CoralRhythm
Kayıtlı Kullanıcı
Canlı veri, günümüz dijital ekosisteminde bilgi akışının hızını, gerçek zamanlılığı ve etkileşimini temsil eder. İnternetin, sensörlerin, sosyal medyanın ve IoT cihazlarının yaygınlaşmasıyla veri üretimi dakikalar içinde bambaşka bir boyuta ulaşmıştır. Bu dinamik ortamda, canlı veriyi doğru yorumlamak, işletmelerin rekabet avantajı elde etmesi ve bireylerin bilgiye dayalı kararlar alması için kritik bir yetkinlik haline gelmiştir.
Canlı veri yalnızca ham sayılardan ibaret değildir; aynı zamanda bu verilerin anlık olarak işlenmesi, analiz edilmesi ve görselleştirilmesiyle anlam kazanır. Örneğin, bir e-ticaret sitesinin anlık ziyaretçi sayısı, sepet ekleme oranı ve dönüşüm hızı, işletmenin stok yönetimi, pazarlama stratejisi ve müşteri deneyimini anlık olarak optimize etmesine olanak tanır.
Aynı şekilde, finansal piyasalarda gerçek zamanlı fiyat akışları, yatırımcıların anında pozisyon açıp kapatmasını sağlar. Sağlık sektöründe ise hastanelerin anlık hasta takibi, kritik durumları erken tespit edip müdahale edilmesini mümkün kılar. Bu örnekler, canlı verinin çok çeşitli alanlarda nasıl etki yarattığını gösterir. Dolayısıyla, canlı veriyi doğru şekilde yorumlamak, sadece veri bilimi uzmanları için değil, iş liderleri, geliştiriciler ve veri analistleri için de ortak bir zorunluluktur.
1. Anlıklık – Veri, üretildiği anda işlenir ve sonuçlar anında elde edilir.
2. Sürekli Akış – Veri, sürekli bir akış halinde gelir; bu nedenle sistemlerin sürekli çalışması gerekir.
3. Yüksek Frekans – Veri üretimi yüksek hızda olur; örneğin, bir finansal borsa dakikada binlerce işlem kaydeder.
Bu özellikler, geleneksel “toplama, depolama, analiz” döngüsünü ortadan kaldırır. Bunun yerine, “toplayarak anında analiz” yaklaşımı benimsenir. Dolayısıyla, canlı veri analizi, veri toplama altyapısının yanı sıra, düşük gecikmeli veri işleme pipeline’larına ve gerçek zamanlı görselleştirme araçlarına ihtiyaç duyar.
Canlı verinin önemini anlamak için, klasik veri analiziyle karşılaştırmalı bir örnek verelim: Bir perakende zinciri, aylık satış raporları hazırlamak yerine, anlık satış akışlarını izleyerek stok seviyelerini gerçek zamanlı ayarlar. Böylece stok fazlası ya da eksikliği riskleri minimize olur, müşteri memnuniyeti artar ve kâr marjları yükselir.
- IoT Cihazları: Ev otomasyon sistemleri, endüstriyel sensörler ve giyilebilir cihazlar saniyeler içinde veri üretir. Örneğin, bir akıllı termostat, oda sıcaklığını 10 saniyede bir ölçerek veri akışına katılır.
- Web ve Mobil Uygulamalar: Kullanıcı etkileşimleri anlık olarak loglanır. E-ticaret sitelerinde “tıklama, gezinme, sepet ekleme” gibi olaylar, analitik platformlara gerçek zamanlı iletilir.
- Sosyal Medya Akışları: Twitter, Facebook ve Instagram gibi platformlar, tweet, post ve yorumları saniyeler içinde yayımlar. Veri toplama için API’ler ve streaming endpoint’ler kullanılır.
- Finansal Piyasalardaki API’ler: Forex, hisse senedi ve kripto para borsaları, fiyat ve hacim verilerini saniyeler içinde sunar.
Bu kaynaklardan elde edilen veriler, genellikle JSON, CSV veya protokol buffer gibi formatlarda gelir. Veri toplama aşamasında, değişken veri kalitesi önemli bir faktördür. Örneğin, bir sensörün hatalı ölçümleri, gerçek zamanlı kararları etkileyebilir. Bu nedenle, veri temizliği ve doğrulama öncelikli adımlardır.
