Yapay Zeka ile Stok Tahmini: Fazla Mal Alıp Zarar Etmenin Sonu

Ticarette en tehlikeli iki finansal tuzak vardır: Birincisi, satılmayan malı depoya yığıp işletme sermayesini faiz ve depolama maliyetine kurban etmek; ikincisi ise müşteri kapıdan girdiğinde “kalmadı” diyerek rakibe altın tepside ciro sunmaktır. Geleneksel işletmeler stok yönetimini hala “toptancı indirim yaptı, 500 koli alalım” mantığıyla veya Excel’deki basit geçen yıl ortalamalarıyla yürütmektedir. Oysa günümüz tüketici alışkanlıkları ani trendler, dijital reklam dalgalanmaları ve hava durumu gibi çok boyutlu faktörlerle değişmektedir.

Yapay zeka tabanlı talep tahminleme sistemleri (Demand Forecasting), envanter yönetimini tahminden bilime dönüştürür.

---

Stok Yönetiminde Yapay Zekanın Matematiksel Mantığı

Klasik sistemler sadece “İç Veri”ye (satış geçmişine) bakar. Yapay zeka ise satış verisini dış değişkenlerle (eksojen faktörler) çaprazlar:

[ Geçmiş Satış Verisi ] ──┐
[ Hava Durumu & Mevsim ] ──┼──► [ Derin Zaman Serisi Modeli ] ──► [ Optimum Sipariş ]
[ Yerel Tatiller / Okul ] ─┤      (LSTM / Transformer / Prophet)       [ Güvenlik Stoğu ]
[ Fiyat & Rakip Değişimi ]─┘                                         [ SKT / Çürüme Riski ]

1. Mevsimsellik ve Takvim Döngüleri: Bayramlar, okul açılışları, “Black Friday” veya yerel festivallerin satışlara etkisi standart haftalık ortalamalardan çok farklıdır. Model bu günleri önceden ağırlıklandırır.
2. Hava Durumu Korelasyonu: Örneğin bir kafe zincirinde sıcaklığın 5 derece düşmesi çorba ve sıcak içecek tüketimini %34 artırırken, dondurma talebini %60 düşürür. Model, 7 günlük meteoroloji tahminini doğrudan sipariş önerisine yansıtır.
3. Elastikiyet Analizi: Fiyat %10 arttığında talebin ne kadar düşeceği her ürün kategorisinde farklıdır. Yapay zeka her stok kalemi (SKU) için ayrı esneklik katsayısı çıkarır.

---

3 Temel İyileşme Alanı

1. Güvenlik Stoğunun (Safety Stock) Dinamikleşmesi

Eski sistemde her ürün için sabit 30 günlük emniyet stoğu tutulur. Yapay zeka ise teslimat süresi güvenilir olan yerli tedarikçi için stoğu 7 güne indirirken, ithal ve tedarik zinciri aksayan ürünlerde stoğu 45 güne çıkarır. Bu sayede bağlı sermaye %25 ila %40 oranında serbest kalır.

2. Bozulabilir Ürün ve Raf Ömrü (SKT) Yönetimi

Gıda, kozmetik veya kimya sektöründe son kullanma tarihi yaklaşan partiler yapay zeka tarafından erkenden tespit edilir ve fiyatlandırma botlarına “Bu parti için sepette %15 dinamik indirim tanımla, çöpe gitmesin” talimatı verilir.

3. Yok Satma (Stock-out) Kaybının Önlenmesi

En çok kâr marjı getiren A-grubu ürünlerin tükenme hızını saatlik takip eden sistem, tedarikçinin teslim süresini de hesaba katarak sipariş verme eşiğini otomatik tetikler.

---

Geleneksel Yöntem ile Yapay Zeka Karşılaştırması

Kriter	Sezgisel / Excel Tabanlı	Yapay Zeka Tabanlı
Tahmin Hata Payı (MAPE)	%35 - %50	%8 - %15
Atıl Stok Oranı	Yüksek (%20-%30)	Optimize (%5-%8)
Yok Satma Oranı	%12	%1.5
Analiz Süresi	Haftada 6 saat	Otomatik / Anlık

---

Kaynakça ve İleri Okuma

1. International Journal of Forecasting: Deep Learning Architectures for Supply Chain Demand Forecasting.
2. McKinsey & Company Operations: AI-Driven Supply Chain Management: Beyond the Horizon.
3. Harvard Business Review: How AI Can Help Supply Chains Adapt to Modern Disruptions.
4. Gartner Supply Chain Research: Magic Quadrant for Supply Chain Planning Solutions.
5. MIT Sloan Management Review: Inventory Optimization and Machine Learning in Volatile Markets.