Zaman Serisi Veritabanı (TSDB): Örneklerle Rehber

Birkaç yıl önce, yeni başladığım bir yazılım mühendisliği rolünde ilk haftamda, Postgres çözümümüzün yerini alması için zaman serisi veritabanlarını (TSDB) araştırmam istendi.

Konu hakkında hiçbir şey bilmiyordum ve aklımda birçok soru vardı. Zaman serisi veritabanı tam olarak nedir? Nasıl çalışır? Geleneksel veritabanlarından farkı nedir? Neden kullanmalıyız? Bunun için özel becerilere ihtiyacım var mı?

O zamandan beri TSDB’ler hakkında çok şey öğrendim ve bu bilgiyi çeşitli şirketlerde çok farklı sorunları çözmek için kullandım.

Bu yazıda, son birkaç yılda öğrendiklerimi özetleyerek TSDB’lerin ne olduğu, nasıl çalıştığı ve hangi kullanım durumları için en uygun olduğu konusunda size net bir fikir vereceğim. Ayrıca piyasadaki bazı TSDB’leri birlikte inceleyip ihtiyaçlarınıza en uygun olanı seçebilmeniz için ipuçları paylaşacağım.

Zaman Serisi Veritabanları Nedir?

X şirketinin sattığı ve her 30 saniyede bir sıcaklık ölçümü kaydeden akıllı bir termostat hayal edin. Tek bir günde bu cihaz binlerce veri noktası üretir. Şimdi bunu bir şehirdeki yüzlerce ya da binlerce cihazla çarpın; X şirketinin topladığı zaman damgalı verinin hacmi akıl almaz boyutlara ulaşır.

Bu veriyi verimli bir şekilde depolamak ve eğilimleri (zaman içinde sıcaklık değişimleri veya ani sıçramalar gibi) analiz etmek için X şirketinin, çok yüksek yazma hızlarını kaldırabilen ve zamana dayalı sorguları verimli şekilde çalıştırabilen bir veritabanına ihtiyacı vardır.

Geleneksel veritabanları, yüksek frekanslı veri yazma işlemlerini veya belirli zaman aralıklarında verimli sorgulamayı kaldıracak şekilde tasarlanmadıkları için bu tür iş yüklerinde zorlanma eğilimindedir. İşte tam bu noktada zaman serisi veritabanları devreye girer.

Zaman serisi veritabanları, veriyi zamana göre düzenleyen ve endeksleyen özel veritabanlarıdır. Genel amaçlı veri depolamaya optimize edilmiş geleneksel veritabanlarının aksine TSDB’ler, zaman damgalı veri noktalarının dizilerini verimli şekilde depolamaya, sorgulamaya ve analiz etmeye odaklanır.

TSDB’ler özellikle IoT, sürekli veri akışları, DevOps izleme ve finansal analitik gibi alanlar için uygundur.

Zaman Serisi Veritabanlarının Özellikleri

TSDB’lerin geleneksel veritabanlarından farklı yaptığı birkaç şey vardır.

Zaman damgalı veriye optimize edilmiştir

Temelde TSDB’ler, zaman damgasını temel bir öznitelik olarak taşıyan veriyi işlemek üzere inşa edilmiştir. Bir TSDB’deki her veri noktası bir zaman damgası içerir ve bu, birincil indeks görevi görür. Bu sayede bu veritabanları, zaman sıralı dizileri verimli şekilde depolayıp getirebilir ve geçmiş eğilimlere ya da yakın zamandaki olaylara hızlı erişim sağlar.

Çoğu TSDB zamana dayalı bölümleme kullanır; yani veri, zaman aralıklarına (ör. saatlik, günlük) göre bölümlerde tutulur. Bu, sorguların ilgisiz bölümleri tamamen göz ardı etmesini sağlayan verimli budamayı mümkün kılar.

Ayrıca zaman kovaları da uygulayabilirler; veriyi daha hızlı toplulaştırma için önceden tanımlanmış zaman pencerelerinde (ör. 1 dakika, 1 saat) gruplarlar.

Yüksek veri yutma hızları

Zaman serisi verileri genellikle yüksek hızda üretilir — saniyede binlerce veri noktası gönderen IoT cihazlarını veya sistem metriklerini gerçek zamanlı yakalayan bir sunucu izleme aracını düşünün. TSDB’ler bu yüksek yazma hızlarına göre optimize edilmiştir ve büyük miktarda veriyi yavaşlamadan veya bilgi kaybetmeden yutabilir.