- Event-Driven: Genellikle mesaj kuyrukları (Kafka, RabbitMQ) ve fonksiyonlar (AWS Lambda, Azure Functions) kullanılır. Bu modelde, bir olay gerçekleştiğinde bir işlev tetiklenir ve veri anında işlenir.
- Stream Processing: Flink, Spark Structured Streaming ve Storm gibi araçlar, veri akışını sürekli olarak işler. Burada, veri parçaları (tuples) bir pencere içinde gruplanır ve bu pencereyi sonunda sonuçlar elde edilir.
Gerçek zamanlı işleme pipeline’ı genellikle şu bileşenleri içerir:
1. Ingest (Alım): Veri kaynaklarından gelen akış, bir mesaj kuyruğuna yönlendirilir.
2. Enrichment (Zenginleştirme): Veri, ek bağlam (coğrafi konum, kullanıcı profili) ile zenginleştirilir.
3. Transformation (Dönüşüm): Ham veriyi analiz için uygun formata dönüştürme.
4. Aggregation (Toplama): Belirli bir zaman penceresinde veri toplama.
5. Storage (Depolama): Sonuçlar, veritabanı veya veri gölü gibi kalıcı depolara aktarılır.
Bu mimaride latency kritik bir ölçüttür. Örneğin, bir kripto para borsası için 5 milisaniyelik gecikme bile fiyat kaybına yol açabilir. Bu nedenle, düşük gecikmeli ağlar ve önbellekleme stratejileri uygulanır.
-
İkinci bir strateji ise self-healing (kendi kendini iyileştiren) sistemler kullanmaktır. Örneğin, bir sensör bir süre veri göndermeyi bırakırsa, sistem otomatik olarak alternatif kaynaklara yönlenir veya hatalı veriyi geçici olarak maskeleyerek analitik akışını sürdürür. Bu yaklaşım, özellikle kritik altyapılarda veri kaybının minimize edilmesini sağlar.
Son olarak, veri kalitesi raporları oluşturmak için gerçek zamanlı izleme panelleri kullanılır. Bu paneller, veri kaynağının sürekliliğini, hatalı giriş oranını ve gecikme değerlerini görsel olarak sunar. Böylece operasyon ekipleri anlık olarak müdahale edebilir ve sistemin sağlığını korur.
Pencere türleri, sliding (kaydırılan) ve tumbling (kütük) olarak iki ana kategoriye ayrılır. Sliding pencereler, pencereyi her bir olayla birlikte kaydırır; bu sayede sürekli güncellenen bir görünüm elde edilir. Tumbling pencereler ise belirli aralıklarla (örneğin her 5 saniyede bir) veri toplar ve bir sonraki pencereye geçer. Hangi pencere tipinin kullanılacağı, uygulamanın gecikme toleransı ve veri yoğunluğuna bağlıdır.
Pencereleme stratejilerini optimize etmek için dynamic window sizing (dinamik pencere boyutlandırma) teknikleri uygulanabilir. Örneğin, yoğun veri dönemlerinde pencere boyutunu küçültmek, düşük yoğunluklu dönemlerde ise genişletmek, kaynak kullanımını dengeleyerek analitik performansını artırır.
Makine öğrenmesi tabanlı anomaly detection modelleri ise geçmiş verilerin örüntülerini öğrenir ve yeni gelen verileri bu örüntüye göre değerlendirir. Örneğin, zaman serisi modelleri (ARIMA, Prophet) veya derin öğrenme yaklaşımları (LSTM) ile anormallikler tahmin edilebilir.
Tespit edilen anomali durumlarında otomatik eylemler başlatılabilir: alarm gönderme, ilgili servisleri yeniden başlatma veya veri akışını geçici olarak durdurma. Bu, sistemin kararlılığını artırırken kullanıcı deneyimini olumsuz etkilemeden müdahale edilmesini sağlar.
Görselleştirme araçları, interactive (etkileşimli) özelliklerle donatılır: kullanıcılar belirli bir zaman dilimini seçebilir, filtre uygulayabilir veya veri kaynağını değiştirebilir. Bu etkileşim, analitik süreci hızlandırır ve kullanıcıların veriyle doğrudan etkileşim kurmasını sağlar.
