# Bentego

> Turning data into enterprise value


## Posts

- [Milyonlarca İşlem, Milisaniyelik Karar](https://bentego.com/tr/milyonlarca-islem-milisaniyelik-karar/): Türkiye’nin önde gelen bankalarından biri olan iş ortağımız, artan dijital işlem hacmiyle birlikte fraud vakalarını mevcut kural tabanlı sistemlerle yönetmekte zorlanıyordu. Dolandırıcılık kalıpları sürekli değişiyor, geleneksel yaklaşımlar ise çoğu zaman tehditlerin gerisinde kalıyordu. Temel soru şuydu: Milyonlarca işlemi gerçek zamanlı analiz ederek şüpheli davranışları anında tespit etmek mümkün mü? Bu hedef doğrultusunda, büyük veri altyapısı üzerinde konumlandırılmış yapay zeka modelleriyle çalışan gerçek zamanlı bir fraud detection platformu tasarladık ve hayata geçirdik. Akan veriyi yalnızca depolayan değil; her işlemi milisaniyeler içinde analiz edip anlamlandıran bir mimari kurduk. Yeni sistemle birlikte: Bu dönüşüm yalnızca riskleri azaltırken operasyonel verimliliği artırdı ve regülasyona uyum […]
- [Millions of Transactions, Millisecond Decisions](https://bentego.com/millions-of-transactions-millisecond-decisions/): One of the leading banks in Türkiye was facing increasing difficulty managing fraud cases with rule-based systems due to rapidly growing digital transaction volumes. Fraud patterns were constantly evolving, while traditional approaches remained reactive and often one step behind emerging threats. The key question was: Is it possible to analyze millions of transactions in real time and detect suspicious behavior instantly? To address this, we designed and implemented a real-time fraud detection platform powered by AI models positioned on a big data infrastructure. Rather than simply storing streaming data, the new architecture analyzes and contextualizes every transaction within milliseconds. With […]
- [Perakendede Gerçek Zamanlı Karar Dönemi](https://bentego.com/tr/perakendede-gercek-zamanli-karar-donemi/): İş ortağımız olan perakende şirketi, büyümeyi yalnızca mağaza sayısıyla değil; veriye dayalı kararlarla yönetmek istiyordu. Bunun için yüzlerce mağazadan ve dijital kanallardan akan veriyi tek bir güvenilir kaynaktan, gerçek zamanlı olarak izleyebilecek bir yapıya ihtiyaç duyuyordu. Ancak kasa fişlerinden iade hareketlerine, kampanya etkileşimlerinden stok değişimlerine kadar uzanan işlem verileri dağınık sistemlerde tutuluyor; raporlar gecikmeli üretiliyor ve iş birimleri kararlarını geçmişe bakarak almak zorunda kalıyordu. Bu ihtiyacı karşılamak üzere tüm satış kanallarından (POS, e-ticaret ve mobil) akan transaction verilerini merkezi ve ölçeklenebilir bir veri platformunda bir araya getirdik. Kasa fişinden yönetim dashboard’una kadar uzanan uçtan uca, gerçek zamanlı bir veri hattı […]
- [The Era of Real-Time Decision-Making in Retail](https://bentego.com/the-era-of-real-time-decision-making-in-retail/): Our retail partner aimed to manage growth not only through store expansion, but through data-driven decision-making. To achieve this, they needed a structure capable of monitoring data flowing from hundreds of stores and digital channels in real time, through a single trusted source. However, transactional data — ranging from POS receipts and returns to campaign interactions and stock movements — was stored across fragmented systems. Reports were generated with delays, forcing business units to make decisions based on yesterday’s data. To address this challenge, we consolidated transaction data from all sales channels (POS, e-commerce, and mobile) into a centralized and […]
- [Sigortada Veri Modernizasyonu: 14 Saatten Gerçek Zamanlı Karara](https://bentego.com/tr/sigortada-veri-modernizasyonu-14-saatten-gercek-zamanli-karara/): Sigorta sektöründen bir iş ortağımız, hızla artan veri hacmini mevcut altyapısıyla yönetmekte zorlanıyordu. ETL süreçleri 14 saati aşıyor, raporlar gecikiyor ve iş birimleri kararlarını “dünün verisiyle” almak zorunda kalıyordu. Hedefleri ise büyüyen veri yükünü hem hızlı, hem ölçeklenebilir hem de geleceğe hazır bir mimariye taşımaktı. Bu doğrultuda Kubernetes üzerinde çalışan, Apache Iceberg destekli modern bir Data Lakehouse mimarisi tasarladık ve hayata geçirdik. Geleneksel katmanlı veri yapısını, açık standartlara dayalı esnek ve entegre bir platforma dönüştürdük. Yeni mimariyle birlikte: Bu dönüşüm yalnızca teknik bir performans iyileştirmesi değildi. İş birimlerinin veriye duyduğu güven arttı, karar alma süreçleri hızlandı ve operasyonel çeviklik güçlendi.
- [Data Modernization in Insurance: From 14 Hours to Real-Time Decisions](https://bentego.com/data-modernization-in-insurance-from-14-hours-to-real-time-decisions/): Our insurance sector partner was struggling to manage rapidly growing data volumes with its existing infrastructure. ETL processes exceeded 14 hours, reports were delayed, and business units were forced to make decisions based on outdated data. Their objective was clear: migrate the growing data workload to a fast, scalable, and future-ready architecture. We designed and implemented a modern Data Lakehouse architecture running on Kubernetes and powered by Apache Iceberg. The traditional layered data structure was transformed into an open, flexible, and fully integrated platform built on open standards. With the new architecture: This transformation went beyond technical performance improvements. It […]
- [Oracle SQL’de Prosedür Oluşturma](https://bentego.com/tr/oracle-sqlde-prosedur-olusturma/): Merhabalar, bir önceki yazımda prosedür yazmanın avantajlarından ve faydalarından bahsetmiştim. Bu yazıda ise prosedür nasıl oluşturulur, bu süreç nasıl ilerler ve sonucunda elde ettiğimiz faydadan bahsedeceğim. Kurumsal ortamlarda çalışırken devasa kaynak tablolarla uğraşmak veri işleme ve raporlama süreçlerinde ciddi bir yavaşlığa neden olabiliyor. Bu tablolar yüzlerce kolondan oluşabiliyor, erişim yetkiniz sınırlı olabiliyor ya da doğrudan sorguyu hızlandırmak için belirli kolonlara index atama gibi işlemleri yapmamız mümkün olmayabiliyor. Bu gibi durumlarda, ihtiyaca özel sadeleştirilmiş ara tablolar oluşturarak hem performansı artırmak hem de süreci daha yönetilebilir hale getirmek mümkündür. Bunun için ilk adım olan prosedürü oluşturmak için veri tabanına bağlanıp sonra prosedür […]
- [Oracle SQL’de Prosedür Oluşturma](https://bentego.com/oracle-sqlde-prosedur-olusturma/): Merhabalar, bir önceki yazımda prosedür yazmanın avantajlarından ve faydalarından bahsetmiştim. Bu yazıda ise prosedür nasıl oluşturulur, bu süreç nasıl ilerler ve sonucunda elde ettiğimiz faydadan bahsedeceğim. Kurumsal ortamlarda çalışırken devasa kaynak tablolarla uğraşmak veri işleme ve raporlama süreçlerinde ciddi bir yavaşlığa neden olabiliyor. Bu tablolar yüzlerce kolondan oluşabiliyor, erişim yetkiniz sınırlı olabiliyor ya da doğrudan sorguyu hızlandırmak için belirli kolonlara index atama gibi işlemleri yapmamız mümkün olmayabiliyor. Bu gibi durumlarda, ihtiyaca özel sadeleştirilmiş ara tablolar oluşturarak hem performansı artırmak hem de süreci daha yönetilebilir hale getirmek mümkündür. Bunun için ilk adım olan prosedürü oluşturmak için veri tabanına bağlanıp sonra prosedür […]
- [CentOS Üzerinde Elasticsearch Cluster Kurulum](https://bentego.com/tr/centos-uzerinde-elasticsearch-cluster-kurulum/): Artan veri hacmiyle birlikte, arama işlemlerinin hızlı ve tutarlı biçimde gerçekleştirilmesi artık sistemlerin temel ihtiyaçlarından biri haline geldi. Geleneksel tek sunucu tabanlı çözümler bu yükü taşımakta zorlanırken, Elasticsearch gibi dağıtık sistemler hem performans hem de ölçeklenebilirlik açısından önemli avantajlar sunuyor. Bu yazıda, CentOS tabanlı üç sunucu üzerinde Elasticsearch cluster kurulumu yapacağız. Adım 1: Mimari Planlama ve Gereksinimlerin Belirlenmesi Bu kurulumda her biri Elasticsearch node olarak görev yapacak 3 sunucu kullanacağız:— 192.168.1.10 → node-1— 192.168.1.11 → node-2— 192.168.1.12 → node-3 Her node’un birbiriyle iletişim kurabilmesi için /etc/hosts dosyasına aşağıdaki kayıtlar girilmelidir: 192.168.1.10 node-1192.168.1.11 node-2192.168.1.12 node-3 Güvenlik Duvarı Ayarları: firewall-cmd — add-port=9200/tcp […]
- [CentOS Üzerinde Elasticsearch Cluster Kurulum](https://bentego.com/centos-uzerinde-elasticsearch-cluster-kurulum/): Artan veri hacmiyle birlikte, arama işlemlerinin hızlı ve tutarlı biçimde gerçekleştirilmesi artık sistemlerin temel ihtiyaçlarından biri haline geldi. Geleneksel tek sunucu tabanlı çözümler bu yükü taşımakta zorlanırken, Elasticsearch gibi dağıtık sistemler hem performans hem de ölçeklenebilirlik açısından önemli avantajlar sunuyor. Bu yazıda, CentOS tabanlı üç sunucu üzerinde Elasticsearch cluster kurulumu yapacağız. Adım 1: Mimari Planlama ve Gereksinimlerin Belirlenmesi Bu kurulumda her biri Elasticsearch node olarak görev yapacak 3 sunucu kullanacağız:— 192.168.1.10 → node-1— 192.168.1.11 → node-2— 192.168.1.12 → node-3 Her node’un birbiriyle iletişim kurabilmesi için /etc/hosts dosyasına aşağıdaki kayıtlar girilmelidir: 192.168.1.10 node-1192.168.1.11 node-2192.168.1.12 node-3 Güvenlik Duvarı Ayarları: firewall-cmd — add-port=9200/tcp […]
- [Kafka Connect’e Giriş](https://bentego.com/tr/kafka-connecte-giris/): Kafka Connect nedir? / ne değildir ? Apache Kafka ekosisteminde olup kafka ile kafka dışı sistemler(dosya sistemleri, veritabanları vb.) arasında güvenli ve ölçeklenebilir veri akışlarını otomatikleştirmek için tasarlanmış ücretsiz ve açık kaynaklı bir framework’tür. ETL/ELT aracı değildir. Temel amaç veriyi taşımaktır. Karmaşık ve durum bilgisi gerektiren işler için uygun değildir. Veritabanı yedeği değildir. Veriyi taşır ancak veri yedekleme işi için uygun değildir. Kafka’nın yerini alabilecek bir ürün değildir, Kafka’nın üzerine konumlanmıştır. 2. Neden Kafka Connect? Ölçeklenebilirlik: Dağıtık yapısı sayesinde büyük veri hacimlerini işleyebilir, task sayısını arttırarak. Konfigürasyon odaklılık: Kod yazma mantığı yerine JSON konfigürasyon dosyaları ile oluşturulur. Yapılacak her değişiklik […]
- [Kafka Connect’e Giriş](https://bentego.com/kafka-connecte-giris/): Kafka Connect nedir? / ne değildir ? Apache Kafka ekosisteminde olup kafka ile kafka dışı sistemler(dosya sistemleri, veritabanları vb.) arasında güvenli ve ölçeklenebilir veri akışlarını otomatikleştirmek için tasarlanmış ücretsiz ve açık kaynaklı bir framework’tür. ETL/ELT aracı değildir. Temel amaç veriyi taşımaktır. Karmaşık ve durum bilgisi gerektiren işler için uygun değildir. Veritabanı yedeği değildir. Veriyi taşır ancak veri yedekleme işi için uygun değildir. Kafka’nın yerini alabilecek bir ürün değildir, Kafka’nın üzerine konumlanmıştır. 2. Neden Kafka Connect? Ölçeklenebilirlik: Dağıtık yapısı sayesinde büyük veri hacimlerini işleyebilir, task sayısını arttırarak. Konfigürasyon odaklılık: Kod yazma mantığı yerine JSON konfigürasyon dosyaları ile oluşturulur. Yapılacak her değişiklik […]
- [Açık Kaynaklı Araçlarla LakeHouse: Apache Iceberg Case Study](https://bentego.com/tr/acik-kaynakli-araclarla-lakehouse-apache-iceberg-case-study/): Günümüz veri platformlarında güncel ihtiyaçlardan biri, veriyi güvenilir şekilde saklamak, gerçek zamanlı değişiklikleri işlemek ve analitik için tutarlı tablolar sunmak. Bu noktada açık kaynak çözümler bütçe açısından sunduğu rahatlık ile gündeme geliyor. Bu yazıda MinIO, Apache Iceberg, Spark, Debezium, Kafka, Airflow ve Trino gibi açık kaynaklı araçları bir araya getirerek uçtan uca bir veri gölü senaryosu kurgulayacağım. Neden Bu Ürünler? Neden Iceberg? Iceberg, klasik Hive tabanlı tablolara göre birçok avantaj sağlar: Kısacası uzun vadeli, güvenilir ve analitik odaklı bir veri gölü için Iceberg en mantıklı tercihlerden biridir. Senaryolar Senaryo A — Spark Structured Streaming MSSQL → Debezium → Kafka → Spark Structured […]
- [Açık Kaynaklı Araçlarla LakeHouse: Apache Iceberg Case Study](https://bentego.com/acik-kaynakli-araclarla-lakehouse-apache-iceberg-case-study/): Günümüz veri platformlarında güncel ihtiyaçlardan biri, veriyi güvenilir şekilde saklamak, gerçek zamanlı değişiklikleri işlemek ve analitik için tutarlı tablolar sunmak. Bu noktada açık kaynak çözümler bütçe açısından sunduğu rahatlık ile gündeme geliyor. Bu yazıda MinIO, Apache Iceberg, Spark, Debezium, Kafka, Airflow ve Trino gibi açık kaynaklı araçları bir araya getirerek uçtan uca bir veri gölü senaryosu kurgulayacağım. Neden Bu Ürünler? Neden Iceberg? Iceberg, klasik Hive tabanlı tablolara göre birçok avantaj sağlar: Kısacası uzun vadeli, güvenilir ve analitik odaklı bir veri gölü için Iceberg en mantıklı tercihlerden biridir. Senaryolar Senaryo A — Spark Structured Streaming MSSQL → Debezium → Kafka → Spark Structured […]
- [Encoding ve Encryption: Veriyi Taşımak ve Veriyi Korumak](https://bentego.com/tr/encoding-ve-encryption-veriyi-tasimak-ve-veriyi-korumak/): Giriş Modern bilişim sistemlerinde veri, en değerli varlıklardan biridir. Bu verinin işlenmesi, saklanması ve iletilmesi sırasında güvenliğinin ve bütünlüğünün sağlanması, yazılım geliştirmenin temel sorumlulukları arasında yer almaktadır. Veri manipülasyonu süreçlerinde sıkça karşılaşılan ancak amaçları ve işlevleri bakımından birbirlerinden temel olarak ayrılan iki önemli kavram bulunmaktadır: Encoding (Kodlama) ve Encryption (Şifreleme). Bu yazıda, bu iki kavramın teknik tanımlarını yapmak, aralarındaki temel farkları netleştirmek ve hangi senaryolarda hangisinin kullanılması gerektiğini açıklamak amacıyla hazırlanmıştır. Ayrıca, her iki işlem için Java programlama dili kullanılarak pratik uygulamalar sunulacaktır. 1. Encoding (Kodlama) Kavramı ve Amacı Encoding, verinin bir formattan diğerine, belirli bir standart veya kural setine […]
- [Encoding ve Encryption: Veriyi Taşımak ve Veriyi Korumak](https://bentego.com/encoding-ve-encryption-veriyi-tasimak-ve-veriyi-korumak/): Giriş Modern bilişim sistemlerinde veri, en değerli varlıklardan biridir. Bu verinin işlenmesi, saklanması ve iletilmesi sırasında güvenliğinin ve bütünlüğünün sağlanması, yazılım geliştirmenin temel sorumlulukları arasında yer almaktadır. Veri manipülasyonu süreçlerinde sıkça karşılaşılan ancak amaçları ve işlevleri bakımından birbirlerinden temel olarak ayrılan iki önemli kavram bulunmaktadır: Encoding (Kodlama) ve Encryption (Şifreleme). Bu yazıda, bu iki kavramın teknik tanımlarını yapmak, aralarındaki temel farkları netleştirmek ve hangi senaryolarda hangisinin kullanılması gerektiğini açıklamak amacıyla hazırlanmıştır. Ayrıca, her iki işlem için Java programlama dili kullanılarak pratik uygulamalar sunulacaktır. 1. Encoding (Kodlama) Kavramı ve Amacı Encoding, verinin bir formattan diğerine, belirli bir standart veya kural setine […]
