırı değerleri tespit etme ve ele alma

Aykırı değer tespiti, aşırı değerlerin veri girişi hatası mı, dolandırıcılık sinyali mi yoksa gerçek uç durum mu olduğunu belirlemeye yardımcı olur.

# detect_outliers.py
import pandas as pd
import numpy as np

df = pd.read_csv('transactions.csv')

# IQR method
Q1 = df['amount'].quantile(0.25)
Q3 = df['amount'].quantile(0.75)
IQR = Q3 - Q1
lower = Q1 - 1.5 * IQR
upper = Q3 + 1.5 * IQR

outliers = df[(df['amount'] < lower) | (df['amount'] > upper)]
print(f'Outliers found: {len(outliers)} ({len(outliers)/len(df)*100:.1f}%)')

# Cap instead of remove (winsorization)
df['amount_capped'] = df['amount'].clip(lower=lower, upper=upper)

IQR yöntemi, çeyrekler arası aralık (IQR) değerinin 1,5 katını aşan değerleri işaretler. Sınırlandırma (winsorization) satır sayısını korurken aşırı değerlerin etkisini sınırlar. Silme işlemi yalnızca aykırı değerlerin açık hatalar olduğu durumlarda uygundur.

İstatistik ve Olasılık Soruları

İstatistiksel okuryazarlık, yalnızca rakamları raporlayan analistlerle bu rakamları doğru yorumlayanları birbirinden ayırır. Bu sorular temel anlayışı test eder.

11. p-değerini anlaşılır bir dille açıklayın

p-değeri, sıfır hipotezi doğru kabul edildiğinde, gözlemlenen sonuç kadar aşırı veya daha aşırı bir sonuç elde etme olasılığını ifade eder. 0,03'lük bir p-değeri, sıfır hipotezinin doğru olma olasılığının %3 olduğu anlamına gelmez. Sıfır hipotezi doğru olsaydı, bu kadar aşırı sonuçların %3 oranında şans eseri ortaya çıkacağı anlamına gelir. Eşik değer (alfa) genellikle 0,05 olarak belirlenir, ancak seçim ilgili iş bağlamında yanlış pozitifin maliyetine bağlıdır.

12. Medyan ne zaman ortalama yerine tercih edilmelidir?

Ortalama, aşırı değerlere duyarlıdır. Gelir verileri, işlem tutarları ve oturum süreleri, medyanın daha temsili bir merkezi eğilim verdiği klasik örneklerdir. Birkaç yüksek değerli kurumsal anlaşma içeren bir veri kümesi, ortalama değeri tipik bir müşterinin deneyiminin çok üstüne taşıyabilir. Medyanın ortalama ile birlikte raporlanması ve standart sapmanın eklenmesi, paydaşlara eksiksiz bir tablo sunar.

13. Korelasyon ile nedensellik arasındaki fark nedir?

Korelasyon, iki değişken arasındaki doğrusal ilişkinin gücünü ve yönünü ölçer. Nedensellik ise bir değişkenin diğerini doğrudan etkilediğini ifade eder. Dondurma satışları ile boğulma vakaları korelasyon gösterir, çünkü her ikisi de yazın artar; ancak biri diğerinin nedeni değildir. Nedensellik kurmak için kontrollü deney (A/B testi) veya difference-in-differences ya da araçsal değişkenler gibi titiz bir nedensel çıkarım çerçevesi gerekir.

14. Tip I ve Tip II hataları bir iş örneği ile açıklayın

Tip I hata (yanlış pozitif), bir testin sıfır hipotezini yanlış bir şekilde reddetmesi durumunda ortaya çıkar. Örnek: yeni bir ödeme akışının dönüşüm oranını arttırdığını varsaymak, oysa gerçekte hiçbir etkisi olmaması ve gereksiz bir ürün değişikliğine yol açması. Tip II hata (yanlış negatif), bir testin gerçek bir etkiyi tespit edememesi durumunda ortaya çıkar. Örnek: testin gerçek %2'lik bir artışı tespit edecek yeterli örneklem büyüklüğüne sahip olmaması nedeniyle eski ödeme akışını korumak. Örneklem büyüklüğünü artırmak Tip II hataları azaltır. Alfa eşiğini düşürmek Tip I hataları azaltır ancak Tip II hataları artırır.