Performans açısından, websocket veya Server-Sent Events (SSE) kullanarak veri akışı doğrudan tarayıcıya gönderilir. Böylece gecikme minimum seviyeye indirilir ve kullanıcı deneyimi iyileşir.
Event sourcing’in avantajlarından biri, audit trail (denetim izi) oluşturarak yasal uyumluluk gereksinimlerini karşılamasıdır. Ayrıca, replay (yeniden oynatma) özelliği sayesinde analitik modeller geçmiş olaylar üzerinden test edilebilir.
Bu yaklaşım için Kafka ve EventStoreDB gibi platformlar yaygın olarak kullanılır. Sistemler, olayları zaman damgası ile birlikte saklar ve gerektiğinde gerçek zamanlı olarak işlenir.
Veri gizliliği açısından, anonymization (anonimleştirme) ve k-anonymity gibi yöntemler, bireysel kullanıcı verilerini korurken analitik amaçlı kullanım için yeterli bilgi sağlar. Örneğin, bir mobil uygulama kullanıcılarının konum verileri, gerçek koordinat yerine 1 km kareye düşürülerek anonimleştirilebilir.
Data residency (veri konumu) kuralları da göz önünde bulundurulmalıdır; bazı bölgelerde veri aynı ülke sınırları içinde tutulmalıdır. Gerçek zamanlı sistemler, veri akışını bölgeye göre yönlendiren edge computing çözümleriyle bu gereksinimi karşılar.
- Pencereleme stratejileri belirleyin: Sliding veya tumbling pencereler, iş gereksinimlerine göre seçilmeli.
- Veri kalitesini otomatik kontrol edin: Eşik değerleri aşan veriler otomatik olarak işaretlenmeli veya geçici olarak bloklanmalı.
- Anomali tespiti için modeli çeşitlendirin: Rasyonel ve makine öğrenmesi temelli yöntemler birlikte kullanılmalı.
- Veriyi görselleştirirken etkileşim ekleyin: Kullanıcıların filtreleme, yakınlaştırma gibi işlemleri yapmasına izin verilmeli.
- Event sourcing’i entegre edin: Tüm değişiklikleri olay akışı olarak saklayarak denetim izini oluşturun.
- Şifreleme ve erişim kontrolü: TLS, rol tabanlı erişim ile veri güvenliği sağlanmalı.
- Gevşek zaman senkronizasyonu: NTP veya PTP protokolleri ile zaman damgası tutarlılığı sağlanmalı.
- Edge computing kullanın: Veri kaynaklarına yakında işleme yaparak gecikmeyi azaltın.
- İyi bir veri dokümantasyonu**: Akış şemaları, veri tipleri ve dönüşüm kuralları belgelenmeli.
Canlı veri yalnızca ham sayılardan ibaret değildir; aynı zamanda bu verilerin anlık olarak işlenmesi, analiz edilmesi ve görselleştirilmesiyle anlam kazanır. Örneğin, bir e-ticaret sitesinin anlık ziyaretçi sayısı, sepet ekleme oranı ve dönüşüm hızı, işletmenin stok yönetimi, pazarlama stratejisi ve müşteri deneyimini anlık olarak optimize etmesine olanak tanır.
Aynı şekilde, finansal piyasalarda gerçek zamanlı fiyat akışları, yatırımcıların anında pozisyon açıp kapatmasını sağlar. Sağlık sektöründe ise hastanelerin anlık hasta takibi, kritik durumları erken tespit edip müdahale edilmesini mümkün kılar. Bu örnekler, canlı verinin çok çeşitli alanlarda nasıl etki yarattığını gösterir. Dolayısıyla, canlı veriyi doğru şekilde yorumlamak, sadece veri bilimi uzmanları için değil, iş liderleri, geliştiriciler ve veri analistleri için de ortak bir zorunluluktur.
Temel Kavramlar ve Tanım
Canlı veri, “gerçek zamanlı veri” olarak da adlandırılır ve veri toplama, iletim ve işleme süreçlerinin saniyeler içinde tamamlanması anlamına gelir. Bu veri akışı, genellikle sensörler, API çağrıları, sosyal medya akışları ve IoT cihazlarından elde edilir. Canlı verinin temel özellikleri şunlardır:1. Anlıklık – Veri, üretildiği anda işlenir ve sonuçlar anında elde edilir.
