SPSS’TE ANKET VERİSİ HAZIRLAMA: KODLAMA, TEMİZLEME VE TUTARLILIK

Anket verisi toplamak çoğu ekip için işin “kolay” kısmıdır; asıl farkı yaratan, o veriyi analize hazır hale getirmektir. SPSS’te veri hazırlama süreci; kodlama, temizlik, eksik veri yönetimi ve tutarlılık kontrolleri doğru yapılmadığında, en iyi modelleme bile yanlış sonuçlar üretebilir.

Bu makalede, ham anket dosyanızı güvenilir bir analiz veri setine dönüştürmek için pratik bir yol haritası izleyeceğiz. Amaç, hem hızlı ilerlemek hem de geri dönüp izlenebilir şekilde aynı adımları tekrarlayabilmektir. Özellikle kurumsal raporlama, ürün analitiği ve pazar araştırması yapan ekiplerin “denetlenebilir” veri kalitesi yaklaşımını kurmasına odaklanacağız.

Adımların her birini SPSS arayüzüyle yapabilirsiniz; ancak süreklilik ve otomasyon için Syntax kullanımı kritik avantaj sağlar. Bu yüzden örneklerle birlikte ilerleyecek, her aşamada hangi kontrolün neden gerekli olduğunu açıklayacağız.

1) Veri setini analize uygun tasarlama

Sağlıklı bir süreç, doğru tasarımla başlar. SPSS’te değişkenleri “anlamlı” kılmak, sadece isim vermek değildir; ölçüm düzeyi, değer etiketleri, eksik değer kodları ve format gibi alanlar bütün olarak düşünülmelidir. Bu aşamadaki küçük hatalar, daha sonra çok zaman kaybettiren düzeltmelere dönüşür.

Öncelikle veri sözlüğünü (data dictionary) netleştirin: her soru için değişken adı, açıklama, tür (sayısal/metin), olası değerler ve eksik değer tanımı. Bu sözlük, ekip içinde ortak bir referans olur ve raporların tutarlılığını artırır.

Değişken isimlendirme ve etiket mantığı

Değişken adları kısa ama anlamlı olmalı; boşluk ve Türkçe karakter kullanımında ekip standardı belirlemek faydalıdır. Örneğin “memnuniyet_1” gibi bir şablon, ölçek sorularında hızlı ilerlemeyi sağlar. Değişken etiketleri ise raporlama sırasında okunabilirliği yükseltir; özellikle dashboard ve tablo çıktılarında fark yaratır.

• Değişken adı: kısa, tutarlı, aynı şablonda
• Değişken etiketi: soru metnini veya özetini anlaşılır biçimde taşır
• Değer etiketleri: 1=Katılmıyorum, 5=Katılıyorum gibi net eşleştirmeler

Ölçüm düzeyi ve tür seçimi

Nominal/ordinal/scale ayrımı; tanımlayıcı istatistikler, test seçimleri ve görselleştirmelerde doğrudan etkili olur. Örneğin 1–5 Likert ölçeği çoğu pratikte ordinal gibi düşünülse de bazı ekipler puanlamayı ölçek (scale) varsayımıyla yürütür. Burada önemli olan, bu varsayımı dokümante etmek ve aynı yaklaşımı raporlar boyunca korumaktır.

2) SPSS’te anket kodlama stratejileri

Anket kodlama, “ham yanıtı” analitik bir forma dönüştürme işidir. Açık uçlu yanıtlar, çoklu seçim soruları, ters maddeler, tarih/saat alanları ve serbest metinler farklı kodlama teknikleri gerektirir. Kodlama yaklaşımı netleşmeden temizlik yapmaya başlamak, hatayı büyütür.

Likert sorularında değer etiketleri ve eksik değer kodları

Likert sorularında 1–5 gibi bir skala kullanıyorsanız, değer etiketlerini baştan tanımlamak kaliteyi artırır. Ayrıca “Bilmiyorum”, “Yanıt yok” gibi durumlar için 99/999 gibi ayrı kodlar kullanacaksanız bunu eksik değer olarak tanıtmanız gerekir. Böylece ortalama/standart sapma hesaplarına istemsiz dahil olmazlar.

