Perakende sektöründe tahminleme, artık yalnızca sayısal analiz değil; hız, adaptasyon ve operasyonel zekâyı aynı potada buluşturan stratejik bir rekabet avantajına dönüşmüş durumda. Değişken tüketici taleplerinin, anlık pazar dinamiklerinin ve belirsizlik ortamının hakim olduğu bu dönemde, güçlü tahmin sistemleri yalnızca geçmiş veriye dayanmakla kalmıyor; çevresel sinyalleri gerçek zamanlı yakalıyor, hızla öğreniyor ve kendini yeniden şekillendiriyor.
RNV.ai tam da bu vizyonla; tahminlemenin sınırlarını veri odaklı karar süreçleri, sürekli öğrenen yapay zeka algoritmaları ve anlamlı içgörü üretimiyle genişletiyor. Üstelik klasik sistemlerin ötesine geçerek yalnızca öneri sunmakla kalmıyor; neden-sonuç ilişkisini şeffaf biçimde ortaya koyuyor ve markalara operasyonel çeviklik kazandırıyor.
Perakendede tahmin hatalarının en sık yaşandığı alanları, doğru sistemin sadece stok yönetiminde değil; müşteri memnuniyetinden satışa, maliyetten zamana kadar birçok alanda nasıl avantaj yarattığını ve RNV.ai’nin sektöre sunduğu dönüşüm modelini Bi’Sektör Dergi Yaz 2025 sayısında konuştuk.
Perakende sektöründe “tahminleme” artık bir teknoloji becerisi değil, bir rekabet avantajı. Sizce iyi bir tahmin sistemini verimli yapan şey, doğruluğu mu, hızla adapte olabilmesi mi?
Tahminleme bugün artık yalnızca bir teknoloji kabiliyeti değil, stratejik bir avantaj alanı. Halihazırda teknolojik gelişmeler ile veriden anlam çıkaran algoritmaların gittikçe yaygınlaşmasına rağmen çıkartılan sonuç ile karar alma süreçleri arasında bir boşluk bulunmaktadır. Belirsizlik altında karar vermekte problem yaşayan şirketlerde iyi bir tahmin sistemi; sadece yüksek doğrulukta sonuçlar üretmekle kalmamalı, aynı zamanda değişen koşullara hızla uyum sağlayabilmelidir. Özellikle perakende gibi hızlı değişen pazarlarda, bir modelin sadece “doğru” olması yetmiyor — asıl farkı yaratan, bu modellerin ne kadar hızlı güncellenebildiği ve yeni koşullara nasıl adapte olabildiği.
Bizim için güçlü bir tahmin sistemi demek, çevresel değişkenleri gerçek zamanlı yakalayıp kendini yeniden şekillendirebilen bir sistem demek. Bugün stok seviyeleri, müşteri talebi ya da kampanya etkileri gibi onlarca değişken modele sürekli yeni bilgiler taşıyor. Eğer sisteminiz bu akışı kaldıramazsa, doğruluğunuz kısa sürede işe yaramaz hâle gelir.
Dolayısıyla ben bu soruya şöyle cevap verebilirim: Doğruluk önemli bir metriği temsil ederken, adaptasyon sistemin sürdürülebilirliğini sağlar.
Bu nedenle biz RNV.ai olarak ürünümüz Klibre’de tahminleme sistemlerini sürekli öğrenen, yorumlayan ve aksiyonla entegre biçimde çalışan bir yapay zekâ mimarisiyle destekliyoruz. RNV.ai olarak, her veri akışı sonrası modellerimizi yeniden değerlendiriyor, sapmaları analiz ediyor ve sistemi sürekli öğrenen bir yapıda kurguluyoruz.
Bir perakendeci, RNV.ai ile çalıştığında ortalama neyi daha iyi yapmaya başlıyor? Hatalı sipariş mi azalıyor, stok devir hızı mı yükseliyor, yoksa sadece karar süreçleri mi hızlanıyor?
Bizimle çalışan perakendeciler genellikle şunu fark ediyor: tahmin ettiklerinden daha fazla şeyi aynı anda iyileştirmişler. Başta “akıllı envanter yönetimi” diye girilen süreç, zamanla “müşteri memnuniyetini artırmaya” kadar uzanıyor. Çünkü RNV.ai sistemleri sadece karar süreçlerini hızlandırmakla kalmıyor; o kararların daha isabetli ve daha çevik olmasını sağlıyor.
Evet, hatalı sipariş azalıyor. Evet, stok devir hızı iyileşiyor. Ama asıl fark şurada: karar kalitesi merkezileşiyor ve aynı zamanda operasyonel süreçler iyileşiyor. Deponun ürün çıkış performansı, stokların ömrü, satış noktalarının ürün kabul performansı, stoğa giren
ürünlerin ne kadar sürede satışa döndüğü, yanlış planlama kaynaklı satış kaybı yaşanan ürünler, fazla stoklar, ürün sergileme problemleri gibi birçok KPI beraberinde iyileştirilmiş oluyor. Uçtan uca ölçülebilir ve takip edilebilir bir sistem sunuyoruz.
