Tedarik Zincirinde Yapay Zeka

AI tedarik zincirinde neyi optimize eder?

AI tabanlı tedarik zinciri, geçmiş veri üzerinden geleceği tahmin ederek dört ana kararı iyileştirir: ne kadar talep gelecek (forecasting), ne kadar stok tutalım(envanter), hangi rotayı izleyelim (lojistik) ve hangi tedarikçi riskli (risk skorlaması). Temel hedef, hizmet seviyesini (stok bulunurluğunu) korurken sermayeyi bağlayan stok ve taşıma maliyetini düşürmektir.

Sektörde sık paylaşılan yaklaşık iyileşme aralıkları: envanter maliyetinde %20–35, lojistik maliyetinde %15–30 düşüş. Bunlar veri olgunluğuna bağlı örnek aralıklardır; garanti değildir.

Talep tahmini (demand forecasting)

Talep tahmini, geçmiş satış serisi üzerine mevsimsellik, promosyon, tatil ve hava gibi değişkenleri ekleyerek gelecek dönemi öngörür. Model seçimi verinin yapısına bağlıdır:

Tahmin başarısı genelde MAPE (ortalama mutlak yüzde hata) ile ölçülür — değer ne kadar düşükse tahmin o kadar iyidir. Örneğin bir SKU için MAPE %8 ise, tahminler ortalama %8 sapma gösteriyor demektir; bu değer aksiyon eşiği olarak kullanılır.

Envanter optimizasyonu: EOQ ve güvenlik stoğu

Stok kararının iki klasik yapı taşı formülle hesaplanır:

• EOQ (ekonomik sipariş miktarı): EOQ = kök(2 · D · S / H) — D yıllık talep, S sipariş başına maliyet, H birim yıllık taşıma maliyeti.
• Güvenlik stoğu: SS = Z · σ · kök(L) — Z hizmet seviyesi katsayısı (ör. %95 için ≈ 1,65), σ talep standart sapması, L tedarik süresi.
• Yeniden sipariş noktası: ROP = (günlük talep × tedarik süresi) + güvenlik stoğu.

AI katkısı burada tahmin kalitesini artırmak ve volatiliteyi ölçmektir: talep dalgalanması yüksek SKU'larda daha sık/küçük sipariş, düşük volatilitede daha seyrek/büyük sipariş önerilir. Böylece aynı %95 bulunurluk daha az sermaye bağlayarak korunur.

Rota optimizasyonu (VRP)

Araç rotalama problemi (Vehicle Routing Problem), araç kapasitesi ve teslimat noktaları verildiğinde en kısa toplam mesafeli rotayı bulur. Google OR-Tools gibi çözücüler, mesafe matrisi ve kapasite kısıtı üzerinden çok araçlı optimal güzergâhı üretir. Kazanım kalemleri: toplam kilometre, yakıt ve sürüş süresi. Son kilometre (last-mile) teslimatta bu optimizasyon en yüksek etkiyi verir.

Kestirimci bakım (predictive maintenance)

Filo ve makine sensör verisi (kilometre, motor sıcaklığı, titreşim, yağ basıncı) bir sınıflandırma modeliyle işlenerek arıza olasılığı skorlanır. Yüksek riskli araçlar önceliklendirilerek bakım planlanır; böylece plansız duruşlar azalır. Bu, tedarik zincirinde teslimat gecikmelerinin önemli bir kaynağını önler.

Tedarikçi risk skorlaması

Tedarikçiler ağırlıklı bir skorla (0–100) değerlendirilir. Tipik ağırlık dağılımı örnek olarak: mali sağlık, teslimat performansı, kalite/hata oranı, coğrafi risk, tek kaynak bağımlılığı ve sertifikasyon (ör. ISO 9001 / ISO 27001). Yüksek skorlu tedarikçilerde ikinci kaynak (dual sourcing) ve güvenlik stoğunu artırma gibi aksiyonlar tetiklenir.

ROI nasıl hesaplanır?

ROI = (kazanç − maliyet) / maliyet. Örnek senaryo (hipotetik): envanter ve lojistik maliyetinde toplam yıllık tasarruf T, sistem kurulum + ilk yıl operasyon maliyeti M ise, geri dönüş (T − M) / M oranıyla ifade edilir. Gerçek değerler tamamen şirketin veri kalitesine, hacmine ve mevcut süreç olgunluğuna bağlıdır; abartılı tek-yıl oranlarına değil, doğrulanmış pilot sonuçlarına güvenilmelidir.

Güncel durum / 2026 eğilimleri

• Gerçek zamanlı görünürlük: IoT + tahmin modelleri stok ve talebi anlık izliyor.
• Çok kademeli optimizasyon: Depo → dağıtım → mağaza için uçtan uca stok dengeleniyor.
• Senaryo simülasyonu: Talep şoku ve tedarikçi kesintisi "what-if" olarak önceden test ediliyor.
• Dayanıklılık odağı: Sadece en düşük maliyet değil, kesintiye karşı sağlamlık (resilience) da optimizasyon hedefi.

Tedarik zincirinizde hangi kararın en çok kazandıracağını birlikte belirlemek için AI çözüm kataloğumuza göz atabilirsiniz.