Depoda fazla stok var ama raflarda tam da satılan ürün yok — bu tablo, Türkiye’deki imalatçı KOBİ’lerin çoğunda tanıdık. Sorun genelde talebi görememekten değil, veriyi zamanında birleştirememekten kaynaklanır: satış geçmişi bir Excel dosyasında, üretim planı ayrı bir tabloda, tedarikçi teslim süreleri de birinin kafasında. Yapay zekâ destekli talep tahmini, bu üç parçayı tek bir karar mantığında birleştirmeyi hedefler.
Talep tahmini neden hâlâ zor
Klasik yöntem geçmiş satış ortalamasını alıp mevsimsellik ekler. Bu yaklaşım istikrarlı ürünlerde işe yarar ama gerçek hayatta değişkenlik fazladır: kampanya etkisi, hammadde fiyat dalgalanması, tedarikçi gecikmesi, hatta hava durumu bile talebi kaydırabilir. Tek değişkenli tahmin bu sinyalleri yakalayamaz — sonuç, ya güvenlik stoğunu şişirmek ya da stok tükenmesi riskini göze almak olur.
İkinci sorun ölçek. Bir imalatçı onlarca hatta yüzlerce SKU (stok tutma birimi) için ayrı ayrı tahmin yapmak zorundadır. Elle veya basit formülle bu iş yönetilemez hâle gelir; planlamacı zamanının çoğu tahmin güncellemeye değil, veri toplamaya gider.
Yapay zekâ destekli talep tahmini nasıl çalışır
Makine öğrenmesi tabanlı tahmin modelleri, geçmiş satış verisinin yanına birden fazla değişken ekler: sipariş döngüleri, tedarikçi teslim süresi, stok devir hızı, hatta dış veriler (döviz kuru, sektörel endeks). Model bu değişkenler arasındaki örüntüyü öğrenir ve her SKU için ayrı bir tahmin üretir; klasik ortalama yöntemine göre çok daha fazla sinyali aynı anda değerlendirebilir.
Pratikte üç veri katmanı gerekir:
- İşlem verisi — ERP’deki satış, sipariş ve stok hareketleri (temiz ve güncel olmalı)
- Operasyonel veri — üretim hattı çıktısı, tedarikçi teslim performansı; makine haberleşmesi (M2M) veya IoT sensörleriyle otomatik toplanabilir
- Dış sinyal — döviz kuru, sektörel talep endeksi, mevsimsel kampanya takvimi
Bu katmanlar ne kadar dağınıksa modelin doğruluğu o kadar düşer. Yapay zekâ projesinden önce veri altyapısını dijital dönüşüm kapsamında düzene sokmak, çoğu zaman modelin kendisinden daha kritik bir adımdır.
Stok optimizasyonunda somut fayda nerede
Doğru kurulan bir talep tahmini modeli, tek başına satış artırmaz; asıl katkısı stok kararını veriye dayandırmaktır. Aşağıdaki tablo geleneksel ve yapay zekâ destekli yaklaşımı karşılaştırıyor.
| Boyut | Geleneksel yöntem | Yapay zekâ destekli yaklaşım |
|---|---|---|
| Tahmin birimi | Ürün grubu / kategori | Tek SKU bazında |
| Girdi sayısı | Genelde 1-2 değişken (geçmiş satış, mevsim) | Çok değişkenli (satış, tedarik süresi, dış sinyal) |
| Güncelleme sıklığı | Aylık / manuel | Sürekli, veri geldikçe otomatik |
| Planlamacı zamanı | Veri toplamaya gider | Sapmaları yorumlamaya gider |
| Hata payı | Ürün bazında değişken, ölçülmez | Ölçülebilir (tahmin-gerçekleşen farkı izlenir) |
Bağımsız tedarik zinciri araştırmaları, çok değişkenli talep tahmininin doğru uygulandığında stok maliyetini ve stok tükenmesi oranını ölçülebilir biçimde düşürdüğünü gösteriyor (IBM, AI Inventory Management). Ancak kazanım işletmeden işletmeye değişir; kesin bir yüzde vaat etmek yerine kendi tahmin hatanızı (tahmin-gerçekleşen farkı) ölçüp zaman içinde izlemek daha güvenilir bir yaklaşımdır.