Bu genellikle yalnızca eklemeli depolama modelleri ve kilitlenmeleri ya da işlemsel darboğazları önleyen bellek içi arabellekler kullanılarak başarılır.

Zaman aralıkları için verimli sorgular

Zaman serisi verilerini analiz etmek genellikle “son 24 saat” veya “bu yılın geçen yıla göre karşılaştırması” gibi belirli zaman aralıklarını sorgulamayı içerir. TSDB’ler buna göre tasarlanmıştır; tanımlı zaman aralıklarında veriyi hızla çekmeye olanak veren özel sorgu yetenekleri sunarlar. Ayrıca ortalamalar, toplamlar veya eğilimler gibi toplulaştırmaları destekleyerek, karmaşık sorgu mantığı olmadan değerli analizler sağlarlar.

Sorgu optimizasyon teknikleri şunları içerir:

Önceden toplulaştırılmış veriler: TSDB’ler yaygın zaman aralıkları için (ör. saatlik veya günlük ortalamalar) özetleri önceden hesaplar.
Kayan pencere algoritmaları: Hareketli zaman pencereleri üzerinde metrikleri (ör. hareketli ortalamalar) verimli biçimde hesaplamaya yardımcı olur.

Veri sıkıştırma ve saklama politikaları

Zaman içinde üretilen büyük miktardaki zaman serisi verisini yönetmek için TSDB’ler gelişmiş veri sıkıştırma teknikleri kullanır. Bu yöntemler, sorgu performansını korurken depolama gereksinimlerini azaltır.

TSDB’ler genellikle kullanıcıların verinin ne kadar süre tutulacağını tanımlayabilmesi için saklama politikaları içerir. Örneğin bir sistem, son bir ay için ayrıntılı veriyi tutarken daha eski veriler için aşağı örnekleme yapabilir. Aşağı örnekleme, zaman içinde verinin ayrıntı düzeyini düşürme işlemidir. Örneğin:

Ham sıcaklık okumaları, son 7 gün için her 10 saniyede bir kaydedilebilir.
Daha eski veriler için, sistem geçmiş eğilimleri korurken alan tasarrufu amacıyla saatlik ortalamalara aşağı örnekleme yapabilir.

Gelişmiş sıkıştırma tekniklerine örnekler:

Delta kodlama: Tam değer yerine ardışık değerler arasındaki farkın saklanması.
Gorilla sıkıştırma: Kayan noktalı zaman serisi verisini, değişimleri ikili biçimde saklayarak verimli şekilde sıkıştıran bir yöntem.

Zaman Serisi Veritabanlarının Kullanım Alanları

Zaman serisi veritabanları, birçok modern veri odaklı uygulamada ve farklı sektörlerde kullanılır. Başlıca kullanım alanlarını inceleyelim.

1. Nesnelerin İnterneti (IoT)

Akıllı termostatlar, endüstriyel sensörler ve çevresel izleme cihazları gibi IoT aygıtları, zaman damgalı verilerin sürekli akışlarını üretir. TSDB’ler bu verileri depolamak ve analiz etmek için kullanılır ve şu tür uygulamalara güç verir:

Akıllı evler: Zaman duyarlı veriye göre cihazların izlenmesi ve kontrol edilmesi.
Endüstriyel otomasyon: Makine performansının izlenmesi ve kesinti süresini en aza indirmek için anormalliklerin gerçek zamanlı tespiti.
Çevresel izleme: Hava kalitesi, hava durumu desenleri veya su seviyelerini zaman içinde takip etmek için sensör verilerinin toplanması.

2. DevOps ve sistem izleme

DevOps’ta TSDB’ler, CPU kullanımı, bellek tüketimi ve ağ bant genişliği gibi metrikleri toplayarak BT altyapısını ve uygulamaları izlemek için yaygın olarak kullanılır. Şunları mümkün kılar:

Performans izleme: Sistem sağlığı ve performans metriklerinin gerçek zamanlı görselleştirilmesi.
Anomali tespiti: Sunucu yükünde artış veya ağ gecikmesi gibi olağan dışı desenlerin belirlenmesi.
Kapasite planlama: Gelecekteki kaynak ihtiyaçlarını tahmin edip tahsis etmek için tarihsel eğilimlerin kullanılması.

