Stok Takibinde Yapay Zeka Otomasyonu: Nerede İşe Yarar?

Yapay zeka ile stok otomasyonu, satış geçmişi, anlık stok, tedarik süresi ve kampanya verilerini birlikte değerlendirir. Böylece stok tükenmesi, fazla stok ve yeniden sipariş ihtiyacı daha erken görülebilir. Ancak doğru sıra şudur: önce güvenilir envanter verisi, sonra kural tabanlı otomasyon, en son tahminleme.

Bir ürün Shopify’da 12, pazaryerinde 7, depoda 18, Excel’de 24 adet görünüyorsa yapay zeka sorunu çözmez. Hatalı veriye yalnızca daha inandırıcı görünen hatalı kararlar ekler. Bu içerikte hangi işleri otomatikleştirebileceğinizi, yapay zekanın nerede gerçek fayda sağladığını ve operasyonunuzun buna ne kadar hazır olduğunu netleştireceğiz.

Öne Çıkanlar

• Stok eşiği uyarısı, kanal senkronu ve sipariş aktarımı çoğu zaman yapay zeka değil, kural tabanlı otomasyondur.
• Yapay zeka; satış hızı, kampanya, mevsimsellik ve tedarik süresini birlikte değerlendirerek ürün bazında tahmin ve sipariş önerisi üretir.
• Tek bir kaynak stok sistemi olmadan Shopify, WooCommerce, pazaryeri ve depo verisini güvenle otomatikleştirmek mümkün değildir.
• İlk aşamada otomatik satın alma yerine gerekçeli öneri ve insan onayı kullanılmalıdır.
• Başarı yalnızca tahmin doğruluğuyla değil; stok doğruluğu, stoksuz kalma oranı ve manuel düzeltme oranıyla ölçülmelidir.

Stok otomasyonu ile yapay zeka aynı şey değil

Tekrarlanan her stok işi için makine öğrenmesi gerekmez. “AI stok yönetimi” arayan birçok işletme, ihtiyacını önce daha basit bir otomasyonla çözer.

Kural tabanlı otomasyon, önceden tanımlanmış koşulları uygular. Yapay zeka ise geçmiş verilerdeki örüntüleri inceleyip değişen koşullara göre tahmin üretir. Bu ikisini aynı şey gibi sunmak, gereğinden karmaşık bir sistem kurmanın en kısa yoludur.

Kural tabanlı otomasyonun çözdüğü işler

Aşağıdaki süreçlerde çoğu zaman açık ve denetlenebilir kurallar yeterlidir:

• Kullanılabilir stok belirli seviyenin altına düştüğünde ilgili ekibe uyarı göndermek
• Yeni sipariş geldiğinde satış kanalındaki stoğu güncellemek
• İptal veya iade edilen ürünleri tanımlı koşullarda yeniden kullanılabilir stoğa almak
• Shopify, WooCommerce ve pazaryeri kanalları arasında stok miktarını eşitlemek
• Her sabah kritik SKU, eksi stok ve geciken tedarik listesi göndermek
• Depolar arası transfer hareketlerini işlem geçmişine kaydetmek

Bu görevler “akıllı” görünmeyebilir. Ancak günlük panel kontrolü ihtiyacını azaltır ve stok hatasının hangi aşamada oluştuğunu gösterir. AI katmanına geçmeden önce bunların çalışıyor olması gerekir.

Yapay zekanın devreye girdiği işler

Yapay zeka destekli stok yönetimi, tek bir eşiği uygulamakla yetinmez. Birden fazla değişkeni aynı anda değerlendirir. En çok fayda sağladığı alanlar şunlardır:

• Mevsimsellik ve kampanya etkisini hesaba katan talep tahmini
• SKU, varyant, depo ve kanal seviyesinde stok bitiş riskini öngörmek
• Değişken tedarik sürelerine göre yeniden sipariş miktarı önermek
• Normal dışı satış, iade veya manuel stok düzeltmesini işaretlemek
• Uzun süredir hareket etmeyen ve nakit bağlayan ürünleri önceliklendirmek

Microsoft’un envanter tahmini yaklaşımı da yalnızca satış tahmini üretmeye dayanmaz. Talep ve arz verilerini birleştirir, ardından bunu planlı sipariş ve stok kararına bağlar. Microsoft Learn envanter tahmini dokümantasyonu bu mantığı açık biçimde anlatır.