2. Sürekli Akış – Veri, sürekli bir akış halinde gelir; bu nedenle sistemlerin sürekli çalışması gerekir.
3. Yüksek Frekans – Veri üretimi yüksek hızda olur; örneğin, bir finansal borsa dakikada binlerce işlem kaydeder.
Bu özellikler, geleneksel “toplama, depolama, analiz” döngüsünü ortadan kaldırır. Bunun yerine, “toplayarak anında analiz” yaklaşımı benimsenir. Dolayısıyla, canlı veri analizi, veri toplama altyapısının yanı sıra, düşük gecikmeli veri işleme pipeline’larına ve gerçek zamanlı görselleştirme araçlarına ihtiyaç duyar.
Canlı verinin önemini anlamak için, klasik veri analiziyle karşılaştırmalı bir örnek verelim: Bir perakende zinciri, aylık satış raporları hazırlamak yerine, anlık satış akışlarını izleyerek stok seviyelerini gerçek zamanlı ayarlar. Böylece stok fazlası ya da eksikliği riskleri minimize olur, müşteri memnuniyeti artar ve kâr marjları yükselir.
Veri Toplama ve Kaynakları
Canlı verinin nereden geldiği, ne kadar güvenilir olduğu ve hangi formatta işleneceği, yorum sürecinin temelini oluşturur. Günümüzde en yaygın kaynaklar şunlardır:- IoT Cihazları: Ev otomasyon sistemleri, endüstriyel sensörler ve giyilebilir cihazlar saniyeler içinde veri üretir. Örneğin, bir akıllı termostat, oda sıcaklığını 10 saniyede bir ölçerek veri akışına katılır.
- Web ve Mobil Uygulamalar: Kullanıcı etkileşimleri anlık olarak loglanır. E-ticaret sitelerinde “tıklama, gezinme, sepet ekleme” gibi olaylar, analitik platformlara gerçek zamanlı iletilir.
- Sosyal Medya Akışları: Twitter, Facebook ve Instagram gibi platformlar, tweet, post ve yorumları saniyeler içinde yayımlar. Veri toplama için API’ler ve streaming endpoint’ler kullanılır.
- Finansal Piyasalardaki API’ler: Forex, hisse senedi ve kripto para borsaları, fiyat ve hacim verilerini saniyeler içinde sunar.
Bu kaynaklardan elde edilen veriler, genellikle JSON, CSV veya protokol buffer gibi formatlarda gelir. Veri toplama aşamasında, değişken veri kalitesi önemli bir faktördür. Örneğin, bir sensörün hatalı ölçümleri, gerçek zamanlı kararları etkileyebilir. Bu nedenle, veri temizliği ve doğrulama öncelikli adımlardır.
Gerçek Zamanlı Veri İşleme Mimarileri
Canlı veri akışlarını işlemek için kullanılan temel mimariler iki ana kategoriye ayrılır: Event-Driven (Olay Tabanlı) ve Stream Processing (Akış İşleme).- Event-Driven: Genellikle mesaj kuyrukları (Kafka, RabbitMQ) ve fonksiyonlar (AWS Lambda, Azure Functions) kullanılır. Bu modelde, bir olay gerçekleştiğinde bir işlev tetiklenir ve veri anında işlenir.
- Stream Processing: Flink, Spark Structured Streaming ve Storm gibi araçlar, veri akışını sürekli olarak işler. Burada, veri parçaları (tuples) bir pencere içinde gruplanır ve bu pencereyi sonunda sonuçlar elde edilir.
Gerçek zamanlı işleme pipeline’ı genellikle şu bileşenleri içerir:
1. Ingest (Alım): Veri kaynaklarından gelen akış, bir mesaj kuyruğuna yönlendirilir.
2. Enrichment (Zenginleştirme): Veri, ek bağlam (coğrafi konum, kullanıcı profili) ile zenginleştirilir.
3. Transformation (Dönüşüm): Ham veriyi analiz için uygun formata dönüştürme.
4. Aggregation (Toplama): Belirli bir zaman penceresinde veri toplama.
5. Storage (Depolama): Sonuçlar, veritabanı veya veri gölü gibi kalıcı depolara aktarılır.
Bu mimaride latency kritik bir ölçüttür. Örneğin, bir kripto para borsası için 5 milisaniyelik gecikme bile fiyat kaybına yol açabilir. Bu nedenle, düşük gecikmeli ağlar ve önbellekleme stratejileri uygulanır.
