Veri Mühendisi ve Veri Analisti Kiralama

Son güncelleme: 8 Kasım 2026

Veri mühendisi ve veri analisti kiralama, dağınık kaynaklardaki veriyi güvenilir, zamanında ve sorgulanabilir hale getirecek uzmanları kadro açmadan ekibinize katmanızı sağlar. Veri mühendisi ERP, CRM, uygulama veritabanları, olay akışları ve dış servislerden gelen veriyi toplayan, dönüştüren ve bir veri ambarı ya da lakehouse üzerinde düzenleyen boru hatlarını (pipeline) kurar; veri analisti bu katmanın üzerinde raporlar, metrikler ve analizler üretir. 360 Soft üzerinden sağlanan uzmanlar hizmet sözleşmesi kapsamında çalışır. Bu sayfada rolün kapsamını, kıdem seviyelerini, Spark, Airflow, dbt, Kafka ve lakehouse teknolojilerini kapsayan beceri matrisini, aday doğrulama yöntemlerimizi ve rol için kullanılabilecek KPI’ları ayrıntılı olarak bulabilirsiniz.

Veri mühendisine kimin ihtiyacı var?

Çoğu kurumda veri sorunu bir “rapor yavaş” şikâyetiyle başlar. Ardından farklı birimlerin aynı metrik için farklı sayılar sunduğu, gece çalışan Excel makrolarının kimsenin bilmediği bir bilgisayarda durduğu ve canlı veritabanının raporlama sorguları yüzünden yavaşladığı ortaya çıkar. Veri mühendisi bu sorunları geçici çözümlerle değil, sürdürülebilir bir veri platformuyla ele alır.

Perakende ve e-ticaret: Mağaza, web, mobil ve pazar yeri verilerinin tek bir müşteri ve stok görünümünde birleşmesi; günlük satış ve kampanya raporları.
Finans ve sigorta: Risk, düzenleyici raporlama ve müşteri analitiği için doğruluğu ve geçmişi izlenebilir veri; veri soy ağacı (lineage) ve erişim denetimi.
Üretim ve enerji: Sensör ve makine verilerinin akış halinde toplanması, OEE ve kestirimci bakım analizleri.
Telekom, oyun ve dijital ürünler: Yüksek hacimli olay verisi, gerçek zamanlıya yakın panolar ve deneme (A/B test) analizleri.
Yapay zekâ projeleri yürüten şirketler: Makine öğrenmesi modellerinin kalitesi, verinin temizliği ve sürekliliğine bağlıdır; model ekibinin altına sağlam bir veri katmanı gerekir.

Yapay zekâ ve makine öğrenmesi tarafında uzman arıyorsanız yapay zekâ geliştirici kiralama sayfamıza, SAP kaynaklı veri entegrasyonu için SAP entegrasyon çözümleri sayfamıza bakabilirsiniz.

Veri ekibindeki roller

Rol	Ana görev	Tipik çıktılar
Veri mühendisi	Veri alımı (ingestion), dönüşüm, depolama ve orkestrasyon	ETL/ELT pipeline’ları, veri modelleri, iş akışları, veri kalitesi testleri
Analitik mühendisi	İş mantığını veri ambarında modelleme, metriklerin tek tanımı	dbt modelleri, semantik katman, dokümantasyon
Veri analisti	Soruları veriyle yanıtlama, rapor ve pano üretme	Power BI / Tableau / Looker panoları, ad-hoc analizler, KPI raporları
Veri platformu mühendisi	Altyapı, güvenlik, maliyet ve performans	Lakehouse/ambar kurulumu, IaC, erişim politikaları
Veri bilimci / ML mühendisi	Modelleme ve tahmin	Model, özellik deposu (feature store), MLOps akışları

Veri mühendisi ile veritabanı yöneticisi de sıklıkla karıştırılır: DBA operasyonel veritabanlarının sağlığından, veri mühendisi ise verinin analitik amaçla taşınmasından ve modellenmesinden sorumludur. Operasyonel veritabanı ihtiyacı için veritabanı yöneticisi (DBA) kiralama sayfasına göz atabilirsiniz.