* Değer etiketleri ve eksik değer tanımı örneği.
VARIABLE LABELS mem1 'Ürün performansından memnuniyet'.
VALUE LABELS mem1
  1 'Kesinlikle katılmıyorum'
  2 'Katılmıyorum'
  3 'Kararsızım'
  4 'Katılıyorum'
  5 'Kesinlikle katılıyorum'
  99 'Yanıt yok'.
MISSING VALUES mem1 (99).
EXECUTE.

Ters madde kodlama ve ölçek bütünlüğü

Ölçeklerde ters madde kullanımı yaygındır; ancak ters kodlama atlanırsa ölçek puanı yanıltıcı hale gelir. Ters maddeler için dönüşüm kuralını açıkça belirleyin (ör. 1↔5, 2↔4, 3 sabit). Sonrasında tutarlılık analizlerinde ters maddenin doğru yönde çalışıp çalışmadığını kontrol edin.

Çoklu yanıt (multiple response) sorularını doğru ele almak

“Birden fazla seçenek işaretleyebilirsiniz” türü sorular, tek bir değişken gibi ele alınamaz. En güvenli yaklaşım; her seçeneği ayrı bir ikili (0/1) değişkene dönüştürmek ve gerekiyorsa çoklu yanıt seti tanımlamaktır. Bu sayede frekanslar, çapraz tablolar ve segment analizleri daha temiz yürür.

3) Veri temizleme: eksik, tutarsız ve uç değerleri yakalama

Veri temizleme, “veriyi güzelleştirmek” değil; analizde risk oluşturan alanları sistematik olarak bulmaktır. Bu bölümde anket veri kalitesi için en pratik kontrol setini ele alacağız. Burada hedef; istatistiksel doğruluk kadar, süreç şeffaflığıdır: hangi kaydı neden dışladığınızı veya dönüştürdüğünüzü açıklayabilmelisiniz.

Eksik veri desenini inceleme

Eksik veriyi sadece toplam oranla değerlendirmek yetersizdir. Hangi sorularda yığılma var, belirli bir segmentte mi artıyor, sayfa atlama (skip logic) mi etkili, bunları görmelisiniz. SPSS’te frekans tabloları ve tanımlayıcı istatistiklerle hızlı bir ön tarama yapılabilir.

Aralık dışı değer ve yazım hatası kontrolleri

Özellikle yaş, gelir, kıdem, süre gibi alanlarda aralık dışı değerler sık görülür. Burada iki yaklaşım öne çıkar: (1) hatalı değerleri eksik olarak işaretlemek, (2) doğrulanabiliyorsa düzeltmek. Kurumsal raporlama tarafında genelde birinci yaklaşım daha “denetlenebilir” kabul edilir.

Uç değer yaklaşımı: silmek mi, dönüştürmek mi?

Uç değerler (outliers) her zaman “hata” değildir; bazen gerçek kullanıcı davranışının işaretidir. Bu yüzden önce kaynağı sorgulayın: veri giriş hatası mı, ölçüm hatası mı, yoksa beklenmedik ama gerçek bir durum mu? Karar sonrası izlenebilir olmalı: hangi yöntemle (winsorize, log dönüşüm, segment bazlı filtre) ele aldığınızı not edin.

* Basit temizlik akışı: aralık dışı değerleri eksik yapma ve hızlı özet.
RECODE yas (Lowest thru 0=SYSMIS) (121 thru Highest=SYSMIS).
VARIABLE LABELS yas 'Katılımcı yaşı (temizlenmiş)'.
FREQUENCIES VARIABLES=yas mem1
  /ORDER=ANALYSIS.
DESCRIPTIVES VARIABLES=yas mem1
  /STATISTICS=MEAN STDDEV MIN MAX.

4) Tutarlılık kontrolleri ve mantık kuralları

Anket verisinde en değerli adım, tutarlılık kontrolleridir. Çünkü “aritmetik olarak doğru” görünen bir kayıt, iş mantığına göre imkânsız olabilir. Örneğin 18 yaş altı bir katılımcının “10+ yıl iş tecrübesi” bildirmesi gibi. Bu kontroller; veri kalitesini artırmanın yanında, süreç sahiplerine güven verir.

Skip logic ve koşullu soruları doğrulama

Koşullu akışlarda (ör. “Evet dediyseniz devam edin”), beklenen boşlukların gerçekten kuraldan mı kaynaklandığını kontrol edin. Bu noktada eksik değerlerin anlamı çok önemlidir: “soru gösterilmedi” ile “gösterildi ama yanıtlanmadı” aynı şey değildir. Mümkünse bunları farklı kodlarla ayırın.

