Yapay Zeka ile Stok Optimizasyonu Nasıl Yapılır?

Tedarik zinciri yöneticileri ve işletme sahipleri için envanter maliyetlerini minimize ederken müşteri talebini kesintisiz karşılamak, operasyonel sürdürülebilirliğin temel şartıdır. Yapay zeka ile stok optimizasyonu; geçmiş satış verileri, pazar trendleri, tedarikçi gecikmeleri ve dış değişkenleri makine öğrenmesi algoritmalarıyla işleyerek talep tahminleme, dinamik sipariş noktası belirleme ve depo kaynaklarını verimli yönetme sürecidir. Bu rehber; veri mimarisinin kurulmasından algoritma seçimine, SaaS ve özel yazılım ayrımından insan denetimli (human-in-the-loop) sistemlerin kurgulanmasına kadar Yapay Zeka ile Stok Optimizasyonu Nasıl Yapılır? sorusunu uçtan uca teknik ve operasyonel boyutlarıyla açıklamaktadır.

Yapay Zeka ile Stok Optimizasyonu Nedir?

Stok optimizasyonu, doğru ürünün, doğru miktarda, doğru zamanda ve en düşük toplam maliyetle depoda bulundurulmasını hedefleyen matematiksel ve operasyonel disiplindir. Geleneksel yaklaşımlar genellikle geçmiş dönemin hareketli ortalamalarını veya basit doğrusal trend hesaplamalarını temel alarak statik güvenlik stokları tanımlar. Bu yöntemler; mevsimsellik, ani promosyonel dalgalanmalar, makroekonomik parametreler ve tedarikçi teslim sürelerindeki (lead time) stokastik değişkenlikleri aynı anda modellemekte yetersiz kalır. Sonuç olarak işletmeler ya gereksiz işletme sermayesini bağlayan aşırı stok (overstock) maliyetleriyle ya da satış ve müşteri kaybına yol açan stoksuz kalma (out-of-stock) kriziyle yüzleşir.

Yapay zeka ile stok optimizasyonu, deterministik ve kural tabanlı sistemlerin yerine olasılıksal makine öğrenmesi modellerini yerleştirir. Bu sistemler yüz binlerce stok saklama birimini (SKU) aynı anda analiz edebilir. Yalnızca şirket içi işlem kayıtlarını değil; hava durumu raporlarını, bölgesel etkinlikleri, rakip fiyat hareketlerini ve tedarik zincirindeki lojistik darboğazları modele birer öznitelik (feature) olarak dahil eder. Süreç, statik minimum-maksimum seviyeleri yerine her SKU için anlık olarak güncellenen esnek sipariş tetikleyicileri üretir. Böylece sermaye tahsisi doğrudan gerçek talebe göre dengelenir ve depolama alanı en yüksek katma değeri sunacak ürünlere ayrılır.

Makine Öğrenmesi (ML) ve Veri Analitiğinin Rolü

Makine öğrenmesi, stok optimizasyonunda özellikle doğrusal olmayan (non-linear) örüntüleri yakalama gücüyle öne çıkar. Geleneksel istatistiksel modeller belirli varsayımlara (örneğin verinin normal dağıldığına) ihtiyaç duyarken; Gradient Boosting (XGBoost, LightGBM, CatBoost) ve derin öğrenme mimarileri (LSTM, Temporal Fusion Transformers) karmaşık, çok değişkenli zaman serisi verilerini yüksek doğrulukla analiz edebilir. Bu algoritmalar, geçmiş satış adetleri ile gelecekteki talep arasındaki ilişkiyi kurarken gecikme etkilerini (lag features), promosyon elastikiyetini ve ürünler arasındaki yamyamlaşma (cannibalization) dinamiklerini hesaba katar.

Veri analitiği boru hatları (data pipelines) ise bu algoritmaların beslenmesini sağlar. Ham ERP kayıtları; stok hareketleri, tersine lojistik iadeleri, iptaller ve tedarikçi faturaları gibi heterojen verileri içerir. Veri ambarları (Snowflake, BigQuery, Databricks) üzerinde çalışan dönüştürme katmanları, ham işlem verilerini makine öğrenmesi modellerine uygun öznitelik matrislerine dönüştürür. Eksik verilerin imputasyonu, uç değerlerin (outliers) ayıklanması ve veri normalizasyonu süreçleri, tahmin doğruluğunu (accuracy) doğrudan artırır. Tahmin motoru, periyodik olarak çalışarak her ürün grubu için geleceğe dönük güven aralıkları üretir ve operasyon ekiplerine hangi depoya ne zaman ikmal yapılması gerektiğini bildirir.