- [Pega Decision Architect Nedir? Dijital Kararların Mimarıyla Tanışın](https://bentego.com/tr/pega-decision-architect-nedir-dijital-kararlarin-mimariyla-tanisin/): Her gün onlarca karar veriyoruz. Kurumlar için de bu durum farklı değil. Ancak fark şu: bir kurumdaki her “karar”, müşteri deneyiminden operasyonel verimliliğe kadar çok şeyi etkileyebilir. İşte tam da bu noktada devreye giren bir uzmanlık alanı var: Pega Decision Architect. Pega Nedir? Pega, özellikle büyük ölçekli kurumların süreçlerini dijitalleştirmek ve müşteri deneyimini iyileştirmek için kullandığı düşük kodlu bir platform. Otomasyon, karar motorları, müşteri yolculuğu yönetimi gibi alanlarda sunduğu çözümlerle; bankacılık, telekom, sigorta ve kamu sektörlerinde güçlü bir yer edinmiş durumda. Pega Decision Architect Kimdir? Pega Decision Architect (tam adıyla “Pega Decisioning Architect”), işletmelerin müşterileriyle daha doğru, daha zamanında ve daha […]
- [Pega Decision Architect Nedir? Dijital Kararların Mimarıyla Tanışın](https://bentego.com/pega-decision-architect-nedir-dijital-kararlarin-mimariyla-tanisin/): Her gün onlarca karar veriyoruz. Kurumlar için de bu durum farklı değil. Ancak fark şu: bir kurumdaki her “karar”, müşteri deneyiminden operasyonel verimliliğe kadar çok şeyi etkileyebilir. İşte tam da bu noktada devreye giren bir uzmanlık alanı var: Pega Decision Architect. Pega Nedir? Pega, özellikle büyük ölçekli kurumların süreçlerini dijitalleştirmek ve müşteri deneyimini iyileştirmek için kullandığı düşük kodlu bir platform. Otomasyon, karar motorları, müşteri yolculuğu yönetimi gibi alanlarda sunduğu çözümlerle; bankacılık, telekom, sigorta ve kamu sektörlerinde güçlü bir yer edinmiş durumda. Pega Decision Architect Kimdir? Pega Decision Architect (tam adıyla “Pega Decisioning Architect”), işletmelerin müşterileriyle daha doğru, daha zamanında ve daha […]
- [Yapay Zeka ve Veri Bilimi: Teknik Dönüşüm](https://bentego.com/tr/yapay-zeka-ve-veri-bilimi-teknik-donusum/): Giriş: Yapay Zeka Veri Biliminde Neleri Değiştiriyor? Yapay zekanın veri bilimine yaptığı katkıları değerlendirdiğimizde, birkaç temel dönüşüm ön plana çıkıyor. Önceden büyük veriyi anlamlandırmak, hem veri hacminin büyüklüğü hem de geleneksel yöntemlerin sınırlılığı nedeniyle oldukça zordu. Görseller veya metin gibi yapılandırılmamış veriler, standart analiz araçlarıyla işlenemiyordu. Doğal dil işlemelerinde bağlamı doğru şekilde yakalamak mümkün olamıyor, makine öğrenimi modelleri üretim ortamında yeterince esnek ve sürdürülebilir olamıyordu. Bugün ise bu sorunlara yönelik güçlü çözümler mevcut: Gerçek zamanlı veri akışı IoT ile birlikte işlenebilir hale geldi; görsellerdeki karmaşık desenler CNN’ler ile analiz edilebiliyor; metinlerdeki anlam ilişkilerini GPT ve BERT gibi modeller çözümleyebiliyor. Tüm […]
- [Yapay Zeka ve Veri Bilimi: Teknik Dönüşüm](https://bentego.com/yapay-zeka-ve-veri-bilimi-teknik-donusum/): Giriş: Yapay Zeka Veri Biliminde Neleri Değiştiriyor? Yapay zekanın veri bilimine yaptığı katkıları değerlendirdiğimizde, birkaç temel dönüşüm ön plana çıkıyor. Önceden büyük veriyi anlamlandırmak, hem veri hacminin büyüklüğü hem de geleneksel yöntemlerin sınırlılığı nedeniyle oldukça zordu. Görseller veya metin gibi yapılandırılmamış veriler, standart analiz araçlarıyla işlenemiyordu. Doğal dil işlemelerinde bağlamı doğru şekilde yakalamak mümkün olamıyor, makine öğrenimi modelleri üretim ortamında yeterince esnek ve sürdürülebilir olamıyordu. Bugün ise bu sorunlara yönelik güçlü çözümler mevcut: Gerçek zamanlı veri akışı IoT ile birlikte işlenebilir hale geldi; görsellerdeki karmaşık desenler CNN’ler ile analiz edilebiliyor; metinlerdeki anlam ilişkilerini GPT ve BERT gibi modeller çözümleyebiliyor. Tüm […]
- [Veriden Değer Üretmek: Ham Bilgiden Stratejik Avantaja](https://bentego.com/tr/veriden-deger-uretmek-ham-bilgiden-stratejik-avantaja/): Veri, dijital dönüşüm çağının en stratejik varlıklarından biri haline geldi. Ancak sadece toplamak veya depolamak, kurumlara rekabet avantajı kazandırmak için yeterli değil. Gerçek değer; veriyi anlamlandırmak, işlenebilir hale getirmek ve karar süreçlerinin kalbine yerleştirmekle ortaya çıkıyor. 1. Veriyi Yönetilebilir Hale Getirmek: Doğru Mimariyle Başlar Kurumlar için veri yalnızca bir bilgi yığını değil, doğru işlenirse stratejik bir kaldıraçtır. Ancak dağınık, formatı tutarsız veya erişimi zor olan veri, operasyonel yük haline gelir. Bu noktada veri ambarları (Data Warehouse) ve veri gölleri (Data Lake) gibi yapılar devreye girer. Bu altyapılar, farklı kaynaklardan gelen veriyi ortak bir dilde birleştirir; erişim kolaylığı, tutarlılık ve güvenlik sağlar. Böylece kurumlar, sadece […]
- [Veriden Değer Üretmek: Ham Bilgiden Stratejik Avantaja](https://bentego.com/veriden-deger-uretmek-ham-bilgiden-stratejik-avantaja/): Veri, dijital dönüşüm çağının en stratejik varlıklarından biri haline geldi. Ancak sadece toplamak veya depolamak, kurumlara rekabet avantajı kazandırmak için yeterli değil. Gerçek değer; veriyi anlamlandırmak, işlenebilir hale getirmek ve karar süreçlerinin kalbine yerleştirmekle ortaya çıkıyor. 1. Veriyi Yönetilebilir Hale Getirmek: Doğru Mimariyle Başlar Kurumlar için veri yalnızca bir bilgi yığını değil, doğru işlenirse stratejik bir kaldıraçtır. Ancak dağınık, formatı tutarsız veya erişimi zor olan veri, operasyonel yük haline gelir. Bu noktada veri ambarları (Data Warehouse) ve veri gölleri (Data Lake) gibi yapılar devreye girer. Bu altyapılar, farklı kaynaklardan gelen veriyi ortak bir dilde birleştirir; erişim kolaylığı, tutarlılık ve güvenlik sağlar. Böylece kurumlar, sadece […]
- [Veri Mimarilerinde Yeni Yaklaşımlar: Data Mesh ve Data Fabric Nedir?](https://bentego.com/tr/veri-mimarilerinde-yeni-yaklasimlar-data-mesh-ve-data-fabric-nedir/): Veri hacmi ve çeşitliliği gün geçtikçe artarken, klasik merkezi veri mimarileri bu karmaşıklığı yönetmekte yetersiz kalıyor. İşte bu noktada iki yeni yaklaşım öne çıkıyor: Data Mesh ve Data Fabric. Her ikisi de modern veri altyapılarını daha esnek, ölçeklenebilir ve sürdürülebilir kılmayı amaçlıyor, ancak temel felsefeleri farklı. Data Mesh Nedir? Data Mesh, veri mimarisine merkeziyetçi olmayan bir yaklaşım getirir. Geleneksel yapıların aksine, veri sahipliğini merkezi bir ekip yerine iş birimlerine dağıtarak domain-based bir yapı sunar. Bu modelde her ekip, kendi veri setlerinden sorumlu birer “veri ürün takımı” gibi çalışır. Bu sayede veri üretimi ve tüketimi arasında daha yüksek bir sorumluluk dengesi […]
- [Veri Mimarilerinde Yeni Yaklaşımlar: Data Mesh ve Data Fabric Nedir?](https://bentego.com/veri-mimarilerinde-yeni-yaklasimlar-data-mesh-ve-data-fabric-nedir/): Veri hacmi ve çeşitliliği gün geçtikçe artarken, klasik merkezi veri mimarileri bu karmaşıklığı yönetmekte yetersiz kalıyor. İşte bu noktada iki yeni yaklaşım öne çıkıyor: Data Mesh ve Data Fabric. Her ikisi de modern veri altyapılarını daha esnek, ölçeklenebilir ve sürdürülebilir kılmayı amaçlıyor, ancak temel felsefeleri farklı. Data Mesh Nedir? Data Mesh, veri mimarisine merkeziyetçi olmayan bir yaklaşım getirir. Geleneksel yapıların aksine, veri sahipliğini merkezi bir ekip yerine iş birimlerine dağıtarak domain-based bir yapı sunar. Bu modelde her ekip, kendi veri setlerinden sorumlu birer “veri ürün takımı” gibi çalışır. Bu sayede veri üretimi ve tüketimi arasında daha yüksek bir sorumluluk dengesi […]
- [DWH vs Data Lake vs Data Lakehouse: Verinin Yeni Evi Neresi](https://bentego.com/tr/dwh-vs-data-lake-vs-data-lakehouse-verinin-yeni-evi-neresi/): Son yıllarda veriyle çalışan herkesin sık sık karşılaştığı bir soru var:“Verilerimizi nerede saklamalıyız?” Bu sorunun cevabı, zaman içinde hem teknolojilerin gelişmesiyle hem de ihtiyaçların değişmesiyle epey şekil değiştirdi. Bir dönem tüm verimizi büyük bir özenle tasarlanan veri ambarlarında (Data Warehouse) tutardık. Raporlarımızı üretir, analizlerimizi yapar, veriye güvenirdik. Ama işler değişti. Veri sadece Excel tabloları ya da veritabanı kayıtlarından ibaret değil artık. Log dosyaları, sensör verileri, sosyal medya içerikleri, videolar, PDF’ler… Üstelik bu veriler sadece büyüyor, aynı zamanda çeşitleniyor ve hızla akıyor. Tam bu noktada geleneksel DWH yapıları yeterli olmamaya başladı. İşte o zaman sahneye Data Lake‘ler çıktı. Veri Gölü: Veriye […]
- [DWH vs Data Lake vs Data Lakehouse: Verinin Yeni Evi Neresi](https://bentego.com/dwh-vs-data-lake-vs-data-lakehouse-verinin-yeni-evi-neresi/): Son yıllarda veriyle çalışan herkesin sık sık karşılaştığı bir soru var:“Verilerimizi nerede saklamalıyız?”Bu sorunun cevabı, zaman içinde hem teknolojilerin gelişmesiyle hem de ihtiyaçların değişmesiyle epey şekil değiştirdi. Bir dönem tüm verimizi büyük bir özenle tasarlanan veri ambarlarında (Data Warehouse) tutardık. Raporlarımızı üretir, analizlerimizi yapar, veriye güvenirdik. Ama işler değişti. Veri sadece Excel tabloları ya da veritabanı kayıtlarından ibaret değil artık. Log dosyaları, sensör verileri, sosyal medya içerikleri, videolar, PDF’ler… Üstelik bu veriler sadece büyümüyor, aynı zamanda çeşitleniyor ve hızla akıyor. Tam bu noktada geleneksel DWH yapıları yeterli olmamaya başladı. İşte o zaman sahneye Data Lake’ler çıktı. Data Lake: Veriye Özgürlük Data Lake, aslında oldukça basit […]
- [Streaming with Continuous Airflow](https://bentego.com/tr/streaming-with-continuous-airflow/): Streaming with Continuous Airflow Real-time data pipelines are increasingly crucial in today’s data-driven systems. Traditional batch processing (e.g., nightly Spark jobs) introduces latency that doesn’t suit use cases like live monitoring, fraud detection, or personalized content. Apache Airflow has long been a go-to orchestrator for batch workflows, but how can we leverage it for streaming or near real-time pipelines? In this article, we explore Airflow’s new continuous scheduling capability and how to build a streaming data pipeline using Apache Kafka, PySpark Structured Streaming, and Apache Phoenix — all orchestrated and monitored through Airflow’s UI instead of ad-hoc scripts. This approach […]
- [Streaming with Continuous Airflow](https://bentego.com/streaming-with-continuous-airflow/): Streaming with Continuous Airflow Real-time data pipelines are increasingly crucial in today’s data-driven systems. Traditional batch processing (e.g., nightly Spark jobs) introduces latency that doesn’t suit use cases like live monitoring, fraud detection, or personalized content. Apache Airflow has long been a go-to orchestrator for batch workflows, but how can we leverage it for streaming or near real-time pipelines? In this article, we explore Airflow’s new continuous scheduling capability and how to build a streaming data pipeline using Apache Kafka, PySpark Structured Streaming, and Apache Phoenix — all orchestrated and monitored through Airflow’s UI instead of ad-hoc scripts. This approach […]
- [Big Data Dünyasında Timestamp’in Gizli Gücü](https://bentego.com/big-data-dunyasinda-timestampin-gizli-gucu/): Zaman, büyük veri sistemlerinin en sessiz ama en güçlü mimarıdır. Kafka’dan Spark’a, Flink’ten Delta Lake’e kadar hemen her platformun arkasında zaman damgası (timestamp) adlı görünmez bir kahraman vardır. Bu yazıda zaman damgasının ne olduğunu, hangi türlerinin kullanıldığını ve onu doğru kullanmak için nelere dikkat edilmesi gerektiğini ele alacağız. Zaman Damgası Nedir? Zaman damgası, verinin oluştuğu, alındığı ya da sistemde işlendiği zamanı temsil eden bir bilgi sütunudur. Büyük veri sistemlerinde üç ana türde zaman damgası kullanılır: Olay Zamanı (Event Time) Yutma Zamanı (Ingestion Time) İşleme Zamanı (Processing Time) Neden Zaman Damgası Kritik? Zaman damgası, sadece kayıt zamanını tutmaz; aynı zamanda: Zaman Damgasıyla Mühendislik İşte büyük veri […]
- [Real-Time (Gerçek Zamanlı) mı, Batch (Yığın) mı?](https://bentego.com/tr/real-time-gercek-zamanli-mi-batch-yigin-mi/): Veri işleme, iş dünyasında doğru kararları almanın en önemli yapı taşlarından biri. Ancak verileri ne zaman ve nasıl işlediğiniz, operasyonel verimlilikten maliyetlere, hatta rekabet avantajına kadar birçok noktada ciddi fark yaratabiliyor. Bu noktada karşımıza iki temel yaklaşım çıkıyor: Real-Time(gerçek zamanlı) ve Batch (yığın) işleme. Peki bu iki yöntem arasındaki fark tam olarak ne? Hangisi hangi durumda daha mantıklı olur? Toplu İşleme Nedir? Kesikli işleme; verilerin bir süre toplanıp, belirli aralıklarla topluca işlenmesi anlamına geliyor. Bu yöntem genellikle arka planda, gecikme toleransı olan işlemler için kullanılıyor. Aşağıdaki gibi kullanım alanları oldukça yaygındır: Aylık faturalandırma sistemleri Raporlama ve analiz süreçleri Veri ambarı […]
- [Real-Time (Gerçek Zamanlı) mı, Batch (Yığın) mi?](https://bentego.com/real-time-gercek-zamanli-mi-batch-yigin-mioracle-sql-proseduru-nedir/): Veri işleme, iş dünyasında doğru kararları almanın en önemli yapı taşlarından biri. Ancak verileri ne zaman ve nasıl işlediğiniz, operasyonel verimlilikten maliyetlere, hatta rekabet avantajına kadar birçok noktada ciddi fark yaratabiliyor. Bu noktada karşımıza iki temel yaklaşım çıkıyor: Real-Time (gerçek zamanlı) ve Batch (yığın) işleme. Peki bu iki yöntem arasındaki fark tam olarak ne? Hangisi hangi durumda daha mantıklı olur? Batch Processing Nedir? Batch processing; verilerin bir süre toplanıp, belirli aralıklarla topluca işlenmesi anlamına geliyor. Bu yöntem genellikle arka planda, gecikme toleransı olan işlemler için kullanılıyor. Aşağıdaki gibi kullanım alanları oldukça yaygın: Aylık faturalandırma sistemleri Raporlama ve analiz süreçleri Veri ambarı (data warehouse) güncellemeleri Log ve sistem kayıtlarının analizi […]