Prometheus ve Grafana gibi araçlar, DevOps ekipleri için görselleştirme ve uyarı yetenekleri sağlamak üzere sıklıkla TSDB’lerle entegre edilir.

3. Finansal piyasalar

TSDB’ler, finansal piyasalarda üretilen yüksek frekanslı büyük veri hacimlerini işlemek ve analiz etmek için kritiktir. Şu amaçlarla kullanılırlar:

Algoritmik alım satım: İşlemleri gerçek zamanlı eğilimlere göre yürütmek için piyasa verilerini milisaniyeler düzeyinde depolayıp analiz etme.
Risk yönetimi: Riskleri değerlendirmek ve azaltmak için finansal metriklerin zaman içinde izlenmesi.
Piyasa analizi: Piyasa davranışındaki desenleri, eğilimleri ve anormallikleri belirlemek için tarihsel verinin analiz edilmesi.

4. Diğer uygulamalar

Yukarıdaki üç kullanım alanı çok yaygın olsa da, zaman serisi veritabanları başka birçok alanda da uygulama bulabilir:

Sağlık: Hasta yaşamsal belirtilerinin gerçek zamanlı izlenmesi ve tıbbi cihaz verilerinin analizi.
Bilimsel araştırma: İklim modelleme, astronomik gözlemler ve diğer zamana bağlı olgular için veri toplama ve analiz etme.
İş analitiği: Müşteri davranışının izlenmesi, satış eğilimlerinin analizi ve zaman içindeki temel performans göstergelerinin takibi.

En İyi Zaman Serisi Veritabanları: Karşılaştırmalı Genel Bakış

Zaman serisi veritabanları, belirli kullanım durumlarına göre uyarlanmış çeşitli biçimlerde gelir.

InfluxDB

InfluxDB, InfluxData tarafından geliştirilen popüler bir açık kaynak zaman serisi veritabanıdır. Özellikle yüksek yutma hızları ve zaman damgalı verinin verimli sorgulanması için tasarlanmıştır; bu da onu IoT izleme, DevOps metrikleri ve gerçek zamanlı analitik için yaygın bir çözüm haline getirir.

Artıları	Eksileri
Devasa veri hacimleri için yüksek yutma hızları.	En iyi depolama için saklama politikalarının manuel yönetimini gerektirir.
SQL benzeri InfluxQL, ilişkisel veritabanlarına aşina analistler için sorgulamayı kolaylaştırır.	Kurumsal özellikler olmadan çok büyük veri kümelerinde ölçeklenebilirlik zorlukları.
Görselleştirme için Grafana gibi araçlarla kolayca entegre olur.	SQL tabanlı veritabanlarına kıyasla sınırlı gelişmiş sorgu yetenekleri.

TimescaleDB

TimescaleDB, PostgreSQL için, ilişkisel veritabanlarının gücünü zaman serisi işlevselliğiyle birleştirmek üzere tasarlanmış açık kaynak bir eklentidir. SQL’den yararlanırken zaman damgalı veriyi verimli biçimde işler. Bu da onu, zaman serisi verisini ilişkisel verilerle entegre etmeyi gerektiren iş analitiği veya IoT telemetri gibi kullanım durumları için özellikle uygun kılar.

Artıları	Eksileri
Tam SQL desteği, mevcut PostgreSQL araçları ve iş akışlarıyla kolay entegrasyon sağlar.	Kurulum ve bakım için PostgreSQL bilgisi gerektirir.
Hypertable’lar: Zaman serisi verisini verimli depolama ve sorgulama için otomatik olarak bölümlendirir.	Özelleşmiş TSDB’ler (ör. InfluxDB) kadar yutma hızına henüz ulaşamayabilir.
İlişkisel ve zaman serisi veriyi tek bir veritabanında birleştirir.

Prometheus

Prometheus, yerleşik bir TSDB’ye sahip izleme ve uyarı sistemidir; gerçek zamanlı sistem metrikleri, performans takibi ve uyarı yönetimi için DevOps’ta yaygın olarak benimsenmiştir.

Artıları	Eksileri
Özellikle Kubernetes ile hafif ve dağıtımı kolaydır.	Harici çözümler olmadan uzun vadeli depolama sınırlıdır.
Çekme tabanlı metrik toplama, yalnızca ilgili verinin toplanmasını sağlar.	Ölçeklenebilirlik Thanos veya Cortex gibi ek araçlara dayanır.
PromQL güçlü sorgu yetenekleri sunar.	Metriklere odaklanır ve tüm genel amaçlı TSDB ihtiyaçlarına uygun olmayabilir.