Gerçek Zamanlı Veri Analizi Yöntemleri
Canlı veriyi yorumlarken kullanılan teknikler, veri tipine ve iş hedeflerine göre değişir. İşte en yaygın yöntemler:-
Veri Kalite Kontrolü
Gerçek zamanlı veri akışlarında, veri kalitesi büyük ölçüde kararların doğruluğunu belirler. İlk adım, gerçek zamanlı doğrulama mekanizmaları kurmaktır: sensör verileri için belirli eşik değerleri, API yanıt süreleri için maksimum gecikme sınırları ve kullanıcı etkileşimleri için geçersiz giriş filtreleri. Bu doğrulama, sıkışık bir akış içinde anlık olarak gerçekleşir, bu sayede hatalı veri akışına karşı erken müdahale sağlanır.İkinci bir strateji ise self-healing (kendi kendini iyileştiren) sistemler kullanmaktır. Örneğin, bir sensör bir süre veri göndermeyi bırakırsa, sistem otomatik olarak alternatif kaynaklara yönlenir veya hatalı veriyi geçici olarak maskeleyerek analitik akışını sürdürür. Bu yaklaşım, özellikle kritik altyapılarda veri kaybının minimize edilmesini sağlar.
Son olarak, veri kalitesi raporları oluşturmak için gerçek zamanlı izleme panelleri kullanılır. Bu paneller, veri kaynağının sürekliliğini, hatalı giriş oranını ve gecikme değerlerini görsel olarak sunar. Böylece operasyon ekipleri anlık olarak müdahale edebilir ve sistemin sağlığını korur.
Zaman Pencereleri ve Pencereleme Stratejileri
Gerçek zamanlı analizlerde, veriyi anlamlı birimlere bölmek için pencereleme teknikleri kullanılır. Zaman pencereleri, belirli bir süre içinde veriyi toplar ve bu süredeki trendleri ortaya koyar. Örneğin, 1 dakikalık pencere içinde bir web sitesinin ziyaretçi sayısı, ortalama oturum süresi ve hata oranı belirlenebilir.Pencere türleri, sliding (kaydırılan) ve tumbling (kütük) olarak iki ana kategoriye ayrılır. Sliding pencereler, pencereyi her bir olayla birlikte kaydırır; bu sayede sürekli güncellenen bir görünüm elde edilir. Tumbling pencereler ise belirli aralıklarla (örneğin her 5 saniyede bir) veri toplar ve bir sonraki pencereye geçer. Hangi pencere tipinin kullanılacağı, uygulamanın gecikme toleransı ve veri yoğunluğuna bağlıdır.
Pencereleme stratejilerini optimize etmek için dynamic window sizing (dinamik pencere boyutlandırma) teknikleri uygulanabilir. Örneğin, yoğun veri dönemlerinde pencere boyutunu küçültmek, düşük yoğunluklu dönemlerde ise genişletmek, kaynak kullanımını dengeleyerek analitik performansını artırır.
Anomali Tespiti
Gerçek zamanlı veri akışlarında anormallik tespiti, anlık müdahalelerin temelini oluşturur. Statistiksel yöntemler, örneğin ortalama ve standart sapma hesaplamaları, veri noktalarının normale uygunluğunu değerlendirir. Bir satış akışında ani bir düşüş, bu yöntemle hızlıca tespit edilebilir.Makine öğrenmesi tabanlı anomaly detection modelleri ise geçmiş verilerin örüntülerini öğrenir ve yeni gelen verileri bu örüntüye göre değerlendirir. Örneğin, zaman serisi modelleri (ARIMA, Prophet) veya derin öğrenme yaklaşımları (LSTM) ile anormallikler tahmin edilebilir.
Tespit edilen anomali durumlarında otomatik eylemler başlatılabilir: alarm gönderme, ilgili servisleri yeniden başlatma veya veri akışını geçici olarak durdurma. Bu, sistemin kararlılığını artırırken kullanıcı deneyimini olumsuz etkilemeden müdahale edilmesini sağlar.