Kıdem matrisi

Kıdem	Tipik deneyim	Sorumluluklar	Bağımsızlık düzeyi
Junior	0–2 yıl	Tanımlı pipeline’lara yeni kaynak ekleme, SQL dönüşümleri, basit dbt modelleri, veri kalitesi kontrollerinin izlenmesi	Kod incelemesi ve mentorluk ile
Mid-level	3–5 yıl	Uçtan uca pipeline tasarımı, Airflow DAG’leri, artımlı (incremental) yükleme, boyutsal modelleme, performans iyileştirme	Bir alanın sahibi olarak bağımsız
Senior	6–9 yıl	Akış (streaming) mimarisi, büyük ölçekli Spark işleri, veri sözleşmeleri, maliyet optimizasyonu, kod standartları, kritik olay yönetimi	Mimari kararlar ve teknik liderlik
Lead / veri mimarı	10+ yıl	Veri platformu stratejisi, lakehouse/ambar seçimi, veri yönetişimi, data mesh gibi organizasyon modelleri, ekip kurma	Kurum düzeyinde strateji

Teknoloji ve beceri matrisi

Katman	Teknolojiler	Adayda aranan
Veri alımı	Kafka, Kafka Connect, Debezium (CDC), Airbyte, Fivetran, AWS DMS, NiFi	Değişiklik yakalama (CDC), şema evrimi, tekrar oynatma (replay) ve sıra garantisi
İşleme	Apache Spark (PySpark, Spark SQL), Flink, Spark Structured Streaming, pandas/Polars	Bölümleme, shuffle ve skew yönetimi, toplu ve akış işleme farkları
Orkestrasyon	Apache Airflow, Dagster, Prefect, Azure Data Factory	Bağımlılık yönetimi, geri doldurma (backfill), idempotent görevler, yeniden deneme stratejisi
Dönüşüm ve modelleme	dbt, SQL, Kimball boyutsal modelleme, Data Vault, SCD tipleri	Test edilebilir, dokümante ve sürüm kontrollü modeller
Depolama ve lakehouse	Delta Lake, Apache Iceberg, Apache Hudi, Parquet; S3, ADLS, GCS	Tablo formatları, zaman yolculuğu (time travel), sıkıştırma ve dosya boyutu yönetimi
Veri ambarı ve platformlar	Snowflake, BigQuery, Amazon Redshift, Azure Synapse / Microsoft Fabric, Databricks, ClickHouse	Maliyet modeli, kümeleme/bölümleme, erişim kontrolü
Veri kalitesi ve gözlemlenebilirlik	dbt tests, Great Expectations, Soda, OpenLineage, veri katalogları (DataHub, OpenMetadata, Unity Catalog)	Kalite kuralları, lineage, alarm
Altyapı ve DevOps	Docker, Kubernetes, Terraform, Git, CI/CD	Kod olarak altyapı, ortamlar arası tutarlılık
Analitik ve BI	Power BI, Tableau, Looker, Metabase, Superset	Semantik katman, performanslı pano, metrik tutarlılığı
Programlama	Python, SQL, Scala veya Java (Spark/Flink için)	Temiz kod, birim test, paketleme

Platform seçimi çoğu zaman bulut stratejisiyle birlikte ele alınır. Bulut altyapısı ve maliyet tasarımı için bulut mimarı kiralama, CI/CD ve Kubernetes tarafında DevOps mühendisi kiralama sayfalarımız yardımcı olabilir.

Teknik doğrulama: veri mühendisi adaylarını nasıl test ediyoruz?

Veri mühendisliği mülakatlarında en sık yapılan hata, SQL bulmacaları sormaktır. Gerçek iş ise geç gelen veriyi, tekrarlanan kayıtları, değişen şemaları ve gece yarısı başarısız olan görevleri yönetmektir. Değerlendirmede bu gerçekliği yansıtan alıştırmalar kullanıyoruz; nihai görüşme ve seçim sizdedir.

