Raporların her ay farklı rakamlar gösterdiği, aynı müşterinin üç sistemde üç farklı adla kayıtlı olduğu ya da yapay zekâ projesinin “verimiz hazır değil” cümlesiyle durduğu bir şirketin eksik parçası genellikle veri mühendisliğidir. Verinin değeri arttıkça bu rol de bilişim sektörünün en çok aranan uzmanlıklarından biri hâline geldi.
Bu rehberde veri mühendisinin ne iş yaptığını, veri bilimci ve veri analistinden farkını, gerekli yetkinlikleri, kariyer yolunu ve mülakat sorularını anlatıyoruz. Son bölümde şirketler için veri mühendisi işe alırken dikkat edilecekleri topladık. Rehberi, bilişim kökenli ekibimizin bilişim sektöründe işe alım projelerinde edindiği deneyimle hazırladık.
Veri Mühendisliği Nedir?
Veri mühendisliği, verinin kaynağından (uygulama veritabanları, ERP ve CRM sistemleri, web siteleri, sensörler, dış servisler) alınıp güvenilir, tutarlı ve sorgulanabilir bir yapıya taşınması için gereken sistemlerin tasarlanması ve işletilmesidir. Bir benzetmeyle: Veri bilimci ve analist veriden anlam çıkaran kişilerse, veri mühendisi o verinin onlara temiz ve zamanında ulaşmasını sağlayan boru hattını kuran kişidir.
Bu sürecin merkezinde ETL (Extract, Transform, Load: çıkar, dönüştür, yükle) ve günümüzde giderek yaygınlaşan ELT (önce yükle, sonra veri ambarı içinde dönüştür) yaklaşımları vardır. Veri ya belirli aralıklarla toplu olarak (batch) ya da anlık olarak (streaming) işlenir.
Veri Mühendisi Ne İş Yapar?
| Görev alanı | Somut işler | Yaygın araçlar |
|---|---|---|
| Veri hatları (pipeline) | Farklı kaynaklardan veriyi otomatik ve düzenli olarak toplayıp dönüştürmek | Apache Airflow, dbt, Azure Data Factory, Fivetran |
| Veri ambarı ve veri gölü | Analize uygun depolama yapısını kurmak ve yönetmek | Snowflake, BigQuery, Amazon Redshift, Databricks, Microsoft Fabric |
| Büyük veri işleme | Tek bir sunucuya sığmayan veriyi dağıtık sistemlerde işlemek | Apache Spark, Hadoop ekosistemi |
| Gerçek zamanlı veri | Olayları anlık olarak toplamak ve işlemek | Apache Kafka, Flink, bulut akış servisleri |
| Veri modelleme | Tabloları raporlamaya ve analize uygun biçimde tasarlamak (yıldız şema, boyut ve olgu tabloları) | SQL, dbt, modelleme yaklaşımları |
| Veri kalitesi | Eksik, hatalı veya tekrarlı veriyi otomatik testlerle yakalamak | dbt testleri, Great Expectations, izleme panelleri |
| Veri yönetişimi ve güvenlik | Erişim yetkileri, kişisel verilerin maskelenmesi, veri kataloğu | Unity Catalog, bulut IAM, maskeleme kuralları |
Kişisel verilerle çalışan veri mühendisleri, 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) kapsamındaki yükümlülükleri de teknik tarafta hayata geçirir: Erişimin sınırlandırılması, gereksiz kişisel verinin analiz ortamına taşınmaması, maskeleme ve saklama sürelerine uygun silme bunların başında gelir. Şirketlerde yapay zekâ projelerinin başarısı da büyük ölçüde bu altyapının olgunluğuna bağlıdır; konuyu şirketlerde yapay zekâ dönüşümü yazımızda ele aldık.