Geleneksel Stok Yönetimi ile Yapay Zeka Arasındaki Farklar

Geleneksel stok yönetimi büyük ölçüde geriye dönük reaktif bir yapıya sahiptir. Depo sorumluları veya satın alma uzmanları, ayda bir kez sistemden aldıkları Excel raporlarıyla geçmiş üç veya altı ayın satış ortalamasını hesaplar. Bu ortalamanın üzerine sabit bir yüzde veya tedarik süresine bağlı sabit bir tampon eklenir. Ancak bu statik yaklaşım, ürün yaşam döngüsünün hangi aşamasında olduğunu (lansman, büyüme, olgunluk, düşüş) algılayamaz. Yeni tanıtılan bir ürün için geçmiş veri olmadığı için sistem kör kalırken, modası geçmiş bir ürün için geçmiş satışların yüksekliği nedeniyle gereksiz satın alma önerileri verilir.

Yapay zeka tabanlı sistemler ise proaktif ve dinamiktir. Talep tahminleme (demand forecasting) modelleri, sipariş sıklığı düşen ürünleri hızla tespit ederek güvenlik stoğunu aşağı çeker; talebi hızla artan popüler ürünlerde ise tedarik süresi uzama riskini hesaplayarak erken sipariş noktası oluşturur. Sistemler dinamik emniyet payı (dynamic safety stock) hesaplayarak servis seviyesi hedefleriyle (örneğin %98 bulunabilirlik) stok tutma maliyetlerini eşzamanlı optimize eder.

Yapay Zeka Destekli Stok Optimizasyonu Nasıl Yapılır? Adım Adım Uygulama Yol Haritası

Yapay zeka ile stok optimizasyonunu hayata geçirmek, yalnızca hazır bir algoritmayı çalıştırmaktan ibaret değildir; sağlam bir veri mühendisliği, iş mantığı doğrulaması ve operasyonel değişim yönetimi gerektirir. Sürecin başarısı, kullanılan modelin karmaşıklığından ziyade modele giren verinin bütünlüğüne ve işletmenin tedarik zinciri kurallarına ne derece uyarlandığına bağlıdır. Ortalama bir kurumsal AI stok dönüşüm projesi, altyapı hazırlığı ve ilk pilot testler dahil olmak üzere 12 ila 24 hafta arasında bir uygulama takvimi gerektirir.

Uygulama sürecinde aceleyle tüm ürün portföyünü algoritmaya devretmek, tahmin edilebilir hataların tüm operasyona yayılmasına yol açabilir. Bunun yerine, riskin kontrol altında tutulabileceği belirli bir kategori veya depo lokasyonunda pilot uygulama başlatılmalıdır. Modelin ürettiği satın alma önerileri önce insan onayından geçmeli, elde edilen doğruluk metrikleri kabul edilebilir eşik değerlere ulaştıktan sonra tam otonom sipariş tetikleme aşamasına geçilmelidir.

1. Adım: Veri Toplama, Temizleme ve ERP/WMS Entegrasyonu

Stok optimizasyonunun temeli, işletmenin işlem kayıtlarının merkezi bir noktada toplanmasıyla atılır. Çoğu işletmede veriler dağınık haldedir: Satış kayıtları ERP sisteminde (SAP, Microsoft Dynamics, Netsis), depo hareketleri WMS yazılımında (Manhattan, Blue Yonder veya tescilli yerel sistemler), e-ticaret siparişleri ise Shopify veya Magento gibi platformlarda tutulur. İlk teknik zorunluluk, bu sistemlerden güvenli REST API veya CDC (Change Data Capture) protokolleri aracılığıyla veri çeken ETL/ELT hatlarının kurulmasıdır.

