<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Cansu AKVEÇ on Medium]]></title>
        <description><![CDATA[Stories by Cansu AKVEÇ on Medium]]></description>
        <link>https://medium.com/@akveccansu?source=rss-1857a1f7d034------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*JFDg1j4_GyVQiZSAejgYfQ.png</url>
            <title>Stories by Cansu AKVEÇ on Medium</title>
            <link>https://medium.com/@akveccansu?source=rss-1857a1f7d034------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 01:59:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@akveccansu/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[dbt: Veri Dönüşümünün Hem En İyi Hem En Zor Yanı]]></title>
            <link>https://medium.com/@akveccansu/veri-d%C3%BCnyas%C4%B1n%C4%B1n-g%C3%BCl%C3%BC-seven-dikenine-katlan%C4%B1r-arac%C4%B1-dbt-583aef4dd4f8?source=rss-1857a1f7d034------2</link>
            <guid isPermaLink="false">https://medium.com/p/583aef4dd4f8</guid>
            <dc:creator><![CDATA[Cansu AKVEÇ]]></dc:creator>
            <pubDate>Fri, 24 Apr 2026 07:24:35 GMT</pubDate>
            <atom:updated>2026-04-24T07:25:36.865Z</atom:updated>
            <content:encoded><![CDATA[<p>Sektörde dbt (Data Build Tool) genellikle <strong>“SQL bilen herkes yapabilir”</strong> vaadiyle pazarlanıyor. Ancak işin mutfağına girdiğinizde, kendinizi bir anda Jinja templateları ve bitmek bilmeyen YAML dosyaları arasında bulabiliyorsunuz.</p><p>Önce dbt’nin Hakkını Teslim Edelim (Artılar)</p><ul><li><strong>Kaosun İçindeki Düzen:</strong> dbt, SQL kodlarını rastgele dosyalardan çıkarıp modüler, tertipli ve klasörlenmiş bir yapıya kavuşturuyor. “Bu query’yi kim, neden yazmıştı?” sorusu tarih oluyor.</li><li><strong>Veri Hijyeni (Staging):</strong> Veriyi ham haliyle değil de önce bir temizlik (staging) aşamasından geçirmek, o meşhur “saçma sapan kolon isimleri” kabusunu sona erdiriyor.</li><li><strong>Görsel Hafıza (Lineage):</strong> Hangi tablonun hangi kaynaktan beslendiğini görmek, karmaşık veri yapılarında kaybolmayı engelliyor. Excel karmaşasından sonra adeta bir navigasyon cihazı gibi.</li><li><strong>Otomatik Güvenlik Ağı (Testler):</strong> Verinin null olup olmadığını veya unique kalıp kalmadığını manuel kontrol etmek yerine, dbt’nin test mekanizmasıyla otomatize edebiliyorsunuz.</li><li><strong>Belgeleme Mucizesi:</strong> Kimse dokümantasyon yazmayı sevmez. dbt’nin bunu otomatik olarak üretmesi, veri ekipleri için küçük bir mucize sayılır.</li></ul><h3>Madalyonun Diğer Yüzü (Zorluklar)</h3><ul><li><strong>“Sadece SQL” Vaadi Biraz İyimser:</strong> Gerçekçi olalım; dbt kullanırken sadece SQL bilmek yetmiyor. İşin içine Jinja mantığı, YAML yapılandırması ve CLI (komut satırı) girince, bir veri analisti kendisini bir anda yarı-zamanlı bir backend geliştiricisi gibi bulabiliyor.</li><li><strong>Geliştirme Hızı ve Akış:</strong> Normalde SQL yazıp hemen sonucu görmek istersiniz. dbt’de ise “yaz, compile et, çalıştır ve bekle” döngüsü, hızlı deneme-yanılma yapma keyfini biraz törpülüyor.</li><li><strong>Ek İş Yükü :</strong> Bazen 10 satırlık basit bir transformasyon için bile ayrı bir YAML dosyası açmak, referans eklemek ve config ayarlarıyla uğraşmak yorucu olabiliyor.</li></ul><h4>Sonuç: dbt Kimler İçin Nimet, Kimler İçin Pek Uygun Değil?</h4><ul><li><strong>Küçük bir ekipseniz</strong> ve hız her şeyden önemliyse, dbt sizin için aşırı kaçan bir çözüm olabilir.</li><li><strong>Büyük, karmaşık ve çoklu veri yapılarıyla</strong> uğraşıyorsanız; dbt o kaosu yönetebilecek tek disiplinli araçtır.</li></ul><p><strong>Kısacası:</strong> dbt, düzenli ve sürdürülebilir bir veri pipeline’ı kurmak isteyenler için vazgeçilmez bir rehber; ancak “iki sorgu yazıp hemen rapor alayım” diyenler için sabır testi kıvamındadır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=583aef4dd4f8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DBT Artifacts nedir?]]></title>
            <link>https://medium.com/@akveccansu/dbt-artifacts-nedir-2ad7cc2c3fe7?source=rss-1857a1f7d034------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ad7cc2c3fe7</guid>
            <dc:creator><![CDATA[Cansu AKVEÇ]]></dc:creator>
            <pubDate>Tue, 21 Apr 2026 12:37:02 GMT</pubDate>
            <atom:updated>2026-04-21T12:37:02.365Z</atom:updated>