Power BI ve Veri Görselleştirme Soruları

Görselleştirme soruları, adayın doğru grafik türünü seçip seçemediğini, sürdürülebilir dashboard'lar oluşturup oluşturamadığını ve teknik olmayan kitlelere veri hikayeleri anlatıp anlattamadığını değerlendirir.

15. DAX nedir ve SQL'den nasıl farklıdır?

DAX (Data Analysis Expressions), Power BI, Analysis Services ve Excel Power Pivot'ta kullanılan formül dilidir. Satır kümeleri üzerinde çalışan SQL'den farklı olarak, DAX dilimleyicilere, filtrelere ve satır bağlamına göre dinamik olarak değişen bir filtre bağlamı içinde çalışır. DAX'taki CALCULATE fonksiyonu, bir ifadeyi değerlendirmeden önce filtre bağlamını değiştirir; bu, SQL'de doğrudan karşılığı olmayan bir kavramdır. Görselleştirme araçlarının karşılaştırması için Power BI vs Tableau in 2026 makalesine bakılabilir.

16. Import modu, DirectQuery ve Direct Lake arasındaki farkı açıklayın

Import modu, verileri Power BI'ın bellek içi motoruna (VertiPaq) yükler; bu, hızlı sorgu performansı sağlar ancak zamanlanmış yenilemeler gerektirir. DirectQuery, gerçek zamanlı olarak kaynak veritabanına sorgu gönderir; veri güncelliğini garanti eder ancak kaynak sistemin performansına bağımlıdır.

Direct Lake, Microsoft Fabric'te mevcut olup OneLake'ten Parquet dosyalarını içeri aktarma veya SQL uç noktasını sorgulamadan okur. Ağustos 2026 itibarıyla, OneLake üzerinde Direct Lake kompozit modelleri destekliyor, bu sayede Direct Lake tablolarını Import ve DirectQuery tablolarıyla aynı semantik modelde karıştırabilirsiniz. Bu, neredeyse gerçek zamanlı güncelliği bellek içi analiz hızıyla birleştiriyor. CI/CD iş akışlarında, Direct Lake bağlantıları çalışma alanları arasında dağıtım yapılırken otomatik olarak yeniden eşleşiyor.

17. Çubuk grafik ile çizgi grafik ne zaman kullanılır?

Çubuk grafikler ayrık kategorileri karşılaştırır (bölgeye göre gelir, ürüne göre sayı). Çizgi grafikler sürekli aralıklarla eğilim gösterir (günlük aktif kullanıcılar, aylık kayıp oranı). Kategorik veriler için çizgi grafik kullanmak, ilgisiz kategoriler arasında bir eğilim ima eder ve izleyiciyi yanıltır. Sık sorulan bir devam sorusu pasta grafikleri ile ilgilidir: insan gözü açıları doğru karşılaştırmakta zorlandığı için, pasta grafikler yalnızca beş veya daha az dilim olduğunda bütünün parçalarını göstermek için kullanılmalıdır.

18. Yavaş bir Power BI raporu nasıl optimize edilir?

Yavaş raporlar genellikle veri modelindeki fazla sütunlardan, satır satır değerlendirilen karmaşık DAX ölçümlerinden veya milyonlarca satırı sorgulayan görsellerden kaynaklanır. Optimizasyon kontrol listesi şunları içerir: model boyutunu küçültmek için kullanılmayan sütunları kaldırmak, mümkün olduğunda yineleyici fonksiyonları (SUMX, FILTER) yineleyici olmayan eşdeğerleriyle değiştirmek, sayfa başına görsel sayısını 15'in altında tutmak ve yüksek kardinaliteli boyutlar için toplama tabloları kullanmak. Power BI Desktop'taki Performance Analyzer, hangi görselin veya DAX sorgusunun darboğaza neden olduğunu tam olarak tespit eder.

Davranışsal ve Vaka Çalışması Soruları

Teknik beceriler adayları mülakat aşamasına taşır. Davranışsal sorular ise teklifi alıp almayacaklarını belirler. Her yanıt STAR çerçevesini izlemelidir: Durum (Situation), Görev (Task), Eylem (Action), Sonuç (Result).

