Yapay Zekâ ile Operasyonel Otomasyon: Nereden Başlanır?
Yapay zekâ her yerde tartışılıyor, ancak iş süreçlerinde yapay zeka kullanımına başlamak istediğinizde “nereden başlamalıyım, hangi sürecim uygun, ne kadar veri gerekir” sorularına net yanıt bulamıyorsunuz. Çoğu proje, hevesle başlayıp yarıda kalıyor veya beklenen değeri üretemiyor.
Bu rehber, operasyonel AI ile iş süreçlerinizi otomatikleştirmeye nasıl başlayacağınızı adım adım açıklıyor: süreç seçimi, veri hazırlığı, pilot proje yaklaşımı, başarı metrikleri ve sahadan anonimleştirilmiş örneklerle.
İçindekiler
Operasyonel AI vs Generative AI: Fark Nedir?
Operasyonel AI, tarihsel verilerden öğrenerek iş süreçlerini optimize eder
Yapay zekâ denildiğinde çoğu kişinin aklına ChatGPT gibi Generative AI (üretken yapay zekâ) araçları gelir. Ancak iş süreçlerinde asıl değer üreten, Operasyonel AI (operasyonel yapay zekâ) adı verilen ve tarihsel verilerden öğrenerek karar veren sistemlerdir.
Operasyonel AI Nedir?
Tarihsel verilerden öğrenerek tekrarlayan iş kararlarını otomatikleştirir:
- Tahminleme (Prediction): Gelecek talep, satış, stok ihtiyacı
- Sınıflandırma (Classification): Müşteri segmentasyonu, risk skorlama, öncelik tespiti
- Anomali Tespiti (Anomaly Detection): Fatura hatası, üretim sapması, siber tehdit
- Optimizasyon: Rota planlama, kaynak dağıtımı, fiyatlama
Generative AI Nedir?
Yeni içerik üretir (metin, görsel, kod). İ̇ş süreçlerinde destekleyici rolü vardır:
- Müşteri destek chatbot’ları
- İ̇çerik taslakları oluşturma (e-posta, rapor özeti)
- Kod otomasyon önerileri
Fark: Operasyonel AI “karar verir”, Generative AI “içerik üretir”. İ̇ş süreçlerinde öncelik Operasyonel ai’dır.
AI İ̇çin Uygun Süreç Seçimi: 5 Kriter
Doğru süreç seçimi, AI projesinin başarı oranını 3 kat artırır
Tüm iş süreçleri yapay zekâya uygun değildir. İlk AI projeniz için uygun süreci seçerken şu 5 kriteri kontrol edin:
1. Tekrarlayan ve Yüksek Frekanslı
Günde 100+ kez tekrarlanan süreçler idealdir. Örnekler:
- Fiyat teklifi hazırlama
- Stok sipariş onayı
- Müşteri talebinin kategorize edilmesi
2. Veri Zengin
En az 3–6 aylık temiz veri mevcut olmalıdır. Veri formatı:
- Yapılandırılmış (tablo formatında, tutarlı sütunlar)
- Eksiksiz (boş alanlar %10’ün altında)
- Etiketli (girdi + sonuç çiftleri)
3. Ölçülebilir Çıktı
Başarının net ölçütü olmalı:
- “Doğruluk %85+” gibi somut hedef
- “Süre %30 azaldı” gibi ölçülebilir etki
- “Hatalı işlem oranı %5’e düştü” gibi kalite metriği
4. İnsan Girdisi Azaltılabilir
Manüel karar verme süreçleri AI’ya uygundur:
- Faturaların manüel kontrolü → Anomali tespiti
- Talep tahmininde sezgi → Tahminleme modelı
- Müşteri segmentasyonunda deneyim → Sınıflandırma
5. Düşük Riskli
İlk proje için kritik olmayan süreç seçin:
- Yanlış karar operasyonu durdurmamalı
- Yasal/regülasyon riskı düşük olmalı
- İnsan onayı eklenebilir olmalı (hybrid model)
3 Başlangıç Senaryosu: Tahminleme, Sınıflandırma, Anomali
Tahminleme, sınıflandırma ve anomali tespiti en yaygın AI senaryolarıdır
İlk AI projeniz için 3 temel senaryo vardır. Her birinin kullanım alanı, veri gereksinimi ve çıktısı farklıdır:
Senaryo 1: Tahminleme (Forecasting)
Ne yapar: Gelecekteki bir sayısal değeri tahmin eder.