            <content:encoded><![CDATA[<p>DBT her çalıştığında oluşan ve içerisinde;<br>model bağımlılıkları, performans verileri, modelin çalışma süreleri, başarı durumları gibi bilgilerin bulunduğu JSON dosyalarıdır.<br>Kısaca sistem nasıl çalışıyor? Ve sistemde ne oldu? sorularına cevap alabildiğimiz kısımdır.</p><p>Öncelikle dbt çalıştıktan sonra oluşan JSON dosyaları ham haliyle işimize yaramayacaktır. Çünkü JSON dosyaları iç içe verilerle dolu ve karmaşıktır. SQL bilsek bile direkt olarak analizi oldukça zordur.<br>Örneğin ham haliyle dosya sana böyle bir şey verir. <br>{<br> “model”: “revenue”,<br> “status”: “success”,<br> “execution_time”: 21.4,<br> “depends_on”: [“orders”, “customers”]<br>}</p><p>ancak bunun binlerce satır, yüzlerce model olduğunu düşünürsek okumak ve analiz etmek mümkün olmayacaktır.<br>İşte bu kısımda <strong>dbt_artifacts</strong> devreye giriyor. İlk aşama olarak JSON dosyası içerisinden verileri alarak model model ayırmaktadır. .<br>2. Aşamada ise transform edip datayı temizlemektedir. Gereksiz alanlar çıkarılır veri tipi düzeltilir.<br>3. Aşama veriyi tabloya çevirir. JSON dosyası bir SQL tablosuna dönüşür.<br>4. Aşama veriyi bir DWH a yükler. (BigQuery, Snowflake,Redshift gibi.)</p><p>Sonuç olarak JSON dosyasındaki yapı <strong>dbt artifact</strong> sayesinde dashboard yapılabilir hale getirilebilmektedir.<br>Bu noktadaki en önemli çıkarımımız aslında bir log dosyasının iş zekası verisine dönüşmesini sağlamasıdır. Bu sayede ;<br>Trend Analizi, Alert sistemi ,Maliyet optimizasyonu gibi bir çok konuda destek sağlayabiliriz.</p><p>Şimdi bir önek üzerinden bu bilgileri pekiştirelim. Mesela bir E-ticaret şirketindesin.</p><p>Şirketin bir veri ambarı (Snowflake vb.) var. <br>Burada satış verilerini tutuyoruz.</p><p><strong>`orders`</strong> → siparişler<br><strong> `customers` </strong>→ müşteri bilgisi<br><strong>`payments`</strong> → ödeme bilgileri</p><p>Ve sen dbt ile şu modeli üretiyorsun:</p><p><strong>`daily_revenue`</strong> (günlük gelir tablosu)</p><p>Bir gün problem çıkıyor yöneticin diyor ki: “Dünkü dashboard geç geldi ve sistem yavaşladı. Neden?”</p><p>Sen konuyu inceliyorsun ama dbt çalışmış ama neden yavaş çalışmış bilinmiyor.</p><p>İşte <strong>dbt artifacts</strong> in hikayesi tam olarak burada başlıyor.</p><p><strong>dbt_artifacts</strong> devreye giriyor</p><p>Gece pipeline çalışıyor.</p><p>Gece 02:00’de dbt run çalışıyor:</p><p>`orders` → 2 saniye<br> `customers` → 3 saniye<br> `daily_revenue` → 40 saniye (!!)</p><p>dbt bu çalışma esnasında arkada logları üretir. (JSON dosyasını)</p><p>Ama şu an: Bu bilgi gömülü ve dağınık</p><p><strong>dbt_artifacts </strong>paketi diyor ki: “Ben bu karmaşayı düzenlerim.”</p><p>Peki ne yapıyor?</p><p>JSON loglarını alıyor<br> Parçalıyor<br> Tabloya çeviriyor</p><p>Artık veri ambarında şu tablo var:</p><figure><img alt="model_runs tablosu" src="https://cdn-images-1.medium.com/max/296/1*DhMAW8yIgYPNbQtHqWbWWA.png" /><figcaption>model_runs tablosu</figcaption></figure><p>Sen sabah geliyorsun, dashboard’u açıyorsun.</p><p>Ve şunu görüyorsun: `daily_revenue` aşırı yavaş, peki“NEDEN?”</p><p>dbt_artifacts sadece süreyi değil, bağımlılıkları da veriyor.</p><p>Bağımlılık bilgisini inceliyorsun.<br><strong>orders ─┐<br> ├──&gt; daily_revenue<br>customers┘</strong><br>Şimdi şunu düşünüyorsun: “Acaba veri mi büyüdü?”</p><p>Detaylı bir analiz için geçmişe bakıyorsun:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/283/1*IeAzqRBopIfIgvUp9AMM0g.png" /></figure><p>Sonra bağımlılıktan dolayı `orders` tablosuna bakıyorsun:</p><p>Dün: 100K satır<br>Bugün: 2 milyon satır (!!)</p><p>SONUÇ</p><p>`orders` verisi büyümüş ve `daily_revenue` bunu işlerken yavaşlamış.</p><p>Artık işin daha kolay, sorunu hemen bulup gerekli aksiyonları alıyorsun:</p><p>* Incremental model yapıyorsun<br>* Gereksiz join’leri kaldırıyorsun<br>* Belki partition ekliyorsun</p><p>Bu küçük analiz sayesinde hızlıca aksiyon alıp sorunu çözebiliyorsun.</p><p>dbt_artifacts olmasaydı sistemin sadece “yavaş” olduğunu bilirdin ancak dbt_artifacts ile artık neyin yavaş olduğunu , neden yavaş olduğunu ve ne yapman gerektiğini biliyorsun.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ad7cc2c3fe7" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>