Veri temizleme aşamasında şu kritik senaryolar işlenmelidir:

• Stoksuz Kalma Düzeltmesi (Unconstraining Demand): Bir ürün depoda tükendiğinde satış adedi sıfır görünür. Ancak bu, gerçek talebin sıfır olduğu anlamına gelmez. Algoritmanın bu dönemi talep düşüşü olarak öğrenmemesi için eksik günler tespit edilmeli ve sansürlenmiş veri (censored demand) yöntemleriyle gerçek potansiyel talep tahmin edilerek veriye işlenmelidir.

• Promosyon ve Fiyat Değişiklikleri: Yapılan indirim kampanyaları, sepet kampanyaları veya kupon kullanımları ayrıştırılarak baz talep ile kampanya etkisi birbirinden izole edilmelidir.

• İadeler ve İptaller: Özellikle e-ticaret operasyonlarında brüt satışlar yerine net satışlar baz alınmalı; dönen iadelerin depoya giriş süreleri döngüye eklenmelidir.

• Tedarikçi Performansı Kayıtları: Satın alma siparişinin açıldığı tarih ile ürünlerin fiilen rafa girdiği tarih arasındaki sapmalar gün bazında loglanmalıdır.

2. Adım: Talep Tahminleme (Demand Forecasting) Modellerinin Seçimi

Temizlenmiş veri seti elde edildikten sonra her ürün grubunun talep karakteristiğine uygun algoritma eşleştirmesi yapılır. Perakendede "tek bir model tüm ürünlere uyar" yaklaşımı çalışmaz. Hızlı satan, düzenli talebe sahip ürünler ile yılda sadece birkaç kez sipariş edilen yedek parça gibi seyrek (intermittent/lumpy) talebe sahip ürünlerin modelleme ihtiyaçları tamamen farklıdır.

Bu aşamada SKU portföyü ABC-XYZ analiziyle katmanlandırılır:

• AX / BX Grubu (Yüksek Ciro, Düşük Varyans): Bu ürünlerde geleneksel istatistiksel zaman serisi yöntemleri (AutoARIMA, Exponential Smoothing) veya LightGBM tabanlı çok değişkenli regresyon modelleri yüksek doğruluk ve düşük maliyet sağlar.

• AY / BY Grubu (Yüksek Ciro, Yüksek Varyans): Promosyonlara ve mevsimselliğe aşırı duyarlı bu grupta Temporal Fusion Transformer (TFT) veya XGBoost gibi öznitelik ağırlıklı derin ve gradyan artırmalı modeller tercih edilir.

• CZ Grubu (Düşük Ciro, Yüksek Varyans - Seyrek Talep): Sıfır satışların yoğun olduğu bu grupta standart modeller çöker. Croston yöntemi veya bootstrapping tabanlı olasılıksal tahminleme algoritmaları devreye alınmalıdır.

Model başarısı, karesel ortalama hata (RMSE) veya ortalama mutlak yüzde hata (MAPE) gibi klasik metriklerin yanı sıra, özellikle perakendede sıfır bölme sorununu engelleyen WAPE (Weighted Absolute Percentage Error) metriği ile ölçülür:

Burada $y_t$ gerçek talebi, $\hat{y}_t$ ise modelin tahmin ettiği talebi temsil eder. Kabul edilebilir kurumsal modellerde WAPE oranının %15-25 bandının altına çekilmesi hedeflenir.

3. Adım: Dinamik Sipariş Noktası (Reorder Point) ve Güvenlik Stoğu Analizi

Yapay zeka sadece gelecekte kaç adet ürün satılacağını tahmin etmekle kalmaz; stok yenileme kararının tam olarak ne zaman verilmesi gerektiğini belirler. Geleneksel formüllerde sipariş noktası statik bir tedarik süresi ve sabit talep ortalamasıyla hesaplanır. Oysa yapay zeka destekli dinamik sipariş noktası ($ROP$), hem talep dağılımının varyansını hem de tedarikçi teslim süresinin ($L$) olasılık dağılımını eşzamanlı simüle eder.

