--- title: "Aynı Veriye Yeterince Bakarsanız Bir Örüntü Bulursunuz: Data-Snooping Bias ve Kurumsal Kararın Kanıt Zinciri" description: "Data-snooping bias, aynı veri seti üzerinde çok sayıda kesit denendiğinde tesadüfen ortaya çıkan bir örüntünün gerçek bir ilişki sanılmasıdır. Kurumsal karara etkisi, denemelerin sayısının kayda geçmemesi nedeniyle bulgunun olduğundan güçlü görünmesi ve yatırımın yanlış varsayım üzerine kurulmasıdır. Nötrleyici mekanizma, hipotezin veriye bakmadan önce yazılı hâle getirilmesi ve deneme sayısının kaydedilmesidir." url: https://www.beirek.com/tr/blog/data-snooping-bias-in-corporate-decisions canonical: https://www.beirek.com/tr/blog/data-snooping-bias-in-corporate-decisions published: 2025-04-15 modified: 2025-04-15 category: "Karar ve Yargı Yanılgıları" category_url: https://www.beirek.com/tr/blog/category/judgement-decision-making language: tr-TR reading_time_minutes: 8 publisher: BEIREK LLC publisher_url: https://www.beirek.com license: "© BEIREK LLC — citation with attribution and link permitted" keywords: ["data-snooping bias","veri madenciliği yanlılığı","yatırım kararı analitiği","hipotez kaydı","due diligence analiz doğrulama","çoklu test problemi","sermaye tahsisi kararı"] topics: ["Karar ve yargı yanılgıları","Kurumsal analitik yönetişim","Yatırım komitesi karar süreçleri","Due diligence ve analiz doğrulama","Sermaye tahsisi disiplini"] alternate_language_url: https://www.beirek.com/en/blog/data-snooping-bias-in-corporate-decisions --- # Aynı Veriye Yeterince Bakarsanız Bir Örüntü Bulursunuz: Data-Snooping Bias ve Kurumsal Kararın Kanıt Zinciri > **Kısaca:** Data-snooping bias, aynı veri seti üzerinde çok sayıda kesit denendiğinde tesadüfen ortaya çıkan bir örüntünün gerçek bir ilişki sanılmasıdır. Kurumsal karara etkisi, denemelerin sayısının kayda geçmemesi nedeniyle bulgunun olduğundan güçlü görünmesi ve yatırımın yanlış varsayım üzerine kurulmasıdır. Nötrleyici mekanizma, hipotezin veriye bakmadan önce yazılı hâle getirilmesi ve deneme sayısının kaydedilmesidir. *Bir veri setini yeterince çok kesitten sorgulayan ekip, er ya da geç istatistiksel olarak anlamlı görünen bir ilişki bulur; sorun bulgunun kendisinde değil, kaç denemenin ardından bulunduğunun kayda geçmemesindedir. Kurumsal kararlarda bu, tesadüfü stratejiye terfi ettiren sessiz bir mekanizmadır.* --- Bir analiz ekibi, portföyün son beş yıllık performans verisini yatırım komitesine sunmak üzere hazırlarken, hangi değişkenin sonucu açıkladığını bulana kadar veriyi farklı kesitlerden okur; önce coğrafyaya göre ayırır, sonuç zayıf çıkınca sözleşme tipine göre ayırır, orada da net bir ayrışma görünmeyince proje büyüklüğü bandına, ardından yükleniciyle çalışılan yıl sayısına, en sonunda ise kapanış çeyreğine göre ayırır. Beşinci ya da altıncı kesitte, gözle görülür bir ayrışma belirir: belirli bir eşik üzerindeki projelerin marjı belirgin biçimde yüksektir. Sunuma giren şey bu son kesittir; kendisine ulaşılana kadar denenmiş ve sessizce elenmiş diğer kesitler ise ne slaytta ne de ekin dipnotunda yer alır. Bu, ekibin dürüstlüğüyle ilgili bir mesele değildir; nitekim elenen kesitler bilinçli olarak gizlenmez, yalnızca ilgisiz bulunduğu için taşınmaz. Aynı örüntü, satış ekibinin hangi müşteri segmentinin dönüşüm oranının yüksek olduğunu araştırırken, İK'nın