Geçenlerde hesapciyiz.com için yeni bir finansal hesaplayıcı üzerinde çalışırken, Türkiye’deki ortalama gelir verileriyle ilgili bir araştırma yapma ihtiyacı hissettim. Aslında bu, ara ara karşıma çıkan bir durum. Her seferinde de aynı boşlukla yüzleşiyorum: elimizde güvenilir, güncel ve anonimleştirilmiş gerçek maaş verisi neredeyse yok.
Kendi VPS’imde, 13’ten fazla Docker container ile veri işleyip AI destekli bir içerik pipeline’ı kurarken, verinin ne kadar kritik olduğunu her gün görüyorum. Bu blog bile AI’ın ürettiği içeriklerin benim süzgecimden geçerek yayımlandığı bir yer. Ancak söz konusu Türkiye’deki maaş verisi olunca, kullandığım hiçbir araç, hiçbir model işe yaramıyor. Çünkü temel problem, ortada yeterli ve kaliteli verinin olmaması.
Maaş Verisi Neden Bir Kara Kutu?
Bu soruyu kendime defalarca sordum. Teknik olarak veri toplamak, anonimleştirmek ve analiz etmek imkansız değil. Hatta Knowledge Graph üzerine tecrübelerim var, yani ilişkisel veriyi anlamak benim işim. Ama Türkiye’de bu konuda bir Knowledge Graph kurmaya kalksam, entity’leri besleyecek birincil veri kaynağım yok.
Kültürel Engeller ve Güvensizlik
En temel sorun bence kültürel. Maaş konuşmak, hatta meslektaşlar arasında bile, garip bir tabu haline gelmiş durumda. “Ayıp”, “kişisel”, “mahrem” gibi etiketlerle çevrili. Bu, hem çalışanların hem de işverenlerin veri paylaşımına isteksiz yaklaşmasına neden oluyor.
Bu güvensizlik ortamı, veri toplama girişimlerinin de önünü kesiyor. İnsanlar, anonimlik vaat edilse bile, verilerinin bir şekilde kendilerine döneceğinden veya yanlış kullanılacağından endişe ediyor. Bu endişe, benim AI pipeline’ımda yaşadığım bir “publishDate tirnakli string” hatası gibi basit bir veri tutarsızlığından çok daha derin ve çözülmesi zor bir problem.
Verinin Dağıtık ve Heterojen Yapısı
Maaş verisi, doğası gereği oldukça dağıtık ve heterojen. Onlarca farklı sektör, binlerce şirket, pozisyon ve deneyim seviyesi var. Bir de üstüne şehir, yan haklar, primler gibi değişkenler eklenince, standart bir veri yapısı oluşturmak zorlaşıyor.
Benim kendi VPS’imde farklı container’lar arasında veri senkronizasyonu yaparken bile bazen kafam karışıyor, düşünün ki bu kadar değişkeni olan bir konuda tutarlı veri toplamak ne kadar zor. Bu durum, sağlıklı bir analiz yapmayı ve anlamlı çıkarımlar elde etmeyi engelliyor. Herkes kendi bildiğiyle, duyduğuyla hareket etmek zorunda kalıyor.
Veri İşleme Tecrübemden Çıkardığım Dersler ve Maaş Verisi
Kendi projelerimde veri toplama ve işleme süreçlerinde birçok sorunla karşılaştım. Bunlar bana, “verinin kendisi yoksa, en iyi AI bile çaresizdir” dersini öğretti.
Kalitesiz Veri ve “Garbage In, Garbage Out” Prensibi
AI generation pipeline’ımda bazen kaynak verideki ufak bir hata (mesela bir tag’da slash olması veya dotted-i karakter problemi), tüm pipeline’ı bozabiliyor. Sonuç olarak ortaya anlamsız veya hatalı içerikler çıkıyor. Maaş verisi konusunda da durum farklı değil. Eğer toplanan veri eksik, yanlı veya güncel değilse, yapılan tüm analizler anlamsız hale gelir.
Piyasada dolaşan “ortalama maaş” bilgileri genellikle kulaktan dolma, anlık anketlere dayalı veya çok dar bir kitleyi temsil eden veriler. Bu, tıpkı Docker disk yangınında 33 GB build cache ile %100 diske ulaşmam gibi, sistemin gereksiz yere şişmesine ve işlevsiz hale gelmesine benziyor. Yığınla veri var gibi görünse de, işe yarayanı çok az.
Anonimleştirme ve Güvenilir Platform Eksikliği
Gerçek maaş verisinin toplanabilmesi için güçlü bir anonimleştirme mekanizması ve bu veriye güven duyulabilecek bağımsız bir platform gerekiyor. Benim hesapciyiz.com gibi sitelerde kullanıcı verisi toplarken gösterdiğim hassasiyet ve teknik güvenlik önlemleri, bu tür büyük ölçekli bir proje için daha da kritik.