Dinamik Sipariş Noktası formülasyonu operasyonel olarak şu şekilde kurgulanır:

Burada $\hat{d}$ makine öğrenmesi modelinin belirlediği günlük beklenen talep, $\bar{L}$ tedarikçinin beklenen teslim süresidir. Dinamik güvenlik stoğu ($SS_{dinamik}$) ise servis seviyesi faktörü ($Z$), talep standart sapması ($\sigma_d$) ve tedarik süresi standart sapması ($\sigma_L$) üzerinden hesaplanır:

Yapay zeka modeli, tedarikçinin son sevkiyatlarda gecikme eğilimi gösterdiğini fark ederse $\sigma_L$ değerini yukarı yönlü revize eder. Benzer şekilde, yaklaşan bir tatil veya hava muhalefeti nedeniyle lojistikte aksama öngörülüyorsa, sistem güvenlik stoğunu otomatik artırarak stoksuz kalma riskini sıfıra yaklaştırır. Tedarikçi performansı istikrara kavuştuğunda ise güvenlik tamponunu indirerek gereksiz depo alanı işgalini sonlandırır.

4. Adım: Sürekli Model Performansı İzleme ve İnce Ayar (Fine-Tuning)

Üretime (production) alınan bir makine öğrenmesi modeli statik kalamaz. Tüketici davranışları, enflasyonist baskılar, yeni rakiplerin pazara girmesi veya platform algoritmalarının değişmesi zaman içinde veri kaymasına (data drift) ve kavram kaymasına (concept drift) yol açar. Birkaç ay önce %90 doğrulukla çalışan bir talep modeli, piyasa koşulları değiştiğinde hızla bozulabilir.

Bu nedenle MLOps boru hatları kurulmalıdır. Sistem, gerçekleşen gerçek satışlar ile model tahminlerini her gün karşılaştırmalıdır. Sapma oranı belirlenen kritik eşiği aştığında (örneğin WAPE 7 gün üst üste %30'un üzerine çıktığında) otomatik uyarı mekanizmaları devreye girmelidir. Belirli periyotlarla (haftalık veya aylık) model, yeni eklenen en güncel satış ve envanter verileriyle yeniden eğitilmeli (re-training) ve hiperparametre optimizasyonundan geçirilmelidir.

Stok Optimizasyonunda Kullanılan Yapay Zeka Yöntemleri ve Algoritmaları

Stok yönetiminde yapay zeka mimarisi tasarlanırken tek bir algoritma ailesine bağlı kalmak verimsizlik yaratır. Envanter yönetimindeki problemler; zaman boyutu, dışsal değişkenlerin sayısı, tahmin ufku (forecast horizon) ve veri büyüklüğüne göre farklı matematiksel araçlar gerektirir. Kurumsal düzeyde başarı elde etmiş sistemler genellikle karma (ensemble) mimariler kurarak birden fazla algoritmanın tahminlerini ağırlıklandırarak birleştirir.

Söz konusu modeller sadece tahmin üretmekle kalmaz; optimizasyon katmanında lineer programlama (Linear Programming) ve kısıt tatmin yöntemleriyle (Constraint Satisfaction) bir araya getirilir. Böylece depolama hacmi kısıtları, nakliye konteyneri kapasitesi (tam kamyon yükü - FTL hesaplamaları) ve tedarikçilerin uyguladığı minimum sipariş miktarı (MOQ) parametreleri hesaba katılarak optimal satın alma kararlarına dönüştürülür.

Zaman Serisi Analizleri (Time Series) ve Regresyon Modelleri

Zaman serisi analizi, geçmişteki sıralı gözlemlerden gelecekteki değerleri kestirmeyi amaçlar. Geleneksel ARIMA ve SARIMA modelleri doğrusal trendleri ve belirgin mevsimsellikleri modellemede başarılıdır ancak promosyon, fiyat indirimleri ve hava durumu gibi dışsal değişkenleri (exogenous variables) dahil etmekte kısıtlıdır. Meta tarafından geliştirilen Prophet algoritması, tatil günleri ve mevsimsel döngüleri parametrik olarak yakalamada pratik bir başlangıç noktası sunar; ancak karmaşık etkileşimlerde makine öğrenmesi tabanlı regresyon modellerinin gerisinde kalabilir.

Gelişmiş stok projelerinde sektör standardı haline gelen modeller Gradient Boosted Decision Trees (GBDT) ailesidir:

• XGBoost ve LightGBM: Tablolu verilerde (tabular data) olağanüstü performans sergilerler. Son 7, 14, 30 ve 90 günlük hareketli ortalamalar, geçmiş yılın aynı günündeki satışlar, ürünün o anki fiyatının kategori ortalamasına oranı ve planlanan pazarlama bütçesi gibi yüzlerce öznitelik sisteme girdi olarak verilebilir. Model, bu özniteliklerin hangilerinin satışı nasıl etkilediğini kural ağaçları inşa ederek çözer.