hangi işe alım kanalının daha uzun kalan personel ürettiğini incelerken, ya da satın alma biriminin hangi tedarikçi profilinin gecikme üretmediğini ararken de tekrar eder. Ortak yapı şudur: sabit bir veri seti vardır, o veri setine çok sayıda soru sorulur, ve yalnızca olumlu cevap veren soru yukarı taşınır. Sorunun sayısı ise kararın hiçbir aşamasında sorulmaz. Buradaki mekanizmanın adı data-snooping bias — aynı veri kümesi üzerinde çok sayıda deneme yapıldığında, tesadüfen ortaya çıkan bir örüntünün gerçek bir ilişki sanılması. Mekanizmanın işleyişi sezgisel olmaktan çok aritmetiktir: rastlantısal dalgalanma içeren herhangi bir veri setinde, birbirinden bağımsız yeterince çok kesit denendiğinde, hiçbir gerçek nedensel ilişki bulunmasa dahi en az birinin anlamlı görünmesi beklenen sonuçtur. Anlamlılık ölçütü tek bir hipotez için kalibre edilmiştir; onlarca hipotez arasından seçilmiş bir kazananın aynı ölçütle değerlendirilmesi, ölçütün kendisini geçersiz kılar. Yani bulgunun istatistiği doğru hesaplanmış olabilir; yanlış olan, o istatistiğin hangi arama sürecinin sonunda elde edildiğinin bilinmemesidir. Bu eğilimin belirli koşullarda işlevsel olduğunu görmezden gelmek, mekanizmayı yanlış tarif etmek olur. Keşif aşamasında veriye çok sayıda açıdan bakmak, hipotez üretmenin tek makul yoludur; bir portföyün nerede para kazandığını bilmeyen bir ekibin, önce yazılı hipotez kurup sonra bakması gerçekçi değildir. Sorun, keşif ile doğrulama arasındaki sınırın kaybolmasındadır: keşif aşamasında üretilen bir gözlem, aynı veri üzerinde test edildiğinde doğrulanmış sayılır, ve karar bu sahte doğrulamanın üzerine kurulur. Kısayol keşifte maliyeti düşürür; koşul değişip karar aşamasına geçildiğinde ise aynı kısayol maliyetin kaynağı hâline gelir. Kurumsal bedelin ilk göründüğü yer, çoğu zaman bir yatırım kararının kendisi değil, o kararı izleyen sapma raporudur. Belirli bir eşik üzerindeki projelerin daha yüksek marj ürettiği bulgusu üzerine kurgulanan bir büyüme tezi, sermayeyi daha büyük projelere yönlendirir; iki ya da üç dönem sonra gerçekleşen marj tezle uyuşmadığında, ilk refleks tezi sorgulamak değil, uygulamayı sorgulamak olur. Bu noktada organizasyon, olmayan bir ilişkiyi kovalayan bir operasyonel iyileştirme programı başlatır, ve tesadüfi bir korelasyonun bedeli yalnızca yanlış tahsis edilen sermaye değil, aynı zamanda o sermayeyi kurtarmak için harcanan yönetim dikkati olur. İkinci bedel kalemi, fiyatlama ve teklif disiplininde birikir. Bir tedarikçi ya da müşteri segmentinin geçmiş verideki üstün performansına dayanarak kurulan iskonto yapısı, o performans tesadüfi ise, sözleşme süresi boyunca taşınan sabit bir marj kaybına dönüşür; sözleşme bir kez imzalandığında bulgunun yanlış olduğunun anlaşılması fiyatı geri getirmez. Benzer biçimde, geçmiş gecikme verisinden türetilmiş bir yüklenici seçim kriteri, LD tavanının ve iş programı tamponunun kalibrasyonunu doğrudan etkiler; kriter zayıfsa, tampon olması gerekenden dar kurulur ve fark inşaat dönemi finansman maliyetinde görünür. Üçüncü ve en az fark edilen bedel, due diligence masasında ortaya çıkar. Bir şirketin büyüme tezini destekleyen kohort analizleri, segment kârlılık tabloları ve müşteri yaşam boyu değeri hesapları incelendiğinde, alıcı tarafın sorduğu asıl soru bulgunun ne olduğu