R Shiny ile İnteraktif Dashboard Tasarlama

Shiny nasıl çalışır?

Shiny, R koduyla web uygulamaları oluşturmayı sağlar. Bir uygulama tipik olarak üç parçadan oluşur: UI arayüzü ve kontrolleri tanımlar, server girdilere göre hesaplama yapıp çıktıları üretir, shinyApp() ise bu ikisini birleştirip uygulamayı başlatır.

Kullanıcı bir seçim yaptığında Shiny hangi çıktının o girdiye bağlı olduğunu izler ve yalnızca gereken ifadeleri yeniden çalıştırır. Bu reaktif akış sayesinde filtreler, grafikler, KPI metinleri ve tablolar aynı seçime birlikte uyum sağlar — hiçbirini elle güncellemeniz gerekmez.

1. Kapsamı ve veri yapısını planlayın

İlk sürümde tek bir kullanıcı profili ve birkaç net soruyla başlayın. Örneğin bir ekip “hangi silindir grubunda yakıt verimliliği daha iyi?” sorusunu yanıtlamak isteyebilir. Veri alanlarını, filtre değerlerini, yenileme sıklığını ve gösterilecek metrikleri önceden belirleyin.

Veri kaynağını uygulamadan ayrı tutun ve büyük dosyaları her kullanıcı oturumunda yeniden okumayın. Üretim senaryosunda önbellekleme, veritabanı sorgusu, hata yönetimi ve erişim kontrolü de tasarımın parçasıdır.

2. Arayüzü kurun

Filtreleri mantıklı biçimde gruplayın: sol panelde kategori seçimi, tarih aralığı ve ölçüt seçicisi; ana alanda KPI, grafik ve tablo. Kontrol etiketleri anlaşılır olmalı ve başlangıç seçimi tek başına yararlı bir görünüm üretmeli.

library(shiny)
library(ggplot2)
library(dplyr)

ui <- fluidPage(
  titlePanel("Araç Verisi Dashboard'u"),
  sidebarLayout(
    sidebarPanel(
      selectInput("cyl", "Silindir grubu",
                  choices = c("Tümü", "4", "6", "8")),
      selectInput("x", "X ekseni",
                  choices = c("mpg", "wt", "hp"), selected = "wt"),
      selectInput("y", "Y ekseni",
                  choices = c("mpg", "wt", "hp"), selected = "mpg")
    ),
    mainPanel(
      textOutput("n"),
      plotOutput("scatter"),
      tableOutput("summary")
    )
  )
)

inputId değerleri server tarafında input$... olarak okunur. UI'daki her çıktı kimliğinin server tarafında karşılık gelen bir render* ifadesi olmalı; eşleşmeyen bir kimlik hata vermez, sadece boş bir alan bırakır.

3. Filtreleme ve reaktif hesaplama

Tekrarlanan filtrelemeyi reactive() içinde tanımlayın. Böylece veri alt kümesi yalnızca bağımlı girdi değiştiğinde yeniden hesaplanır ve birden çok çıktı aynı sonucu paylaşır. Aynı filtreyi üç ayrı render bloğunda tekrarlamak, aynı işi üç kez yaptırmak demektir.

cars <- mtcars |>
  tibble::rownames_to_column("model") |>
  mutate(cyl = as.character(cyl))

server <- function(input, output, session) {

  filtered <- reactive({
    if (input$cyl == "Tümü") cars
    else filter(cars, cyl == input$cyl)
  })

  output$n <- renderText({
    paste("Filtredeki kayıt:", nrow(filtered()))
  })

  output$scatter <- renderPlot({
    ggplot(filtered(), aes(x = .data[[input$x]],
                           y = .data[[input$y]])) +
      geom_point(color = "#48b8c6", size = 3) +
      theme_minimal(base_size = 13) +
      labs(x = input$x, y = input$y)
  })

  output$summary <- renderTable({
    filtered() |>
      summarise(across(c(mpg, wt, hp),
                       ~ round(mean(.x), 2)))
  })
}

shinyApp(ui = ui, server = server)

Dikkat edilecek iki ayrıntı var. filtered bir fonksiyondur, bu yüzden her kullanımda filtered() şeklinde parantezle çağrılır. .data[[input$x]] ise kullanıcının seçtiği sütun adını ggplot'a güvenli biçimde aktarır — doğrudan aes(x = input$x) yazarsanız grafikte verinin kendisi değil, sütunun adı metin olarak çizilir.