- [Daha iyi kararlar için gerçek zamanlı CRM verileri](https://bentego.com/tr/daha-iyi-kararlar-icin-gercek-zamanli-crm-verileri/): Önde gelen bir telekom operatörü, CRM sistemlerinden müşteri verilerini zamanında çekip analiz etmede ciddi zorluklar yaşıyordu. Mevcut panolar yalnızca T-1 seviyesinde çalışıyor, pazarlama ekipleri ise kampanyalarını gerçek zamanlı içgörülerle destekleyemiyordu. Bu iş ortağımız için, gerçek zamanlı ETL hatlarıyla çalışan bir Operasyonel Veri Deposu (ODS) tasarlayıp hayata geçirdik. Bu sistem sayesinde, CRM verilerini sürekli işleyip dağıtarak panoların ve pazarlama sistemlerinin anlık müşteri bilgilerine erişimini sağladık. Yeni mimariyle birlikte yönetim panoları gerçek zamanlı çalışmaya başladı; müşteri aktivitelerine konsolide ve eyleme geçirilebilir bir görünüm sunar hale geldi. Pazarlama ekipleri de artık canlı verilere dayalı olarak nokta atışı kampanyalar yürütebiliyor. Bu dönüşüm sayesinde hem […]
- [Real-time CRM data for better decisions](https://bentego.com/real-time-crm-data-for-better-decisions/): A prominent telecom operator faced major challenges in extracting and processing customer data from CRM systems in a timely manner. Existing dashboards operated at T-1 level and marketing teams lacked real-time insights for campaign execution. Bentego designed and implemented an Operational Data Store (ODS) with real-time ETL pipelines. The system processes and delivers CRM data continuously, allowing dashboards and marketing systems to access up-to-the-minute customer insights. With the new architecture, management dashboards operate in near real time, providing a consolidated, actionable view of customer activity. Marketing teams can now execute precision campaigns based on live data. This transformation improved both […]
- [Yolculuk boyunca gerçek zamanlı etkileşim](https://bentego.com/tr/yolculuk-boyunca-gercek-zamanli-etkilesim/): İş ortağımız olan havayolu şirketi, yolcu deneyimini uçuş öncesinden uçuş sonrasına kadar her temas noktasında iyileştirmeyi hedefliyordu. Bunun için, yolculuğun her aşamasında kişiselleştirilmiş ve gerçek zamanlı bilgilendirme ve teklif sunabilecek bir çözüm arayışındaydılar. Çözüm olarak gelişmiş akış işleme teknolojileriyle çalışan gerçek zamanlı bir müşteri yolculuğu çözümünü devreye aldkı. Bu sistem, mobil uygulama, havalimanı kioskları, uçuş içi sistemler ve sadakat programlarını tek bir platformda entegre şekilde yönetiyor. Yolcular artık ulaşım, hizmetler, kapı değişiklikleri, uçuş içi fırsatlar ve kişiselleştirilmiş promosyonlarla ilgili bildirimleri tam zamanında alabiliyor. Sonuç olarak, daha akıcı bir yolcu deneyimi sayesinde müşteri sadakati artarken havayolunun dijital kanallarında da daha yüksek […]
- [Real-time engagement across the passenger journey](https://bentego.com/real-time-engagement-across-the-passenger-journey/): A leading airline wanted to elevate passenger experience across every interaction point — from pre-flight to post-flight. They needed a solution that could deliver personalized, real-time notifications and offers during each stage of the passenger journey. Bentego implemented a real-time customer journey solution powered by advanced stream processing technologies. The system integrates various digital touchpoints — mobile app, airport kiosks, in-flight systems, and loyalty programs — into a unified engagement platform. Now passengers receive timely updates about transportation, airport services, gate changes, in-flight offers, and personalized promotions — all driven by real-time data. The result? A more seamless passenger experience, […]
- [Daha akıllı araçlar, daha akıllı müşteri etkileşimi](https://bentego.com/tr/daha-akilli-araclar-daha-akilli-musteri-etkilesimi/): Küresel bir otomotiv üreticisi olan iş ortağımız, bağlı araçlardan (connected car) gelen devasa sensör verilerini işleyecek sağlam bir altyapıya ihtiyaç duyuyordu. Hedefleri; müşteri deneyimini zenginleştirmek, öngörücü bakımı mümkün kılmak ve kampanya hedeflemeyi gerçek zamanlı içgörülerle optimize etmekti. Onlar için farklı araç platformlarından gelen sensör verilerini yönetmek üzere ölçeklenebilir ve gerçek zamanlı bir veri altyapısı geliştirdik. Bu altyapı, gelişmiş veri hatları sayesinde çeşitli araç bileşenlerini sürekli izliyor, olası sorunları tespit ediyor ve müşterilere anında bildirim gönderiyor. Bu sayede iş ortağımız, hem ilgisiz mesajları azalttı hem de hem müşterilere ve pazarlama ekiplerine daha anlamlı içgörüler sunmya başladı. Aynı zamanda markanın müşteri deneyimi […]
- [Smarter vehicles, smarter customer engagement](https://bentego.com/smarter-vehicles-smarter-customer-engagement/): A global automotive company needed a robust solution to handle large-scale sensor data from connected vehicles. They aimed to enhance customer experience, enable predictive maintenance, and optimize campaign targeting through real-time data insights. Bentego developed a scalable, real-time data infrastructure to process sensor data from diverse vehicle platforms. Advanced pipelines enabled continuous monitoring, issue detection, and customer notification for various vehicle systems. As a result, the company reduced irrelevant marketing messages, improved campaign targeting, and provided actionable insights to both customers and internal teams. The connected vehicle initiative is now a cornerstone of the company’s customer experience and service strategy.
- [Verimli ve Hızlı Veri İşlemeyle Maliyet Avantajı](https://bentego.com/tr/verimli-ve-hizli-veri-islemeyle-maliyet-avantaji/): Sektöründe lider bir mobil operatör olan iş ortağımız , veri mimarisini modernize ederek hem ETL işlemlerini hızlandırmak hem de sistem maliyetlerini düşürmek istiyordu. Hedef, toplu veri işlemeye dayalı yapıyı terk edip gerçek zamanlı, veri odaklı karar mekanizmalarına geçmekti. Bunu sağlamak üzere iş ortağımız için gerçek zamanlı CDC (Change Data Capture) veri hatları ve tam entegre bir Veri Gölü mimarisi içeren modern bir büyük veri platformu kurduk. ETL süreleri dört saatten fazla kısaldı, veri akışlarının canlı olması sayesinde müşteri davranışlarına hızlı yanıt verilmeye başlandı. Yeni mimari, ciddi maliyet tasarrufu sağlarken veri işleme verimliliğini artırdı; pazarlama, operasyon ve müşteri hizmetleri gibi ekiplerin […]
- [Cost-efficient, high-speed data processing](https://bentego.com/cost-efficient-high-speed-data-processing/): A top-tier mobile network operator wanted to modernize its data architecture to support real-time analytics, while improving ETL speed and lowering data system costs. Their goal was to move from batch-oriented processes to real-time data-driven decision making. Bentego implemented a modern Big Data platform featuring real-time CDC (Change Data Capture) pipelines and a fully integrated Data Lake. ETL processing times were reduced by more than four hours, and real-time data streams enabled faster response to customer behaviors. The new architecture delivered significant cost savings, optimized data processing efficiency, and improved the accuracy and timeliness of insights used across marketing, operations, […]
- [Oracle SQL Prosedürü Nedir?](https://bentego.com/tr/oracle-sql-proseduru-nedir/): Merhaba! Bugünkü yazımda sizlere Oracle SQL Prosedürleri hakkında kısa birkaç bilgi vereceğim. Oracle SQL dünyasında, prosedürlerin ne olduğunu, neden kullanıldığını ve sunduğu avantajları anlamak, veritabanı yönetimi ve programlama konularında bir fark yaratabilir. Oracle SQL prosedürü, belirli bir görevi gerçekleştirmek üzere yazılmış bir dizi SQL ve PL/SQL komutlarını içeren bir programlama birimidir. Prosedürler, bir isim altında çağrılabilir ve gerektiğinde parametreler alınarak çalıştırılabilir. Prosedür Neden Yazılır? Prosedürlerin yazılma amacı, tekrar eden işlemleri merkezi bir noktada tanımlayarak hem kod tekrarını önlemek hem de veri bütünlüğünü sağlamaktır. Ayrıca, iş mantığını veritabanı katmanında tutarak, uygulama performansını optimize etmeyi hedefler. Prosedürlerin Faydaları Kod Yeniden Kullanımı: Sıkça […]
- [Oracle SQL Prosedürü Nedir?](https://bentego.com/oracle-sql-proseduru-nedir-2/): Merhaba! Bugünkü yazımda sizlere Oracle SQL Prosedürleri hakkında kısa birkaç bilgi vereceğim. Oracle SQL dünyasında, prosedürlerin ne olduğunu, neden kullanıldığını ve sunduğu avantajları anlamak, veritabanı yönetimi ve programlama konularında bir fark yaratabilir. Oracle SQL prosedürü, belirli bir görevi gerçekleştirmek üzere yazılmış bir dizi SQL ve PL/SQL komutlarını içeren bir programlama birimidir. Prosedürler, bir isim altında çağrılabilir ve gerektiğinde parametreler alarak çalıştırılabilir. Prosedür Neden Yazılır? Prosedürlerin yazılma amacı, tekrar eden işlemleri merkezi bir noktada tanımlayarak hem kod tekrarını önlemek hem de veri bütünlüğünü sağlamaktır. Ayrıca, iş mantığını veritabanı katmanında tutarak, uygulama performansını optimize etmeyi hedefler. Prosedürlerin Faydaları Kod Yeniden Kullanımı: Sıkça […]
- [Power BI ile Varyans Gösterimi](https://bentego.com/tr/power-bi-ile-varyans-gosterimi/): Herkese merhaba, Bu yazımda, gerek finansal tablolarda bütçe-gerçekleşen kıyasında, gerekse satış analizlerinde geçmiş yıl-bu yıl kıyaslamalarında sıkça kullandığımız iki değer arasındaki farkın eklenti kullanmadan gösterimini anlatacağım. Takım bazında geçmiş yıl ve bu yılın satışlarını gördüğümüz bir grafik oluşturarak başlayalım. Sonrasında aşağıdaki hesaplamaları oluşturalım. Bu kısımda Varyans adında bu yıl – geçmiş yıl tutarını hesaplayan bir ölçü Pozitif adında varyans ölçüsünü sıfırdan büyük olduğunda çalışan bir ölçü Negatif adında varyans ölçüsünü sıfırdan küçük olduğunda çalışan bir ölçü ve son olarak Base Column adında geçmiş yıl tutarına eşit ve varyans gösteriminde bizim temel kolonumuz olan ölçüyü hesapladık.   Sonrasında Base Column adlı […]
- [Power BI ile Varyans Gösterimi](https://bentego.com/power-bi-ile-varyans-gosterimi-2/): Herkese merhaba, Bu yazımda, gerek finansal tablolarda bütçe-gerçekleşen kıyasında, gerekse satış analizlerinde geçmiş yıl-bu yıl kıyaslamalarında sıkça kullandığımız iki değer arasındaki farkın eklenti kullanmadan gösterimini anlatacağım. Takım bazında geçmiş yıl ve bu yılın satışlarını gördüğümüz bir grafik oluşturarak başlayalım. Sonrasında aşağıdaki hesaplamaları oluşturalım. Bu kısımda Variance adında bu yıl – geçmiş yıl tutarını hesaplayan bir ölçü Positive adında variance ölçüsünü sıfırdan büyük olduğunda çalışan bir ölçü Negatif adında variance ölçüsünü sıfırdan küçük olduğunda çalışan bir ölçü ve son olarak Base Column adında geçmiş yıl tutarına eşit ve varyans gösteriminde bizim temel kolonumuz olan ölçüyü hesapladık.   Sonrasında Base Column adlı […]
- [Çalışmalarınızı Kolaylaştıracak 9 Power BI Özelliği](https://bentego.com/tr/calismalarinizi-kolaylastiracak-9-power-bi-ozelligi/): Merhabalar, Bu yazımda hepimizin karşılaştığı ve “bunu yapmanın kolay bir yolu yok mu” sorusuna cevap verebilecek 9 adet çözümü sizler için derledim. Filtrelerde kullandığımız arama özelliği işimizi oldukça kolaylaştırmaktadır. Slicerın üzerine tıklayıp CTRL + F tuşlarına bastığınızda kısayoldan arama özelliğini açıp kapatabilirsiniz. Arama özelliği ile bir isim araması yapmak istiyoruz. Ancak aradığımız ismin tam halini hatırlamıyorsunuz. Burada yardımımıza “*” yetişiyor. Aşağıdaki örnekte ismi “Mer” ile başlayan ve soyadı “D” harfi ile başlayan kişileri filtreliyoruz. Bir diğer örnekte adında veya soyadında “aş” harfleri yanyana yazılmış olan kişileri bulmak istiyoruz. Power BI tablolarında sıralama yaparken sadece tek bir kolon üzerinden sıralamak bazen […]
- [Çalışmalarınızı Kolaylaştıracak 9 Power BI Özelliği](https://bentego.com/calismalarinizi-kolaylastiracak-9-power-bi-ozelligi-2/): Merhabalar, Bu yazımda hepimizin karşılaştığı ve “bunu yapmanın kolay bir yolu yok mu” sorusuna cevap verebilecek 9 adet çözümü sizler için derledim. Filtrelerde kullandığımız search özelliği işimizi oldukça kolaylaştırmaktadır. Slicerın üzerine tıklayıp CTRL + F tuşlarına bastığınızda kısayoldan search özelliğini açıp kapatabilirsiniz. Search özelliği ile bir isim araması yapmak istiyoruz. Ancak aradığımız ismin tam halini hatırlamıyorsunuz. Burada yardımımıza “*” yetişiyor. Aşağıdaki örnekte ismi “Mer” ile başlayan ve soyadı “D” harfi ile başlayan kişileri filtreliyoruz. Bir diğer örnekte adında veya soyadında “aş” harfleri yanyana yazılmış olan kişileri bulmak istiyoruz. Power BI tablolarında sıralama yaparken sadece tek bir kolon üzerinden sıralamak bazen […]
- [Java Spring Boot ile REST Servisi Oluşturmak](https://bentego.com/tr/java-spring-boot-ile-rest-servisi-olusturmak/): Yazının içeriği SOAP ile REST servisler arasındaki farklar, Spring framework ile SpringBoot arasındaki farklar, annotation örnekleri, Hibernate ve Lombok framework kullanımından oluşmaktadır ve örnek bir proje ile sonlanmaktadır. Keyifli okumalar dilerim. REST (Representational State Transfer), modern web uygulamalarında popüler bir mimari stilidir. Bu blog yazısında, Java Spring Boot kullanarak nasıl bir REST servisi oluşturabileceğinizi adım adım göstereceğim. Ayrıca Spring Boot kullanırken atlanmaması gereken bazı noktalara da dikkat çekeceğim. 1. SOAP Servisler ile REST Servisler Arasındaki Farklar SOAP (Simple Object Access Protocol) ve REST (Representational State Transfer) servislerinin kendine özgü avantajları vardır. Bunları aşağıdaki şekilde sıralayabiliriz. Veri Formatı: SOAP: XML (eXtensible […]
- [Java Spring Boot ile REST Servisi Oluşturmak](https://bentego.com/java-spring-boot-ile-rest-servisi-olusturmak/): Yazının içeriği SOAP ile REST servisler arasındaki farkları, Spring framework ile SpringBoot arasındaki farkları, annotation örnekleri, Hibernate ve Lombok framework kullanımından oluşmaktadır ve örnek bir proje ile sonlanmaktadır. Keyifli okumalar dilerim. REST (Representational State Transfer), modern web uygulamalarında popüler bir mimari stilidir. Bu blog yazısında, Java Spring Boot kullanarak nasıl bir REST servisi oluşturabileceğinizi adım adım göstereceğim. Ayrıca Spring Boot kullanırken atlanmaması gereken bazı noktalara da dikkat çekeceğim. 1. SOAP Servisler ile REST Servisler Arasındaki Farklar SOAP (Simple Object Access Protocol) ve REST (Representational State Transfer) servislerinin kendine özgü avantajları vardır. Bunları aşağıdaki şekilde sıralayabiliriz. Veri Formatı: SOAP: XML (eXtensible […]