Veri Görselleştirme ve Dashboard'lar
Gerçek zamanlı veri analizi, sonuçların anlaşılır bir biçimde sunulmasını gerektirir. Dashboard araçları, canlı veriyi grafikler, tablolar ve haritalar aracılığıyla görselleştirir. Örneğin, bir enerji şirketi için gerçek zamanlı akım şemaları, tüketim dalgalanmalarını anlık olarak gösterir.Görselleştirme araçları, interactive (etkileşimli) özelliklerle donatılır: kullanıcılar belirli bir zaman dilimini seçebilir, filtre uygulayabilir veya veri kaynağını değiştirebilir. Bu etkileşim, analitik süreci hızlandırır ve kullanıcıların veriyle doğrudan etkileşim kurmasını sağlar.
Performans açısından, websocket veya Server-Sent Events (SSE) kullanarak veri akışı doğrudan tarayıcıya gönderilir. Böylece gecikme minimum seviyeye indirilir ve kullanıcı deneyimi iyileşir.
Karmaşık Olay Tutarlılığı (Event Sourcing)
Event sourcing, sistemdeki tüm değişiklikleri olay akışı olarak saklar ve bu olayları yeniden oynatarak mevcut durumu oluşturur. Gerçek zamanlı veri analizi bağlamında, bu yöntem tüm veri akışının izlenebilirliğini sağlar. Örneğin, bir finansal işlemdeki her adım bir olay olarak kaydedilir; böylece hatalı bir işlem arkasından izlenebilir.Event sourcing’in avantajlarından biri, audit trail (denetim izi) oluşturarak yasal uyumluluk gereksinimlerini karşılamasıdır. Ayrıca, replay (yeniden oynatma) özelliği sayesinde analitik modeller geçmiş olaylar üzerinden test edilebilir.
Bu yaklaşım için Kafka ve EventStoreDB gibi platformlar yaygın olarak kullanılır. Sistemler, olayları zaman damgası ile birlikte saklar ve gerektiğinde gerçek zamanlı olarak işlenir.
Veri Güvenliği ve Gizlilik
Gerçek zamanlı veri akışları, hassas verilerin anlık olarak iletilmesini içerdiği için güvenlik önlemleri kritik öneme sahiptir. Şifreleme (TLS, DTLS) veri iletim sırasında korunmasını sağlar. Ayrıca, access control (erişim kontrolü) ile sadece yetkili kullanıcıların verilere erişmesi garantilenir.Veri gizliliği açısından, anonymization (anonimleştirme) ve k-anonymity gibi yöntemler, bireysel kullanıcı verilerini korurken analitik amaçlı kullanım için yeterli bilgi sağlar. Örneğin, bir mobil uygulama kullanıcılarının konum verileri, gerçek koordinat yerine 1 km kareye düşürülerek anonimleştirilebilir.
Data residency (veri konumu) kuralları da göz önünde bulundurulmalıdır; bazı bölgelerde veri aynı ülke sınırları içinde tutulmalıdır. Gerçek zamanlı sistemler, veri akışını bölgeye göre yönlendiren edge computing çözümleriyle bu gereksinimi karşılar.
Uzman Önerileri ve İpuçları
- Gerçek zamanlı izleme kurun: Her veri akışı için gecikme, hata oranı ve throughput ölçütleri izlenmeli.- Pencereleme stratejileri belirleyin: Sliding veya tumbling pencereler, iş gereksinimlerine göre seçilmeli.
- Veri kalitesini otomatik kontrol edin: Eşik değerleri aşan veriler otomatik olarak işaretlenmeli veya geçici olarak bloklanmalı.
- Anomali tespiti için modeli çeşitlendirin: Rasyonel ve makine öğrenmesi temelli yöntemler birlikte kullanılmalı.
- Veriyi görselleştirirken etkileşim ekleyin: Kullanıcıların filtreleme, yakınlaştırma gibi işlemleri yapmasına izin verilmeli.
- Event sourcing’i entegre edin: Tüm değişiklikleri olay akışı olarak saklayarak denetim izini oluşturun.
- Şifreleme ve erişim kontrolü: TLS, rol tabanlı erişim ile veri güvenliği sağlanmalı.
- Gevşek zaman senkronizasyonu: NTP veya PTP protokolleri ile zaman damgası tutarlılığı sağlanmalı.
- Edge computing kullanın: Veri kaynaklarına yakında işleme yaparak gecikmeyi azaltın.
- İyi bir veri dokümantasyonu**: Akış şemaları, veri tipleri ve dönüşüm kuralları belgelenmeli.
