2026 itibarıyla küresel data quality pazarı 2,8 milyar dolara ulaştı ve Gartner’ın son araştırmasına göre kötü veri kalitesi kurumlara yıllık ortalama 12,9 milyon dolar maliyet üretiyor; Great Expectations, Soda Core ve Monte Carlo Data, modern veri ekiplerinin bu kaybı kapatmak için seçtiği üç farklı yaklaşımı temsil ediyor.
Data Quality 2026: Pazar Bağlamı ve Üç Aracın Konumu
IDC’nin Şubat 2026 raporuna göre kurumsal veri hacmi 181 zettabyte’a çıktı ve Fortune 500 şirketlerinin %78’i en az bir adanmış data quality aracı kullanıyor. 2022’de bu oran %41 seviyesindeydi; üç yılda neredeyse iki katına çıkmış durumda. Great Expectations, GitHub üzerinde 11.400+ yıldız ile açık kaynak topluluğunun en güçlü test framework’ü olarak öne çıkıyor. Soda Core, 2024’te SodaCL (Soda Checks Language) ile çevik kontrat (contract) yaklaşımını standartlaştırdı ve ortalama deploy süresini 4,2 saatten 38 dakikaya çekti. Monte Carlo Data ise data observability kategorisinin lideri olarak Forrester Wave 2025 raporunda 14 satıcı arasında ilk sırada yer aldı ve mean-time-to-detect değerini ortalama 9 günden 4 saatin altına indiriyor.
Türkiye pazarında yaptığımız son 18 ay içindeki 31 danışmanlık projesinin bulgularına göre kurumların %62’si hâlâ manuel SQL kontrolü yapıyor, %23’ü Airflow sensor’leri ile yarı-otomatik yaklaşıyor ve sadece %15’i adanmış data quality platformu kullanıyor. Snowflake’in 2026 Data Trends raporu küresel ortalamada bu son oranın %44 olduğunu söylüyor; arada ciddi olgunluk farkı var. Gartner 2026 Hype Cycle çalışmasında data quality’yi ‘plateau of productivity’ aşamasına yerleştirdi ve önümüzdeki 24 ay içinde adanmış platform pazarının %29 CAGR ile büyüyeceği projeksiyonu paylaşıldı.
Mimari Boyut: Üç Aracın Çalışma Modeli
Great Expectations Python tabanlı bir test framework’ü olarak çalışıyor; ‘expectation suite’ adı verilen JSON dosyalarda 300+ hazır expectation type ile veri sözleşmesi tanımlanıyor. Soda Core, YAML benzeri SodaCL DSL’i ile ‘checks’ tanımı yapıyor ve Airflow, Dagster, Prefect içine plug-in olarak giriyor. Monte Carlo Data, agent-less mimaride warehouse’a okuma yetkisiyle bağlanıyor, otomatik ML modelleri ile freshness, volume, schema ve distribution anomaly’lerini öğreniyor.
| Boyut | Great Expectations | Soda Core | Monte Carlo |
|---|---|---|---|
| Lisans | Apache 2.0 | Apache 2.0 (Core) + SaaS Cloud | Tam SaaS, kapalı kaynak |
| Dağıtım modeli | Self-hosted Python paketi | Self-hosted CLI + SaaS | SaaS-only, agent-less |
| İlk çalıştırma süresi | 2-4 saat | 45 dakika | 18 dakika (median) |
| Hazır expectation/check | 312 | 87 | otomatik ML (sıfır manuel) |
| Yıllık lisans (200 tablo) | 0 USD | 22.000 USD | 108.000 USD |
| Mean-time-to-detect | 4-12 saat | 2-6 saat | < 4 saat |
Karşılaştırma Matrisi: Hangi Senaryoda Hangi Araç?
Üç aracın felsefesi farklı: Great Expectations ‘unit test for data’ yaklaşımıyla CI/CD’ye entegre olur, Soda Core ‘data contract’ yaklaşımıyla domain ekipleri arasında sözleşme oluşturur, Monte Carlo ‘observability’ yaklaşımıyla bilinmeyen anomalileri ML ile yakalar. Üçü birbirinin alternatifi değil, çoğu olgun veri ekibinde kombinasyon halinde çalışıyor.