- [Kafka Connect ile HDFS'e Veri Gönderme İşlemi](https://bentego.com/tr/kafka-connect-ile-hdfse-veri-gonderme-islemi/): Kafka Connect ile HDFS’e Veri Gönderme İşlemi Merhabalar bu yazımda sizlere Kafka‘da bulunan verilerimizi nasıl Kafka Connector yardımı ile HDFS‘e taşıyabileceğimizi göstereceğim. İlk önce gerekli Connector‘umuzu indirelim ve servislerimizi başlatalım. # HDFS3 Sink Connector indirme işlemi confluent-hub install confluentinc/kafka-connect-hdfs3:1.1.25 # Gerekli servisleri başlatma confluent local services zookeeper start confluent local services kafka start confluent local services schema-registry start confluent local services connect start # Servislerin durumunu takip etmek için konfluent yerel hi̇zmetler statüsü # Kontrol Merkezi yerine kullanacağım AKHQ servisini başlatmak için java -Dmicronaut.config.files=akhq.yml -jar akhq.jar # akhq.yml içeriği akhq: bağlantılar: Yerel: Özellikler: bootstrap.servers: “localhost:9092” şema-kayıt defteri: url: “http://localhost:8881” Bağlan: […]
- [Kafka Connect ile HDFS’e Veri Gönderme İşlemi](https://bentego.com/kafka-connect-ile-hdfse-veri-gonderme-islemi/): Kafka Connect ile HDFS’e Veri Gönderme İşlemi Merhabalar bu yazımda sizlere Kafka’da bulunan verilerimizi nasıl Kafka Connector yardımı ile HDFS’e taşıyabileceğimizi göstereceğim. İlk önce gerekli Connector’umuzu indirelim ve servislerimizi başlatalım. # HDFS3 Sink Connector indirme işlemi confluent-hub install confluentinc/kafka-connect-hdfs3:1.1.25 # Gerekli servisleri başlatma confluent local services zookeeper start confluent local services kafka start confluent local services schema-registry start confluent local services connect start # Servislerin durumunu takip etmek için confluent local services status # Control Center yerine kullanacağım AKHQ servisini başlatmak için java -Dmicronaut.config.files=akhq.yml -jar akhq.jar # akhq.yml içeriği akhq:   connections:     local:       properties:          bootstrap.servers: “localhost:9092” […]
- [Azure üzerinde Data Pipeline Oluşturma](https://bentego.com/tr/azure-uzerinde-data-pipeline-olusturma/): Merhabalar bu yazımda sizlere Bulut Servis Sağlayıcılarından olan Azure üzerinde bir Data Pipeline oluşturma sürecini anlatacağım. Gelin isterseniz ilk önce projemizin mimarisine bakalım. Mimarimiz yukarıda görmüş olduğunuz gibidir. Veri akışı anlatımına geçmeden önce Azure üzerinde kullandığımız servisleri kısaca bir tanıyalım. Azure Resource Group → Microsoft Azure bulut platformunda kaynaklarınızı yönetmek için kullanılan bir yapıdır. Azure‘da oluşturduğunuz kaynaklar, sanal makineler, depolama hesaplarını, ağ yapılandırmalarını, uygulamaları ve diğer hizmetleri mantıksal bir grup içinde toplamanızı sağlar. Azure Data Factory → Microsoft Azure bulut platformunda veri entegrasyonu ve veri işleme işlerini otomatikleştirmek için kullanılan bir hizmettir. Azure Data Factory, farklı veri kaynakları arasında veri […]
- [Azure üzerinde Data Pipeline Oluşturma](https://bentego.com/azure-uzerinde-data-pipeline-olusturma/): Merhabalar bu yazımda sizlere Bulut Servis Sağlayıcılarından olan Azure üzerinde bir Data Pipeline oluşturma sürecini anlatacağım. Gelin isterseniz ilk önce projemizin mimarisine bakalım. Mimarimiz yukarıda görmüş olduğunuz gibidir. Veri akışı anlatımına geçmeden önce Azure üzerinde kullandığımız servisleri kısaca bir tanıyalım. Azure Resource Group → Microsoft Azure bulut platformunda kaynaklarınızı yönetmek için kullanılan bir yapıdır. Azure’da oluşturduğunuz kaynakları, sanal makineleri, depolama hesaplarını, ağ yapılandırmalarını, uygulamaları ve diğer hizmetleri mantıksal bir grup içinde toplamanızı sağlar. Azure Data Factory → Microsoft Azure bulut platformunda veri entegrasyonu ve veri işleme işlerini otomatikleştirmek için kullanılan bir hizmettir. Azure Data Factory, farklı veri kaynakları arasında veri hareketini, dönüşümünü ve işlenmesini sağlayarak veri entegrasyonunu kolaylaştırır. Azure Synapse Analytics → Microsoft Azure bulut platformunda, verilerinizi analiz etmek, […]
- [Hadoop Nedir?](https://bentego.com/tr/hadoop-nedir/): Hadoop Nedir? RDBMS(Relational Database Management System) yani ilişkisel veri tabanı yönetim sistemlerinden farklı olarak verileri tek bir bilgisayarda tutmayıp gelen verileri -her birinin kendine ait işlemcisi ve rami- olan Node’lerde(küme) HDFS dosya sistemi ile denormalize bir şekilde veriyi saklayan ve işlenmesine olanak sağlayan açık kaynak kodlu kütüphanedir. HDFS(Hadoop Distributed File System) nedir? Sıradan sunucuların disklerini bir araya getirerek büyük ve sanal bir disk oluşturan dosya sistemidir. Bu sayede çok büyük boyuttaki dosyaları sistemde saklayabilir ve işlenmesine olanak sağlar. Bu dosyalar bloklar halinde (varsayılan 64MB) birden fazla ve farklı sunucu üzerine (varsayılan 3 kopya) dağıtılarak yedeklenir. Bu sayede veri kaybı önlenmiş […]
- [Hadoop Nedir?](https://bentego.com/hadoop-nedir/): Hadoop Nedir? RDBMS(Relational Database Management System) yani ilişkisel veri tabanı yönetim sistemlerinden farklı olarak verileri tek bir bilgisayarda tutmayıp gelen verileri -her birinin kendine ait işlemcisi ve rami- olan Node’lerde(küme) HDFS dosya sistemi ile denormalize bir şekilde veriyi saklayan ve işlenmesine olanak sağlayan açık kaynak kodlu kütüphanedir. HDFS(Hadoop Distributed File System) nedir? Sıradan sunucuların disklerini bir araya getirerek büyük ve sanal bir disk oluşturan dosya sistemidir. Bu sayede çok büyük boyuttaki dosyaları sistemde saklayabilir ve işlenmesine olanak sağlar. Bu dosyalar bloklar halinde (varsayılan 64MB) birden fazla ve farklı sunucu üzerine (varsayılan 3 kopya) dağıtılarak yedeklenir. Bu sayede veri kaybı önlenmiş […]
- [Docker Compose ile Apache Spark Yapılandırılmış Akış](https://bentego.com/tr/apache-spark-structured-streaming-via-docker-compose/): Bir veri hattı oluşturmak, özellikle taşınabilirlik, esneklik, ölçeklenebilirlik vb. hususları göz önünde bulundurmanız gerektiğinde zorlayıcı olabilir. Bu zorlukların üstesinden gelmek için docker iyi bilinen bir çözümdür. Bu makalede, docker-compose dosyası aracılığıyla bir veri hattı oluşturma hakkında konuşacağız. 0. Installation Processes Bu projeyi gerçekleştirmek için gerekli tüm bileşenleri verilen adımları kullanarak yükleyebilirsiniz. Installation of ROS ROS’un tüm kurulum sürecine değinmeyeceğiz, ancak gerekli tüm bilgilere şu adresten erişebilirsiniz ROS Noetic & Ubuntu 20.04 Kurulumu. Installation of Docker on Ubuntu Bunu kullanabilirsin URL Installation of Kafka-Python Library used for publishing data received from ROS to Kafka ❗ Eğer yüklemediyseniz kafka-pythonverilen komutu kullanın ve […]
- [Apache Spark Structured Streaming Via Docker Compose](https://bentego.com/apache-spark-structured-streaming-via-docker-compose/): Building a data pipeline could be challenging especially when you have to take into account portability, flexibility, scalability etc. To overcome these challenges docker is one the well-known solution. In this article, we are gonna talk about building a data pipeline via docker-compose file. 0. Installation Processes You are able to install all required components to realize this project using the given steps. Installation of ROS We won’t address the whole installation process of ROS but you can access all required info from ROS Noetic & Ubuntu 20.04 Installation. Installation of Docker on Ubuntu You can utilize this URL Installation of Kafka-Python […]
- [Neden Script Yazmalıyız?](https://bentego.com/tr/neden-script-yazmaliyiz/): Merhabalar bu yazıda sizlere aktif operasyonların yapıldığı linux sunucularında müdahale gerektiren bazı durumlarda, linux işletim sisteminin bize sağladığı kolaylıktan, bu müdahaleyi bir kere yazılacak bir script ile sisteme yaptırmamızı sağlayan bash script yazımından bahsedeceğim. Konuyu basitleştirmek adına üç ana başlık belirledim.             1- Neden script yazmalıyız? Ne gibi kolaylıklar sağlar?           2- Basit Tanımlar ve Bilgilendirmeler           3- Günlük Hayattan Örnek ve Script Kodu   1- Neden script yazmalıyız? Ne gibi kolaylıklar sağlar? Script yazmamızdaki temel amaç her işte olabileceği gibi sistemimizde de yaşanabilecek aksamaların önüne geçmek, sistemde yaşanabilecek sorunlar için uygun olmayan zamanlarda bilgisayar açmak durumunda kalmamak ve […]
- [Neden Script Yazmalıyız?](https://bentego.com/neden-script-yazmaliyiz/): Merhabalar bu yazıda sizlere aktif operasyonların yapıldığı linux sunucularında müdahale gerektiren bazı durumlarda, linux işletim sisteminin bize sağladığı kolaylıktan, bu müdahaleyi bir kere yazılacak bir script ile sisteme yaptırmamızı sağlayan bash script yazımından bahsedeceğim. Konuyu basitleştirmek adına üç ana başlık belirledim.             1- Neden script yazmalıyız? Ne gibi kolaylıklar sağlar?           2- Basit Tanımlar ve Bilgilendirmeler           3- Günlük Hayattan Örnek ve Script Kodu   1- Neden script yazmalıyız? Ne gibi kolaylıklar sağlar? Script yazmamızdaki temel amaç her işte olabileceği gibi sistemimizde de yaşanabilecek aksamaların önüne geçmek, sistemde yaşanabilecek sorunlar için uygun olmayan zamanlarda bilgisayar açmak durumunda kalmamak ve […]
- [Pega - Declare Index, Report Definition Rule, Index Tablosu ve PZPVSTREAM Kolonu](https://bentego.com/tr/pega-platformunda-declare-index-report-definition-rule-index-tablosu-ve-pzpvstream-kolonu-hakkinda/): Pega Platform’unda Declare Index, Report Definition Rule, Index Tablosu ve PZPVSTREAM Kolonu Hakkında Pega platformunda örneğin bir Work Class’ı altında yeni bir Property Rule oluşturduğumuzda Work Class’ının ilişkilendirildiği tabloda veritabanı seviyesinde yeni bir kolon oluşturma zorunluluğu bulunmuyor. Pega platformunun pc_work veya pr_other gibi OOTB tablolarında PZPVSTREAM adında binary large object tipinde bir kolon bulunuyor. Uygulamanın ihtiyacına göre yeni case type lar tanımlandıktan sonra oluşan class ların ilişkilendirildiği tabloda da aynı şekilde PZPVSTREAM adında binary large object tipinde bir kolon otomatik olarak oluşuyor. Uygulama seviyesinde ilgili property’de tutulan bir bilgi spesifik bir kolon mapping’i olmasa bile ilgili Work tablosundan okunabiliyor veya […]
- [Pega - Declare Index, Report Definition Rule, Index Tablosu ve PZPVSTREAM Kolonu](https://bentego.com/pega-platformunda-declare-index-report-definition-rule-index-tablosu-ve-pzpvstream-kolonu-hakkinda/): Pega Platform’unda Declare Index, Report Definition Rule, Index Tablosu ve PZPVSTREAM Kolonu Hakkında Pega platformunda örneğin bir Work Class’ı altında yeni bir Property Rule oluşturduğumuzda Work Class’ının ilişkilendirildiği tabloda veritabanı seviyesinde yeni bir kolon oluşturma zorunluluğu bulunmuyor. Pega platformunun pc_work veya pr_other gibi OOTB tablolarında PZPVSTREAM adında binary large object tipinde bir kolon bulunuyor. Uygulamanın ihtiyacına göre yeni case type lar tanımlandıktan sonra oluşan class ların ilişkilendirildiği tabloda da aynı şekilde PZPVSTREAM adında binary large object tipinde bir kolon otomatik olarak oluşuyor. Uygulama seviyesinde ilgili property’de tutulan bir bilgi spesifik bir kolon mapping’i olmasa bile ilgili Work tablosundan okunabiliyor veya […]
- [Pega Next-Best-Action Designer](https://bentego.com/tr/pega-next-best-action-designer/): Günümüz dünyasında Big Data(Büyük Veri) kavramının gelişmesi, müşteri ihtiyaçlarının çeşitlenmesi ve beklentilerin yükselişi beraberinde iş ve teknoloji dünyası için bazı gereksinimleri meydana getirdi. Tam bu noktada, geleneksel yöntemlerden daha hızlı ve daha stabil olan Pega’nın, Customer Decision Hub(Müşteri Karar Merkezi) devreye giriyor. Kısa özetle Pega, Java programlama dili ile geliştirilmiş, içerisinde Drag-and-Drop(Sürükle ve Bırak) unsurlarını da barındıran bir Low-Code(Az Kod Gereksinimli) platform. Bu yazımda Customer Decision Hub’ın önemli bir parçası olan Next-Best-Action Designer(Sıradaki En İyi Eylem Tasarımı) kısmının temellerini açıklayacağım. NBA(Next-Best-Action) Designer, profilleri ve ihtiyaçları doğrultusunda, bazı kanallar üzerinden, sıradaki en iyi eylemi müşterilere sunmayı sağlayan bir merkezi arayüzdür. NBA […]
- [Pega Next-Best-Action Designer](https://bentego.com/pega-next-best-action-designer/): Günümüz dünyasında Big Data(Büyük Veri) kavramının gelişmesi, müşteri ihtiyaçlarının çeşitlenmesi ve beklentilerin yükselişi beraberinde iş ve teknoloji dünyası için bazı gereksinimleri meydana getirdi. Tam bu noktada, geleneksel yöntemlerden daha hızlı ve daha stabil olan Pega’nın, Customer Decision Hub(Müşteri Karar Merkezi) devreye giriyor. Kısa özetle Pega, Java programlama dili ile geliştirilmiş, içerisinde Drag-and-Drop(Sürükle ve Bırak) unsurlarını da barındıran bir Low-Code(Az Kod Gereksinimli) platform. Bu yazımda Customer Decision Hub’ın önemli bir parçası olan Next-Best-Action Designer(Sıradaki En İyi Eylem Tasarımı) kısmının temellerini açıklayacağım. NBA(Next-Best-Action) Designer, profilleri ve ihtiyaçları doğrultusunda, bazı kanallar üzerinden, sıradaki en iyi eylemi müşterilere sunmayı sağlayan bir merkezi arayüzdür. NBA […]
- [Python ile Veri Setine İlk Bakış](https://bentego.com/tr/python-ile-veri-setine-ilk-bakis/): Python ile Veri Setine İlk Bakış Python günümüzde kullanımı son derecede yüksek olan dillerden biridir. Yapay zekanın yükselişi ile birlikte python da paralel şekilde yükselişe geçmiştir. Özellikle veri analizi, veri bilimi ve makine öğrenmesi vb. gibi yapay zeka alanlarında sıkça adı geçmektedir. Bu yazımda da sizlere python ile veri setine ilk bakış nasıl yapılır ve nasıl analiz edilir sorularının cevaplarını giriş seviyesinde açıklamaya çalışacağım. Bu yazıda 4 ana madde yer alacaktır. Bunlar: Genel Resim Kategorik Değişken Analizi (Analysis of Categorical Variables) Sayısal Değişken Analizi (Analysis of Numerical Variables) Hedef Değişken Analizi (Analysis of Target Variable) Not: Yukarıdaki yöntemlerin hepsinde titanic veri […]
- [Python ile Veri Setine İlk Bakış](https://bentego.com/python-ile-veri-setine-ilk-bakis/): Python ile Veri Setine İlk Bakış Python günümüzde kullanımı son derecede yüksek olan dillerden biridir. Yapay zekanın yükselişi ile birlikte python da paralel şekilde yükselişe geçmiştir. Özellikle veri analizi, veri bilimi ve makine öğrenmesi vb. gibi yapay zeka alanlarında sıkça adı geçmektedir. Bu yazımda da sizlere python ile veri setine ilk bakış nasıl yapılır ve nasıl analiz edilir sorularının cevaplarını giriş seviyesinde açıklamaya çalışacağım. Bu yazıda 4 ana madde yer alacaktır. Bunlar: Genel Resim Kategorik Değişken Analizi (Analysis of Categorical Variables) Sayısal Değişken Analizi (Analysis of Numerical Variables) Hedef Değişken Analizi (Analysis of Target Variable) Not: Yukarıdaki yöntemlerin hepsinde titanic veri […]