değil, bu bulguya ulaşılana kadar kaç farklı segmentasyonun denendiğidir. Bu sorunun cevabı belgelenmemişse — ki tipik olarak belgelenmemiştir — analiz doğrulanamaz kabul edilir, ve doğrulanamayan bir büyüme tezi değerlemede ya çarpan iskontosu ya da kazanılmış hedeflere bağlı earn-out yapısı olarak fiyatlanır. Şirketin kendi içinde ikna edici bulduğu analiz, dışarıdan bakan bir komite için yalnızca bir hipotezdir. Bu eğilimi nötrleyen mekanizma bireysel dikkat değil, kayıt disiplinidir; zira hiçbir analist, denediği yirmi kesitten on dokuzunu unuttuğu için değil, onları raporlamanın kurumsal olarak beklenmediği için raporlamaz. Buradaki yapısal müdahale dört bileşene ayrılır: (a) hipotezin veriye bakmadan önce yazılı hâle getirilmesi ve tarihlendirilmesi, (b) denenmiş kesitlerin ve elenmiş hipotezlerin sayısıyla birlikte kayda geçmesi, (c) karar için kullanılacak bulgunun, keşifte kullanılmamış ayrı bir dönem ya da örneklem üzerinde tekrar test edilmesi, (d) bulgunun ekonomik mantığının, istatistiğinden bağımsız olarak sözle savunulabilir olması. Dördüncü bileşen özellikle kritiktir: neden böyle olduğunu açıklayamayan bir ilişki, ne kadar güçlü görünürse görünsün, sermaye tahsisine temel oluşturmaz. BEIREK'in karmaşık ve sermaye-yoğun projelerde yürüttüğü analiz hattı bu ayrımı süreç düzeyinde sabitler. Bir portföy performans analizine ya da fizibilite modeline başlarken, test edilecek hipotezler ve bunların hangi veri kesitleriyle sınanacağı analiz başlamadan önce yazılı bir hipotez kaydına geçirilir; analiz ilerledikçe elenen kesitler silinmez, kayıtta kalır, ve nihai memoranduma bulgunun yanında kaç denemeden sonra elde edildiği bilgisi eklenir. Karar niteliği taşıyan bulgular ise ilkesel olarak keşifte kullanılmamış bir dönem üzerinde tekrar sınanır; bu sınamayı geçemeyen bulgu, modele girmez, yalnızca izlenecek bir gözlem olarak not düşülür. Aynı disiplin, müşteri tarafında hazırlanmış analizlerin incelenmesinde de işletilir. Bir geliştiricinin ya da hedef şirketin sunduğu segment kârlılık analizini değerlendirirken sorulan ilk soru bulgunun büyüklüğü değil, analizin arama tarihçesidir: hangi segmentasyonlar denendi, hangileri sunuma girmedi, bulgu hangi dönemde keşfedildi ve hangi dönemde doğrulandı. Bu soruların cevabı belge düzeyinde alınamadığında, ilgili bulgu değerleme modelinde bağımsız bir varsayım olarak değil, duyarlılık analizinde bir aralık olarak taşınır — böylece tez, doğruluğu kanıtlanmamış tek bir sayının üzerine değil, aralığın alt ucunda da ayakta kalabilecek bir yapının üzerine kurulur. Bu müdahalelerin toplam etkisi, analiz kapasitesini kısıtlamak değil, analizin ürettiği güvenin kalibrasyonunu düzeltmektir. Veriye çok sayıda açıdan bakan bir ekip, bakış sayısını kaydettiği ölçüde daha az değil daha çok bulgu üretebilir; zira hangi bulgunun sağlam hangisinin geçici olduğunu ayırt edebilen bir organizasyon, geçici olanı da kullanabilir — yalnızca ona daha az sermaye bağlar ve daha kısa vadeli bir taahhüt verir. Kayıt disiplininin asıl kazancı, doğru ile yanlışı ayırmak değil, güvenin derecesini karara ölçülü biçimde yansıtabilmektir. Nihayetinde bir kurumun analitik olgunluğu, ne kadar çok veri işlediğiyle değil, bir bulgunun arkasındaki arama sürecini yeniden kurabilme kapasitesiyle ölçülür. Bir yatırım komitesi masasına gelen