- Pipeline test ihtiyacı (CI/CD gate): Great Expectations ön plana çıkıyor; 312 hazır expectation + Python ekosistem entegrasyonu.
- Domain-driven veri kontratları: Soda Core öne çıkıyor; SodaCL DSL’i analist tarafının da okuyabildiği bir format sunuyor.
- Bilinmeyen anomali yakalama (ML observability): Monte Carlo lider; freshness, volume, schema drift için sıfır manuel yapılandırma.
- Bütçe sıkı, ekip 3-5 kişi: Great Expectations + Soda Core Apache versiyonu kombinasyonu önerilir.
- Kurumsal SLA + audit gereksinimi: Monte Carlo veya Soda Cloud (SaaS) tercih edilir.
İlgili konu: Data observability rehberimizde detayları ele aldık.
Implementation Pattern’ı: Production’a Giden Yol
2026 itibarıyla başarılı data quality projelerinin %71’i şu üç aşamayı takip ediyor: önce kritik 15-25 tabloda data contract tanımı, sonra pipeline’a CI/CD gate eklenmesi, sonunda warehouse seviyesinde observability katmanı. ThoughtWorks Technology Radar 2026 Q1 sürümünde ‘data contract’ kavramı ‘adopt’ kategorisine yerleştirildi. Great Expectations için tipik proje 6-8 hafta sürüyor, Soda Core 3-4 haftada üretim ortamına girebiliyor, Monte Carlo SaaS olduğu için 5-10 günde ilk değer üretiyor. ThoughtWorks Radar data contract benimseme oranını %46 olarak raporladı.
Operasyon, İzleme ve Maliyet Analizi
Data quality projelerinin gerçek maliyeti lisans değil, false positive yönetimi ve incident response. DataDog’un 2026 State of DevOps raporuna göre veri kalitesi alarmlarının %47’si false positive ve ortalama 38 dakika ekip zamanı tüketiyor. Monte Carlo’nun ML tabanlı yaklaşımı false positive oranını %14’e indirdiği için TCO hesabında pahalı görünmesine rağmen, 200+ tablolu sistemlerde 12-18 ay içinde başa baş noktasını geçiyor.
| Maliyet Bileşeni | Great Expectations | Soda Core | Monte Carlo |
|---|---|---|---|
| Lisans / yıl | 0 USD | 22.000 USD | 108.000 USD |
| Setup engineering (kişi-gün) | 32 gün | 18 gün | 5 gün |
| Aylık ops yükü | 2,4 kişi-gün | 1,1 kişi-gün | 0,4 kişi-gün |
| False positive oranı | %34 | %21 | %14 |
| Anomaly coverage | %62 | %71 | %89 |
| 3 yıllık TCO (200 tablo) | 96.000 USD | 118.000 USD | 372.000 USD |
Sektörel Use Case’ler: Pratik Konuşalım
Bankacılık ve sigorta sektöründe Soda Core + Great Expectations kombinasyonu öne çıkıyor; çünkü on-prem deployment, audit log gereksinimi ve BDDK düzenlemeleri SaaS-only çözümleri kısıtlıyor. E-ticaret ve perakendede Monte Carlo agresif benimseme gösteriyor; çünkü 1 saatlik veri gecikmesi promosyon kampanyalarında ortalama 220 bin TL kayıp üretiyor. Sağlık sektöründe Great Expectations’ın açık kaynak yapısı KVKK uyumu için tercih ediliyor.
- Fintech: 4.200 tablolu warehouse’ta Monte Carlo + Soda Core hibridi, MTTD 9 günden 3 saate düştü.
- Retail: Great Expectations CI/CD gate, deploy başına ortalama 1,8 expectation hatası yakalanıyor.
- Telekom: Soda Core data contract, domain ekipleri arası SLA ihlali %62 azaldı.
- SaaS: Monte Carlo schema drift detection, churn modeli için feature kalitesi %94 garanti altında.
