Google Fusion Tables ile İş Zekâsı (BI) ve Raporlama

Dijitalleşmenin ivme kazandığı çağımızda, işletmelerin rekabet avantajı elde etmesinde veriye dayalı karar alma kültürü belirleyici rol oynuyor. İş Zekâsı (Business Intelligence – BI), ham verileri anlamlı içgörülere dönüştürerek yöneticilerin stratejik adımlar atmasını sağlayan disiplinler bütünü olarak öne çıkıyor. Özellikle küçük ve orta ölçekli işletmeler için bulut tabanlı, düşük maliyetli çözümler geçmişte olduğu kadar bugün de cazibesini koruyor. Google’ın uzun yıllar ücretsiz sunduğu Fusion Tables aracı, kodlama bilgisi gerektirmeden veri depolama, analiz ve görselleştirme imkânı tanıyarak BI süreçlerini demokratikleştirmişti. Her ne kadar 2019 sonunda kapatılmış olsa da, Fusion Tables’ın sunduğu basit ama güçlü kavramlar hâlâ geçerliliğini koruyor ve modern bulut ekosistemlerindeki birçok hizmete ilham vermeye devam ediyor. Bu makalede Fusion Tables mimarisini, BI yaşam döngüsündeki konumunu, pratik kullanım senaryolarını ve bugün hâlâ yararlanabileceğimiz alternatif yaklaşımları ele alacağız.

Google Fusion Tables Nedir?

Google Fusion Tables, 2009’da lanse edilen ve Google Drive ekosistemine entegre çalışan bir çevrim içi tablo, veritabanı ve görselleştirme servisiydi. Kullanıcılar veri kümelerini doğrudan tarayıcı üzerinden yükleyip saklayabiliyor, SQL benzeri sorgularla filtreleyebiliyor ve sonuçları harita, grafik veya dinamik tablo formatında sunabiliyordu. Öne çıkan özellikleri:

1. Bulut Tabanlı Depolama – 250 MB’a kadar tek dosya, toplamda 1 GB’a kadar veri kabul ediyordu.

2. Kolay Paylaşım – Google Drive mantığında yetkiler tanımlanarak ekip üyeleriyle birlikte çalışma sağlanıyordu.

3. Coğrafi Görselleştirme – CSV veya KML dosyalarındaki enlem-boylam bilgilerini tanıyıp otomatik harita çıktıları oluşturabiliyordu.

4. API Desteği – RESTful API ile üçüncü taraf uygulamalar veri çekip güncelleyebiliyordu.

5. Basit Sorgu Dili (FTQL) – SELECT, WHERE, GROUP BY, ORDER BY gibi komutlarla veri dönüşümleri yapılabiliyordu.

Bu yapı, özellikle kodlama yetkinliği sınırlı olan analistler için “indir – düzenle – yükle – görselleştir” akışını son derece pratik hâle getiriyordu.

İş Zekâsı Yaşam Döngüsünde Fusion Tables’ın Yeri

BI yaşam döngüsü tipik olarak “Veri Toplama → Veri Temizleme → Veri Depolama → Veri Analizi → Görselleştirme ve Paylaşım” aşamalarından oluşur. Fusion Tables bu adımların üçünü tek platformda buluşturarak küçük ölçekli projelerde kritik bir köprü vazifesi görmüştür.

Tablonun da özetlediği gibi, veri temizleme ve ileri analitik (ör. makine öğrenmesi) adımları hâlâ haricî araçlarla destekleniyordu; ancak Fusion Tables, temel BI döngüsünü tek çatı altında yönetmeye yeterliydi.

Fusion Tables ile KPI Takibi

Anahtar Performans Göstergeleri (KPI) işletme yönetiminde yol gösterici pusula işlevi görür. Fusion Tables ortamında KPI takibi için şu stratejiler yaygın kullanılıyordu:

1. Tablo Birleştirme (Merge) – Satış tablosu ile hedef tablosu Product_ID üzerinden birleştirilip sapma yüzdesi hesaplanır.