Veri Mühendisi, Veri Bilimci ve Veri Analisti Arasındaki Fark
| Rol | Temel sorusu | Ürettiği çıktı | Öne çıkan beceri |
|---|---|---|---|
| Veri mühendisi | “Veri doğru, güncel ve erişilebilir mi?” | Veri hatları, veri ambarı, temiz tablolar | SQL, Python, Spark, bulut, veri modelleme |
| Veri analisti | “Ne oldu, neden oldu?” | Raporlar, paneller, iş analizleri | SQL, Excel, Power BI / Tableau, iş bilgisi |
| Veri bilimci | “Ne olacak, ne yapmalıyız?” | Tahmin modelleri, deneyler, öneriler | İstatistik, makine öğrenmesi, Python |
| Analytics engineer | “Analistler veriyi kolay ve tutarlı nasıl kullanır?” | Ambar içinde modellenmiş, test edilmiş tablolar | SQL, dbt, veri modelleme |
| ML mühendisi | “Model canlıda güvenilir çalışıyor mu?” | Canlıya alınmış ve izlenen modeller | Yazılım geliştirme, MLOps, bulut |
Küçük ekiplerde bu roller iç içe geçebilir; büyüyen şirketlerde ise ayrışır. Veri bilimci rolünün nasıl değiştiğini değişen veri bilimci ihtiyacı yazımızda anlatmıştık. Veri hatlarını canlı ortamda otomatikleştirme tarafında ise veri mühendisliği DevOps mühendisliği ile sıkça kesişir.
Veri Mühendisi Olmak İçin Gerekli Yetkinlikler
Teknik yetkinlikler
- İleri düzey SQLJoin, pencere fonksiyonları, alt sorgular, performans iyileştirme ve büyük tablolarda sorgu planı okuma.
- PythonVeri işleme kütüphaneleri, API’lerden veri çekme, test yazma ve temiz kod alışkanlığı.
- Veri modellemeNormalizasyon, yıldız şema, boyut ve olgu tabloları, değişen boyutların yönetimi.
- Dağıtık işlemeApache Spark ile büyük veri işleme, bölümleme (partitioning) ve maliyet farkındalığı.
- İş akışı yönetimiAirflow gibi araçlarla bağımlılıkları olan veri işlerini planlamak ve izlemek.
- Bulut ve depolamaEn az bir bulut platformunda veri ambarı, nesne depolama ve erişim yönetimi deneyimi.
Davranışsal yetkinlikler
- İş bilgisini anlamak: “Aktif müşteri” veya “ciro” gibi tanımların departmanlar arasında nasıl farklılaştığını fark edip ortak bir tanım üzerinde uzlaştırabilmek.
- Detaycılık: Tek bir hatalı birleştirmenin bütün raporları bozabileceğinin bilincinde olmak.
- İletişim: Analist, veri bilimci ve yazılım ekipleriyle ihtiyaçları netleştirmek.
- Dokümantasyon: Veri kaynaklarını, tabloları ve dönüşümleri başkalarının da anlayacağı biçimde belgelemek.
- Güvenlik ve etik: Kişisel ve hassas veriye erişimi “gerektiği kadar” ilkesiyle yönetmek.
Veri Mühendisleri İçin Öne Çıkan Sertifikalar
Sertifikalar deneyimin yerini tutmaz; ancak kullanılan platformu belgelemek ve özellikle kariyerin başında CV’de öne çıkmak için faydalıdır:
| Sertifika | Veren kurum | Kimler için? |
|---|---|---|
| Google Cloud Professional Data Engineer | Google Cloud | BigQuery ve Google Cloud kullanan ekipler |
| AWS Certified Data Engineer – Associate | Amazon Web Services | AWS üzerinde veri hattı kuran mühendisler |
| Microsoft Certified: Fabric Data Engineer Associate (DP-700) | Microsoft | Microsoft Fabric ve Azure veri platformu kullananlar |
| Databricks Certified Data Engineer Associate / Professional | Databricks | Spark ve Databricks lakehouse ile çalışanlar |
| SnowPro Core ve SnowPro Advanced: Data Engineer | Snowflake | Snowflake veri ambarı kullanan ekipler |
Veri Mühendisi Nasıl Olunur? Kariyer Yolu
Bilgisayar, yazılım, endüstri, matematik ve istatistik bölümleri veri mühendisliğine en sık giriş yapılan alanlardır. Veri analistliği, veritabanı yöneticiliği (DBA), iş zekâsı (BI) geliştiriciliği ve yazılım geliştirme de yaygın geçiş noktalarıdır.
- 1SQL’de ustalaşınVeri mühendisliğinin ortak dili SQL’dir; karmaşık sorguları rahatça yazabilecek düzeye gelin.
- 2Python öğreninVeri işleme, API’den veri çekme ve basit otomasyon betikleri yazın.