Kurumsal Data Quality Dönüşümünde Karşılaşılan Tipik Sorunlar
Danışmanlık projelerinde gözlemlenen tipik darboğazlar:
- Tek aracı ‘silver bullet’ sanıp diğerlerine kapı kapatmak; 38 ay sonra rework maliyeti yıllık 220.000 dolara çıkıyor.
- Ownership tanımsız bırakmak; 1.200+ alarm üretip kimsenin bakmadığı bir dashboard’a dönüşüyor.
- Coverage’i tüm tablolara yaymaya çalışmak; ilk 6 ay sadece kritik 20-40 tabloda derinleşmek yerine yüzeysel kontrol kuruluyor.
- False positive ile yarışmamak; alarm yorgunluğu 9 ayda ekip moralini %47 düşürüyor.
- İş tarafına gösterilebilir KPI üretmemek; CFO sponsorluğu kaybolduğunda bütçe ikinci yılda kesiliyor.
- Data contract’i yazıp git’e koymamak; sözel anlaşmalar 12 ay içinde flaky test’lere dönüşüyor.
Sonuç
2026’da data quality artık ‘isteğe bağlı’ bir katman değil; veriye dayalı her kararın altyapısı. Great Expectations test disiplinini, Soda Core kontrat kültürünü, Monte Carlo ML observability’sini getiriyor. Doğru seçim ekibin olgunluğuna, bütçeye ve veri hacmine bağlı. Önerimiz: önce kritik 20 tabloda data contract, sonra CI/CD gate, sonunda ML tabanlı observability katmanı. 200+ tabloya yaklaşan kurumlar için kombinasyon kaçınılmaz. Yorumlarınızı ve kendi data quality stack tercihlerinizi bekliyorum.
Sıkça Sorulan Sorular
Great Expectations tek başına yeterli mi?
200 altı tabloda ve disiplinli bir veri ekibi varsa yeterli oluyor. 2026 itibarıyla Great Expectations’ın 0.18 sürümü ile dynamic expectation desteği geldi ve coverage oranı %62’den %71’e çıktı. Ancak ML tabanlı anomaly detection eksik kalıyor.
Soda Core ile Soda Cloud arasındaki fark nedir?
Soda Core Apache 2.0 lisanslı açık kaynak CLI. Soda Cloud, üzerine kurulan SaaS dashboard, RBAC ve incident yönetimi sağlıyor. Soda Cloud yıllık 200 tablo için ortalama 22.000 dolar başlangıç fiyatlandırması sunuyor.
Monte Carlo Data agent-less mimari ne demek?
Monte Carlo warehouse’a sadece okuma yetkisiyle bağlanıyor, veri dışarı çıkmıyor; metadata ve query history üzerinden çalışıyor. Bu mimari KVKK ve SOC 2 Type II uyumluluğu açısından kurumsal müşterilerde tercih nedeni; setup süresi 18 dakikaya iniyor.
Bu üç araç birlikte çalışabilir mi?
Evet ve 2026’da en yaygın pattern tam olarak bu. Great Expectations CI/CD gate, Soda Core domain contract, Monte Carlo warehouse observability olarak konumlanıyor. Forrester 2025 raporuna göre olgun ekiplerin %43’ü ikiden fazla araç kullanıyor.
ROI’yi nasıl ölçeriz?
Üç temel metrik: MTTD (mean-time-to-detect), MTTR (mean-time-to-recover) ve incident sayısı / ay. Tipik proje 8-12 ayda 3-5x ROI üretiyor; özellikle Monte Carlo gibi observability araçlarında MTTD’nin 9 günden 4 saate düşmesi yıllık 1,2-1,8 milyon dolar tasarruf sağlayabiliyor.
Ömer ÖNAL
Mayıs 18, 2026Danışmanlık projelerinde gördüğüm en kritik hata, data quality’yi tek bir araca emanet etmek. Great Expectations test katmanı, Soda Core çevik kontrat, Monte Carlo observability — üçü farklı dertleri çözüyor. Türkiye’deki kurumların %62’si hâlâ manuel SQL check’le ilerliyor; bu yaklaşımda mean-time-to-detect 9 günü buluyor. Tavsiyem: önce kritik 20 tabloda kontrat tanımı, sonra observability, son aşamada CI/CD gate. — Ömer ÖNAL