• DeepAR ve TFT (Temporal Fusion Transformer): Amazon tarafından envanter tahminleri için geliştirilen DeepAR gibi olasılıksal derin öğrenme modelleri, binlerce ilişkili zaman serisini eşzamanlı eğitir. TFT ise dikkat mekanizmaları (attention mechanisms) kullanarak modelin hangi tarihsel olaylara (örneğin geçen seneki Kara Cuma dönemi) daha fazla odaklanması gerektiğini otonom olarak tespit eder ve tek bir nokta tahmini yerine olasılık dağılımı (p10, p50, p90 persentilleri) sunar.

Büyük Dil Modelleri (LLM) ve Üretken AI Stok Yönetiminde Kullanılabilir mi?

Büyük Dil Modelleri (LLM) dil ve bağlam anlama konusunda yetenekli olsa da, deterministik sayısal hesaplamalar ve saf zaman serisi regresyonu için doğrudan talep tahmin motoru olarak kullanılmamalıdır. Bir LLM'e geçmiş 365 günün satış rakamlarını verip "Gelecek ay kaç adet satacağız?" sorusunu sormak, modelin halüsinasyon (hallucination) görme riskini artırır; model matematiksel bir optimizasyon yapmak yerine dilsel olarak olası görünen rastgele rakamlar üretebilir.

Bununla birlikte LLM'ler ve Üretken Yapay Zeka, stok optimizasyonunun çevresel süreçlerinde RAG (Retrieval-Augmented Generation) mimarileriyle desteklenerek kritik roller üstlenebilir:

• Yapılandırılmamış Verilerin Ayrıştırılması: Tedarikçilerden gelen PDF formatındaki e-postalar, teslimat gecikme bildirimleri, liman grev haberleri veya gümrük mevzuatı güncellemeleri LLM'ler aracılığıyla metinden çıkarılır ve sayısal risk puanlarına dönüştürülerek ana optimizasyon motoruna girdi sağlanır.

• Doğal Dil Arayüzleri (Conversational BI): Depo ve satın alma yöneticilerinin karmaşık SQL sorguları veya BI gösterge panelleri yerine "Gelecek iki hafta içinde İstanbul deposunda tükenme riski taşıyan ilk 10 SKU hangisi ve ne kadar sipariş vermeliyiz?" gibi sorular sormasına olanak tanır.

• Tedarikçi İletişim Otomasyonu: Modelin önerdiği sipariş miktarlarını baz alarak tedarikçiye özel satın alma emirlerini ve teklif talebi (RFQ) taslaklarını otomatik olarak hazırlayabilir.

Yapay Zeka Stok Yönetimi Projelerinde Riskler ve Sınırlılıklar

Yapay zeka projeleri hiçbir zaman risksiz bir mucize olarak kurgulanmamalıdır. Stok yönetimi, doğrudan işletmenin nakit akışını ve bilançosunu ilgilendiren operasyonel bir süreçtir. Yanlış eğitilmiş bir algoritmanın vereceği hatalı bir satın alma kararı, yüz binlerce dolarlık sermayenin satılamayacak ürünlere bağlanmasına veya en çok satan ürünlerin tükenmesiyle ciro kaybına neden olabilir. Bu risklerin farkında olmak, teknik mimarinin savunmacı (defensive engineering) prensiplerle tasarlanmasını sağlar.

Risk yönetimi; verinin sisteme giriş anından, modelin çıktısının onaylanıp ERP üzerinde satın alma siparişine (PO) dönüşmesine kadar her aşamada şeffaf güvenlik bariyerleri kurulmasını gerektirir. Algoritmaların sınırlarının bilinmesi, yönetim kurullarının ve operasyon ekiplerinin gerçekçi beklentiler geliştirmesine yardımcı olur.