- 3Veri modellemeyi öğreninYıldız şema ile küçük bir veri ambarı tasarlayın.
- 4Uçtan uca bir veri hattı kurunAçık bir veri setini bir buluta taşıyın, Airflow ve dbt ile dönüştürüp bir panelde gösterin.
- 5Büyük veri ve bulut deneyimi edininSpark, bir veri ambarı (BigQuery, Snowflake vb.) ve bulut depolama ile çalışın.
- 6Rolü kademeli büyütünJunior → veri mühendisi → kıdemli → lider, veri mimarı veya platform yöneticisi.
| Seviye | Tipik sorumluluk |
|---|---|
| Junior veri mühendisi | Var olan hatlara yeni kaynak eklemek, SQL dönüşümleri yazmak, veri kalitesi hatalarını takip etmek |
| Veri mühendisi | Uçtan uca veri hatları kurmak, veri modellerini tasarlamak, performans ve maliyet iyileştirmek |
| Kıdemli veri mühendisi | Mimari kararlar, standartlar, veri kalitesi ve yönetişim süreçleri, ekibe rehberlik |
| Lider / veri mimarı | Veri platformu stratejisi, araç seçimi, bütçe ve iş birimleriyle yol haritası |
Projelerinizi CV’nizde ölçülebilir sonuçlarla anlatın: “Günlük raporun hazırlanma süresini 4 saatten 20 dakikaya indiren veri hattı” gibi. LinkedIn profilinizi ve ATS uyumlu CV’nizi aynı anahtar kelimelerle (SQL, Spark, Airflow, dbt, kullandığınız bulut) güncelleyin; teklif aşamasında maaş pazarlığı rehberimizden yararlanın.
Veri Mühendisi Mülakat Soruları
Veri mühendisi mülakatları genellikle canlı SQL soruları, bir veri modelleme veya sistem tasarımı vakası ve davranışsal sorulardan oluşur. Davranışsal kısım için yetkinlik bazlı mülakat soruları rehberimize göz atın.
Teknik sorular
- ETL ile ELT arasındaki fark nedir? Hangi durumda hangisini tercih edersiniz?
- Batch ve streaming veri işleme arasındaki fark nedir? Gerçek zamanlı veri gerçekten ne zaman gerekir?
- Olgu (fact) ve boyut (dimension) tablosu nedir? Bir e-ticaret şirketi için basit bir yıldız şema tasarlayın.
- Yavaş değişen boyut (SCD) tip 1 ve tip 2 arasındaki fark nedir?
- Bir tabloda tekrar eden kayıtları SQL ile nasıl bulur ve temizlersiniz?
- Bir veri hattı aynı veriyi iki kez yüklerse ne olur? Hattı nasıl idempotent (tekrar çalıştırılabilir) yaparsınız?
- Spark’ta bir iş yavaş çalışıyorsa ilk neye bakarsınız? (veri dağılımı, shuffle, bölümleme)
Vaka ve davranışsal sorular
- Yönetim panelindeki ciro rakamı muhasebe raporuyla tutmuyor. Sorunu nasıl ararsınız?
- Gece çalışan bir veri hattı hata verdi ve sabah raporları boş geldi. Ne yaparsınız, tekrarını nasıl önlersiniz?
- İki departmanın aynı metriği farklı tanımladığı bir durumu nasıl çözdünüz?
- Veri platformunda maliyeti düşürdüğünüz bir örneği anlatın.
Uluslararası şirketlerde mülakatın bir kısmı İngilizce yapılabilir; İngilizce mülakat soruları rehberimiz hazırlığınızı kolaylaştırır.
Şirketler İçin: Veri Mühendisi İşe Alırken Dikkat Edilecekler
- Önce ihtiyacı netleştirinRapor mu istiyorsunuz, tahmin modeli mi, yoksa sağlam bir veri altyapısı mı? Cevap; analist, veri bilimci veya veri mühendisi arasında seçimi belirler.
- İlk veri işinizi doğru kişiye verinAltyapı yokken işe alınan veri bilimciler zamanlarının büyük kısmını veri temizliğine harcar. Çoğu zaman ilk ihtiyaç veri mühendisidir.
- Teknoloji yığınını yazınKullandığınız bulut, veri ambarı ve araçları ilanda belirtin; adaylar kendilerini buna göre değerlendirir.