Alıştırma	İçerik	Ölçülen beceri
SQL ve modelleme	Sipariş, müşteri ve ürün tablolarından günlük satış olgu tablosu (fact) ve SCD tip 2 müşteri boyutu tasarımı	Boyutsal modelleme, pencere fonksiyonları
Pipeline tasarımı	Bir ERP’den saatlik artımlı yükleme; geç gelen ve güncellenen kayıtların ele alınması	Artımlı mantık, idempotentlik, CDC
Spark performans vakası	Veri dengesizliği (skew) olan bir join işinin süresinin uzaması; aday nedenleri ve çözümleri açıklar	Dağıtık işleme bilgisi
Akış senaryosu	Kafka’dan gelen olaylarda tekrar (duplicate) ve sıra bozulması	Exactly-once/at-least-once farkı, watermark
Orkestrasyon hatası	Airflow DAG’inin üç gündür kısmen başarısız olduğu bir durum; geri doldurma planı	Operasyonel olgunluk
Kod incelemesi	Kısa bir PySpark veya dbt kodunun incelenmesi	Kod kalitesi, test alışkanlığı

Veri analisti adayları için ise iş sorusu verilip veriden sonuç çıkarma, metrik tanımlama ve sade bir pano tasarlama alıştırması uygulanır. Mülakatta kullanabileceğiniz sorular:

Bir pipeline’ın iki kez çalışması durumunda veri tekrarlanmaması için ne yaparsınız?
ELT ile ETL arasında hangi durumlarda hangisini seçersiniz?
Delta Lake veya Iceberg gibi tablo formatları neden ortaya çıktı, hangi sorunu çözüyor?
“Aylık aktif kullanıcı” metriğini iki birim farklı hesaplıyorsa nasıl ilerlersiniz?
Bulut veri ambarı maliyetinin aniden arttığını gördünüz; nereden başlarsınız?

Kiralama mı, kadrolu işe alım mı?

Durum	Öneri	Neden?
Veri platformunun ilk kurulumu veya modernizasyonu	Kiralık senior/lead + iç ekibe devir	Mimari deneyim kısa sürede gerekir; sonrasında operasyon içeride sürer
Eski ETL araçlarından (ör. SSIS, Informatica) modern yığına geçiş	Proje bazlı veya kiralık ekip	Belirli başlangıç ve bitişi olan iş
BI ekibinin geride kalan rapor talepleri	Kiralık veri analisti veya analitik mühendisi	Kapasite ihtiyacı dönemsel
Gerçek zamanlı akış projesi	Kafka/Flink deneyimli kiralık uzman	Nadir uzmanlık, piyasada bulması zor
Veri, ürünün çekirdeği ve sürekli gelişiyor	Kadrolu çekirdek ekip	Alan bilgisi ve sahiplik içeride kalmalı
Kadrolu veri mühendisi ayrıldı	Geçici kiralama	Pipeline’lar sahipsiz kalmaz

Çalışma ve teslimat modelleri

Model	Veri işlerinde nasıl uygulanır?
Uzaktan	Veri mühendisliği işlerinin çoğu uzaktan verimli yürür; erişim VPN, bastion veya bulut kimlik yönetimi ile sağlanır
Yerinde	Verinin kurum dışına çıkamadığı, ağ izolasyonu yüksek ortamlarda
Hibrit	Keşif ve iş birimleriyle metrik tanımı atölyeleri yerinde, geliştirme uzaktan
Staff augmentation	Uzman veri ekibinize katılır, sizin kod standartlarınız ve araçlarınızla çalışır
Dedicated team	Veri mühendisi, analitik mühendisi ve analistten oluşan özel ekip
Managed service	Pipeline izleme, olay yönetimi ve küçük geliştirmeler SLA ile hizmet olarak
Proje	Belirli çıktı: ör. lakehouse kurulumu, belirli kaynakların entegrasyonu, metrik katmanı

Ekip kurgusu için staff augmentation ve büyük ölçekli yazılım ekibi sayfalarımızı inceleyebilirsiniz.

Süreç ve tipik süreler

İhtiyaç analizi (tipik 1–3 iş günü): Kaynak sistemler, hedef platform, veri hacmi, gecikme beklentisi (toplu/gerçek zamanlı), ekip ve araçlar.
Aday önerisi (tipik 3–10 iş günü): Teknoloji yığınınızla örtüşen, ön elemeden geçmiş profiller.
Mülakat ve teknik alıştırma (tipik 1–2 hafta): Sizin görüşmeniz; istenirse vaka çalışması.
Sözleşme, NDA ve erişim (birkaç iş günü): Veri erişim kapsamı, maskeleme kuralları ve ortam ayrımı netleştirilir.
Oryantasyon (ilk 1–2 hafta): pipeline envanteri, veri sözlüğü ve sorunlu noktalar incelenir.
İlk teslimatlar (tipik ilk 3–6 hafta): Öncelikli bir kaynağın entegrasyonu, kalite testleri veya maliyet iyileştirme önerileri.
Düzenli değerlendirme: Aylık performans görüşmesi; uyum yoksa değişim.

