Lojistik, perakende ve e-ticarette yapay zekâ: Talep tahmini, rota ve öneri sistemleri

Lojistik, perakende ve e-ticarette yapay zekâ, hangi ürünün nerede ne kadar satılacağını tahmin etmekte, kargo aracının rotasını çizmekte ve müşteriye ürün önermekte kullanılıyor. Bu derste bu üç işin nasıl çalıştığını, faydasını ve riskini, bir işletmenin bu işe nasıl başlayacağını öğreneceksiniz.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Lojistik, perakende ve e-ticarette yapay zekânın kullanıldığı başlıca işleri
• Talep tahmininde veriden karara giden yolu
• Şirketlerin resmî açıklamalarına dayanan örnekleri ve bu rakamların nasıl okunacağını
• Bir mağaza zincirinin ya da e-ticaret işletmesinin ilk adımlarını

Nerede kullanılıyor?

• Talep tahmini: Hangi ürünün hangi bölgede, hangi hafta ne kadar satılacağını tahmin edip stoku buna göre dağıtmak.
• Rota planlama: Kargo ve dağıtım araçlarına trafik, teslimat sözü ve adres sırasına göre en kısa yolu çizmek.
• Öneri sistemleri: Müşteriye geçmiş alışverişine ve benzer müşterilerin tercihlerine göre ürün göstermek.
• Depo işleri: Ürünü rafta bulan, taşıyan robotlarla toplama süresini kısaltmak.
• Müşteri hizmetleri: Kargo nerede, iade nasıl yapılır gibi sorulara otomatik cevap vermek.

Nasıl çalışır?

Talep tahminiyle düşünelim. Veri: Geçmiş satışlar, kampanya takvimi, bayramlar ve tatiller, hava durumu, fiyat değişiklikleri. Model: Sistem, örneğin sıcak bir haftada ya da bayram öncesinde hangi ürünün satışının ne kadar arttığını öğrenir.

Karar: Model bir sonraki hafta için her mağazaya ya da depoya bir sipariş miktarı önerir. Satın alma uzmanı öneriyi, sistemin bilmediği bilgilerle (yeni açılan rakip mağaza, tedarikçideki gecikme) düzeltir. Gerçekleşen satış tahminle karşılaştırılır ve döngü yeniden başlar.

Öneri sistemlerinde de aynı döngü vardır: Müşterinin tıkladığı ve aldığı ürünler veri, benzer müşteri örüntüleri model, ekranda gösterilen ürün ise karardır.

Gerçek örnekler

Talep tahmini ve teslimat haritası: Amazon, 11 Haziran 2025 tarihli açıklamasında tedarik zinciri için yeni bir temel yapay zekâ tahmin modeli kullandığını duyurdu. Şirkete göre model, yüz milyonlarca ürün için her gün hangi ürünün nerede ve ne zaman isteneceğini tahmin ediyor; geçmiş satışların yanına hava durumu ve tatil takvimi gibi bilgileri de ekliyor. Amazon, bu modelle milyonlarca popüler üründe bölgesel tahminlerin yüzde 20 iyileştiğini söylüyor. Aynı açıklamada uydu görüntüsü, yol ağı ve önceki teslimat bilgilerini kullanarak apartman girişlerini ve park yerlerini bulan bir haritalama sisteminden de söz ediliyor.

Rota optimizasyonu: UPS, rota optimizasyon platformu ORION’u ilk olarak 2012’de kullanmaya başladığını, sistemin algoritmalar, yapay zekâ ve makine öğrenmesi kullandığını açıklıyor. Şirketin duyurusuna göre yeni eklenen dinamik bileşen, trafik ve teslimat siparişleri değiştikçe rotaları gün içinde yeniden hesaplıyor. UPS, ORION’un yılda yaklaşık 100 milyon mil yol ve 10 milyon galon yakıt tasarrufu sağladığını belirtiyor.

İki örnekteki rakamlar da şirketlerin kendi açıklamalarıdır. Kendi işletmenizde aynı sonucu beklemeden önce küçük bir denemeyle ölçün.

Faydalar ve riskler

• Fayda: Rafta ürünün bitmemesi, depoda ise gereksiz stok birikmemesi.
• Fayda: Daha kısa rota, daha az yakıt ve daha doğru teslimat saati.
• Risk: Salgın, deprem ya da ani kur değişimi gibi geçmişte benzeri olmayan olaylarda tahmin sert biçimde şaşar.
• Risk: Öneri sistemi müşteriyi hep aynı tür ürüne iter; küçük satıcılar görünmez kalabilir.
• Risk: Alışveriş geçmişi ve adres kişisel veridir; profil çıkarma için açık bilgilendirme gerekir.

Bir kurum nasıl başlar?

1. En çok para kaybettiren sorunu seçin: stok fazlası mı, stoksuz kalmak mı, geç teslimat mı?
2. En az iki yıllık satış verinizi temizleyin: iadeler, kampanyalar ve stoksuz günler ayrı işaretlensin.
3. Önce basit bir yöntemle (geçen yılın aynı haftası gibi) bir karşılaştırma tahmini yapın.
4. Yapay zekâ tahminini birkaç mağaza ya da ürün grubunda bu basit yöntemle yarıştırın.
5. Hata payını, stoksuz kalınan gün sayısını ve elde kalan stoku ölçün.
6. Satın alma uzmanının tahmini düzeltme hakkını koruyun ve düzeltmelerini kaydedin.

Kontrol listesi

• Tahmin, basit yöntemden gerçekten daha iyi mi?
• Kampanya ve bayram dönemleri veride doğru işaretlendi mi?
• Sistem olağan dışı bir olayda uyarı veriyor mu?
• Müşteriye kişisel verisinin öneri için kullanıldığı söyleniyor mu?
• Rota planı sürücünün sahadaki bilgisiyle düzeltilebiliyor mu?

Kişisel Verileri Koruma Kurumunun üretken yapay zekâ rehberi, kişisel verinin bu araçlarla işlenmesinde dikkat edilecek noktaları anlatıyor. Müşteri listesini ya da adresleri genel amaçlı bir sohbet aracına yapıştırmayın. Bu bilgi geneldir, hukuki tavsiye değildir.

Sık yapılan hatalar

• Yapay zekâyı basit bir yöntemle karşılaştırmadan pahalı bir sisteme geçmek.
• Stoksuz kalınan günleri talep yok sanmak; satılamayan ürün, istenmeyen ürün değildir.
• Önerilerin hep aynı ürünleri öne çıkardığını fark etmemek.
• Sürücünün ve şube müdürünün sahadan getirdiği bilgiyi sisteme hiç geri beslememek.

Kendinizi deneyin

Kaynaklar

• Amazon: Teslimat, tahmin ve robotikte yapay zekâ yenilikleri (Haziran 2025) (İngilizce)
• UPS: ORION rota optimizasyonunun geliştirilmesi (İngilizce)
• KVKK: Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) (Türkçe)

Son kontrol: 7 Kasım 2026

Kaynak: yzdersleri.com/ders/lojistik-perakende-ve-e-ticarette-yapay-zeka/ · Yapay Zeka Dersleri