19. Veri analizinin bir iş kararını değiştirdiği bir durumu anlatın

Güçlü yanıtlar, değişen belirli bir metriği, kullanılan analiz yöntemini ve dolar veya yüzde cinsinden etkiyi içerir. Zayıf yanıtlar, bir dashboard'u bir sonuca bağlamadan tanımlar. Örnek yapı: "Bir SaaS ürünündeki kayıp analizi, 48 saat içinde işe alıştırmayı tamamlamayan kullanıcıların 30 günlük kayıp oranının %60 daha yüksek olduğunu ortaya koydu. Ürün ekibi, 24. saatte tetiklenen otomatik bir e-posta dizisi ekledi ve 30 günlük kayıp oranını 8 puan azalttı."

20. Paydaş taleplerinin çelişmesi durumunda ne yapılır?

Bu soru, önceliklendirme ve iletişim becerilerini test eder. Önerilen yaklaşım: her talebin arkasındaki iş sorusunu netleştirmek, ortak metrikleri belirlemek, her iki ihtiyacı da karşılayan tek bir dashboard önerisinde bulunmak ve ödünleri şeffaf bir şekilde belgelemek. Veri yönetişimi kaygıları veya kaynak kısıtları gibi gerekçelerle bir paydaşa "hayır" demek, bir alternatif sunulduğu sürece kabul edilebilir.

21. Karmaşık bir analizi teknik olmayan bir kitleye açıklama

Mülakat yapanlar genellikle adaylardan regresyon veya kohort analizini bir pazarlama müdürüne anlatır gibi açıklamasını ister. En iyi yanıtlar benzetmeler kullanır, jargondan kaçınır ve açıklamayı bir iş sonucuna bağlar. "Kohort analizi müşterileri kayıt oldukları aya göre gruplar ve üç ay sonra kaçının hâlâ aktif olduğunu izler. Grafik, Ocak kayıtlarının Şubat kayıtlarından daha iyi elde tutulduğunu gösteriyor; bu da Aralık sonunda yapılan işe alıştırma değişiklikleriyle uyumlu."

Veri Temizleme ve ETL Mülakat Soruları

Veri kalitesi sorunları, bir analistin zamanının önemli bir bölümünü tüketir. Bu sorular gerçek dünya veri düzenleme becerilerini test eder.

22. ETL pipeline'ı çalıştıktan sonra veri nasıl doğrulanır?

Doğrulama kontrolleri satır sayılarını (kaynak ile hedef karşılaştırması), kritik sütunlardaki null oranlarını, tablolar arası referans bütünlüğünü ve değer dağılımı kaymalarını (sessiz şema değişikliklerini tespit etme) kapsamalıdır. Her pipeline çalıştırması sonrası otomatik çalıştırılan kontroller, hatalı verinin dashboard'lara ulaşmasını önler.

# etl_validation.py
import pandas as pd

def validate_pipeline(source_df: pd.DataFrame, target_df: pd.DataFrame) -> dict:
    checks = {}
    # Row count match
    checks['row_count_match'] = len(source_df) == len(target_df)
    # Null rate on critical columns
    for col in ['user_id', 'event_date', 'amount']:
        null_rate = target_df[col].isnull().mean()
        checks[f'{col}_null_rate'] = round(null_rate, 4)
    # Revenue reconciliation
    source_total = source_df['amount'].sum()
    target_total = target_df['amount'].sum()
    checks['revenue_diff_pct'] = round(
        abs(source_total - target_total) / source_total * 100, 2
    )
    return checks

results = validate_pipeline(source, target)
for check, value in results.items():
    print(f'{check}: {value}')

Bu fonksiyon, bir uyarı sistemine beslenebilecek bir doğrulama sonuçları sözlüğü döndürür. %0,01'in üzerindeki gelir farkı bir soruşturma başlatmalıdır.

23. Normalleşmiş ve denormalize veri arasındaki fark nedir?

Normalleşmiş veri, bilgiyi ilişkili tablolar arasında bölerek fazlalığı en aza indirir (3NF). Denormalize veri, tabloları okuma ağırlıklı analitik sorgular için optimize edilmiş daha geniş, düz yapılarda birleştirir. OLTP sistemleri veri bütünlüğü için normalleşmeyi tercih eder. Veri ambarları ve BI araçları, sorgu hızı için denormalizeyi (yıldız şeması, kar tanesi şeması) tercih eder. Bu ödünleşmeyi anlamak, verimli veri pipeline'ları tasarlamanın temelidir.

İleri Düzey Analitik Soruları

Senior roller, deney tasarımı, tahminleme ve fonksiyonlar arası veri stratejisi konularında deneyim gerektirir.