Veri mühendisliği için KPI ve SLA örnekleri

KPI	Tanım	Not
Veri tazeliği (freshness)	Hedef tabloların, tanımlanan zamanda güncel olma oranı	Her kritik tablo için ayrı SLA tanımlanabilir
Pipeline başarı oranı	Planlanan çalıştırmaların hatasız tamamlanma oranı	Orkestrasyon aracından
Ortalama düzeltme süresi (MTTR)	Başarısız pipeline’ın tespitinden düzeltilmesine kadar geçen süre	Olay kayıtları
Veri kalitesi test kapsamı	Kritik modellerde tanımlı kalite testlerinin oranı	dbt tests, Great Expectations
Veri olayı sayısı	Yanlış veya eksik veri nedeniyle raporlara yansıyan olaylar	Kök neden analiziyle birlikte
Sorgu başına / TB başına maliyet	Bulut ambar ve işlem maliyetinin iş hacmine oranı	FinOps görünürlüğü
Talep karşılama süresi	Yeni kaynak veya metrik talebinin teslim süresi	Backlog verisi
Dokümantasyon ve lineage kapsamı	Katalogda açıklaması ve soy ağacı bulunan tabloların oranı	Yönetişim olgunluğu

Fiyatlandırma faktörleri

Faktör	Etkisi
Kıdem	Mimari karar ve akış sistemleri deneyimi, senior ve lead profillerde maliyeti artırır
Teknoloji yığını	Spark/Flink, Kafka, Databricks veya Snowflake gibi alanlarda derin deneyim
Gerçek zamanlı gereksinim	Akış sistemleri ve nöbet ihtiyacı ek maliyet doğurur
Veri hassasiyeti	Özel güvenlik kuralları, yerinde çalışma zorunluluğu
Süre ve yoğunluk	Uzun süreli tam zamanlı işlerde birim maliyet genelde düşer
Teslimat sorumluluğu	Kapasite sağlamak ile belirli bir platformu teslim etmek farklı fiyatlanır

Modeller: adam/ay (tam zamanlı veri mühendisi veya analist), saatlik (danışmanlık, kod incelemesi, dönemsel destek), sabit fiyat (kapsamı tanımlı entegrasyon, lakehouse kurulumu, ETL göçü) ve sonuç bazlı (ör. tanımlı tabloların tazelik SLA’sına bağlı hizmet bedeli; ölçümün net ve iki tarafça kontrol edilebilir olduğu durumlarda).

Veri Mühendisi ve Veri Analisti Kiralama — konu başlıkları

Kadrolu, freelancer ve outsourcing karşılaştırması

Kriter	Kadrolu veri mühendisi	Freelancer	360 Soft üzerinden
İşe alım süresi	Uzun; piyasada rekabet yüksek	Kısa	Kısa–orta, ön elemeli
Teknoloji uyumu	İşe alım kriterine bağlı	Kişiye bağlı	Yığınınıza göre profil aranır
Kod ve veri sahipliği	Kurumda	Belirsizlik riski	Sözleşmede tanımlı
Nöbet ve süreklilik	Ek kadro gerekebilir	Genellikle yok	Planlanabilir
Maliyet esnekliği	Düşük	Yüksek	Yüksek
Güvenlik ve uyum	İç politikalar	Denetimi zor	NDA, KVKK ve erişim kuralları sözleşmede

Riskler ve önlemler

Risk	Önlem
Kişisel verinin analitik ortama kontrolsüz taşınması	Veri minimizasyonu, maskeleme/takma adlandırma, rol bazlı erişim, satır/sütun düzeyi güvenlik
Belgelenmemiş ve kişiye bağımlı pipeline’lar	Kod incelemesi, Git, katalog ve lineage, devir teslim dokümanı
Bulut maliyetinin kontrolsüz artması	Bütçe alarmları, sorgu maliyeti izleme, depolama yaşam döngüsü politikaları
Metrik tanımlarında tutarsızlık	Semantik katman, tek metrik sözlüğü, iş birimi onayı
Kaynak sistem değişiklikleriyle kırılan akışlar	Veri sözleşmeleri, şema doğrulama, erken uyarı testleri