Kullanım alanları:
- Satış tahmini (gelecek ay kaç adet satılacak)
- Talep tahmini (hangi ürünün stoğu yenilenecek)
- Nakit akış tahmini (gelecek çeyrek ne kadar gelir bekleniyor)
- Bakım tahmini (ekipman ne zaman arızalanacak)
Veri gereksinimi: Minimum 6–12 aylık tarihsel veri (mevsimsellik varsa 2 yıl önerilir).
Çıktı: “Gelecek ay talep: 4.200 adet ± %12”
Senaryo 2: Sınıflandırma (Classification)
Ne yapar: Girdiyi önceden tanımlı kategorilere ayırır.
Kullanım alanları:
- Müşteri segmentasyonu (A/B/C segmenti)
- Risk skorlama (düşük/orta/yüksek risk)
- E-posta/talep önceliklendirmesi (acil/normal/düşük)
- Ürün kategorizasyonu (otomatik etiketleme)
Veri gereksinimi: Her kategori için en az 100–300 etiketli örnek.
Çıktı: “Müşteri X → Segment: A (yüksek değer, düşük risk)”
Senaryo 3: Anomali Tespiti (Anomaly Detection)
Ne yapar: Normal dışı (anormal) veriyi otomatik tespit eder.
Kullanım alanları:
- Fatura hataları (tutar, tarih, tedarikçi uyuşmazlıkları)
- Üretim sapmaları (fire oranı aniden artmış)
- Siber güvenlik (şüpheli giriş denemesi)
- Kalite kontrol (ürün boyut tolerans dışı)
Veri gereksinimi: Çoğunlukla normal veri; anormal örnekler %1–5 oranında olabilir.
Çıktı: “Fatura #12345 → Anomali: Tutar normalin %340 üzerinde”
Veri Hazırlığı ve Kalite Gereksinimleri
Veri kalitesi, AI proje süresinin %60–70’ını oluşturur
AI projesinin başarısı, algoritma seçiminden çok veri kalitesine bağlıdır. Veri hazırlığı 4 aşamadan oluşur:
Aşama 1: Veri Toplama
İlgili tüm veri kaynaklarını tespit edin:
- ERP sistemi (satış, stok, finans)
- CRM (müşteri etkileşimleri)
- Excel dosyaları (saha notları, manüel kayıtlar)
- IoT sensörler (sıcaklık, titreşim, enerji tüketimi)
Tuzak: Veri farklı sistemlerde, farklı formatlarda. Entegrasyon gerekir.
Aşama 2: Veri Temizleme
Eksık, tutarsız, hatalı veriyi düzeltin:
- Boş alanlar (NULL değerler) → Medyan veya mod ile doldurma
- Aykırı değerler (outliers) → İstatistiksel filtre uygulama
- Tutarsız formatlar (tarih: 01/02/2025 vs 2025-02-01) → Standartlaştırma
- Duplike kayıtlar → Tekilleştirme
Önemli: Veri temizliği, proje süresinin %40–50’sini oluşturur.
Aşama 3: Veri Etiketleme (Supervised Learning için)
Tahmin ve sınıflandırma modellerinde, her girdinin doğru çıktısı bilinmeli:
- Talep tahmini → Tarihsel talep + gerçekleşen satış
- Müşteri segmentasyonu → Müşteri özellikleri + segment etiketi
- Fatura anomali → Fatura detayı + normal/anormal etiketi
Etiketleme maliyeti: Manüel etiketleme saatte 50–200 kayıt işlenebilir.
Aşama 4: Veri Bölme (Train/Test/Validation)
Verinin %70’i eğitim, %15’i doğrulama, %15’i test için ayrılır:
- Train (Eğitim): Model bu veriyle öğrenir
- Validation (Doğrulama): Model hiperparametreleri ayarlanır
- Test: Model performansı ölçülür
Önemli: Test verisi asla eğitimde kullanılmamalı, yoksa model “ezberleme” yapar.