Başlamadan önce hazırlık listesi
Yapay zekâ modeli kurmadan önce şu üç soruyu netleştirmek gerekir:
- Veri temiz mi? ERP’deki ürün kodları, birim ve stok hareketleri tutarlı mı, yoksa aynı ürün üç farklı isimle mi kayıtlı?
- Hangi SKU’lar öncelikli? Ciro veya kritik teslim süresi açısından en yüksek etkiyi yaratan 20-30 ürünle pilot başlamak, tüm katalogla aynı anda başlamaktan daha hızlı sonuç verir.
- Kim yorumlayacak? Model bir tahmin üretir; sapmaları yorumlayıp satın alma/üretim kararına çeviren bir planlamacı hâlâ gerekir. Araç insanın yerine geçmez, kararını hızlandırır.
Bu üç soruya net cevap veremeyen bir işletme için önce ERP verisini toparlamak, modelden önce gelir.
Nereden başlamalı: veri altyapısından modele
Talep tahmini projesi tek adımda kurulmaz; sırası genelde şöyle işler:
- Ölç — ERP ve saha verisini (M2M/IoT) tek kaynakta topla, veri kalitesini denetle.
- Dönüştür — Pilot SKU grubu için tahmin modelini kur, sonuçları mevcut satın alma sürecine bağla.
- Sürdür — Model performansını (tahmin hatası) düzenli izle, yeni ürün/kanal eklendikçe modeli güncelle.
Bu üç adım, veri altyapısı olgunlaşmadan modelden fayda beklemenin neden hayal kırıklığı yarattığını da açıklar: model, verdiğiniz veri kadar iyidir.
İkiz Eksen’in yaklaşımı
İkiz Eksen, Qera birikiminden gelen 550+ müşteri, 15+ sektör ve 100+ ERP entegrasyonu deneyimini bu tür projelerde kullanır. Yaklaşık 35 kişilik uzman ekip, önce mevcut ERP ve saha verisinin durumunu değerlendirir, sonra Microsoft Azure altyapısında ölçeklenebilir bir tahmin/optimizasyon katmanı kurar. Projeler Türkiye genelinde, anahtar teslim yürütülür — veri toplama, model kurulumu ve satın alma sürecine entegrasyon tek çözüm ortağından.
Talep tahmini ve stok optimizasyonunu kendi verinizle nasıl değerlendireceğinizi konuşmak için çözüm odaklarımıza göz atabilir ya da doğrudan bize ulaşabilirsiniz.
Sıkça Sorulan Sorular
Yapay zekâ destekli talep tahmini için ne kadar veri geçmişi gerekir?
Genel kural en az 12-24 aylık düzenli satış/stok hareketi verisidir; mevsimsellik olan ürünlerde en az bir tam sezon döngüsü önemlidir. Veri kısaysa model önce basit istatistiksel yöntemlerle başlar, veri biriktikçe geliştirilir.
Küçük bir işletme için bu yatırım mantıklı mı?
Tüm kataloğu aynı anda modellemek yerine en kritik 20-30 SKU ile pilot başlamak, küçük ölçekte de anlamlı bir başlangıç noktası sunar. Yatırım kararı, mevcut stok hatasının maliyetine göre değerlendirilmelidir.
ERP’m eski/parçalı, yine de başlayabilir miyim?
Evet ama sıralama önemli: önce veri temizliği ve tek kaynağa toplama, sonra tahmin modeli. Parçalı veriyle kurulan model güvenilir sonuç üretmez.
Model kurulduktan sonra bakım gerekir mi?
Evet. Ürün yelpazesi, tedarikçi veya pazar koşulları değiştikçe model periyodik olarak yeniden eğitilmeli ve tahmin hatası izlenmelidir; kur-ve-unut bir sistem değildir.
Bu rakamlara ve iddialara güvenebilir miyim?
Bu yazıdaki genel bulgular bağımsız kaynaklardan alınmıştır; kendi işletmenizdeki kazanım, veri kalitenize ve ürün karmaşıklığınıza göre değişir. Kesin bir yatırım getirisi hesabı için önce mevcut tahmin hatanızı ölçmenizi öneririz.