Güvenlik, KVKK/GDPR, NDA ve fikri mülkiyet

Veri mühendisi, tanımı gereği kurumun verisinin büyük bölümüne dokunur. 6698 sayılı KVKK kapsamında veri işleme amacı, erişim kapsamı, saklama süresi ve aktarım kuralları sözleşme öncesinde netleştirilmelidir. Analitik ortamlarda mümkün olduğunca anonimleştirilmiş veya takma adlandırılmış veriyle çalışmak, kişisel verilerin yurt dışındaki bulut bölgelerine aktarımı söz konusuysa ilgili mevzuat gerekliliklerini hukuk ekibinizle değerlendirmek önemlidir; AB’deki kişilere ait veride GDPR yükümlülükleri de dikkate alınır. 360 Soft hizmet sözleşmesinde gizlilik (NDA), KVKK hükümleri, erişim kuralları ve sözleşme sonunda erişimlerin kapatılması düzenlenir. Uzmanın geliştirdiği kod, pipeline, model ve dokümanların fikri mülkiyeti sözleşmede açıkça yazılır.

Yasal çerçeve

Sunduğumuz model hizmet alımıdır. Uzman 360 Soft çalışanıdır; bordro ve özlük hakları 360 Soft’ta kalır ve ilişki 4857 sayılı İş Kanunu md. 2’deki asıl işveren–alt işveren çerçevesinde kurgulanır; alt işverenliğe ilişkin yasal sınırlamalar gözetilmelidir. İşçinin doğrudan sizin emir ve talimatınızla çalıştığı geçici iş ilişkisi (md. 7) İŞKUR izinli özel istihdam büroları aracılığıyla kurulabilir; 360 Soft özel istihdam bürosu değildir. Sözleşme yapısını hukuk danışmanınızla değerlendirmenizi öneririz.

Seçim kontrol listesi

Kaynak sistemleriniz, hedef platformunuz ve gecikme beklentiniz yazılı mı?
Aday sizin yığınınızda (ör. Airflow + dbt + Snowflake ya da Kafka + Spark + Delta) üretim deneyimine sahip mi?
Pipeline tasarımı ve hata senaryosu içeren bir alıştırma yapıldı mı?
Veri erişim kapsamı, maskeleme ve ortam ayrımı kararlaştırıldı mı?
Kodun sizin Git deponuzda tutulacağı ve inceleneceği netleşti mi?
Tazelik, kalite ve maliyet KPI’ları belirlendi mi?
NDA, KVKK ve fikri mülkiyet maddeleri sözleşmede mi?
Uyum olmazsa değişim ve devir teslim süreci tanımlı mı?

Örnek senaryo

Temsili senaryodur. Bir üretim şirketi, satış ve üretim raporlarını her sabah ERP’den alınan Excel dosyalarıyla hazırlıyor; farklı birimler aynı ciro için farklı rakamlar sunuyor. Kiralanan senior veri mühendisi ilk iki haftada kaynakları ve raporları envanterliyor, ardından ERP ve CRM verisini CDC ile bulut ambarına alan, dbt ile katmanlı (staging, ara katman, raporlama) modeller kuran bir yapı tasarlıyor. Kritik tablolar için tazelik ve kalite testleri tanımlanıyor; veri analisti ise ortak metrik sözlüğünü iş birimleriyle onaylatıp panoları bu katmana taşıyor. Senaryo rolün işleyişini anlatmak içindir.

Sık sorulan sorular

Veri mühendisi ile veri analisti arasındaki fark nedir?

Veri mühendisi verinin toplanması, dönüştürülmesi ve güvenilir şekilde saklanması için altyapıyı ve pipeline’ları kurar. Veri analisti bu altyapı üzerindeki veriyi kullanarak rapor, pano ve analizler üretir.

Hangi teknolojilerde uzman sağlıyorsunuz?