Veri Gizliliği ve Hassas Ticari Verilerin Korunması

Stok yönetimi verileri; işletmenin tedarikçi fiyatlarını, ürün bazlı kar marjlarını, ciro hedeflerini, stok devir hızlarını ve müşteri talebinin coğrafi yoğunluğunu içerir. Bu veriler ticari bir sır niteliğindedir. Dışarıdan temin edilen üçüncü taraf SaaS çözümleri veya genel kullanıma açık bulut AI API'leri kullanılırken veri egemenliği ilkelerine titizlikle uyulmalıdır.

Veri güvenliği mimarisinde şu standartlar gözetilmelidir:

• Veri Maskeleme ve Anonimizasyon: Model harici bir bulut sağlayıcısında (örneğin OpenAI, AWS SageMaker, Google Vertex AI) eğitiliyorsa, tedarikçi kimlikleri ve müşteri veritabanı bilgileri SHA-256 veya tokenizasyon yöntemleriyle maskelenmelidir.

• Mevzuat Uyumluluğu: Operasyonun yürütüldüğü bölgeye göre KVKK veya Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) kapsamında, log kayıtlarında kişisel müşteri verilerinin bulunmadığından emin olunmalıdır.

• Fikri Mülkiyet ve Model Mülkiyeti: İşletmenin verileriyle eğitilen modellerin (fine-tuned weights) servis sağlayıcı tarafından genel modellerin eğitiminde kullanılmayacağına dair yasal sözleşme hükümleri (No-Training Guarantees) bulunmalıdır.

"Çöp İçeri, Çöp Dışarı" (Garbage In, Garbage Out) Riski ve Veri Kalitesi

Makine öğrenmesi modelleri verideki korelasyonları öğrenir. Eğer ERP veya depo yönetim sistemindeki veriler kirliyse, model bu hataları gerçeğin bir parçası olarak kodlar. Örneğin depodaki kayıp, çalıntı veya hasarlı ürünler sisteme zamanında işlenmediyse, ERP'de stokta 100 adet görünen ürün fiilen rafta tükenmiş olabilir. Model ürünün satılmadığını düşünerek gelecekteki talep tahminini düşürecek ve sipariş vermeyecektir. Bu durum kronik bir stoksuzluk döngüsüne yol açar.

Benzer şekilde, geçmişte yaşanan olağanüstü durumlar (örneğin pandemi dönemi kapanmaları veya tek seferlik büyük bir B2B toptan satış) etiketlenip izole edilmezse, model bu anomaliyi düzenli bir talep sıçraması sanarak bir sonraki yıl için devasa miktarlarda aşırı sipariş önerisi oluşturabilir. Veri doğruluğunu sağlamak için düzenli depo sayımları (cycle counts) yapılmalı ve sistem ile fiziksel stok arasındaki uyumsuzluklar sürekli olarak düzeltilmelidir.

Algoritmik Sapmalar ve Karar Süreçlerinde İnsan Denetimi (Human-in-the-Loop)

Yapay zeka hiçbir zaman tam otonom ve denetimsiz bir "kara kutu" olarak çalıştırılmamalıdır. İnsan denetimi (human-in-the-loop) prensibi, özellikle operasyonel geçiş sürecinde ve yüksek finansal risk taşıyan kalemlerde zorunlu bir emniyet kilididir.

Sistemde belirli eşik değerlere bağlı onay mekanizmaları kurgulanmalıdır:

• Tutar Bazlı Kısıtlar: Örneğin 50.000 TL altındaki rutin ikmal siparişleri yapay zeka tarafından doğrudan onaylanıp ERP'ye iletilebilirken; bu tutarın üzerindeki siparişler veya geçmiş ortalamanın %30 üzerinde hacme sahip öneriler kategori yöneticisinin dijital onayına düşmelidir.

• Açıklanabilir AI (Explainable AI - XAI): Satın alma yöneticisi, modelin neden 500 adet değil de 1.200 adet sipariş önerdiğini anlayabilmelidir. SHAP (SHapley Additive exPlanations) değerleri gibi tekniklerle; modelin bu kararı hangi parametreye (yaklaşan promosyon, tedarikçi teslimat süresi uzaması vb.) dayanarak aldığı şeffaf şekilde kullanıcı arayüzünde gösterilmelidir. Açıklanamayan kararlar, çalışanların sisteme olan güvenini sarsar ve manuel müdahalelerin artmasına neden olur.