Clickhouse

ClickHouse, yüksek performanslı analitik sorgular için tasarlanmış açık kaynaklı bir sütunsal veritabanıdır. Geleneksel bir TSDB olmamakla birlikte, mimarisi özellikle hızlı sorgu performansının kritik olduğu zaman serisi verileri için son derece uygundur.

Artıları	Eksileri
Analitik iş yüklerinde yüksek sorgu performansı.	Yeni başlayanlar için kurulum ve bakım karmaşıktır.
Sütunsal depolama sorgu gecikmesini azaltır.	Özellikle bir TSDB olarak tasarlanmamıştır (bazı çözümler gerektirebilir).

Apache Cassandra

Apache Cassandra, yatay ölçeklenebilirlik ve yüksek erişilebilirlik için oluşturulmuş dağıtık bir NoSQL veritabanıdır. Sadece bir TSDB olmasa da, özellikle dayanıklılığın ve hata toleransının kritik olduğu durumlarda zaman serisi iş yükleri için etkili biçimde kullanılabilir.

Artıları	Eksileri
Mükemmel yatay ölçeklenebilirlik.	Veritabanında yerel zaman serisi sorgu ve toplulaştırma özellikleri bulunmadığından, ek optimizasyonlar olmadan zaman serisi verilerini sorgulamak zahmetli olabilir.
Hata toleranslı ve yüksek erişilebilirlik sağlar.

Amazon Timestream

Amazon Timestream, AWS tarafından sunulan tamamen yönetilen bir zaman serisi veritabanı hizmetidir. Ölçeklenebilirlik ve sadelik için geliştirilmiştir; IoT ve uygulama izleme için zaten AWS altyapısını kullanan kuruluşlar için idealdir.

Artıları	Eksileri
Sunucusuz mimari yönetimi basitleştirir.	AWS ekosistemi dışında sınırlı işlevsellik.
Büyük veri hacimlerini işlemek için otomatik olarak ölçeklenir.	Yüksek veri yutma hızlarında maliyetler artabilir.

Hızlı bir özet için bu tabloya göz atalım:

Veritabanı	Birincil Kullanım Alanları	Depolama Modeli	Ekosistem Uyumluluğu
InfluxDB	IoT izleme, DevOps metrikleri, gerçek zamanlı analitik	Zaman serisine optimize, disk tabanlı	Grafana, Telegraf ve Kapacitor ile entegre olur
TimescaleDB	İş analitiği, IoT telemetri, SQL tabanlı uygulamalar	İlişkisel (PostgreSQL eklentisi)	pgAdmin, Grafana gibi PostgreSQL araçlarıyla çalışır
Prometheus	DevOps izleme, performans takibi, uyarılama	Gömülü zaman serisi depolama	Kubernetes için tasarlanmıştır, Thanos ve Grafana ile entegre olur
ClickHouse	Yüksek performanslı analitik iş yükleri, zaman serisi analitiği	Sütunsal depolama	SQL tabanlı analitiği destekler, BI araçlarıyla entegre olur
Apache Cassandra	Dağıtık zaman serisi depolama, büyük ölçekli günlükleme	Geniş sütunlu NoSQL	Spark, Kafka ve ölçeklenebilir dağıtık sistemlerle uyumludur
Amazon Timestream	AWS tabanlı IoT izleme, uygulama telemetrisi	Sunucusuz, yönetilen TSDB	AWS hizmetleriyle sıkı entegrasyon (Lambda, IoT Core, QuickSight)

Doğru Zaman Serisi Veritabanını Seçmek: Temel Kriterler

Zaman serisi veritabanları, farklı ihtiyaçlara yönelik farklı özellikler sunar. Peki, sorununuzu en iyi çözecek olanı nasıl seçeceksiniz?

Veri hacmini ve yutma hızını değerlendirin

Zaman serisi iş yükleri, veri hacmi (ne kadar veri üretildiği) ve yutma hızı (verinin ne kadar hızlı yazıldığı) açısından önemli ölçüde değişkenlik gösterebilir. Bazı sistemler aralıklı veri üretirken, bazıları her saniye devasa miktarlarda veri üretir.