Spark, Airflow, dbt, Kafka, Flink, Delta Lake, Iceberg, Snowflake, BigQuery, Redshift, Databricks, Microsoft Fabric ve Power BI gibi yaygın teknolojilerde ihtiyaca göre profil ararız.

Lakehouse mı veri ambarı mı seçmeliyiz?

Yapılandırılmış veri ağırlıklı ve SQL odaklı kullanımda bulut veri ambarı genellikle yeterlidir. Yarı yapılandırılmış veya büyük hacimli veri, makine öğrenmesi ve açık tablo formatı ihtiyacı varsa lakehouse avantajlı olabilir. Karar; veri tipine, ekip becerisine ve maliyet modeline göre verilmelidir.

Gerçek zamanlı veri akışı kurabilir misiniz?

Kafka, Debezium, Flink veya Spark Structured Streaming deneyimli profiller ararız. Gerçek zamanlı ihtiyacın gerçekten gerekip gerekmediğini de ihtiyaç analizinde birlikte değerlendiririz; birçok durumda sık aralıklı toplu yükleme yeterli olabilir.

Uzman ne kadar sürede başlayabilir?

Yaygın profillerde aday önerisi tipik olarak birkaç iş günü ile iki hafta arasında yapılır. Akış sistemleri gibi nadir uzmanlıklarda süre uzayabilir.

Adaylarla teknik mülakat yapabilir miyim?

Evet. Ön elemeden geçen adaylarla siz görüşür ve kararı siz verirsiniz. İsterseniz pipeline tasarımı veya SQL modelleme alıştırması eklenebilir.

Kişisel verilerle çalışırken KVKK açısından ne yapmalıyız?

Erişim kapsamını sınırlamak, mümkünse maskeleme veya takma adlandırma kullanmak, saklama sürelerini ve yurt dışı aktarımı hukuk ekibinizle değerlendirmek önerilir. Gizlilik ve KVKK hükümleri hizmet sözleşmesinde yer alır.

Yazılan kod kime ait olur?

Fikri mülkiyet ve kullanım hakları hizmet sözleşmesinde düzenlenir. Kodun sizin Git deponuzda geliştirilmesi önerilir.

Yarı zamanlı veri analisti mümkün mü?

Rapor talepleri dönemsel ise yarı zamanlı veya saatlik model konuşulabilir. Aktif platform geliştirme dönemlerinde tam zamanlı çalışma genellikle daha verimlidir.

Uyum sağlanamazsa ne olur?

Sözleşmede tanımlı değişim süreci işletilir; yeni aday önerilir ve devir teslim planlanır.

Ücretlendirme nasıl yapılır?

Tam zamanlı işlerde adam/ay, danışmanlıkta saatlik, kapsamı belli entegrasyon ve kurulum işlerinde sabit fiyat kullanılır. Kıdem, teknoloji yığını, gerçek zamanlı gereksinim ve çalışma yeri maliyeti etkiler.

Personel kiralama yasal mı?

Uzmanlar 360 Soft ile yapılan hizmet sözleşmesi kapsamında çalışır; özlük hakları ve bordro 360 Soft’ta kalır. Doğrudan sizin emir ve talimatınızla çalışan geçici işçi modeli (4857 sayılı İş Kanunu md. 7) ise İŞKUR izinli özel istihdam bürosu gerektirir; 360 Soft özel istihdam bürosu değildir. Sözleşme yapısını hukuk danışmanınızla değerlendirin.

Veri ihtiyacınızı anlatın

Kaynak sistemlerinizi, hedef platformunuzu, veri hacminizi ve beklediğiniz raporları paylaşın; uygun veri mühendisi veya veri analisti profilleriyle yazılı teklif hazırlayalım. +90 850 335 10 87, info@360-soft.com veya iletişim formu üzerinden bize ulaşabilirsiniz.

İlgili sayfalar

İhtiyacınız olan uzmanı paylaşalım Rolü, kişi sayısını ve süreyi yazın; uygun adayları ve yazılı teklifi gönderelim. Teklif alın · WhatsApp · +90 850 335 10 87

Bu sayfa 360 Soft Yetkili Temsilcisi Yasir Bünyamin İncedere tarafından hazırlanmıştır. Son güncelleme: Kasım 2026.

İlgili hizmetler

Tüm hizmetler: IT Personel Kiralama