E-Ticarette Veri Temizliği ve Kalitesi: Yanlış Verilere Dayalı Kararların Maliyeti
E-Ticarette Veri Temizliği ve Kalitesi: Yanlış Verilere Dayalı Kararların Maliyeti
Türkiye'deki e-ticaret satıcılarının %67'si pazarlama bütçesini analytics verilerine dayalı olarak belirlediklerini söylüyor. Ancak bu verinin %40'ı hatalı, eksik veya yanıltıcı olabilir. Sonuç? Yanlış kampanyalara para harcamak, yanlış ürünlere stok yatırmak, yanlış müşteri segmentlerine pazarlama yapmak.
2026 sonbaharında, Black Friday sezonu öncesinde işletmeniz için kritik kararlar veriliyorsunuz. Peki bu kararlar hangi verilere dayalı? Veri kalitesi konusunda ciddi sorunlar yaşıyorsanız, milyonluk kayıplar riskiniz var.
Bu rehberde, e-ticarette veri temizliği ve kalitesinin neden bu kadar önemli olduğunu, hatalı verilerin gerçek maliyetini ve bunu nasıl çözeceğinizi detaylı olarak ele alıyoruz.
Veri Kalitesi Nedir? Neden E-Ticarette Kritik?
Veri kalitesi, toplanan bilgilerin doğru, eksiksiz, tutarlı, zamanında ve ilgili olması anlamına gelir.
E-ticarette veri kalitesi sorunu yayın. Örneğin:
- Müşteri veritabanında çoğaltılan kayıtlar (aynı kişi 3 farklı profille)
- Hatalı ürün kategorilendirmesi (ayakkabı, "elektronik" kategorisine atılmış)
- Tarih ve format hataları (2026-10-09 ile 09/10/2026, 09-10-2026 ayrı ayrı kaydedilmiş)
- Eksik bilgiler (müşteri adı var ama telefon yok)
- Tutarsız veriler (bir yerde ciro 100.000 TL, başka yerde 95.000 TL)
- Eski ve atık veriler (2 yıl önce silinmiş müşteriler hala aktif saydılıyor)
Bütün bunlar pazarlama kararlarını, stok yönetimini, müşteri segmentasyonunu ve satış tahminlerini etkiler.
Hatalı Verilerin Gerçek Maliyeti: Sayılarla
1. Pazarlama Harcamalarındaki İsraf
Diyelim ki aylık pazarlama bütçeniz 50.000 TL. Müşteri segmentasyonu veriniz %30 hatalı:
- Yanlış hedef kitleye ulaşma: Çevre dostu müşterilere spor ayakkabı, spor ayakkabı müşterilerine çevre ürünleri satma
- Düşük ROI: %20 daha düşük conversion rate
- Atılan bütçe: 50.000 × 0.30 × 0.20 = 3.000 TL/ay = 36.000 TL/yıl
Ama asıl sorun bu değil. Kaçırılan fırsat maliyeti çok daha fazla.
2. Stok Yönetimindeki Hatalar
Ürün satış tahminleri veriniz hatalıysa:
- Fazla stok: 50.000 TL değerinde ürün depo yatar, nakit akışı bozulur, yer kaybı
- Az stok: Trend ürünü stoktan çıkarıyor, satış fırsatı kaybediyorsunuz
- Black Friday için hatalı hazırlık: Yanlış tahminle yanlış miktarlarda stok, satış kaçırıyor veya dönerseniz
Bir orta ölçekli e-ticaret işletmesi için stok yönetimi hataları ayda 20.000-50.000 TL kayıp anlamına gelebilir.
3. Müşteri Kaybı ve Churn
Hatalı CRM verileri:
- Müşteri iletişim bilgisinde hata → e-mail gönderilememiyor → unsubscribe
- Müşteri geçmişi yanlış → yanlış ürün rekomendasyonu → müşteri kaybı
- Segmentasyon hatalı → uyarı mesajları yanlış zamanda → memnuniyetsizlik
Bir müşterinin hayat değeri: Ortalama 5.000 TL. Her ay 100 müşteri kaybediyorsanız → 500.000 TL kayıp/ay.