her grafiğin ardında, o grafiğe ulaşılana kadar bakılmış ve bakılmamış kesitlerden oluşan bir tarihçe vardır; bu tarihçe kayıt altındaysa bulgu bir kanıttır, kayıt altında değilse yalnızca bir izlenimdir. Sorulacak soru şudur: kurumun bugün taşıdığı stratejik tezlerden kaçının arama tarihçesi bugün geri çağrılabilir durumdadır? ## Ana Noktalar - Bir veri setinde yeterince çok kesit denendiğinde, hiçbir gerçek ilişki olmasa bile anlamlı görünen bir örüntünün çıkması matematiksel olarak beklenen sonuçtur. - Bulgunun güvenilirliğini belirleyen şey bulgunun kendi istatistiği değil, ona ulaşılana kadar kaç denemenin yapıldığıdır; bu sayı tipik olarak hiçbir yerde kayıtlı değildir. - Kurumsal bedel, yatırım komitesi sunumundaki tek bir grafiğin arkasında duran onlarca elenmiş kesitin görünmez kalması ve sermayenin tesadüfi bir korelasyona tahsis edilmesidir. - Analiz ekibi terfi ve bütçe döngüsünde 'anlamlı bulgu üretmek' üzerinden ödüllendirildiği ölçüde, eğilim bireysel dikkatle değil ancak teşvik yapısıyla nötrlenebilir. - En pratik müdahale, hipotezin veriye bakmadan önce yazıya geçmesi, deneme kaydının tutulması ve kararın dokunulmamış bir örneklem üzerinde doğrulanmasıdır. ## Sorular ### Data-snooping bias nedir ve normal veri analizinden farkı nedir? Data-snooping bias, aynı veri seti üzerinde çok sayıda kesit ya da hipotez denendiğinde, tesadüfen anlamlı görünen bir örüntünün gerçek ilişki sayılmasıdır. Normal analizden farkı, sonucun kendisinde değil sürecinde bulunur: anlamlılık ölçütleri tek bir hipotez için kalibre edilmiştir, onlarca deneme arasından seçilmiş bir kazanan aynı ölçütle değerlendirildiğinde ölçüt geçersizleşir ve bulgu olduğundan güçlü görünür. ### Bir analizde data-snooping olup olmadığı nasıl anlaşılır? En doğrudan gösterge, bulguya ulaşılana kadar kaç farklı kesit, segment ya da dönem tanımının denendiğinin belgelenip belgelenmediğidir. Bu sayı kayıtlı değilse bulgunun güvenilirliği bağımsız olarak değerlendirilemez. İkinci gösterge, ilişkinin ekonomik mantığının istatistikten bağımsız biçimde savunulabilir olmasıdır; neden böyle olduğu açıklanamayan bir korelasyon, ne kadar güçlü görünürse görünsün doğrulama gerektirir. ### Data-snooping bias yatırım kararlarında ne tür maliyet üretir? Üç yüzeyde maliyet üretir. Sermaye, gerçekte var olmayan bir ilişki üzerine tahsis edilir ve sapma dönemlerde ortaya çıkar. Fiyatlama ve sözleşme kalibrasyonu — iskonto yapısı, gecikme cezası tavanı, iş programı tamponu — zayıf bir kritere dayandığında sözleşme süresi boyunca taşınan sabit bir kayba dönüşür. Üçüncüsü, doğrulanamayan analize dayanan büyüme tezleri değerlemede çarpan iskontosu veya earn-out olarak fiyatlanır. ### Şirket içinde bu eğilimi hangi mekanizmalarla önlemek mümkün? Dört bileşenli bir kayıt disiplini yeterlidir: hipotezin veriye bakmadan önce yazılı ve tarihli hâle getirilmesi, denenmiş ve elenmiş kesitlerin sayısıyla kayda geçmesi, karar niteliğindeki bulgunun keşifte kullanılmamış ayrı bir dönem üzerinde tekrar sınanması, ve ilişkinin ekonomik mantığının istatistikten bağımsız savunulabilir olması. Bunlar bireysel dikkate değil sürece bağlı olduğu için analist değişiminden etkilenmez. --- Kaynak: https://www.beirek.com/tr/blog/data-snooping-bias-in-corporate-decisions Yayımlayan: BEIREK LLC — https://www.beirek.com