24. Sıfırdan bir A/B testi nasıl tasarlanır?

Bir A/B testi beş bileşen gerektirir: açık bir hipotez ("CTA düğmesinin rengini griden yeşile değiştirmek, tıklanma oranını %5 artıracaktır"), birincil metrik (tıklanma oranı), beklenen etki büyüklüğü ve istenen güce (genellikle %80) dayalı örneklem büyüklüğü hesaplaması, kullanıcıların kontrol ve test gruplarına rastgele atanması ve haftalık mevsimsellik etkisini hesaba katan önceden belirlenmiş test süresi. Testin en az iki tam iş döngüsü boyunca çalıştırılması, hafta içi günü yanlılığının sonuçları çarpıtmasını önler.

25. Huni analizini ve kayıpların en çok nerede önemli olduğunu açıklayın

Huni analizi, kullanıcıların bir dizi adım boyunca ilerlemesini izler (ör: ana sayfa ziyareti, ürün görüntülemesi, sepete ekleme, ödeme, satın alma). En yüksek etkili optimizasyon, en büyük yüzde düşüşünü değil, en büyük mutlak kaybı içeren adımı hedefler. Ürün görüntülemede 1.000 kullanıcıdan sepete eklemede 600'e düşen %40'lık kayıp, 400 kaybedilmiş kullanıcıyı temsil eder. Ödemede 100 kullanıcıdan satın almada 50'ye düşen %50'lik kayıp ise yalnızca 50 kaybedilmiş kullanıcıyı temsil eder. İlk darboğazın önceliklendirilmesi, toplam dönüşümde daha fazla artış sağlar. Bu kalıp üzerine pratik alıştırmalar huni analizi mülakat modülünde bulunabilir.

26. Paydaşların gerçekten kullandığı bir KPI dashboard'u nasıl oluşturulur?

Dashboard'lar, hiyerarşi olmadan çok fazla metrik gösterdiğinde başarısız olur. Etkili bir KPI dashboard'u ters piramit yapısını izler: en üstte bir veya iki kuzey yıldızı metriği (ör: aylık tekrarlayan gelir, net tavsiye skoru), ortada destekleyici metrikler (dönüşüm oranı, kayıp oranı, ortalama sipariş değeri) ve detaylı analizlere erişim sağlayan alt katmanlar. Üst düzey görünümün yedi veya daha az metrikle sınırlandırılması bilişsel yükü azaltır. Otomatik açıklamaların eklenmesi ("5 Mart'ta gelir %12 düştü, neden: ödeme ağı kesintisi") ham sayıların eksik bıraktığı bağlamı sağlar.

Kaynaklar

• What's new in pandas 3.0.0 – Varsayılan Copy-on-Write, yeni string dtype, kaldırılan API'ler
• Migration guide for the new string data type – PyArrow string backend geçişi
• Power BI August 2026 Feature Summary – Direct Lake kompozit modelleri, BigQuery mirroring
• Direct Lake overview – Microsoft Fabric semantik model depolama modları

2026 Veri Analisti Mülakatları İçin Önemli Çıkarımlar

• SQL pencere fonksiyonları, CTE'ler ve kohort sorguları neredeyse her veri analisti teknik değerlendirmesinde karşımıza çıkar. Bunları ezberden yazmak temel bir beklentidir.
• Python Pandas 3.0, varsayılan olarak Copy-on-Write'ı getirdi ve bu zincirleme atamaları bozuyor. .loc kullanımını ve açık .copy() çağrılarını bilmek gerekiyor.
• pandas 3.0'da string sütunları object değil, PyArrow destekli str dtype kullanıyor. Kodunuzdaki dtype karşılaştırmalarını kontrol edin.
• İstatistiksel akıl yürütme (p-değerleri, korelasyon-nedensellik farkı, deney tasarımı) rakamları raporlayan analistlerle bunları doğru yorumlayanları ayırır.
• Power BI Direct Lake on OneLake artık kompozit modelleri destekliyor, neredeyse gerçek zamanlı güncelliği import performansıyla birleştiriyor.
• STAR çerçevesini izleyen ve sayısallaştırılmış sonuçlar içeren davranışsal yanıtlar, belirsiz anlatımlardan daha başarılı oluyor.
• SharpSkill üzerinde veri analitigi mülakat modüllerini pratik yapın: SQL Window Functions, Cohort Retention, Funnel Analysis.