Örneğin:

Binlerce cihaza sahip bir IoT kurulumu, her dakika milyonlarca veri noktasını yutmayı gerektirebilir.
Bir DevOps izleme aracı, binlerce sunucu genelinde her birkaç saniyede bir gerçek zamanlı sunucu metrikleri toplayabilir.

Tüm TSDB’ler aşırı yüksek yazma hızlarına optimize edilmemiştir. Yutma hızına yetişemeyen sistemler veri düşürecek, bu da analizde boşluklara ve eksik sonuçlara yol açacaktır.

Sistemleriniz çok fazla veri üretiyorsa şunlara bakın:

Performans düşmeden yüksek yutma hızlarını destekleyen TSDB’ler.
Yazma optimizasyonu için yalnızca eklemeli depolama modelleri ve bellek içi arabellekler sunan çözümler (ör. InfluxDB, TimescaleDB, Prometheus).

Bir TSDB’nin yazma verimini, gerçekçi iş yükleriyle test ederek değerlendirmenizi gerçekten öneririm. Time Series Benchmark Suite gibi kıyaslama paketleri yutma senaryolarını simüle etmeye yardımcı olabilir.

Alternatif olarak, sisteminizi seçtiğiniz TSDB’ye ücretsiz deneme kapsamında bağlayıp sonuçları değerlendirebilirsiniz. Deneyimlerime dayanarak söyleyeyim: Veri hatlarınızın her 30 dakikada bir 30 GB veri ürettiğini sonradan fark etmek pek eğlenceli bir sürpriz olmuyor.

Sorgu desenlerine ve karmaşıklığa bakın

Sık çalıştıracağınız sorgu türleri, bir TSDB seçerken bir diğer kritik faktördür. Farklı veritabanları farklı sorgu iş yükleri için optimize edilmiştir.

Sorgu desenlerine örnekler:

Basit aralık sorguları: Belirli bir zaman aralığındaki veri noktalarının getirilmesi (ör. “son 7 gün”).
Toplulaştırma sorguları: Ortalamalar, toplamlar veya yüzdelikler hesaplama (ör. “saat başına ortalama CPU kullanımı”).
Aşağı örnekleme: Ham verinin daha düşük ayrıntı düzeyinde özetlenmesi (ör. saniyelik okumaları saatlik ortalamalara dönüştürme).
Karmaşık analitik: Birden fazla veri akışını ilişkilendirme, anomali tespiti veya öngörüsel analiz çalıştırma.

Bazı TSDB’ler basit zamana dayalı sorgularda mükemmeldir; bazıları ise karmaşık toplulaştırmalar veya analitik iş yükleri için daha uygundur. Yanlış veritabanını seçmek, yavaş sorgulara ve verimsiz analitik hatlarına yol açabilir.

Şunlara bakmak isteyebilirsiniz:

En yaygın sorgu türleriniz için yerleşik destek sunan TSDB’ler.
Daha karmaşık sorgular için SQL benzeri sorgu dillerine sahip sistemler (ör. PostgreSQL uyumluluğuyla TimescaleDB).
Sıklıkla erişilen veriler için toplulaştırmaları önceden hesaplayıp çalışma zamanında sorgu yükünü azaltmaya olanak veren sürekli sorgu yetenekleri.

Ölçeklenebilirlik ve erişilebilirliği kontrol edin

Veri hacminiz arttıkça TSDB’nizin performansı koruyarak sorunsuz şekilde ölçeklenmesi gerekir. Ayrıca kritik uygulamalar için veritabanının yüksek erişilebilir olması, kesinti yaşanmamasını sağlar.

TSDB’niz yatay (daha fazla sunucu ekleyerek) veya dikey (sunucu kaynaklarını artırarak) ölçeklenemiyorsa, veri büyüdükçe sistem darboğazlarıyla karşılaşırsınız.

Şunları arayın:

Yatay ölçeklenebilirlik: Veriyi birden fazla düğüme dağıtabilen veritabanları (örneğin parçalama stratejileriyle)
Yüksek erişilebilirlik: Çalışma süresini sağlamak için yerleşik kümeleme, çoğaltma ve hata devretme mekanizmaları.

Entegrasyon ve ekosistem gerçekten önemli

Bir TSDB’nin mevcut araçlarınız ve iş akışlarınızla entegre olabilme yeteneği, ekibinizin onu benimseyip verimli kullanabilmesi açısından son derece önemlidir.

