Self-service analitik pilotları çoğu kurumda iyi başlar. Bir iş birimi Power BI, Tableau veya Qlik ile etkileyici dashboard'lar üretir; üst yönetim memnundur; bütçe artırılır. Sonra ölçek aşaması başlar ve sahne değişir: 100 kullanıcı oldu, 200 olunca dashboard kalitesi düşmeye başladı. KPI tutarsızlıkları çıktı. IT, "self-service" değil "self-rescue" yapıyor. Bu döngü neredeyse hep aynı; sebebi de hep aynı.
Ölçeklenmemenin temel sebebi
Pilot küçük bir grup için yapılır; herkes konuyu bilir, IT yardımı kolay erişilir, tek bir veri kaynağı kullanılır. Yaygınlaştırmada ise bu üç koşul kaybolur: kullanıcılar farklı domain’lerden, IT yardımı dar boğaza girer, çoklu veri kaynağı tutarsızlığı patlatır.
Sürdürülebilir self-service için dört şeyin birlikte ölçeklenmesi gerekir: veri katalogu, sertifika süreci, eğitim, kullanım izleme.
Bileşen 1: Sertifikalı veri seti kataloğu
Kullanıcının, IT’ye sormadan "bu veri güvenilir mi?" sorusuna cevap bulabileceği bir katalog olmalı. Datahub, Atlan veya Microsoft Purview gibi araçlar standartlaşmış durumda. Her veri seti taşır:
- Sahip (data owner, business + technical)
- Sertifikasyon seviyesi (certified / experimental / deprecated)
- Kalite metrikleri (son çalıştırılan testler)
- Kullanım istatistikleri (kim ne kadar kullandı)
Katalog yokken yaygınlaşma "hangisi doğru" sorularıyla boğulur.
Bileşen 2: Sertifikasyon süreci
Sertifikasyon, IT-ağırlıklı bir bürokrasi olmamalı. Pratik akış:
- Üretici ekip, dataset için kaynak, schema, owner ve kalite testleri sağlar.
- Veri yönetişimi rolü (data governance lead) bunu inceler, eksik noktaları işaretler.
- Kabul edilen dataset "certified" rozetiyle katalogta yayınlanır.
- Sertifikalı setler dashboard sertifikasyonunda zorunludur.
Bu süreç haftalar değil günlerle ölçülür. Aksi halde ekipler etrafından dolaşır.
Bileşen 3: Eğitim ve data champion modeli
Self-service’in başarısı çoğunlukla insan tarafıyla belirlenir. Önerimiz: her iş biriminden 2-3 kişinin üç aylık rotasyonda "data champion" olarak yetiştirilmesi. Champion içerikleri:
- Semantic layer ve KPI tanımları üzerine derinlemesine eğitim
- Power BI / Tableau / Qlik için ileri seviye atölye
- KVKK ve veri etik kuralları
- "Yardımcı yetiştirme": kendi biriminde bu rolü yaymak
Champion modelinin ROI’si genelde tüm araç maliyetlerinin toplamından yüksektir.
Bileşen 4: Kullanım izleme
Hangi pano kim tarafından kullanılıyor? Hangi sertifikalı veri seti çekiliyor? Hangileri kullanılmıyor? Bu sorulara cevap veren bir telemetri paneli her self-service operasyonunun standart bileşeni olmalı.
İki çıktısı olur:
- Kullanılmayanları emekliye ayırma (estate temizliği)
- En çok kullanılan dashboard ve dataset’lere ekstra kalite yatırımı
Yönetişim ve özgürlük dengesi
Self-service çoğu zaman iki uçta tıkanır: IT total kontrol veya total açıklık. Ne ikisi de işe yaramaz. Pratik denge:
- Sertifikalı veri setleri public erişimde, herkes okuyabilir.
- Kişisel sandbox alanları, kullanıcılara kendi keşif alanı verir.
- Yayın panoları (executive layer) sadece sertifikalı veri ve sertifikalı dashboard içerir.
Bu üçlü hem deneyime izin verir hem üst yönetim panosunu güvende tutar.
12 aylık ölçeklendirme planı
Ay 1-3: Mevcut self-service kullanım haritası, dataset envanteri, ilk 5-10 setin sertifikasyonu. Ay 4-6: İlk dalga data champion eğitimi (3 birimde 6-9 kişi), katalog devreye alımı. Ay 7-9: Kullanım izleme dashboard’u, eski raporların temizliği, ikinci dalga eğitim. Ay 10-12: Embedded analytics ile iki kritik kullanıcı yolculuğunun zenginleştirilmesi, AI sorgu asistanı pilotu.
Sonuç
Self-service analitik bir araç problemi değildir; süreç, insan ve veri yönetişiminin birlikte ölçeklenmesi problemidir. Bu dört bileşen olgunlaştığında bir kurumda yüzlerce kullanıcı, yüzlerce dashboard üretir ve hâlâ tek bir doğru sayı vardır. Olgunlaşmadığında ise sayfalar dolusu çelişkili rapor ve kaybolan üst yönetim güveni vardır.