- [Debezium Nedir?](https://bentego.com/tr/debezium-nedir/): Debezium (CDC) nedir? Debezium, Apache Kafka üzerine inşa edilmiştir ve bir dizi Kafka Connect uyumlu source connector’dur. Debezium, belirli bir veritabanı yönetim sistemi (DBMS) ile çalışır ve meydana gelen değişiklikleri algılayarak ve her değişiklik olayının kaydını bir Kafka topic‘e aktararak DBMS’deki veri değişikliklerinin geçmişini kaydeder. Debeizum’a CDC de diyebiliriz. Change Data Capture (CDC) Nedir? Veri tabanında yapılan Insert, Update ya da Delete gibi işlemlerin sonrasında değişen verilerin ilk halinin ve son halinin CDC desteği sağlayan veri tabanı tarafından izlenmesi ve değişikliklerin kayıt altına alınması işlemidir. Debezium’u aşağıdaki veritabanı sistemlerindeki olay akışlarını yakalaması için kullanabiliriz. Debezium connector for Cassandra Debezium connector for Db2 […]
- [Debezium Nedir?](https://bentego.com/debezium-nedir/): Debezium (CDC) nedir? Debezium, Apache Kafka üzerine inşa edilmiştir ve bir dizi Kafka Connect uyumlu source connector’dur. Debezium, belirli bir veritabanı yönetim sistemi (DBMS) ile çalışır ve meydana gelen değişiklikleri algılayarak ve her değişiklik olayının kaydını bir Kafka topic‘e aktararak DBMS’deki veri değişikliklerinin geçmişini kaydeder. Debeizum’a CDC de diyebiliriz. Change Data Capture (CDC) Nedir? Veri tabanında yapılan Insert, Update ya da Delete gibi işlemlerin sonrasında değişen verilerin ilk halinin ve son halinin CDC desteği sağlayan veri tabanı tarafından izlenmesi ve değişikliklerin kayıt altına alınması işlemidir. Debezium’u aşağıdaki veritabanı sistemlerindeki olay akışlarını yakalaması için kullanabiliriz. Debezium connector for Cassandra Debezium connector for Db2 […]
- [Yarn, Airflow Dag Loglarının, Hadoop Dosya İşlemlerinin Hive Tablosuna Yazılması](https://bentego.com/tr/yarn-airflow-dag-loglarinin-hadoop-dosya-islemlerinin-hive-tablosuna-yazilmasi/): Veri mühendisliği bir çok farklı domainde ki veriyi; kontrol etme, depolama, manipüle etme gibi bir çok işlevselliğe sahip olmayı gerektiren bir meslek dalıdır. Bu çalışmada büyük operasyonlarda görev alan veri mühendislerinin operasyonun devamlılığı ve çıkabilecek sorunlardan sadece üçünü otomatize etmesi adına gerçekleştirilmiş bir hands-on projedir. Peki bu sorunlar nelerdir? Bir prod ortamında bir çok geliştiricinin core kullanımlarının kontrol altında tutulması gerekmektedir. Bu olmadığı takdirde bir çok başka core tüketmesi gereken iş aksayacaktır veya core / container oranlarının bire yakın olması ile devam eden süreçte verimsiz kaynak kullanımları gerçekleşebilmektedir. Airflow DAG’leri scheduler çalışan ve birbirine çeşitli sensörler aracılığı ile bağlı olarak […]
- [Yarn, Airflow Dag Loglarının, Hadoop Dosya İşlemlerinin Hive Tablosuna Yazılması](https://bentego.com/yarn-airflow-dag-loglarinin-hadoop-dosya-islemlerinin-hive-tablosuna-yazilmasi/): Veri mühendisliği bir çok farklı domainde ki veriyi; kontrol etme, depolama, manipüle etme gibi bir çok işlevselliğe sahip olmayı gerektiren bir meslek dalıdır. Bu çalışmada büyük operasyonlarda görev alan veri mühendislerinin operasyonun devamlılığı ve çıkabilecek sorunlardan sadece üçünü otomatize etmesi adına gerçekleştirilmiş bir hands-on projedir. Peki bu sorunlar nelerdir? Bir prod ortamında bir çok geliştiricinin core kullanımlarının kontrol altında tutulması gerekmektedir. Bu olmadığı takdirde bir çok başka core tüketmesi gereken iş aksayacaktır veya core / container oranlarının bire yakın olması ile devam eden süreçte verimsiz kaynak kullanımları gerçekleşebilmektedir. Airflow DAG’leri scheduler çalışan ve birbirine çeşitli sensörler aracılığı ile bağlı olarak […]
- [PySpark Window Functions](https://bentego.com/tr/pyspark-window-functions/): Merhabalar bugünkü yazımda size PySpark Window Functions’ın  işlevinden ve PySpark Sql ve PySpark DataFrame API ile kullanımından bahsedeceğim. Pyspark: Apache Spark, Scala programlama dilinde yazılmıştır. PySpark, Apache Spark ve Python işbirliğini desteklemek yani Spark için yazılmış bir Python API’dır. PySpark sayesinde Python ve Spark’ın bazı özellikleri birlikte kullanılabilir hale gelir. Ayrıca PySpark, Apache Spark ve Python programlama dilinde Esnek Dağıtılmış Veri Kümeleri (Resilient Distributed Datasets) ile arayüz oluşturmanıza yardımcı olur. Spark, Python ve Java gibi bir programlama dili olmadığı için PySpark’a ihtiyaç duyulmuştur. Bu sayede geliştiriciler ve veri bilimciler, verileri hızlı bir şekilde sorgulamak, analiz etmek ve dönüştürmek için PySpark’ı […]
- [PySpark Window Functions](https://bentego.com/pyspark-window-functions/): Merhabalar bugünkü yazımda size PySpark Window Functions’ın  işlevinden ve PySpark Sql ve PySpark DataFrame API ile kullanımından bahsedeceğim. Pyspark: Apache Spark, Scala programlama dilinde yazılmıştır. PySpark, Apache Spark ve Python işbirliğini desteklemek yani Spark için yazılmış bir Python API’dır. PySpark sayesinde Python ve Spark’ın bazı özellikleri birlikte kullanılabilir hale gelir. Ayrıca PySpark, Apache Spark ve Python programlama dilinde Esnek Dağıtılmış Veri Kümeleri (Resilient Distributed Datasets) ile arayüz oluşturmanıza yardımcı olur. Spark, Python ve Java gibi bir programlama dili olmadığı için PySpark’a ihtiyaç duyulmuştur. Bu sayede geliştiriciler ve veri bilimciler, verileri hızlı bir şekilde sorgulamak, analiz etmek ve dönüştürmek için PySpark’ı […]
- [Spark - MongoDB entegrasyonu ile tabloları MongoDB'den HDFS ortamına aktarmak](https://bentego.com/tr/spark-mongodb-entegrasyonu-ile-tablolari-mongodbden-hdfs-ortamina-aktarmak/): Merhabalar bu yazımda size başka bir clusterde bulunan mongo databasesinde yer alan bir collectionu spark-mongo connector yardımıyla HDFS’e bir tablo olarak yazmayı göstereceğim. İlk olarak kavramlardan biraz bahsetmek istiyorum. Spark:  Büyük veri ortamlarında veri işleme için open source bir hesaplama frameworkudur. Pyspark ise Python’da Apache Spark için bir arayüzdür. Python programlama dilini kullanarak uygulamalar yazmanıza imkan tanır. MongoDB: C++ programlama dili kullanılarak 2009 yılında geliştirilen opensource bir NoSQL veritabanıdır. C++ dışında da bir çok programlama dilinin arayüzlerini kullanarak MongoDB üzerinde işlem yapabilirsiniz. Bugünkü örneğimizde Python kullanacağız. MongoDBmizde bulunan bir collectionu (collectionu bir tablo olarak düşünebilirsiniz) kendi HDFS ortamımıza aktarmak için […]
- [Spark - MongoDB entegrasyonu ile tabloları MongoDB'den HDFS ortamına aktarmak](https://bentego.com/spark-mongodb-entegrasyonu-ile-tablolari-mongodbden-hdfs-ortamina-aktarmak/): Merhabalar bu yazımda size başka bir clusterde bulunan mongo databasesinde yer alan bir collectionu spark-mongo connector yardımıyla HDFS’e bir tablo olarak yazmayı göstereceğim. İlk olarak kavramlardan biraz bahsetmek istiyorum. Spark:  Büyük veri ortamlarında veri işleme için open source bir hesaplama frameworkudur. Pyspark ise Python’da Apache Spark için bir arayüzdür. Python programlama dilini kullanarak uygulamalar yazmanıza imkan tanır. MongoDB: C++ programlama dili kullanılarak 2009 yılında geliştirilen opensource bir NoSQL veritabanıdır. C++ dışında da bir çok programlama dilinin arayüzlerini kullanarak MongoDB üzerinde işlem yapabilirsiniz. Bugünkü örneğimizde Python kullanacağız. MongoDBmizde bulunan bir collectionu (collectionu bir tablo olarak düşünebilirsiniz) kendi HDFS ortamımıza aktarmak için […]
- [Spark Streaming ile Kafka + Delta Lake Upsert İşlemi](https://bentego.com/tr/spark-streaming-ile-kafka-delta-lake-upsert-islemi/): Merhabalar bugünkü yazımda size pyspark ile kafkadan topicleri okuyup json formatına göre şemaya uygun düzenleyip delta lake tablosuna upsert işleminden bahsedeceğim. Pyspark : Apache Spark Hadoop üzerinde uygulanan ve genellikle Java diline benzeyen Scala ile yazılır. Apache Spark’ın Python ile entegrasyonuna Pyspark deniyor. Yani Python geliştiricilerin Spark çerçevesiyle arabirim oluşturmasına, verilerin geniş ölçekte nasıl işleneceğini ve dağıtık (distributed) bir dosya sistemi üzerinden nesneler ve algoritmalarla nasıl çalışacağını öğrenmesine olanak tanır. Spark, Python veya Java gibi bir programlama dili değildir. Uygulama geliştiricileri ve veri bilimcileri, verileri uygun ölçekte hızla sorgulamak, analiz etmek ve dönüştürmek için genellikle Spark’ı uygulamalarına dahil eder Apache […]
- [Spark Streaming ile Kafka + Delta Lake Upsert İşlemi](https://bentego.com/spark-streaming-ile-kafka-delta-lake-upsert-islemi/): Merhabalar bugünkü yazımda size pyspark ile kafkadan topicleri okuyup json formatına göre şemaya uygun düzenleyip delta lake tablosuna upsert işleminden bahsedeceğim. Pyspark : Apache Spark Hadoop üzerinde uygulanan ve genellikle Java diline benzeyen Scala ile yazılır. Apache Spark’ın Python ile entegrasyonuna Pyspark deniyor. Yani Python geliştiricilerin Spark çerçevesiyle arabirim oluşturmasına, verilerin geniş ölçekte nasıl işleneceğini ve dağıtık (distributed) bir dosya sistemi üzerinden nesneler ve algoritmalarla nasıl çalışacağını öğrenmesine olanak tanır. Spark, Python veya Java gibi bir programlama dili değildir. Uygulama geliştiricileri ve veri bilimcileri, verileri uygun ölçekte hızla sorgulamak, analiz etmek ve dönüştürmek için genellikle Spark’ı uygulamalarına dahil eder Apache […]
- [ODI ile Oracle ve Hive Veri Tabanları Data Migration](https://bentego.com/tr/odi-ile-oracle-ve-hive-veri-tabanlari-data-migration/): Büyük veri ortamlarında operasyonel işlerden biri olan rdbms veri tabanları ile büyük veri ortamları arasında verinin taşınmasıdır. Çalışma ortamı olarak oracle’ın ücretsiz olarak sanallaştırılmış büyük veri ortamını kullanabilirsiniz. Bu yazıda oracle data integrator ürününün knowlodge modüllerini kullanarak oracle veri tabanı ile hive ortamına datanın aktarılmasını inceleyeceğiz. ODI hdfs üzerinde çeşitli dosya türleri (Json, Avro, Delimited ve Parquet ) üzerinde okuma/yazma işlemlerini yapabilir. Odi reverse-engineer ile hdfs üzerideki tablonun schemasına erişim sağlar. Aynı zamanda odi, oracle ve hdfs gibi farklı veri kaynaklarından dataları etl süreçlerinden geçirerek hive veri tabanına yazabilme imkanı sunar. Odi üzerinden hive veri tabanına erişim sağlayabilmek için hive […]
- [ODI ile Oracle ve Hive Veri Tabanları Data Migration](https://bentego.com/odi-ile-oracle-ve-hive-veri-tabanlari-data-migration/): Büyük veri ortamlarında operasyonel işlerden biri olan rdbms veri tabanları ile büyük veri ortamları arasında verinin taşınmasıdır. Çalışma ortamı olarak oracle’ın ücretsiz olarak sanallaştırılmış büyük veri ortamını kullanabilirsiniz. Bu yazıda oracle data integrator ürününün knowlodge modüllerini kullanarak oracle veri tabanı ile hive ortamına datanın aktarılmasını inceleyeceğiz. ODI hdfs üzerinde çeşitli dosya türleri (Json, Avro, Delimited ve Parquet ) üzerinde okuma/yazma işlemlerini yapabilir. Odi reverse-engineer ile hdfs üzerideki tablonun schemasına erişim sağlar. Aynı zamanda odi, oracle ve hdfs gibi farklı veri kaynaklarından dataları etl süreçlerinden geçirerek hive veri tabanına yazabilme imkanı sunar. Odi üzerinden hive veri tabanına erişim sağlayabilmek için hive […]
- [Apache Iceberg](https://bentego.com/tr/apache-iceberg/): Apache iceberg, petabyte boyutundaki tablolar için tasarlanmış açık kaynak kodlu bir tablo formatıdır. Tablo formatını, bir tabloyu oluşturan tüm dosyaların düzenlenmesini, yönetilmesini ve izlenmesini en iyi şekilde gerçekleştirtiren bir katman olarak düşünebiliriz. 2017 yılında Netflix tarafından ortaya çıkarılan proje daha sonra açık kaynaklı olarak Apache Software Foundation tarafından geliştirilmiştir. Iceberg, asıl olarak bulut tabanlı depolama sistemlerinde kullanılmak amacıyla tasarlanmıştır. Hive’ın Amazon Depolama Servisinde (Amazon S3) kullanımında karşılaşılan veri tutarlılığı ve performans sorunlarının çözümü için geliştirilmiştir. Hive tablo verilerinin kaydını klasör seviyesinde (folder level) tuttuğu için verilerde yapılacak işlemlerde dosya listeleme işlemleri gerçekleştirmek zorundadır. Listeleme işlemlerinin artması bulut sistemlerinde performansı etkilediği […]
- [Apache Iceberg](https://bentego.com/apache-iceberg/): Apache iceberg, petabyte boyutundaki tablolar için tasarlanmış açık kaynak kodlu bir tablo formatıdır. Tablo formatını, bir tabloyu oluşturan tüm dosyaların düzenlenmesini, yönetilmesini ve izlenmesini en iyi şekilde gerçekleştirtiren bir katman olarak düşünebiliriz. 2017 yılında Netflix tarafından ortaya çıkarılan proje daha sonra açık kaynaklı olarak Apache Software Foundation tarafından geliştirilmiştir. Iceberg, asıl olarak bulut tabanlı depolama sistemlerinde kullanılmak amacıyla tasarlanmıştır. Hive’ın Amazon Depolama Servisinde (Amazon S3) kullanımında karşılaşılan veri tutarlılığı ve performans sorunlarının çözümü için geliştirilmiştir. Hive tablo verilerinin kaydını klasör seviyesinde (folder level) tuttuğu için verilerde yapılacak işlemlerde dosya listeleme işlemleri gerçekleştirmek zorundadır. Listeleme işlemlerinin artması bulut sistemlerinde performansı etkilediği […]
- [Pega Predictive Models](https://bentego.com/tr/pega-predictive-models/): Predictive analytics uses past data to find patterns and uses those patterns to predict what will likely happen in the future. A person can create predictive analysis models in Pega Prediction Studio. There are three options for creating predictive models: 1. Using Pega Machine Learning. You can build a new predictive model using the proprietary Pega machine learning wizard. Import a file containing historical data and build the model in Prediction Studio. This model can then be used in decision strategies. When the decision strategies execute, the models are executed inside the Pega platform. Building models with Pega machine learning  The model build itself consists of 5 steps: Data preparation, data analysis, model development, […]