Çapraz tablolarla hızlı tutarlılık taraması

SPSS’te çapraz tablo (crosstab) kullanarak belirli mantık kurallarını hızlıca kontrol edebilirsiniz. Örneğin “müşteri mi çalışan mı” sorusuna göre “satın alma sıklığı” dağılımı, beklenmedik kümeleri hızlıca ortaya çıkarır. Burada amaç, tek tek kayıt kovalamak değil; kural dışı kümeleri görünür kılmaktır.

5) Türetilmiş değişkenler ve ölçek puanları

Ham anket sorularını doğrudan rapora taşımak her zaman iyi fikir değildir. Kurumsal raporlamada genellikle daha üst seviye göstergeler istenir: ölçek puanı, alt boyut puanı, NPS sınıflaması, segment etiketi gibi. Bu adımda hesaplamaların tutarlı olması ve ekip içinde tek bir tanımda birleşilmesi kritik olur.

Ölçek puanı hesaplama ve eksik madde kuralı

Ölçek puanı hesaplarken “eksik madde toleransı” belirleyin: örneğin 6 maddelik bir ölçek için en az 4 madde yanıtlanmışsa ortalama alın gibi. Bu kural, hem örneklem kaybını azaltır hem de rastgele boşlukların etkisini yönetilebilir hale getirir. Kuralı rapor notlarına eklemek, denetim açısından da faydalıdır.

Standardizasyon ve karşılaştırılabilirlik

Farklı dönem veya farklı örneklemleri kıyaslıyorsanız, z-skoru gibi standardizasyon teknikleriyle değişkenleri karşılaştırılabilir hale getirebilirsiniz. Ancak bu dönüşüm, iş birimlerine anlatımda zorlayıcı olabilir. Bu yüzden raporda hem ham ölçek hem de standardize skorun amacı açıkça belirtilmelidir.

6) Tekrarlanabilir veri hazırlama akışı: Syntax, sürüm ve dokümantasyon

SPSS arayüzü, hızlı işler için idealdir; fakat kurumsal ölçekte asıl ihtiyaç tekrarlanabilirliktir. Aynı anket her ay/çeyrek geldiğinde, süreci baştan kurgulamak yerine aynı akışı çalıştırmak istersiniz. Burada Syntax dosyaları, sürüm kontrol yaklaşımı ve kısa bir değişiklik günlüğü (changelog) büyük fark yaratır.

Syntax dosyalarını modülerleştirme

Tek bir uzun dosya yerine, “01_import”, “02_labeling”, “03_cleaning”, “04_checks”, “05_scoring” gibi modüller kullanmak bakım maliyetini düşürür. Böylece bir adım değiştiğinde tüm süreci yeniden gözden geçirmek zorunda kalmazsınız. Ayrıca test etmek de kolaylaşır: her modül çıktısı ayrı doğrulanabilir.

Kalite kontrol checklist’i ve paylaşım

Hazırladığınız kontrol listesini ekip standardı haline getirin: eksik veri özeti, aralık dışı değer raporu, ters madde kontrolü, skip logic doğrulaması, ölçek puanı kuralı. Bu liste; veri bilimi, iş analizi ve raporlama ekipleri arasında ortak dil oluşturur. Kurumsal ölçekte bu yaklaşımı daha sistemli kurmak için SPSS eğitimi içeriklerinden de faydalanabilirsiniz.

Son kontrol: analiz öncesi güvenilirlik adımları

Analize geçmeden önce kısa bir “son kontrol” turu, pahalı hataları engeller. Örneğin raporda kritik bir metrik boş çıkarsa bunun nedeni çoğu zaman kodlama veya eksik değer tanımıdır. Bu yüzden sonuçları üretmeden hemen önce, temel dağılımları ve beklenen mantık kurallarını yeniden doğrulayın.

İyi bir anket veri hazırlama süreci; hızlı, şeffaf ve tekrar edilebilir olmalıdır. Bu üçü birlikte sağlandığında, SPSS’te yaptığınız analizlerin güvenilirliği artar ve çıktılar karar vericiler için daha ikna edici hale gelir. En önemlisi, ekip içinde “veri kalitesi” bir kişiye bağlı olmaktan çıkar, süreç haline gelir.