Pilot Proje Yaklaşımı: 8 Haftalık Sprint
Pilot proje, büyük yatırım yapmadan AI değerini test etme yöntemidir
İlk AI projenizi tüm şirkete yaymadan önce küçük ölçekli pilot proje ile test edin. 8 haftalık sprint önerisi:
Hafta 1–2: Süreç ve Veri Analizi
- Pilot süreç belirleme (ör: tek ürün grubu için talep tahmini)
- Veri kaynaklarının tespiti ve erişim izinlerinin alınması
- Veri kalitesi kontrolü (eksiksizlik, tutarlılık)
Hafta 3–4: Model Geliştirme
- Veri temizleme ve etiketleme
- Model seçimi (regresyon, sınıflandırma, anomali tespiti)
- İlk model eğitimi ve doğrulama
- Performans ölçümü (accuracy, F1 score, RMSE)
Hafta 5–6: Entegrasyon ve Test
- Model çıktısının mevcut sisteme entegrasyonu
- Kullanıcı arayüzü tasarımı (dashboard, uyarı sistemi)
- Gerçek veri ile canlı test (sandbox ortamında)
Hafta 7–8: Pilot Çalıştırma ve Değerlendirme
- Pilot ekip ile canlı kullanım (5–10 kişi)
- Geri bildirim toplama (anket, görüşme)
- Sonuç raporu (başarı metrikleri, zorluklar, öneriler)
- Yaygınlaştırma veya iptal kararı
Başarı kriteri: Pilot sonunda model doğruluğu %75+, kullanıcı memnuniyeti 4/5+, süreç iyileştirmesi %20+ olmalı.
Sahadan Örnek: Talep Tahmini ile Stok Optimizasyonu
Firma Profili
Bölgesel dağıtım firması, 8 depo, 2.400+ SKU, çoklu kanal satış (B2B, e-ticaret, perakende). Talep tahmini Excel’de manüel yapılıyor, stok fazlalığı ve stoğu tükenen ürünler sık yaşanıyor.
Problem
- Stok fazlalığı oranı %28 (envanter maliyetini artırıyor)
- Stoksuzluk (stockout) oranı %14 (satış kaybı)
- Talep tahmini haftalık 12 saat sürüyor
- Mevsimsel ve promosyon etkisi manüel hesaplarda eksık kalıyor
Uygulanan AI Çözümü
- 1–2. Hafta: 18 aylık satış verisi, promosyon takvimi, tatil etkisi analiz edildi
- 3–4. Hafta: Tahminleme modelı (Time Series + XGBoost) eğitildi, 120 ürün için test edildi
- 5–6. Hafta: Model, ERP’ye entegre edildi, stok sipariş önerisi dashboard’u oluşturuldu
- 7–8. Hafta: Pilot: 2 depo, 500 SKU ile canlı kullanım
Sonuç (6. ay)
- Stok fazlalığı oranı: %28 → %11
- Stoksuzluk oranı: %14 → %5
- Talep tahmini süresi: 12 saat → 45 dakika
- Tahmin doğruluğu: %82 (manüel süreçte %65 idi)
- Envanter maliyetinde azalma: %19
Kritik Öğrenme
İlk 2 hafta veri temizliği beklenenden uzun sürdü (tarih formatı tutarsızlıkları, duplike kayıtlar). Veri hazırlığına ayrılan süre %50 artırıldı.
En Sık Yapılan 7 AI Uygulama Hatası
1. Çözüm Aramadan AI’ya Başlamak
“AI modası, biz de yapalım” yaklaşımı. Önce iş problemi tanımlanmalı, sonra AI çözüm uygunluğu değerlendirilmelidir.
2. Veri Kalitesini Görmezden Gelmek
“Veri var, hemen modelı eğitelim” hızlılığı. Çöp veri → çöp model. Veri temizliği atlanmamalı.
3. Tüm Şirkete Aynı Anda Yaymak
Pilot test yapmadan büyük yatırım. Bir hata olduğunda tüm operasyon aksıyor, kullanıcı güveni kayboluyor.