Diğer önemli faktör ise sadece bir öngörü sunmuyoruz bunun nedenlerinide açıklıyoruz. Örneğin bir kullanıcı artık “şuraya 10 ürün yollayalım mı?” diye değil, “neden 10 ürün yollanması gerekiyor, bu öneri hangi veriye dayanıyor ve bu öneriyle ne kazanırım?” sorularına cevap alıyor. Bizce bu operasyonel zekânın yeni tanımı.
“Verimlilik için veri toplamak yetmez, onu sistemin diline çevirmek gerekir.” Siz bu dönüşümü markalara nasıl sağlıyorsunuz? Özellikle manuelden otomasyona geçişte yaşanan dirençleri nasıl aşıyorsunuz?
Aslında markaların en çok zorlandığı şey, veriyi toplamak değil; o veriyi karar alabilecekleri bir dile çevirmek. Çünkü veri genellikle sistemde değil, sistemin dışında yaşar; Excel’lerde, e-postalarda, saha notlarında… Veri kayıtlı ise bunu sistemsel hale getirmek kolay fakat bazı veriler kullanıcıların kendi zihinlerinde işler ve kayıtlı değildir.
Bu nedenle öncelikle kayıtlı ve kayıtsız verilere odaklanıyoruz, ardından bu verileri nasıl kayıtlı hale getirebileceğimizi planlıyoruz. Bu süreçte veri kaynaklarını haritalıyor, ne sıklıkta üretildiklerine odaklanıyor ve paralelinde bir veri sahipliği süreci kurguluyoruz. Daha sonra bu verileri sistemin anlayacağı matematiksel dile çeviriyor, normalize ediyor, etiketliyor ve ilişkisel hale getiriyoruz. Son olarak modellerimizle işleyip karar alıcılar ile buluşturuyoruz. Karar destek ve uzman sistem olarak süreçleri ilerletiyoruz.
Manuelden otomasyona geçince bir direnç oluşuyor. Çoğu zaman kullanıcılar sistemden değil, kontrolü kaybetmekten korkuyor. Bu yüzden biz, otomasyonu insanın yerine geçen değil insana yardımcı olan bir yapı olarak kurguluyoruz. Öneri sistemlerimiz, sunduğu kararların gerekçelerini de açıklıyor. Kullanıcılar sadece “ne yapılmalı”yı değil, “neden yapılmalı”yı da görebiliyor. Sisteme güven arttıkça bu direnç yerini destekleyici bir etkileşime bırakıyor.
Sadece bugünü değil, ‘yakın gelecek’ talebini doğru okumanın önemi giderek artıyor. Sizin yapay zekâ destekli sistemleriniz bu yakın gelecek kestirimini nasıl yapıyor? Ne sıklıkla güncelleniyor, neye göre adapte oluyor?
Artık geçmişin aynasıyla ileriye bakmak da bugün ne olduğunu bilmek de yeterli değil. Yarın ne olacağını önceden anlamak gerekiyor.
Bizim sistemlerimizde yakın gelecek tahmini yalnızca geçmiş verilere bakarak değil; anlık davranış sinyallerine, pazar nabzına, lokal değişimlere, fiyat ve kampanya gibi sistem sinyallerine dayalı olarak çalışıyor. Örneğin, bir mağazada bir ürünün dönüş hızı değiştiğinde, bu sadece “stok azaldı” değil; “talep modeli değişti” sinyali olarak yorumlanıyor.
Sistemlerimiz, bu tür değişimleri haftalık değil, günlük düzeyde takip ediyor. Çünkü bir haftada kaçan fırsat, perakendede sezonun kaybı demektir. Güncellemeler, sadece teknik bir yeniden eğitim değil; kontekste göre ağırlık değiştirme, yani modellerin odağını kaydırma, içindeki değişkenlerin önem derecelerini duruma göre değiştirme şeklinde de çalışıyor. Biz AI’ı sadece geçmiş verilerle geleceği tahminleme olarak kullanmıyoruz. Tahminleme algoritmaları ile beraber çalışabilen optimizasyon yöntemlerinin; belirsiz ortamlarda ve farklı senaryolara göre davranışların değişebildiği durumlarda ortamın değişimini modellemekte ve olaslıksal dağılımlara çevirebilmektedir. Ayrıca mümkün olan bütün senaryoları tatmin edecek bir çözüm seti önerme özelliği bulunmaktadır.