- [Pega Predictive Models](https://bentego.com/pega-predictive-models/): Predictive analytics uses past data to find patterns and uses those patterns to predict what will likely happen in the future. A person can create predictive analysis models in Pega Prediction Studio. There are three options for creating predictive models: 1. Using Pega Machine Learning. You can build a new predictive model using the proprietary Pega machine learning wizard. Import a file containing historical data and build the model in Prediction Studio. This model can then be used in decision strategies. When the decision strategies execute, the models are executed inside the Pega platform. Building models with Pega machine learning  The model build itself consists of 5 steps: Data preparation, data analysis, model development, […]
- [Oracle Data Integrator'a Giriş](https://bentego.com/tr/oracle-data-integratora-giris/):  Oracle Data Integrator ya da yaygın olarak duyduğumuz kısaltması ile ODI, Oracle’ın geliştirdiği bir ELT aracıdır. Oracle Data Integrator; Spark, Spark Streaming, Hive ve Kafka gibi birçok Big Data teknolojisini ve Oracle, Exadata, Teradata, IBM DB2, Netezza gibi birçok DWH platformunu destekler. ODI bu ortamlar arasında veri entegrasyonunu da mümkün kılar. Bu yazıda; ODI hakkında bir giriş yaparak, temel olarak bir Developer’ın geliştirme aşamasında kullanacağı, ilerleyeceği yoldan bahsetmeye çalışacağım. İlk önce arayüzden bahsetmek gerekirse; gerekli kullanıcı bilgileriniz ile mevcut bağlantılarınızdan (gerekli kullanıcı ve bağlantıların bulunduğu varsayılmıştır) birine bağlandığınızda, karşınıza bir başlangıç sayfası açılır.   Arayüzün sol tarafında 4 tane sekme(Navigator) […]
- [Oracle Data Integrator'a Giriş](https://bentego.com/oracle-data-integratora-giris/):  Oracle Data Integrator ya da yaygın olarak duyduğumuz kısaltması ile ODI, Oracle’ın geliştirdiği bir ELT aracıdır. Oracle Data Integrator; Spark, Spark Streaming, Hive ve Kafka gibi birçok Big Data teknolojisini ve Oracle, Exadata, Teradata, IBM DB2, Netezza gibi birçok DWH platformunu destekler. ODI bu ortamlar arasında veri entegrasyonunu da mümkün kılar. Bu yazıda; ODI hakkında bir giriş yaparak, temel olarak bir Developer’ın geliştirme aşamasında kullanacağı, ilerleyeceği yoldan bahsetmeye çalışacağım. İlk önce arayüzden bahsetmek gerekirse; gerekli kullanıcı bilgileriniz ile mevcut bağlantılarınızdan (gerekli kullanıcı ve bağlantıların bulunduğu varsayılmıştır) birine bağlandığınızda, karşınıza bir başlangıç sayfası açılır.   Arayüzün sol tarafında 4 tane sekme(Navigator) […]
- [Pega Adaptive Model](https://bentego.com/tr/pega-adaptive-model/): Basically, Pega adaptive model is a self-learning AI technic which doesn`t need any historical data. In a Pega strategy, business rules can be used to choose Next-Best-Action, but it doesn`t give appropriate offers all the time. Pega`s adaptive model fix it.  Before getting any historical data, it works randomly and collects data. After that, it detects customer behavior, and offer most suitable next-best-action for a customer. So how is this work? Let`s examine together. Firstly, we need a strategy but to create a strategy, we should create a business issue and a group. Business issue is the main subject about […]
- [Pega Adaptive Model](https://bentego.com/pega-adaptive-model/): Basically, Pega adaptive model is a self-learning AI technic which doesn`t need any historical data. In a Pega strategy, business rules can be used to choose Next-Best-Action, but it doesn`t give appropriate offers all the time. Pega`s adaptive model fix it.  Before getting any historical data, it works randomly and collects data. After that, it detects customer behavior, and offer most suitable next-best-action for a customer. So how is this work? Let`s examine together. Firstly, we need a strategy but to create a strategy, we should create a business issue and a group. Business issue is the main subject about […]
- [Pega'da Declare Expression](https://bentego.com/tr/pegada-declare-expression/): [fusion_builder_container type=”flex” hundred_percent=”no” equal_height_columns=”no” menu_anchor=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” background_color=”” background_image=”” background_position=”center center” background_repeat=”no-repeat” fade=”no” background_parallax=”none” parallax_speed=”0.3″ video_mp4=”” video_webm=”” video_ogv=”” video_url=”” video_aspect_ratio=”16:9″ video_loop=”yes” video_mute=”yes” overlay_color=”” video_preview_image=”” border_color=”” border_style=”solid” padding_top=”” padding_bottom=”” padding_left=”” padding_right=””][fusion_builder_row][fusion_builder_column type=”1_1″ layout=”1_1″ background_position=”left top” background_color=”” border_color=”” border_style=”solid” border_position=”all” spacing=”yes” background_image=”” background_repeat=”no-repeat” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” margin_top=”0px” margin_bottom=”0px” class=”” id=”” animation_type=”” animation_speed=”0.3″ animation_direction=”left” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” center_content=”no” last=”true” min_height=”” hover_type=”none” link=”” border_sizes_top=”” border_sizes_bottom=”” border_sizes_left=”” border_sizes_right=”” first=”true”][fusion_text]   Merhaba, bu yazımda Pega’da otomatik hesaplamalar yapmak için kullanılan ‘Declare Expression’ı ve bu hesaplamaları yaparken hangi yöntemlerin izlenebileceğini anlatacağım.   Declare Expression, expressions’lara dayalı olarak property değerlerinin otomatik olarak hesaplanması için kullanılmaktadır. Ancak basit expressions’lardan […]
- [Pega'da Declare Expression](https://bentego.com/pegada-declare-expression/): [fusion_builder_container type=”flex” hundred_percent=”no” equal_height_columns=”no” menu_anchor=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” background_color=”” background_image=”” background_position=”center center” background_repeat=”no-repeat” fade=”no” background_parallax=”none” parallax_speed=”0.3″ video_mp4=”” video_webm=”” video_ogv=”” video_url=”” video_aspect_ratio=”16:9″ video_loop=”yes” video_mute=”yes” overlay_color=”” video_preview_image=”” border_color=”” border_style=”solid” padding_top=”” padding_bottom=”” padding_left=”” padding_right=””][fusion_builder_row][fusion_builder_column type=”1_1″ layout=”1_1″ background_position=”left top” background_color=”” border_color=”” border_style=”solid” border_position=”all” spacing=”yes” background_image=”” background_repeat=”no-repeat” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” margin_top=”0px” margin_bottom=”0px” class=”” id=”” animation_type=”” animation_speed=”0.3″ animation_direction=”left” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” center_content=”no” last=”true” min_height=”” hover_type=”none” link=”” border_sizes_top=”” border_sizes_bottom=”” border_sizes_left=”” border_sizes_right=”” first=”true”][fusion_text]   Merhaba, bu yazımda Pega’da otomatik hesaplamalar yapmak için kullanılan ‘Declare Expression’ı ve bu hesaplamaları yaparken hangi yöntemlerin izlenebileceğini anlatacağım.   Declare Expression, expressions’lara dayalı olarak property değerlerinin otomatik olarak hesaplanması için kullanılmaktadır. Ancak basit expressions’lardan […]
- [Data Page Definiton and Usage](https://bentego.com/tr/data-page-definiton-and-usage/): Hello, We will examine that what data page is and how we configure data page definition (structure,object type,mode,scope) and sources. Firstly let’s start data page definition to our blog. Basically,we are able to say that datapages are used to access data with some data sources and to cache the accessed data in memory. For example, a section that displays information for a customer can reference the D_Customer data page instead of getting the information directly from the database. Data Page Definiton I would like to show the data page definiton section before going to the data page structure. Structure  In structure dropdown […]
- [Data Page Definiton and Usage](https://bentego.com/data-page-definiton-and-usage/): Hello, We will examine that what data page is and how we configure data page definition (structure,object type,mode,scope) and sources. Firstly let’s start data page definition to our blog. Basically,we are able to say that datapages are used to access data with some data sources and to cache the accessed data in memory. For example, a section that displays information for a customer can reference the D_Customer data page instead of getting the information directly from the database. Data Page Definiton I would like to show the data page definiton section before going to the data page structure. Structure  In structure dropdown […]
- [Apache Atlas](https://bentego.com/tr/apache-atlas/): Apache Atlas, Hadoop clusterleri üzerinde data governance(veri yönetişimi) ve metadata yönetimi için araçtır. Metadataları toplamak, işlemek ve sürdürmek için tek başına bir çözümdür. Ölçeklendirilebilir ve genişletilebilir bir hizmet setidir. Kullanıcıların, veri ekosistemindeki servislere ait metadataların tek bir yerden yönetmesini sağlar. Atlas nasıl çalışır? Apache Atlas, Hadoop ve veri ekosistemi içinde metadataları etkili bir şekilde aktarmak için tasarlanmıştır. Atlas’ın diğer servislerle beraber çalışabildiği için mevcut metadatalardan yararlanarak uyumluluk süresini azaltır. Atlas ayrıca, şirketlerin metadataları kolayca dışarı aktarmalarını sağlar. Tüm metadatalar diğer bileşenlerden (Hive, Hbase vb.) toplanır ve Atlas’ta saklanır.     Şekil 1: Apache Atlas’ın Metadata toplaması[1] Şekil 2: Apache Atlas’ın […]
- [Apache Atlas](https://bentego.com/apache-atlas/): Apache Atlas, Hadoop clusterleri üzerinde data governance(veri yönetişimi) ve metadata yönetimi için araçtır. Metadataları toplamak, işlemek ve sürdürmek için tek başına bir çözümdür. Ölçeklendirilebilir ve genişletilebilir bir hizmet setidir. Kullanıcıların, veri ekosistemindeki servislere ait metadataların tek bir yerden yönetmesini sağlar. Atlas nasıl çalışır? Apache Atlas, Hadoop ve veri ekosistemi içinde metadataları etkili bir şekilde aktarmak için tasarlanmıştır. Atlas’ın diğer servislerle beraber çalışabildiği için mevcut metadatalardan yararlanarak uyumluluk süresini azaltır. Atlas ayrıca, şirketlerin metadataları kolayca dışarı aktarmalarını sağlar. Tüm metadatalar diğer bileşenlerden (Hive, Hbase vb.) toplanır ve Atlas’ta saklanır.     Şekil 1: Apache Atlas’ın Metadata toplaması[1] Şekil 2: Apache Atlas’ın […]
- [Apache Ranger](https://bentego.com/tr/apache-ranger/): Eğer Apache Ranger’i tek cümleyle özetlemek gerekirse :  “ A kullanıcısının B işlemini C kaynağı üzerinde yapmaya yetkisi var mı ? “ Ranger bu denklemdeki A, B ve C değişkenlerini kontrol edebildiğimiz araçtır. Apache Ranger, Hadoop platformunda veri güvenliğini sağlamak, izlemek ve yönetmek için bir frameworktur. Ranger ile amaç, Apache Hadoop ekosisteminde kapsamlı güvenlik sağlamaktır. İşletmeler potansiyel olarak çok kullanıcılı bir ortamda birden fazla iş yürütebilir. Hadoop’taki veri güvenliğinin, veri erişimi için çoklu kullanımı desteklerken gelişmesi ve aynı zamanda güvenlik politikalarının merkezi yönetimi ve kullanıcı erişiminin izlenmesi için bir framework sağlaması gerekiyordu bu durumda karşımıza Ranger geliyor. Apache Ranger’in temel […]
- [Apache Ranger](https://bentego.com/apache-ranger/): Eğer Apache Ranger’i tek cümleyle özetlemek gerekirse :  “ A kullanıcısının B işlemini C kaynağı üzerinde yapmaya yetkisi var mı ? “ Ranger bu denklemdeki A, B ve C değişkenlerini kontrol edebildiğimiz araçtır. Apache Ranger, Hadoop platformunda veri güvenliğini sağlamak, izlemek ve yönetmek için bir frameworktur. Ranger ile amaç, Apache Hadoop ekosisteminde kapsamlı güvenlik sağlamaktır. İşletmeler potansiyel olarak çok kullanıcılı bir ortamda birden fazla iş yürütebilir. Hadoop’taki veri güvenliğinin, veri erişimi için çoklu kullanımı desteklerken gelişmesi ve aynı zamanda güvenlik politikalarının merkezi yönetimi ve kullanıcı erişiminin izlenmesi için bir framework sağlaması gerekiyordu bu durumda karşımıza Ranger geliyor. Apache Ranger’in temel […]
- [Apache Kafka Günlük Sıkıştırma (Log Compaction) Nedir?](https://bentego.com/tr/apache-kafka-gunluk-sikistirma-log-compaction-nedir/): Merhaba, bu yazımda sizlere Apache Kafka ‘da bulunan Günlük Sıkıştırma (Log Compaction) özelliğinin ne olduğunu, nasıl çalıştığını ve kullanım alanlarını kısaca anlatmaya çalışacağım. Apache Kafka, dağınık mimariyle çalışan yüksek performanslı veri akış platformudur.  Temel amacı gerçek zamanlı verilerin yüksek hacim ve düşük geçikme ile üreticiden tüketiciye anahtar-değer (key-value message) ikilisiyle veri taşınmasını sağlamaktır. Kafka mimarisinde bir veya birden fazla üretici (Producer) konular (Topic) aracılığı ile tüketicilere (Consumer) mesajlarını iletmektedir. Topic içerisinde veriler bölümlere (Partition) ayrılarak Kafka Brokerları üzerinde dağınık bir yapıda tutulur. Producerlar tarafından üretilen mesajlar verilen key değerine göre  farklı Partitionlar üzerinde tutularak tüketicilere iletilebilir. Her bir mesaj  Partitionlar […]
- [Apache Kafka Günlük Sıkıştırma (Log Compaction) Nedir?](https://bentego.com/apache-kafka-gunluk-sikistirma-log-compaction-nedir/): Merhaba, bu yazımda sizlere Apache Kafka ‘da bulunan Günlük Sıkıştırma (Log Compaction) özelliğinin ne olduğunu, nasıl çalıştığını ve kullanım alanlarını kısaca anlatmaya çalışacağım. Apache Kafka, dağınık mimariyle çalışan yüksek performanslı veri akış platformudur.  Temel amacı gerçek zamanlı verilerin yüksek hacim ve düşük geçikme ile üreticiden tüketiciye anahtar-değer (key-value message) ikilisiyle veri taşınmasını sağlamaktır. Kafka mimarisinde bir veya birden fazla üretici (Producer) konular (Topic) aracılığı ile tüketicilere (Consumer) mesajlarını iletmektedir. Topic içerisinde veriler bölümlere (Partition) ayrılarak Kafka Brokerları üzerinde dağınık bir yapıda tutulur. Producerlar tarafından üretilen mesajlar verilen key değerine göre  farklı Partitionlar üzerinde tutularak tüketicilere iletilebilir. Her bir mesaj  Partitionlar […]
- [Introduction to Pega Web Mashup](https://bentego.com/tr/introduction-to-pega-web-mashup/): Hello, In our first Pega post, we will introduce to Pega Web Mashup, which will increase the accessibility of our Pega applications. Of course, we need a Pega application and case type as a prerequisite. Therefore, first, we will create a simple Pega application on App Studio, which has increased capabilities with Pega Infinity and focus on step-by-step case design, data modeling, and UI design according to our scenario. In addition to being a resource for Pega Web Mashup, this app can also be a starting point for the use of responsive UI design, screen actions, templates, and themes. It […]
