Veri toplama, çeşitli kaynaklardan bilgi edinmeyi içerir. Anketler, sensörler, web günlükleri, işlem kayıtları, sosyal medya ve kamuya açık veri tabanları bu süreci besler. Yöntem, veriyi şekillendirir. Yönlendirici sorular içeren bir anket, yanlı cevaplar üretir. Kalibrasyon kayması olan bir sensör, yanlış okumalar üretir. Hız sınırlamalarını göz ardı eden bir web kazıyıcı engellenir. Toplama tarafsız değildir. Her seçim, ne öğrendiğinizi etkiler.

İlk soru, neye ihtiyacınız olduğu ve neden ihtiyacınız olduğudur. Her şeyi toplamak cazip gelebilir ve genellikle israftır. Veri depolama maliyetlidir. İşleme maliyetlidir. Temizleme maliyetlidir. Kullanılmayan veriler bir varlık değil, bir yükümlülüktür. İkinci soru, verileri etik ve yasal olarak nasıl toplayacağınızdır. Onay önemlidir. GDPR gibi gizlilik yasaları, kişisel verilerin toplanması için yasal bir dayanak gerektirir. Birçok platformda hizmet şartları, veri kazımayı kısıtlar. Üçüncü soru ise kalitedir. Kaynak güvenilir mi? Örnek temsili mi? Eksiklikler var mı? Kalite kontrolü olmadan yapılan veri toplama, daha sonra başarısız olan veri kümeleri üretir. Bir sorunu yakalamanın en iyi zamanı, veriler işleme hattına girmeden önce, birisi üzerinde bir model oluşturduktan sonra değil, öncedir.

Toplama yöntemleri

• Anketler — yapılandırılmış sorular, yanıt yanlılığına yatkın.
• Sensörler — otomatik, sürekli, kalibrasyona duyarlı
• Web kazıma — yasal sınırlamalara tabi olarak kamuya açık verileri çıkarma işlemidir.
• İşlem kayıtları — kullanıcı davranışını otomatik olarak yakalar
• Kamu kayıtları — devlet ve açık veri kaynakları

Veri toplama bir tasarım kararıdır. Ne topladığınız, ne öğrenebileceğinizi belirler. Neyi kaçırdığınız ise asla bilemeyeceğinizi belirler.