Şunlara bakın:

Araçlarınızla entegrasyon (izleme platformları, veri işleme çerçeveleri, BI araçları vb.)
Yutma hatları desteği: IoT cihazları, API’ler veya günlük toplayıcılar gibi veri kaynaklarınızla entegre olan TSDB’leri arayın.
API’ler ve Sorgu Dilleri: REST API’leri, SQL desteği veya dil SDK’ları sunan TSDB’ler, geliştiriciler için entegrasyonu kolaylaştırır.

Maliyet

TSDB maliyetli hale gelebilir; özellikle veri hacimleriniz büyüdükçe. Maliyetler lisanslama, altyapı gereksinimleri ve bakım çabalarına bağlı olarak değişebilir.

Bazı TSDB’ler açık kaynaklıdır ve kullanımı ücretsizdir ancak önemli altyapı ve operasyon maliyetleri gerektirebilir. Diğerleri lisans ücretli ticari çözümlerdir ancak gelişmiş özellikler ve destekle birlikte gelir.

Şunlara mutlaka bakın:

Lisans ücretleri: Açık kaynak (ör. Prometheus, VictoriaMetrics) ve ticari (ör. InfluxDB Enterprise).
Altyapı maliyetleri: Bulut barındırmalı TSDB’ler ve kendi kendine barındırılan çözümler.
Bakım yükü: Ölçekleme, yedekleme ve felaket kurtarma için operasyonel maliyetler.

Daha küçük iş yükleri için, operasyonel yükü azaltan bulut barındırmalı yönetilen hizmetleri düşünebilirsiniz; ancak veri ölçeklendikçe uzun vadeli maliyetleri hesaba kattığınızdan emin olun. Ayrıca depolama maliyetlerini etkin biçimde yönetmek için baştan itibaren veri saklama politikaları ve aşağı örnekleme uygulamanızı gerçekten tavsiye ederim.

Sonuç

Umarım bu rehberi okumaktan, benim yazmaktan aldığım kadar keyif almışsınızdır!

Artık zaman serisi veritabanlarının temellerini anladığınıza göre, dilediğiniz bir veritabanını seçip ücretsiz denemeyle başlayabilir ve becerilerinizi pratiğe dökebilirsiniz!

SSS

Düzensiz aralıklara veya farklı saat dilimlerine sahip zaman serisi verileri nasıl ele alınır?

Düzensiz aralıklar için veriyi düzenli zaman aralıklarına yeniden örneklemek yardımcı olabilir; saat dilimi farklılıkları ise tüm veriyi tek bir saat dilimine dönüştürerek veya tutarlılığı korumak için UTC kullanarak yönetilebilir.

Zaman serisi verilerini ilişkisel olmayan bir veritabanında saklayabilir miyim?

Evet, zaman serisi verileri MongoDB veya Cassandra gibi ilişkisel olmayan veritabanlarında saklanabilir; ancak özelleşmiş zaman serisi veritabanları veya uygun optimizasyonlara (ör. bölümleme) sahip ilişkisel veritabanları, büyük ölçekli zaman serisi iş yükleri için daha iyi performans sunabilir.

Projem için ilişkisel bir veritabanı ile özelleşmiş bir zaman serisi veritabanı arasında nasıl seçim yapmalıyım?

Veriniz ağırlıklı olarak zaman damgalıysa ve büyük veri hacimleri için verimli sorgulama ve depolama gerekiyorsa, InfluxDB veya TimescaleDB gibi özelleşmiş bir zaman serisi veritabanı daha uygun olabilir. Ancak veriniz daha genel amaçlıysa ve zaman serisi yalnızca uygulamanızın bir parçasıysa, doğru indeksleme ve bölümleme ile bir ilişkisel veritabanı yeterli olabilir!

Yazar

Marie Fayard

İlk prototipten ürün-pazar uyumuna ve ötesine kadar erken aşama girişimleri büyütme konusunda uzmanlaşmış, ürün odaklı bir teknik liderim. İnsanların teknolojiyi nasıl kullandığına dair bitmeyen bir merakım var ve kurucularla ile disiplinler arası ekiplerle yakın çalışarak cesur fikirleri hayata geçirmeyi seviyorum. Ürün inşa etmediğim zamanlarda ya dünyanın yeni köşelerinde ilham peşinde koşuyor ya da yoga stüdyosunda stres atıyorum.

Konular

Veri Mühendisliği