- [Introduction to Pega Web Mashup](https://bentego.com/introduction-to-pega-web-mashup/): Hello, In our first Pega post, we will introduce to Pega Web Mashup, which will increase the accessibility of our Pega applications. Of course, we need a Pega application and case type as a prerequisite. Therefore, first, we will create a simple Pega application on App Studio, which has increased capabilities with Pega Infinity and focus on step-by-step case design, data modeling, and UI design according to our scenario. In addition to being a resource for Pega Web Mashup, this app can also be a starting point for the use of responsive UI design, screen actions, templates, and themes. It […]
- [Elasticsearch Percolate Sorgu Yapısı Nedir ve Nasıl Kullanılır?](https://bentego.com/tr/elasticsearch-percolate-sorgu-yapisi-nedir-ve-nasil-kullanilir/): Merhaba, Elasticsearch (ES) genel olarak metin arama, log analizi ve analitik işler gibi farklı amaçlar ile kullanabildiğimiz ve sorgular gönderebildiğimiz doküman odaklı bir araçtır. Bu yazımda dokümanlara sorguların atıldığı genel yaklaşımdan farklı olarak. Sorguları indeksleyerek dokümanları sorgu olarak kullanabildiğimiz Percolate yapısını anlatacağım. Percolate sorgu yapısı Elasticsearch üzerinde bir doküman ararken kullandığımız sorguların indekslenerek saklanmasıyla oluşturulan ve bu indekse bir dokümanı  sorguladığımızda eşleşen indekslenmiş sorguların sonuç olarak döndürüldüğü yapıdır. Percolate sorgu yapısını nerede kullanabiliriz? Hepiminizin düzenli olarak kullandığı bir alışveriş sitesi yazılımını geliştirdiğimizi düşünelim ve gereksinim olarak kullanıcıların ürün aradıkları kriterleri saklayarak uygun ürün geldiğinde bilgilendirme  e-mail atılması isteniyor olsun. Percolate […]
- [Elasticsearch Percolate Sorgu Yapısı Nedir ve Nasıl Kullanılır?](https://bentego.com/elasticsearch-percolate-sorgu-yapisi-nedir-ve-nasil-kullanilir/): Merhaba, Elasticsearch (ES) genel olarak metin arama, log analizi ve analitik işler gibi farklı amaçlar ile kullanabildiğimiz ve sorgular gönderebildiğimiz doküman odaklı bir araçtır. Bu yazımda dokümanlara sorguların atıldığı genel yaklaşımdan farklı olarak. Sorguları indeksleyerek dokümanları sorgu olarak kullanabildiğimiz Percolate yapısını anlatacağım. Percolate sorgu yapısı Elasticsearch üzerinde bir doküman ararken kullandığımız sorguların indekslenerek saklanmasıyla oluşturulan ve bu indekse bir dokümanı  sorguladığımızda eşleşen indekslenmiş sorguların sonuç olarak döndürüldüğü yapıdır. Percolate sorgu yapısını nerede kullanabiliriz? Hepiminizin düzenli olarak kullandığı bir alışveriş sitesi yazılımını geliştirdiğimizi düşünelim ve gereksinim olarak kullanıcıların ürün aradıkları kriterleri saklayarak uygun ürün geldiğinde bilgilendirme  e-mail atılması isteniyor olsun. Percolate […]
- [Flume ile Kafka’ya Key Göndermek](https://bentego.com/tr/flume-ile-kafkaya-key-gondermek/): Merhabalar. Flume ve Kafka akan veri işlemenin önde gelen araçlarından. Her ne kadar Flume eskimeye yüz tutsa da hala aktif olarak kullanılıyor ve iyi işler çıkarıyor. Bir akan veri uygulaması mimarisinde eğer Flume ve Kafka birlikte kullanılıyorsa genelde veri kaynağından Flume ile Kafka’ya doğru bir akış tasarlanır. Kafka’ya giden mesaj iki bölümden oluşur: key ve value. Kafka’ya key göndermez isek key null değeri alır. Ancak Kafka’ya key göndermek bize ilave fonksiyonalite sağlayabilir. Bu yazımızdaFlume ile Spooldir kaynağından okunan kayıtların Kafka’ya gönderilmesi esnasında mesajın içinden key alanını(eğer varsa) alıp Kafka’ya nasıl key adı altında gönderebileceğimizi göreceğiz.  Spooldir ile örnek verecek olursak […]
- [Flume ile Kafka’ya Key Göndermek](https://bentego.com/flume-ile-kafkaya-key-gondermek/): Merhabalar. Flume ve Kafka akan veri işlemenin önde gelen araçlarından. Her ne kadar Flume eskimeye yüz tutsa da hala aktif olarak kullanılıyor ve iyi işler çıkarıyor. Bir akan veri uygulaması mimarisinde eğer Flume ve Kafka birlikte kullanılıyorsa genelde veri kaynağından Flume ile Kafka’ya doğru bir akış tasarlanır. Kafka’ya giden mesaj iki bölümden oluşur: key ve value. Kafka’ya key göndermez isek key null değeri alır. Ancak Kafka’ya key göndermek bize ilave fonksiyonalite sağlayabilir. Bu yazımızdaFlume ile Spooldir kaynağından okunan kayıtların Kafka’ya gönderilmesi esnasında mesajın içinden key alanını(eğer varsa) alıp Kafka’ya nasıl key adı altında gönderebileceğimizi göreceğiz.  Spooldir ile örnek verecek olursak […]
- [Logstash ile ELK Uygulamaları Tasarlamak](https://bentego.com/tr/logstash-ile-elk-uygulamalari-tasarlamak/): Selamlar herkese bu yazımda ELK stack yapısında bulunan Logstash’e giriş yapıp, teori ve uygulamalar ile uçtan uca Logstash pipelinelarını göstereceğim. 1. Logstash Logstash, çok sayıda kaynaktan veri alabilen, dönüştüren ve daha sonra başka kaynaklara gönderebilen açık kaynaklı bir veri işleme hattıdır. Şekil 1: Logstash[1] 1.1 Logstash Nasıl Çalışır? Logstash pipeline’ı temel olarak 3 aşamadan oluşur. İnput, Filter ve Output.İnputlar : Eventlerin gelmesi, oluşturulmasıdır.Filterlar : Gelen eventlerin üzerinde aksiyonlar, transformasyonlar gerçekleştirirler.Outputlar : Eventleri başka bir yere aktarırlar. Şekil 2 : Logstash pipeline[2] Örnek bir Logstash config dosyasının yapısı aşağıda gösterilmiştir. İlerleyen kısımlarda daha detaylı olarak değinilecektir. Logstash’in iki tür config dosyası vardır: Birincisi […]

## Pages

- [KVKK](https://bentego.com/tr/kvkk/): This Personal Data Protection and Processing Policy has been prepared in accordance with the Law No. 6698 on the Protection of Personal Data (“Law”) to inform real persons (“Data Subjects”) regarding the collection, processing, storage, and deletion of their personal data by Bentego Teknoloji A.Ş. (“Company”) and the rights granted to them under the Law. 1. DEFINITIONS KVKK: Law No. 6698 on the Protection of Personal DataGDPR: General Data Protection Regulation of the European UnionData Processor: Natural or legal person who processes personal data on behalf of the data controller based on their authorityData Controller: The person who determines the […]
- [GDPR](https://bentego.com/gdpr/): This Personal Data Protection and Processing Policy has been prepared in accordance with the Law No. 6698 on the Protection of Personal Data (“Law”) to inform real persons (“Data Subjects”) regarding the collection, processing, storage, and deletion of their personal data by Bentego Teknoloji A.Ş. (“Company”) and the rights granted to them under the Law. 1. DEFINITIONS KVKK: Law No. 6698 on the Protection of Personal DataGDPR: General Data Protection Regulation of the European UnionData Processor: Natural or legal person who processes personal data on behalf of the data controller based on their authorityData Controller: The person who determines the […]
- [Belge İşleme Çözümleri](https://bentego.com/tr/belge-isleme-cozumleri/): Çözümler Belge İşleme Çözümleri Docman, düzenleyici kurumlar ve resmi otoritelerden gelen belge tabanlı talepleri otomatik olarak işlemek ve yanıtlamak üzere geliştirilmiş, yapay zekâ destekli bir süreç otomasyon çözümüdür. Docman Manuel süreçlerde oluşabilecek zaman kayıplarını ve insan hatalarını en aza indirerek, belge yoğun süreçlerin sadeleştirilmesini sağlar. Akıllı Belge İşleme (IDP) teknolojisiyle çalışan Docman; gelen talepleri tarar, analiz eder, gerekli veri alanlarını tespit eder, ilgili iç sistemlere sorgular gönderir ve talep türüne göre önceden tanımlı şablonlar üzerinden uygun yanıtlar oluşturur. Bankacılık, telekomünikasyon ve sigorta gibi form yoğunluğu ve regülasyon uyumu gerektiren sektörlerde; müşteri hizmetlerini hızlandırır, yanıt doğruluğunu artırır ve operasyonel tutarlılığı güçlendirir. […]
- [Document Processing Solutions](https://bentego.com/document-processing-solutions/): Solutions Document Processing Solutions Docman: Smart automation for regulatory and high-volume document workflows. Docman is an intelligent process management solution designed to automatically handle and respond to document-based requests from regulatory bodies and official institutions. By minimizing time loss and human error in manual workflows, Docman helps organizations streamline document-heavy processes. Using AI-powered intelligent document processing (IDP), Docman scans and analyzes incoming requests, identifies required data points, queries relevant internal systems, and composes responses based on pre-defined templates—tailored to the type and scope of the request. Sectors like banking, telecommunications, and insurance—where large-scale form handling and compliance are daily challenges—benefit […]
- [Eğitim](https://bentego.com/tr/egitim/): Eğitim Kişileri Güçlendiriyoruz. Uzmanlığı Ölçeklendiriyoruz. Bentego olarak, teknolojinin gerçekten benimsenmesinin ancak çalışanların bu teknolojiyi etkin kullanabilecek donanıma sahip olmasıyla mümkün olduğuna inanıyoruz.Bu nedenle, sunduğumuz çözümleri yapılandırılmış eğitim programları ve uygulamalı öğrenme ile destekleyerek, ekiplerin veri ve otomasyon platformlarından en yüksek iş değerini elde edebilmesini sağlıyoruz. Çalıştığımız her çözüm alanında, daha hızlı adaptasyon, yüksek performans ve sürdürülebilir başarıyı mümkün kılan, hedef odaklı eğitim programları sunuyoruz. Eğitim Alanları Büyük Veri ve Açık Kaynak Platformları Cloudera, Kafka, Spark, Flink ve daha fazlası dahil olmak üzere mimarinize ve iş ihtiyaçlarınıza göre uyarlanmış temel büyük veri teknolojileri hakkında eğitim sağlıyoruz. Müşteri Deneyimi Çözümleri Pazarlama, ürün […]
- [Training](https://bentego.com/training/): Training Empowering People. Scaling Expertise. At Bentego, we believe that technology adoption is only successful when organizations empower their people to fully leverage it.That’s why we combine our delivery capabilities with structured training and enablement — helping teams build the expertise needed to unlock business value from their data and automation platforms. We deliver targeted, hands-on training programs across every solution area we work in enabling faster ramp-up, better performance, and sustainable outcomes. Training Areas Big Data & Open Source Platforms We provide training on key big data technologies  including Cloudera, Kafka, Spark, Flink, and more  tailored to your architecture […]
- [Büyük Veri Çözümleri](https://bentego.com/tr/buyuk-veri-cozumleri/): Çözümler Büyük Veri Çözümleri Bentego’nun Büyük Veri Çözümleri; ölçeklenebilir mimariler kurar, gerçek zamanlı içgörüler sunar ve gelişmiş analitiği iş süreçlerine entegre ederek kurumların verilerinden en yüksek değeri elde etmelerine olanak tanır. Açık Kaynaklı Büyük Veri Çözümleri İş ortaklarımıza özel olarak tasarlanmış, güçlü ve açık kaynak temelli büyük veri çözümleri sunuyoruz. Apache Hadoop, Spark, Kafka ve Flink gibi sektörün güvenilir araçlarını kullanarak, yüksek hacimli yapılandırılmış ve yapılandırılmamış verileri etkili şekilde toplamanızı, işlemenizi ve analiz etmenizi sağlayacak ölçeklenebilir ve uygun maliyetli altyapılar kuruyoruz. Tedarikçiden bağımsız yaklaşımımız esneklik sağlarken, uzman ekibimiz seçimden uygulamaya ve sürekli iyileştirmeye kadar tüm süreçlerde size destek olur. Gerçek […]
- [Big Data Solutions](https://bentego.com/big-data-solutions/): Solutions Big Data Solutions Bentego’s Big Data Solutions empower organizations to unlock the full value of their data by building scalable architectures, enabling real-time intelligence, and integrating advanced analytics into everyday decisions. Open-Source Big Data Solutions We deliver powerful open-source Big Data solutions designed around the unique needs of your organization. By architecting scalable, cost-effective infrastructures using industry-proven tools such as Apache Hadoop, Spark, Kafka, and Flink, we enable you to efficiently ingest, store, process, and analyze vast amounts of structured and unstructured data. Our vendor-agnostic approach ensures flexibility and sustainability, while our expert team guides you through every step  […]
- [İş Süreci Çözümleri](https://bentego.com/tr/is-sureci-cozumleri/): Çözümler İş Süreci Çözümleri Bentego’nun İş Süreci Çözümleri, akıllı tasarım, veriye dayalı stratejiler ve hızlı uygulama sayesinde kuruluşların operasyonlarını sadeleştirmesine ve müşteri etkileşimlerini daha üst seviyeye taşımasına yardımcı olur. Müşteri Yolculuğu Çözümleri Daha akıllı yolculuklar tasarlayın, kusursuz deneyimler sunun. İlk temas anından uzun vadeli sadakate kadar müşteri yaşam döngüsünün her aşamasında veriye dayalı, anlamlı etkileşimler tasarlamanıza destek oluyoruz.Doğru mesajı, doğru kanalla ve doğru zamanda ileterek memnuniyeti artırmak, dönüşüm oranlarını yükseltmek ve güven inşa etmek mümkün. Bentego’da uygulamanın ötesine geçiyoruz.Biz de sonuç odaklı yaklaşımımızla iş ortaklarımız için müşteri temas noktalarını analiz ediyor,senaryoları birlikte kurguluyor ve gerçek zamanlı veriye dayalı stratejiler geliştiriyoruz. […]
- [Business Process Solutions](https://bentego.com/business-process-solutions/): Solutions Business Process Solutions Bentego’s Business Process Solutions help organizations streamline operations and elevate customer interactions through intelligent design, data-driven strategies, and fast execution. Customer Journey Solutions Design smarter journeys, deliver seamless experiences. We help organizations orchestrate meaningful, data-informed engagements across every stage of the customer lifecycle from first touch to long-term loyalty.With the right message, through the right channel, at the right moment, brands can foster satisfaction, increase conversions, and build trust. At Bentego, we go beyond implementation.We analyze your journey touchpoints, co-design use cases, and create strategies rooted in real-time data.Our approach is not just technology-driven and it’s […]