E-Ticarette Veri Kalitesinin En Büyük Sorun Alanları
1. Müşteri Veritabanı Sorunları
- Duplikasyon (aynı e-mail, farklı kayıtlar)
- Eksik veya yanlış iletişim bilgileri
- Yanlış adres bilgileri (kargo sorunları)
- Telefon numarası formatı tutarsızlığı
2. Ürün Veritabanı Sorunları
- Kategorilendirme hataları
- Eksik veya yanlış ürün açıklamaları
- SKU (stok kodu) tutarsızlıkları
- Resim ve görsel eksikliği
- Yanlış fiyat bilgileri
3. Analytics ve Raporlama Sorunları
- GA4 kurulumu hatalı (event tracking eksik)
- Çok sayıda veri kaynağında tutarsızlık
- Tarih ve zaman bölgesi uyuşmazlıkları
- Filtre eksikliği (bot trafiği, test veriler dahil)
4. Pazaryeri İntegrasyonu Sorunları
- Trendyol ve Hepsiburada arasında stok uyuşmazlığı
- Fiyat senkronizasyonu hataları
- Sipariş verilerinde tutarsızlık
Veri Temizliği: Adım Adım Rehber
Adım 1: Veri Denetimi ve Keşif
Temizlik başlamadan önce, problemi anlayın:
``` • Kaç tane yinelenen kayıt var? • Kaç müşterinin eksik verileri var? • Veritabanı kaç "atık veri" içeriyor? • Hangi alanlar en sorunlu? ```
Araçlar:
- Google Sheets formülleri (COUNTIF, VLOOKUP)
- Excel Power Query
- OpenRefine (açık kaynaklı, ücretsiz)
- Talend Open Studio
Adım 2: Duplikasyonları Kaldırın
Müşteri ve ürün veritabanında yinelenen kayıtlar çıkartın:
- E-mail ve telefona göre kontrol
- Ad benzerliklerine göre kontrol (örn: "Ahmet Yılmaz" vs "A. Yilmaz")
- Yapay zeka kullanarak benzer kayıtları eşleştirme
Uyarı: Silmeden önce birleştirin. Eğer müşteri 2 farklı profilde satın almışsa, satın alma tarihini birleştirin.
Adım 3: Eksik Verileri Doldurun veya Kaldırın
Seçenekler:
1. Doldur: E-mail bulunmayan müşteriye ulaşıp eksik bilgisini isteyin 2. Kalıp çıkar: Başka verilerden eksik bilgileri tahmin edin 3. Kaldır: Eğer kritik bilgi tamamen eksikse, satır silin (ama dikkat: satış verileri varsa tutun)
Adım 4: Format Tutarlılığını Sağlayın
Tüm tarihler, telefon numaraları, e-mailler aynı formatta olsun:
- Tarih: 2026-10-09 (ISO formatı)
- Telefon: +90XXXXXXXXXX
- E-mail: tümü küçük harf
- Kategoriler: İlk harf büyük
Adım 5: Veri Validasyonu Kuralları Oluşturun
Yeni veriler girişte otomatik kontrol:
- E-mail formatı kontrol (regex)
- Telefon uzunluğu kontrol
- Tarih mantıklılığı kontrol (gelecek tarihi olmasın)
- Fiyat pozitif sayı olsun
- Ürün kategorisinden seçilsin (serbest yazı değil)
E-Ticarette Veri Kalitesi İçin Önerilen SaaS Araçları
1. OpenRefine (Ücretsiz)
Masif veri temizliği için en iyi seçenek. Binlerce satırı hızlıca temizleyebilirsiniz.2. Talend Cloud (Ücretli)
Kurumsal düzeyde veri entegrasyonu ve temizliği.3. Segment (Ücretli, AWS Partner)