2. Görselleştirme – Birleştirilmiş veriler sütun grafiği olarak yayınlanır.

3. Paylaşım – Embed edilmiş grafik, intranet portalında gerçek zamanlı güncellenir.

Bu üç adım sayesinde, yazılım ekibine ihtiyaç duymadan dinamik KPI panoları oluşturulabiliyordu.

Coğrafi Veri Analizi

Fusion Tables’ın en güçlü yönlerinden biri coğrafi veri desteğiydi. Şubeler, müşteri dağılımı, lojistik rotaları gibi konumsal verileri KML veya CSV formatında içe aktardıktan sonra:

• Yoğunluk Haritaları (Heatmap) ile bölgesel satış konsantrasyonları gözlemleniyor,

• Özel Simgeler ile depo kapasite durumu işaretleniyor,

• Katman Filtreleri ile farklı yıl veya çeyrek verileri tek harita üzerinde karşılaştırılabiliyordu.

Böylece analistler karmaşık GIS çözümlerine başvurmadan hızla konumsal içgörü elde edebiliyordu.

Gerçek Zamanlı Raporlama ve Paylaşım

Fusion Tables, Drive altyapısını kullanarak “değişiklik anında yansıt” felsefesiyle çalışırdı. Örneğin:

• Tedarik zinciri yöneticisi, üretim hattından gelen anlık hammadde miktarını Google Form → Spreadsheet → Fusion Tables zinciriyle canlı izler,

• Finans ekibi, günlük kur verisini App Script aracılığıyla tabloya ekleyip otomatik güncellenen grafikle CFO’ya raporlar sunar.

Bu otomasyon -özellikle API ve Google Apps Script entegrasyonu sayesinde- minimum altyapı yatırımıyla gerçek zamanlı BI vizyonunu hayata geçiriyordu.

Güvenlik ve Erişim Kontrolü

BI çözümlerinde veri güvenliği kritik önem taşır. Fusion Tables’daki Drive-tabanlı izin sistemi sayesinde:

• Özel (yalnızca sahibi),

• Bağlantıya sahip olan (link ile görüntüleyici),

• Genel (arama motorlarında indekslenebilir)

gibi seçeneklerle hassas veriler koruma altında tutulabiliyordu. Ayrıca düzenleme izni, görüntüleme izni ve yorum yapma izni ayrı rollere bölünerek paydaşlara göre uyarlanabiliyordu.

Sektörel Kullanım Senaryoları

1. Perakende – Mağaza satış verilerinin konumsal analizi, promosyon kampanyalarının bölgesel performans takibi.

2. Sağlık – Hastalık yayılım haritaları, klinik randevu yoğunluklarının saatlik analizi.

3. Eğitim – Mezun iş bulma oranlarının şehir kırılımında görselleştirilmesi.

4. Kamu – Şeffaflık projelerinde bütçe harcamalarının halka açık haritalarla paylaşılması.

5. Turizm – Ziyaretçi anket sonuçlarının demografik & coğrafi çapraz analizi.

Bu örnekler, Fusion Tables’ın çok yönlü yapısını ve farklı disiplinlerdeki BI gereksinimlerini nasıl karşıladığını vurguluyor.

Fusion Tables’ın Sınırlamaları ve Kapatılması

Yaygın kullanımına rağmen bazı kısıtlar göz ardı edilemezdi:

• Veri Boyutu – 1 GB sınırı büyük verisetleri için yetersizdi.

• Performans – Karmaşık sorgular yavaş çalışabiliyordu.

• Güvenilirlik – Resmî SLA sunulmuyor, kurumsal garantiler sınırlıydı.

Bu nedenlerle Google, hizmeti 3 Aralık 2019’da kapattı. Ancak Fusion Tables’ta öğrenilen yöntemler, bugün Google BigQuery, Looker Studio (eski adıyla Data Studio) ve Cloud GIS çözümlerinde gelişmiş versiyonlarıyla karşımıza çıkıyor.