Ancak Türkiye’de bu tür bir güveni inşa etmek ve sürdürmek çok zor. Hem teknik altyapı hem de kültürel kabul açısından ciddi engeller var. Herkesin kendini rahat hissedeceği, verisini gönül rahatlığıyla paylaşabileceği bir “ortak havuz” fikri, maalesef henüz çok uzakta.
Mevcut Durumda “Olur O Kadar” Pragmatizmi
Bu durum karşısında, tıpkı VPS’imin overload olup OOM senaryolarıyla karşılaştığımda swap’i şişirip kcompactd’nin %92 CPU kullanmasına izin vermem gibi, bazı “olur o kadar” çözümlerle ilerlemeye çalışıyoruz.
Kulaktan Dolma Bilgiler ve Forumlar
İnsanlar genellikle iş görüşmeleri öncesinde arkadaş çevrelerinden, LinkedIn’deki anketlerden veya sektörel forumlardan bilgi toplamaya çalışıyor. Bunlar, çoğu zaman hatalı veya eksik olsa da, elimizdeki tek kaynaklar oluyor. Bir nevi, “preflight resource guard” olmadan GitHub Actions runner’ını çalıştırmak gibi bir durum; bir şeyler ters gidebilir, ama başka çare yokmuş gibi hissediliyor.
Bu yöntemlerin dezavantajı, verinin güncel olmaması, temsil ettiği kitleyi iyi yansıtmaması ve genellikle abartılı veya düşük beklentiler yaratması. Bir bankanın iç platformunda gördüğüm bir bug gibi, bu bilgiler de çoğu zaman gerçeği tam olarak yansıtmıyor.
Kariyer Kararlarında Belirsizlik
Gerçek maaş verisinin olmaması, hem çalışanların hem de işverenlerin sağlıklı kararlar almasını engelliyor. Çalışanlar, piyasa değerlerini bilmedikleri için ya düşük teklifleri kabul etmek zorunda kalıyorlar ya da yüksek beklentilerle fırsatları kaçırıyorlar. İşverenler ise rekabetçi bir maaş skalası oluşturmakta zorlanıyor, bu da yetenek çekme ve elde tutma konusunda sorunlara yol açıyor.
Kendi kariyerimde birçok kez, “X yapardık, ama Y yüzünden Z’yi seçtik” dediğim durumlar oldu. Maaş konusunda da bu trade-off’lar, bilgi eksikliği yüzünden daha da karmaşık hale geliyor.
Çözüm Yolları ve Neden Zor Oldukları
Peki, bu sorunu çözmek için ne yapılabilir? Aslında teoride bazı yollar var, ama pratik uygulamaları zor.
Anonim Maaş Anketi Platformları
Bazı platformlar, anonim maaş anketleri yaparak bir veri tabanı oluşturmaya çalışıyor. Ancak bu platformların yeterli veri hacmine ulaşması ve güvenilirliklerini kanıtlaması zaman alıyor. Ayrıca, verinin güncelliğini sürekli korumak, benim AI içerik pipeline’ımda “auto-fix + dedup-alert pattern” kurmak kadar zorlu bir süreç.
Ayrıca, farklı sektörlerin ve pozisyonların detaylı ayrımını yapabilen, yeterince granular veri sunan platform sayısı da çok az. Genellikle genel ortalamalarla yetinmek zorunda kalıyoruz ki bu da spesifik pozisyonlar için pek işe yaramıyor.
Hükümet ve Sektörel Kuruluşların Rolü
Devlet kurumları veya sektörel dernekler, bu konuda daha büyük bir rol oynayabilir. Anonimleştirilmiş ve istatistiksel olarak anlamlı maaş verileri yayınlayabilirler. Ancak bu da genellikle bürokratik engellere takılıyor veya veri toplama süreçleri yavaş ilerliyor.
Benim kendi kendime kurduğum sistemlerde bile CVE mitigation (kernel module blacklist gibi) için ne kadar uğraştığımı düşünürsek, devlet düzeyinde bir veri toplama ve yayınlama mekanizmasının ne kadar karmaşık olacağını tahmin edebiliriz.
Sonuç: Hala Bir Cevap Arıyorum
Türkiye’de gerçek maaş verisinin neden bir muamma olduğunu, kendi veri ve sistem tecrübem ışığında bu şekilde görüyorum. Kültürel tabulardan, veri kalitesi sorunlarına, güvenilir platform eksikliğinden, bu veriyi toplamayı zorlaştıran birçok katman var.
Benim de hala bu konuda net, tek bir cevabım yok. Ama kendi projelerimde veriyle boğuşurken, bu sorunun ne kadar derin olduğunu daha iyi anlıyorum. Şu sıra, elimdeki kısıtlı verileri kullanarak daha akıllı tahmin modelleri geliştirmeye çalışıyorum. Belki de bir gün, bu blogda yayımlanan AI içeriği gibi, Türkiye’deki maaş verisi de daha şeffaf ve erişilebilir hale gelir. Senin de bu konuda gözlemlerin veya çözümlerin varsa, merak ediyorum.