Tüm pazarlama araçlarından veri toplar, birleştirir, temizler, CRM'e gönderir.4. Trifacta (Ücretli, Alteryx'in ürünü)
Görsel veri temizliği platformu. Kodlama bilmeyenler için ideal.5. Great Expectations (Açık kaynak)
Veri kalitesi test ve doğrulama platformu. DevOps mantığıyla veri pipeline'larını test edin.6. Freshworks (Ücretli CRM)
Müşteri veritabanındaki duplikasyonları ve hataları otomatik olarak tespit eder.7. HubSpot Data Quality Dashboard (Ücretsiz + Premium)
Veri kalitesini izler, hangi alanların sorunlu olduğunu gösterir.E-Ticarette Veri Kalitesi Kontrol Lisesi
Aylık Kontrol Yapılması Gerekenler
- [ ] Müşteri veritabanında duplikasyon kontrolü
- [ ] Atık/eski müşteri verilerinin temizlenmesi (1+ yıl işlem yok)
- [ ] Ürün veritabanında kategori tutarlılığı
- [ ] Pazaryeri stok senkronizasyonu (Trendyol, Hepsiburada)
- [ ] Fiyat listesi hataları
- [ ] GA4 bot trafiği filtresi
- [ ] E-mail listesi bounce rate kontrol
Üç Aylık Kontrol
- [ ] Analytics verilerinin dış kaynaklar (pazaryeri API'leri) ile karşılaştırılması
- [ ] CRM verileri ile satış verileri tutarlılığı
- [ ] Ürün açıklamaları ve resim kontrolü
- [ ] Müşteri adres bilgileri (kargo iade oranlarıyla karşılaştırma)
Altı Aylık Denetim
- [ ] Tüm veri kaynağının kapsamlı denetimi
- [ ] Veri entegrasyon işlemlerinin gözden geçirilmesi
- [ ] Yeni veri alanları eklenmişse formatlandırma
- [ ] Black Friday/Yılbaşı gibi büyük etkinlikler öncesi kapsamlı temizlik
Veri Kalitesi Kültürü Oluşturmak
1. Sorumluluğu Tanımlayın
"Kimse topladığı verilerin kalitesinden sorumlu değil" sendromu çok yaygın. Belirleyin:
- Kim veri giriş yapıyor?
- Kim veri kalitesinden sorumlu?
- Kim aylık denetimi yapıyor?
- Hata bulunursa kim uyarıyor?
2. Veri Giriş Eğitimi
Tüm takım üyeleri verileri nasıl doğru girmeleri gerektiğini bilmeli.
3. Otomasyonu Artırın
Manuel veri girişi = hata oranı yüksek. Mümkün olduğunca:
- Pazaryeri API'lerinden otomatik veri çek
- Ödeme sisteminizden otomatik siparişi çek
- Kargo firmasından otomatik takip bilgisi çek
4. Periyodik Raporlar
Aylık "Veri Kalitesi Raporu" hazırlayın:
- Duplikasyon oranı
- Eksik veri oranı
- Yanlış kategorilendirme sayısı
- Düzeltme süresi
Black Friday Hazırlığında Veri Kalitesi Neden Kritik?
Kasım ayında biraz daha özel:
- Hatalı müşteri verileri → e-mail kampanyaları bounce rate yüksek → deliverability düşüyor → cezalandırılıyorsunuz (spam folder)
- Hatalı ürün kategorileri → Google Shopping'de malı ürünler düşük başarı → ad spend boşa gidiyor
- Hatalı stok verileri → overselling, müşteri memnuniyetsizliği, iade oranları yükseliyor
- Hatalı fiyat verileri → marjlar yıkılıyor veya müşteri kaçıyor
Black Friday başlamadan 2-3 hafta önce, kapsamlı veri denetimi yapın.