4. Model Performansını Takip Etmemek
“Modelı kurduk, iş bitti” zannı. İ̇ş koşulları değiştikçe model doğruluğu düşer, düzenli yenileme gerekir.
5. Kullanıcı Katılımını Sağlamamak
AI projesı IT’nin işi değil. Saha ekibi katılmazsa, model kullanılmaz, proje başarısız sayılır.
6. Sadece Teknik Metriği Hedeflemek
“Model doğruluğu %95, başarılı” denmesi yeterli değil. İ̇ş değeri (maliyet düşüşü, süre kazanımı) ölçülmeli.
7. Açıklanabilirliği Unutmak
“AI öyle dedi” yanıtı kullanıcı güveni kaybettirir. Model kararları açıklanabilir olmalı (örn: “Talep yüksek çünkü geçen yıl aynı hafta %40 artmıştı”).
AI başarısı, doğru planlama ve sürekli izleme ile gelir
AI Proje Başarı Metrikleri
AI projesinin başarısını ölçmek için hem teknik hem iş değeri metriklerini izleyin:
| Metrik | Başlangıç | Hedef | Ölçüm Yöntemi |
|---|---|---|---|
| Model Doğruluğu (Accuracy) | – | >%80 | Test dataseti üzerinde |
| F1 Score (sınıflandırma) | – | >0.75 | Precision + Recall dengesi |
| RMSE (tahminleme) | – | <%15 hata | Gerçek vs tahmin sapması |
| Süreç Süre Kazanımı | 12 saat | 45 dakika | Manüel vs AI süresi |
| Maliyet Düşüşü | Baz maliyet | %20–30 azalma | Operasyonel maliyet analizi |
| Kullanıcı Benimseme Oranı | %0 | >%75 | Aktif kullanıcı / toplam |
| Kullanıcı Memnuniyeti | – | >4/5 | Anket (5’li Likert) |
| ROI (Yatırım Getirisi) | – | >200% (2 yıl) | Tasarruf / Yatırım |
Önemli: Teknik metrikler (accuracy, F1) yüksek ama iş değeri (maliyet, süre) düşükse proje başarısız sayılır.
AI Proje Başlangıç Kontrol Listesi
İlk AI projenize başlamadan önce şu maddeleri kontrol edin:
Strateji ve Hazırlık
- İ̇ş problemi net tanımlandı mı? (örn: “Stok fazlalığı %28, hedef %10”)
- Üst yönetim desteği alındı mı?
- Bütçe ve kaynak ayrıldı mı? (veri bilimci, platform lisansı)
- Pilot süreç belirlendi mi? (düşük riskli, veri zengin)
Veri Hazırlığı
- Veri kaynakları tespit edildi mi? (ERP, CRM, Excel, IoT)
- Veri erişim izinleri alındı mı?
- Veri kalitesi değerlendirildi mi? (eksiksizlik, tutarlılık)
- Minimum 3–6 aylık veri mevcut mu?
- Etiketli veri var mı? (tahmin/sınıflandırma için)
Teknik Altyapı
- AI platformu seçildi mi? (Azure ML, AWS SageMaker, Google Vertex)
- Veri entegrasyon altyapısı hazır mı? (API, ETL pipeline)
- Güvenlik ve KVKK uyumu sağlandı mı?
- Test ortamı (sandbox) kuruldu mu?
Ekip ve Süreç
- Proje ekibi oluşturuldu mu? (veri bilimci, iş analisti, IT, saha temsilcisi)
- Pilot kullanıcılar belirlendi mi? (5–10 kişi)
- Eğitim planı hazır mı?
- Geri bildirim mekanizması tasarlandı mı? (anket, görüşme)
Ölçüm ve İzleme
- Başarı metrikleri tanımlandı mı? (accuracy, F1, süre, maliyet)
- Performans dashboard’u kuruldu mu?
- Model yenileme (retraining) planı var mı?
- ROI hesaplama yöntemi belirlendi mi?
Sıkça Sorulan Sorular (SSS)
Projeniz İçin Destek Alın
Dijital dönüşüm yolculuğunuzda size rehberlik edebilirim. Ücretsiz ön görüşme için randevu alın.