4. Grafikleri ve özetleri tasarlayın

Her görsel tek bir soruya cevap versin. Zaman eğilimi için çizgi, kategori kıyası için çubuk, iki ölçüm arasındaki ilişki için saçılım grafiği kullanın. Eksen adları, birimler, başlıklar ve sayı biçimleri açık olmalı.

Panonun varsayılan hâli de anlamlı olsun. Boş panel, kesilmiş etiket ve aşırı renk kullanımı kullanıcıya ek yük bindirir; renkleri tutarlı ve erişilebilir seçin.

5. Hata ve boş durumları yönetin

Filtre seçimi hiçbir kayıt döndürmeyebilir. Çıktıyı hesaplamadan önce req() ile gerekli girdileri doğrulayın ya da anlaşılır bir boş durum mesajı gösterin. Sayısal metriklerde NA değerlerini nasıl ele aldığınızı belirtin — her eksik değeri sessizce sıfıra çevirmek, kullanıcıya olmayan bir gerçeklik sunar.

output$summary <- renderTable({
  dat <- filtered()

  validate(need(nrow(dat) > 0,
                "Bu filtrelerle kayıt bulunamadı."))

  summarise(dat, ortalama_mpg = mean(mpg, na.rm = TRUE))
})

validate(need(...)) kullanıcıya kırmızı bir R hatası yerine yazdığınız cümleyi gösterir. Veri yükleme hatalarını, uzun süren işlemleri ve son güncelleme zamanını da görünür kılın; kullanıcı bir şeyi yanlış anladığında nedenini kendisi bulabilsin.

6. Performans ve uygulama yapısı

Reaktif ifadeleri küçük ve yeniden kullanılabilir tutun. Ağır hesaplamaları her çıktıda yeniden yazmak yerine ortak bir reaktif sonuçtan besleyin. Büyük veride filtrelemeyi veritabanına itmeyi, önbelleklemeyi veya önceden hazırlanmış özet tabloları değerlendirin.

Uygulama büyüdükçe filtre, grafik ve KPI bileşenlerini Shiny modüllerine ayırın; veri erişimi, iş mantığı ve sunum kodunu birbirine karıştırmayın. Gizli bilgileri (bağlantı dizesi, anahtar, parola) asla kaynak koda gömmeyin ve paylaşıma açmadan önce erişim modelini netleştirin.

7. Geliştirmeden paylaşıma

1. Yerelde çalıştırın: küçük bir örnek veri ve temel filtrelerle başlayın.
2. Beklenen sonuçları doğrulayın: filtreli grafik ve özetleri bağımsız bir hesapla karşılaştırın.
3. Farklı ekranlarda inceleyin: dar mobil ekranlarda kontrolleri ve grafikleri deneyin.
4. Bağımlılıkları kaydedin: R paket sürümlerini ve veri gereksinimlerini yazılı tutun.
5. Dağıtım ortamını seçin: kurum içi sunucu ya da uygun bir Shiny barındırma seçeneği.
6. İzleyin ve güncelleyin: hata, veri tazeliği, erişim ve performansı takip edin.

Dashboard kontrol listesi

Küçük bir arayüzle başlayın

Bir Shiny panosunun değeri, kullanıcı girdilerinin veriyi keşfetmeyi gerçekten kolaylaştırmasından gelir. Küçük bir arayüzle başlayın, girdileri reaktif veri ve çıktılara bağlayın, sonra gerçek kullanım geri bildirimiyle geliştirin.

Temiz bir düzen, doğru seçilmiş metrikler ve açıklayıcı boş durumlar; çoğu zaman eklenen fazladan görsel sayısından çok daha değerlidir. Kullanılmayan her kontrol, kullanılan kontrollerin de dikkatini dağıtır.

Resmî kaynaklar

• Posit Shiny — başlangıç rehberi
• Shiny — reaktif ifadeler
• Shiny — reaktif çıktılar
• Shiny — sidebarLayout referansı