- [Kalite Standartları](https://bentego.com/tr/kalite-standartlari/): Kalite Standartları Kalite, müşterilerimize olan bağlılığımız anlamına gelir. Taahhüdümüz bizim sözümüzdür. Kalite Yönetim Sistemi Politikası Bilgi Güvenliği Yönetim Sistemi Politikası İş Sürekliliği Yönetim Sistemi Politikası Hizmet Yönetim Sistemi Politikası Küresel İklim Değişikliği Politikası Rüşvet ve Yolsuzlukla Mücadele Politikası Faaliyet alanımızda, bilgi teknolojilerindeki gelişmelerin yakın takipçisi olarak müşterilerimize hızlı, güvenilir ve istikrarlı ürün ve hizmetler sunuyoruz. Sözümüze bağlılığımız ve sorumluluk anlayışımız ile tedarikçilerimiz tarafından güvenilen ve tercih edilen bir şirket olmak için aşağıdaki faaliyetleri yürütmekteyiz. Ürün kalitemiz ve teknik desteğimiz ile yüksek düzeyde müşteri memnuniyeti sağlamak; Tüm çalışanlarımızı sürekli gelişimimizin bir parçası haline getirmek, Yaptığımız her işin doğru ve yüksek kalitede […]
- [Quality Standards](https://bentego.com/quality-standards/): Quality Standards Quality means our commitment to our customers. Our commitment is our word. Quality Management System Policy Information Security Management System Policy Business Continuity Management System Policy Service Management System Policy Global Climate Change Policy Anti Bribery And Anti Corruption Policy In our field of activity, we provide fast, reliable, and stable products and services to our customers as a close follower of developments in information technologies. With our commitment to our word and understanding of responsibility, we carry out the following activities in order to become a company that is trusted and preferred by our suppliers. Ensuring a […]
- [Blog](https://bentego.com/tr/blog/): En son güncellemeleri kaçırmayın Blogumuzda, Bentego ekibinin uzman görüşlerini, saha deneyimlerini ve bakış açılarını paylaşıyoruz. Veri profesyonelleri, mühendisler ve karar vericiler için tasarlanmış içeriklerle bir adım önde olun. Real-Time (Gerçek Zamanlı) mı, Batch (Yığın) mi? Veri işleme, iş dünyasında doğru kararları almanın en önemli yapı… Oracle SQL Prosedürü Nedir? Merhaba! Bugünkü yazımda sizlere Oracle SQL Prosedürleri hakkında kısa birkaç… Power BI ile Varyans Gösterimi Herkese merhaba, Bu yazımda, gerek finansal tablolarda bütçe-gerçekleşen kıyasında, gerekse… Çalışmalarınızı Kolaylaştıracak 9 Power BI Özelliği Merhabalar, Bu yazımda hepimizin karşılaştığı ve “bunu yapmanın kolay bir… Java Spring Boot ile REST Servisi Oluşturmak Yazının içeriği SOAP […]
- [Blog](https://bentego.com/blog/): Don’t miss latest updates In our blog, we share expert insights, field learnings, and perspectives from the Bentego team. Stay ahead with content designed for data professionals, engineers, and decision-makers navigating complex digital infrastructures. Oracle SQL Prosedürü Nedir? Merhaba! Bugünkü yazımda sizlere Oracle SQL Prosedürleri hakkında kısa birkaç… Power BI ile Varyans Gösterimi Herkese merhaba, Bu yazımda, gerek finansal tablolarda bütçe-gerçekleşen kıyasında, gerekse… Çalışmalarınızı Kolaylaştıracak 9 Power BI Özelliği Merhabalar, Bu yazımda hepimizin karşılaştığı ve “bunu yapmanın kolay bir… Java Spring Boot ile REST Servisi Oluşturmak Yazının içeriği SOAP ile REST servisler arasındaki farkları, Spring framework… Kafka Connect ile HDFS’e […]
- [Başarı Hikayelerimiz](https://bentego.com/tr/musteri-basarisi/): Başarı Hikayelerimizi Keşfedin Farklı sektörlerde ve sektör liderleriyle yaptığımız çalışmalar, Bentego’nun karmaşık verileri ve operasyonel zorlukları nasıl ölçülebilir sonuçlara dönüştürdüğünü ve sürdürülebilir etki yarattığını ortaya koyuyor. Real-time CRM data for better decisions A prominent telecom operator faced major challenges in extracting and processing customer data from CRM Daha fazla bilgi edinin Real-time engagement across the passenger journey A leading airline wanted to elevate passenger experience across every interaction point — from pre-flight Daha fazla bilgi edinin Smarter vehicles, smarter customer engagement A global automotive company needed a robust solution to handle large-scale sensor data from connected Daha fazla bilgi edinin […]
- [Customer Success](https://bentego.com/customer-success/): Explore Our Success Stories Our work with industry leaders showcases how Bentego turns complex data and operational challenges into measurable outcomes and delivers sustainable impact across sectors. Real-time CRM data for better decisions A prominent telecom operator faced major challenges in extracting and processing customer data from CRM Read More Real-time engagement across the passenger journey A leading airline wanted to elevate passenger experience across every interaction point — from pre-flight Read More Smarter vehicles, smarter customer engagement A global automotive company needed a robust solution to handle large-scale sensor data from connected Read More Cost-efficient, high-speed data processing A […]
- [Teknolojiler](https://bentego.com/tr/teknolojiler/): Teknolojiler Geniş kapsamlı teknolojilerimiz Her iş ortağımızın altyapısına ve iş hedeflerine özel güvenli, modern ve geleceğe hazır çözümler sunmak için önde gelen teknoloji platformları ve açık kaynak ekosistemleriyle iş birliği yapıyoruz. Güvenli ve ölçeklenebilir veri gölleri ile gelişmiş analitik çözümler oluşturulmasını sağlayarak kurumsal düzeyde büyük veri yönetimini mümkün kılar. Dijital temas noktalarında müşteri değerini en üst düzeye çıkarmak için gerçek zamanlı müşteri etkileşimi ve yolculuk kurgusu sunar. Karmaşık iş süreçlerini otomatikleştirir ve kişiselleştirilmiş müşteri deneyimleri sunulmasını kolaylaştırır. Ölçek ve çeviklik için geliştirilmiş analitik ve özelleştirilmiş iş zekası çözümleriyle veri odaklı karar almayı geliştirir. Yapay zekâ destekli altyapısını süreç ve belge […]
- [Technologies](https://bentego.com/technologies/): Technologies Wide range of technologies at your service We partner with leading technology platforms and open-source ecosystems to deliver secure, modern, and future-ready solutions tailored to each client’s infrastructure and business goals. Enterprise-grade big data platform for building secure, scalable data lakes and advanced analytics solutions. Real-time customer engagement and journey orchestration platform for maximizing customer value across digital touchpoints. Low-code platform for automating complex business processes and delivering personalized customer experiences. Intellica enhances data-driven decision-making through advanced analytics and tailored business intelligence solutions built for scale and agility. PaperWork accelerates your digital transformation by combining AI-powered low-code infrastructure with […]
- [Takım](https://bentego.com/tr/takim/): Liderlik Ekibi M. Fatih Akgül Kurucu ve Yönetim Kurulu Başkanı M. Fatih Akgül, telekomünikasyon, enerji, pazarlama ve teknoloji sektörlerinde 25 yılı aşkın stratejik liderlik deneyimine sahiptir. Kariyeri boyunca pazarlama ve ürün yönetimi direktörlüğü, kurucu ortaklık, genel müdürlük ve yönetim kurulu üyeliği gibi üst düzey görevlerde bulunmuştur. Ürün geliştirme ve büyük veri danışmanlığı konularında uzmanlaşan Akgül, 2017 yılından bu yana Bentego bünyesinde çalışmakta, 2025 itibarıyla Yönetim Kurulu Başkanı olarak görev yapmaktadır. Koç Üniversitesi’nde MBA derecesi almıştır. Mehmet Ali Ünver Genel Müdür Mehmet Ali Ünver, Ar-Ge, telekomünikasyon BT, kalite yönetimi ve dijital dönüşüm alanlarında 30 yılı aşkın deneyimiyle Bentego’nun operasyonel yapısını ve […]
- [Team](https://bentego.com/team/): Leadership Team M. Fatih Akgül Founder and Chairman M. Fatih Akgül brings over 25 years of strategic and leadership experience across the telecommunications, energy, marketing, and technology sectors. Throughout his career, he has taken on roles including Marketing and Product Management Director, Co-Founder, General Manager, and Board Member. He has played a key role in product development and big data consultancy. Since 2017, he has been part of Bentego, and as of 2025, he leads the company as Chairman of the Board. He completed his MBA at Koç University. Mehmet Ali Ünver Chief Executive Officer (CEO) With more than 30 […]
- [Gizlilik Politikası](https://bentego.com/tr/gizlilik-politikasi/): https://bentego.com/ adresinde (bundan böyle “Platform” olarak anılacaktır), oturum çerezleri, kalıcı çerezler, teknik çerezler, kimlik doğrulama çerezleri, flash çerezler, özelleştirme çerezleri, analitik çerezler ve üçüncü taraf çerezleri dahil olmak üzere çeşitli çerez türleri kullanılmaktadır. Çerez kullanımına izin vermemeyi tercih ederseniz, tarayıcı ayarlarınız aracılığıyla çerezleri silebilir veya engelleyebilirsiniz. Ancak, bunun Platform deneyiminizi ve işlevselliğinizi etkileyebileceğini lütfen unutmayın. Tarayıcı ayarlarınızı çerezleri devre dışı bırakacak şekilde değiştirmediğiniz sürece, Platformda çerez kullanımını kabul etmiş sayılacaksınız. Verilerinizi nasıl işlediğimiz hakkında daha fazla bilgi için lütfen web sitemizde ve uygulamamızda bulunan Gizlilik Politikamıza bakın. PLATFORMDA KULLANILAN ÇEREZLER Çerezler Nedir ve Neden Kullanılır? Çerezler, ziyaret ettiğiniz internet siteleri […]
- [Privacy Policy](https://bentego.com/privacy-policy/): At https://bentego.com/ (hereinafter referred to as the “Platform”), various types of cookies are used, including session cookies, persistent cookies, technical cookies, authentication cookies, flash cookies, customization cookies, analytical cookies, and third-party cookies. If you prefer not to allow the use of cookies, you may delete or block cookies through your browser settings. However, please note that this may impact your experience and functionality of the Platform. Unless you change your browser settings to disable cookies, you will be considered to have accepted the use of cookies on the Platform. For more information regarding how we handle your data, please refer […]
- [İletişim](https://bentego.com/tr/iletisim/): Bize Ulaşın Hizmetlerimiz ve eğitimlerimiz hakkında daha fazla bilgi almak için bizimle iletişime geçin. info@bentego.com +90 850 4663426 İSTANBUL: Orta Mahalle Ordu Sokak No:23 İzpark A Blok Kat:10, 34880 Kartal/İstanbul ESKİŞEHİR (Fatura Adresi): Anadolu Üniversitesi Teknopark Binası-209 Yeşiltepe Mah. İsmetinönü-2 Cad. No:2/57 Tepebaşı, 26110 Vergi Bilgileri: Eskişehir V.D. 1640836098finance@bentego.comMERSİS: 0164083609800001 Bentego hakkında bir sorunuz mu var? Adınız Soyadınız* E-posta* İletişim Numaranız Şirket Adı Mesajınız* KVKK ve Aydınlatma Metni sunuldu, okudum, anladım ve kabul ediyorum.   Gönder
- [Contact](https://bentego.com/contact/): Contact Us Contact us for more information about our services and trainings. info@bentego.com +90 850 4663426 ISTANBUL: Orta Mahalle Ordu Sokak No:23 İzpark A Blok Kat:10, 34880 Kartal/İstanbul ESKİŞEHİR (Billing Address): Anadolu Üniversitesi Teknopark Binası-209 Yeşiltepe Mah. İsmetinönü-2 Cad. No:2/57 Tepebaşı, 26110 Tax Information: Eskişehir V.D. 1640836098finance@bentego.comMERSIS: 0164083609800001 Have a question about Bentego? Name Surname* Email* Contact Number Company Name Message* I was presented with GDPR Clarification Text I read and understood.   Submit
- [Şirket](https://bentego.com/tr/sirket/): Hakkımızda Verinin Yeniliği Yönlendirdiği Yer Bentego olarak, iş ortaklarımızın veriyi iş değeri haline dönüştürmelerine yardımcı oluyor; karmaşık veri zorluklarına ve müşteri odaklı operasyonlara yönelik gelişmiş çözümler sunuyoruz. Mühendis ve danışmanlardan oluşan ve aynı vizyon etrafında birleşmiş bir topluluğuz. İş ortaklarımızın veriyi akıllıca kullanarak etkili dijital deneyimler sunmalarını sağlamak için çalışıyoruz. Çözümlerimiz, büyük veri mimarileri kurmaktan gerçek zamanlı veri işlemeye, dinamik müşteri yolculukları tasarlamaktan operasyonel süreçleri sadeleştirmeye kadar tüm veri yaşam döngüsünü kapsar. Veri mühendisliği, analitik ve otomasyon alanlarındaki derin uzmanlığımızla, ölçeklenebilir veri odaklı dönüşümler yaratıyoruz. Başta telekomünikasyon ve finans olmak üzere bu sektörlere ve ilişkili alanlardaki lider kuruluşlara hizmet veriyoruz. […]
- [Company](https://bentego.com/about-bentego/): About Us Where Data Drives Innovation At Bentego, we help organizations transform data into business value — delivering advanced solutions for complex data challenges and customer-centric operations. We are a dedicated community of engineers and consultants united by a single vision: empowering organizations to create exceptional digital experiences through the intelligent use of data. Our solutions span the entire data lifecycle — from building scalable big data architectures and real-time data processing to designing dynamic customer journeys and streamlining operational workflows. With deep expertise across data engineering, analytics, and automation, we support data-driven transformation at scale. Bentego serves industry leaders […]
- [Anasayfa](https://bentego.com/tr/): Veriyi değere dönüştürüyoruz. Veriyi stratejik bir avantaja dönüştüren, inovasyonun önünü açan ve somut iş değerleri yaratan veri ekosistemleri tasarlıyoruz. Çözümlerimizle, sektör fark etmeksizin etkili ve sürdürülebilir dönüşümler gerçekleştirilmesini sağlıyoruz. Bize ulaşın Çözümler Rekabet Avantajı Sağlayan Akıllı Veri Ekosistemleri Tasarlıyoruz İş ortaklarımızın veri platformları ve akıllı otomasyon katmanları kurmasına yardımcı oluyoruz. Çözümlerimiz kritik iş akışlarını sadeleştirirken mevzuat uyumunu güçlendirir ve veriden yeni değerler ortaya çıkararak daha akıllı kararlar ile sürekli inovasyon sağlar. Büyük Veri Çözümleri Gerçek zamanlı akıştan Data Lake ve AI/ML çözümlerine uzanan güvenli ve ölçeklenebilir büyük veri mimarileri ile karmaşık verileri aksiyona dönüştürüyoruz. Çözümlerimizi deneyin > İş Süreci Çözümleri […]
- [Home](https://bentego.com/home/): Turning data into enterprise value. We architect data ecosystems that fuel innovation and create measurable enterprise value. Our data solutions empower leaders to drive transformative outcomes across industries. Let’s meet Solutions Building Intelligent Data Ecosystems for Business Advantage We empower organizations to architect scalable data platforms and intelligent automation layers. Our solutions simplify critical workflows, enhance compliance, and unlock new value from data — driving smarter decisions and fostering continuous innovation. Big Data Solutions Secure, scalable big data architectures to turn complex data into actionable insights from real-time streaming to Data Lakes & AI/ML solutions. Try our solutions > Business […]


[comment]: # (Generated by Hostinger Tools Plugin)