Bugün hala birçok zincir, bölge müdürlerinin hissiyatına göre sipariş veriyor. Sizce “verimlilik” ve “sezgisel kararlar” nasıl bir denge kurmalı? Teknoloji bu dengeyi nasıl optimize edebilir?
Bu çok gerçek bir tablo. Bugün hâlâ birçok büyük zincirde sipariş kararları “ben o bölgeyi bilirim” diyerek veriliyor. Ancak asıl şu soruyu sormak gerekiyor: Bilmek başka, hissediyor olmak başka. Bu karar bilgiye mi dayanıyor, hisse mi? Deneyim elbette çok kıymetli ama sistematik değilse sürdürülebilir de değil.
Biz verimliliği, sezgilerin yerine koymuyoruz. Tam tersine: sezgileri veriyle güçlendiren bir sistem kuruyoruz. Mesela sistem bir sipariş önerisi oluştururken, kullanıcıya “Bu öneri geçmişteki şu davranışa göre çalıştı.” diyor. Yani karar sadece sayılardan ibaret değil, hikâyeyi de içeriyor.
Teknoloji burada dengeyi şöyle kuruyor: sezgiyi dışlamıyor ama sezgiyi ölçülebilir ve test edilebilir hale getiriyor. Bazen kullanıcılar sisteme müdahale ediyor; biz bu müdahaleleri kaydedip geri besliyoruz. Yani sistem zamanla insanı da öğreniyor. Bu sayede, hem verimliliği hem uzman içgörüsünü aynı masaya oturtabiliyoruz.
Sizin sistemlerinizde elde edilen kazanımları ölçmek için müşterilere hangi KPI’ları öneriyorsunuz? Örneğin: stokta kalma süresi, fire oranı, ürün bulunurluk skoru gibi?
RNV.ai olarak yalnızca tahmin doğruluğu sağlamakla yetinmiyoruz. Tahmin doğruluğunun kurum kültürüne, operasyon yapısına ve kârlılığa nasıl etki ettiğini de gözlemlemek istiyoruz. Bu, hem müşteri tarafında ROI takibini netleştirmek hem de yapay zekâ tabanlı sistemlerin gerçek etkisini görünür kılmak için hayati önem taşıyor. Operasyonel, finansal ve karar kalitesi olarak farklı metriklerde süreci takip ediyoruz. Stokta kalma süresi, stok devir hızı, ürün eksikliği oranı, ürün bulunurluk oranı gibi birçok KPI sistemsel olarak izleniyor. Aynı zamanda self-service BI olarak sunduğumuz son kullanıcıların kendi veri ve raporlarını oluşturabilecekleri sistemlerimiz de mevcut.
2025 yazına girerken, sizce en çok hangi ürün gruplarında öngörü hataları yaşanıyor? Talep tahmini sistemleri bu tür mevsimsel dalgalanmalara nasıl uyum sağlıyor?
2025 yılı, perakendenin makroekonomik etkenlerden her zamankinden daha hızlı etkilendiği bir yıl oldu. Özellikle tüketicilerin satın alma davranışları belirgin şekilde değişti. Daha önce kolayca verilen alışveriş kararları artık ertelenen ve sorgulanan tercihlere dönüşüyor. Özel günlerdeki satışlar, beklenenin çok gerisinde kaldı. İndirim ve kampanyalara da eskisi kadar tüketici tepkisi alınamıyor. Sadece ekonomik daralma değil, doğa temelli faktörler de perakendecilerin öngörülerini zorluyor. Örneğin yaz mevsiminin geç gelmesi, bölgesel sıcaklık farklarının uzaması gibi faktörler, sezon başlangıçlarında büyük sapmalara yol açtı. Bu değişim klasik tahmin sistemleri için ciddi sorunlar yaratıyor. Çünkü modeller hâlâ eski davranış kalıplarına göre tahmin yapıyor; bu da satışların tahminin altında kalmasına yol açıyor.
Biz bu sorunlara yukarıda da bahsettiğimiz dinamik tahmin adaptasyonu ile yanıt veriyoruz. Örneğin, belirli ürün gruplarında tahminle gerçekleşen satışlar arasındaki fark anlamlı düzeye ulaştığında, farklı özniteliklerle tahmin modeli yeniden eğitiliyor. Bu düşüş nedensellik temelli algoritmalar ile anlamlandırılarak ilgili özniteliklere ait ağırlık faktörleri yeniden revize ediliyor. Sonuç olarak şunu rahatlıkla söyleyebilirim: Bu dönemde güçlü olan markalar, en yüksek tahmin doğruluğuna sahip olanlar değil; en hızlı adapte olabilenler. RNV.ai sistemleri tam da bu esneklik için tasarlandı. Değişimi okuyoruz, sinyali tanıyor ve öneriyi yeniden hesaplıyoruz.