Modern Ekosistemde Fusion Tables Yaklaşımı Nasıl Sürdürülür?

Böylece, Fusion Tables’ın “kolay erişilebilir BI” ruhu; ama ölçeklenebilir, güvenli ve kurumsal seviyede sürdürülebiliyor.

Uygulamalı Örnek: Satış Verisi ile KPI Panosu

1. Adım 1 – Verinin Hazırlanması

   • CSV formatında Sale_Date, Region, Product_ID, Units_Sold, Revenue alanları derlenir.

2. Adım 2 – BigQuery’ye Yükleme

   • bq load komutu kullanılarak veri kümesi oluşturulur.

3. Adım 3 – Analitik Sorgu

   sql

   KopyalaDüzenle

   SELECT
Region,
SUM(Revenue) AS Total_Revenue,
SUM(Units_Sold) AS Total_Units,
SUM(Revenue)/SUM(Units_Sold) AS Avg_Price
FROM
`company.sales`
WHERE
Sale_Date BETWEEN '2025-01-01' AND '2025-06-30'
GROUP BY
Region;


4. Adım 4 – Looker Studio Bağlantısı

   • BigQuery veri kaynağı eklenir, sorgu görünümleri report’a bağlanır.

5. Adım 5 – Dashboard Tasarımı

   • Bölgeye göre toplam gelir pasta grafiği, zaman serisi çizgi grafiği, ortalama fiyat skor kartı yerleştirilir.

Bu akış, eski Fusion Tables deneyimini çok daha güçlü altyapıyla modernize ederek KPI yönetimini kolaylaştırır.

Sonuç

Google Fusion Tables, sunduğu kolay kullanım, konumsal görselleştirme ve paylaşım özellikleriyle yıllarca BI kültürüne giriş kapısı oldu. Bugün hizmet resmî olarak sona ermiş olsa da, basit veri yükle-sorgula-görselleştir paradigması hâlen geçerliliğini koruyor. BigQuery, Looker Studio ve benzeri bulut tabanlı araçlar, Fusion Tables’ın ruhunu çok daha ölçeklenebilir ve güvenli bir biçimde yaşatıyor. Küçük işletmeden kurumsal yapıya kadar her ölçekte organizasyon, bu araçları entegre ederek veri odaklı karar alma süreçlerini hızlandırabilir, rekabet avantajını sürdürülebilir kılabilir.

Veri, modern dünyanın en değerli varlıklarından biri haline gelmiştir ve iş dünyasında, araştırmada ve karar verme süreçlerinde kritik bir rol oynamaktadır. Biz, veri analizi konusundaki tutkulu bir topluluk olarak, veri biliminin ve analizinin gücünü vurguluyoruz. Web sitemiz, işletmelerden akademisyenlere ve veri meraklılarına kadar herkesin veri analizi becerilerini geliştirmesine yardımcı olmayı amaçlayan bir kaynaktır. Misyonumuz, veri analizi sürecini anlaşılır ve erişilebilir hale getirmek, verilerin içinde gizlenen değeri açığa çıkarmak ve daha bilinçli kararlar almalarını desteklemektir.

Web sitemiz, geniş bir veri analizi yelpazesi sunmaktadır. Hangi sektörde olursanız olun veya hangi veri analizi aracını kullanıyorsanız kullanın, ihtiyaçlarınıza uygun hizmetler sunuyoruz. SPSS, R, Python, Excel veya diğer analiz araçlarını kullanarak veri madenciliği, hipotez testleri, regresyon analizi, zaman serisi tahmini, segmentasyon ve daha fazlasını içeren çeşitli analiz türlerini kapsarız. Ayrıca, öğrenmeyi kolaylaştırmak için zengin kaynaklar, öğreticiler ve interaktif araçlar sunuyoruz.

Veri İçerik Analizi Editörü

Biyografinin Tamamını Gör