İşletmeniz İçin Doğru AI Stok Araçlarını ve Entegrasyon Yöntemini Seçmek

Yapay zeka ile stok optimizasyonuna başlama kararı alan bir işletmenin önündeki en kritik yol ayrımı, piyasadaki hazır SaaS (Software as a Service) çözümlerinden birini mi kiralayacağı yoksa kendi bünyesinde tescilli bir makine öğrenmesi boru hattı mı inşa edeceği konusudur. Bu karar; şirketin yıllık cirosu, yönettiği SKU sayısı, BT ekibinin teknik olgunluğu ve ayrılan bütçe ile doğrudan ilişkilidir.

Yanlış platform seçimi, aylar süren başarısız entegrasyon girişimlerine ve yüksek yazılım lisans maliyetlerine yol açabilir. Karar vericilerin; sağlayıcıların sunduğu API esnekliğini, veri saklama lokasyonlarını ve mevcut ERP altyapısıyla olan uyumluluğunu objektif bir şekilde puanlaması gerekir.

Hazır SaaS Çözümleri mi, Özel API Entegrasyonları mı?

Küçük ve orta ölçekli işletmeler (KOBİ) ile standart perakende operasyonları yürüten e-ticaret markaları için hazır SaaS platformları genellikle en hızlı yatırım getirisi (ROI) sağlayan seçenektir. Cogsy, Inventory Planner, Lokad veya Blue Yonder gibi araçlar; popüler e-ticaret altyapılarına (Shopify, WooCommerce, Amazon) ve standart ERP'lere tek tıkla veya minimum konfigürasyonla bağlanabilen hazır konektörler sunar. Bu araçların avantajı; makine öğrenmesi modellerinin, arayüzlerin ve dinamik raporların önceden hazırlanmış olmasıdır. İşletme haftalar içinde ilk tahminleri almaya başlayabilir.

Buna karşılık; çok depolu, karmaşık üretim süreçlerine (hammade, yarı mamul, bitmiş ürün) sahip, özel fason üretim yaptıran veya regülasyona tabi sektörlerde faaliyet gösteren büyük kurumsal şirketler için standart SaaS kalıpları yetersiz kalır. Bu noktada kurum içi veri bilimi ekipleri veya uzman danışmanlar aracılığıyla Python (scikit-learn, PyTorch), Databricks, AWS Forecast veya Google Cloud Vertex AI üzerinde özel mimariler inşa edilir. Özel API entegrasyonları, işletmenin kendine has tedarik zinciri kısıtlarını algoritmaya birebir matematiksel denklem olarak ekleme özgürlüğü tanır.

Bütçe, Altyapı ve Teknik Yetkinlik Analizi

Yapay zeka projesine başlamadan önce toplam sahip olma maliyeti (TCO - Total Cost of Ownership) doğru hesaplanmalıdır. Maliyet sadece yazılım lisansından ibaret değildir; veri ambarı sorgulama masrafları (cloud compute), API çağrı ücretleri, veri temizleme için harcanan iş gücü ve modellerin aylık bakım giderleri hesaba katılmalıdır.

Aşağıdaki üç boyutlu uygunluk testi karar vermede rehberlik edebilir:

• Veri Olgunluğu: İşletmenin geriye dönük en az 2 yıllık temiz, eksiksiz işlem verisi yoksa en gelişmiş derin öğrenme modeli bile güvenilir sonuç üretemez. Bu durumda öncelik yapay zekaya değil, veri toplama altyapısının disipline edilmesine verilmelidir.

• Teknik Kaynak: Şirket bünyesinde en az bir veri mühendisi veya veri odaklı iş analisti bulunmuyorsa, özel algoritma geliştirme projeleri genellikle atıl kalır. Bu tür işletmeler desteği sağlayıcı tarafından verilen hazır SaaS modellerine yönelmelidir.

• Yatırım Getirisi (ROI) Projeksiyonu: Stok optimizasyonu projesinin başarısı, doğrudan elde edilen tasarrufla ölçülür. Stok tutma maliyetlerinde %15-25 düşüş, stoksuz kalma kaynaklı ciro kaybında %30 azalma gibi net finansal hedefler baştan konulmalıdır. Tasarruf edilecek tutar, projenin toplam maliyetini 6-12 ay içinde amorti edebilmelidir.