- SQL’i mutlaka test edinKısa ve gerçekçi bir canlı SQL alıştırması, adayın seviyesini en hızlı ölçen yöntemdir.
- Tasarım düşüncesine bakınAraç bilgisinden çok, bir veri hattını hata ve tekrar çalıştırma senaryolarıyla düşünebilmesi önemlidir.
- Süreci kısa tutunDeneyimli veri mühendisleri aynı anda birkaç süreçte olur; haftalarca süren aşamalar adayı kaybettirir.
Pozisyon tanımı ile piyasadaki aday profili arasındaki fark, veri rollerinde işe alımın uzamasının en yaygın nedenidir; bunu işe alımda beklenti uyumsuzluğu yazımızda ayrıntılı anlattık. Net bir iş tanımı ve teklif aşamasında olası bir karşı teklif için hazırlık, süreci belirgin biçimde kolaylaştırır.
Astera ile Veri ve Bilişim İşe Alımı
Astera, bilişim kökenli bir ekip tarafından kurulan ve 2014’ten bu yana İŞKUR izinli özel istihdam bürosu olarak hizmet veren bir İK danışmanlık firmasıdır. Veri mühendisliği, veri bilimi, DevOps ve yazılım rollerinde seçme ve yerleştirme ve üst düzey işe alım hizmeti veriyor; pasif adaylara headhunter yöntemleri ve yapay zekâ destekli işe alım araçlarıyla ulaşıyoruz. Veri ve yapay zekâ dönüşümü tarafında ise dijital dönüşüm ve AI yönetişimi danışmanlığı sunuyoruz. İstanbul’da bir ekip arıyorsanız İstanbul İK danışmanlık sayfamızı inceleyebilir ya da bizimle iletişime geçebilirsiniz. Yeni bir fırsat arıyorsanız CV’nizi bize gönderebilirsiniz.
Veri Mühendisi Hakkında Sık Sorulan Sorular
Veri mühendisi nedir?
Veri mühendisi, şirketin farklı sistemlerinden gelen verileri toplayan, temizleyen, dönüştüren ve analize hazır biçimde saklayan altyapıyı kuran bilişim uzmanıdır. Veri hatlarını, veri ambarını ve veri kalitesi süreçlerini yönetir.
Veri mühendisi ne iş yapar?
Veri hatları (ETL/ELT) kurar, veri ambarı ve veri gölü gibi depolama sistemlerini yönetir, verileri raporlamaya uygun biçimde modeller, büyük veriyi Spark gibi araçlarla işler, veri kalitesini test eder ve erişim yetkilerini düzenler.
Veri mühendisi ile veri bilimci arasındaki fark nedir?
Veri mühendisi verinin doğru, güncel ve erişilebilir olmasını sağlayan altyapıyı kurar. Veri bilimci ise bu veriyi istatistik ve makine öğrenmesiyle analiz ederek tahmin modelleri ve öneriler üretir.
Veri mühendisi olmak için hangi bölümü okumak gerekir?
Belirli bir bölüm şartı yoktur. Bilgisayar, yazılım, endüstri, matematik ve istatistik bölümleri yaygındır; veri analistliği, veritabanı yöneticiliği ve BI geliştiriciliğinden geçiş de sık görülür.
Veri mühendisi hangi araçları kullanır?
SQL ve Python temel dillerdir. Bunlara ek olarak Apache Spark, Airflow, dbt, Kafka ile Snowflake, BigQuery, Redshift, Databricks veya Microsoft Fabric gibi veri platformları ve en az bir bulut platformu sık kullanılır.
Veri mühendisi için sertifika gerekli mi?
Zorunlu değildir; projeler ve deneyim daha belirleyicidir. Ancak Google Cloud Professional Data Engineer, AWS Certified Data Engineer – Associate, Microsoft Fabric Data Engineer Associate, Databricks ve Snowflake sertifikaları kullanılan platformu belgelemek için faydalıdır.
Şirketler veri mühendisi işe alırken nelere dikkat etmeli?
Önce ihtiyacın veri altyapısı mı, rapor mu, tahmin modeli mi olduğunu netleştirmeli; ilanda teknoloji yığınını belirtmeli; SQL bilgisini kısa bir canlı alıştırmayla ölçmeli; tasarım düşüncesine bakmalı ve süreci hızlı yürütmelidir.