Yapay zeka stok takibinde hangi verilere bakar?

Başarılı bir tahmin motoru sihirli bir kutu değildir. Tahmin, beslendiği veri kadar iyidir. Ürün kartları, kanal kayıtları ve depo hareketleri birbiriyle uyuşmuyorsa sistemin önerisine de güvenemezsiniz.

Asgari veri setinde şu unsurlar bulunmalıdır:

• Ürün, varyant ve tekil SKU kimliği
• Günlük satış, iptal ve iade hareketleri
• Anlık kullanılabilir stok ve rezerve stok
• Depo, raf veya lokasyon bilgisi
• Satış kanalı bilgisi
• Açık satın alma siparişleri
• Tedarikçi ve ürün bazında teslim süresi
• Kampanya takvimi ve indirim dönemleri
• Sayım farkı, fire, transfer ve manuel düzeltme kayıtları

Veri temiz değilse model de temiz olmaz

Stok doğruluğu bir kez kurulup unutulacak bir yapı değildir. Depo hareketleri, iadeler, transferler ve sayımlar bunu her gün koruyan operasyon standartlarıdır.

En sık görülen veri sorunları şunlardır:

• Aynı ürünün farklı kanallarda farklı SKU ile açılması
• Varyantların ürün kartında standart isimlendirilmemesi
• İadelerin günler sonra sisteme girilmesi
• Sayım farklarının neden belirtilmeden manuel düzeltilmesi
• Rezerve stok ile satılabilir stok kavramlarının kanallarda farklı tanımlanması
• Fiziksel mağaza satışlarının merkezi stoğa geç işlenmesi

Örneğin Shopify, Trendyol ve fiziksel mağazada satış yapan bir kozmetik işletmesi düşünün: en çok satan ruj varyantı üç yerde üç farklı adetle görünüyorsa, sorun tahmin değil, dağınık stok verisidir. Pazaryeri satışları ana mağazaya ancak gün sonunda yansıyorsa, bir AI tahmin projesi bu açığı kapatmaz. Önce merkezi stok sistemi ve varyant eşlemesi kurulmalı, kritik renkler için uyarılar tanımlanmalıdır. Tahminleme ancak bu ikinci aşamada anlamlı hale gelir.

Yapay zeka, hatalı stok verisini düzeltmez. Hatalı stok verisiyle daha inandırıcı görünen yanlış öneriler üretir.

En faydalı beş stok otomasyonu senaryosu

Stok takibinde yapay zeka otomasyonu, özellikle karar gecikmesinin maliyet yarattığı alanlarda fayda sağlar. Aşağıdaki beş senaryo, birçok e-ticaret operasyonu için uygun başlangıç noktalarıdır.

1. Kritik stok ve stok bitiş tarihi uyarısı

“10 adet kaldı” uyarısı her ürün için aynı anlama gelmez. Günde 8 adet satılan bir ürün için 10 adet kritik olabilir. Ayda bir kez satılan bir ürün için olmayabilir.

Daha faydalı bir sistem, eldeki stoğu satış hızına göre yorumlar ve “Bu varyant mevcut hızla 4 gün içinde tükenebilir” bilgisini verir. Hesaba açık satın alma siparişleri, tedarik süresi ve güvenlik stoğu da girmelidir.

2. Yeniden sipariş önerisi

Otomatik sipariş noktası yalnızca eldeki stok adedine bakmamalıdır. Sağlıklı bir öneri şu verileri birlikte göstermelidir:

1. Önerilen sipariş miktarı
2. Son dönemdeki satış hızı
3. Tedarikçinin beklenen teslim süresi
4. Mevcut, rezerve ve yoldaki stok
5. Stok bitiş veya fazla stok riski
6. Tahminin güven seviyesi

Bu yaklaşım satın alma kararını sezgiden tamamen koparmaz. Sezginin hangi veriyle çeliştiğini görünür hale getirir.

3. Çok kanallı stok senkronizasyonu

Çok kanallı stok senkronizasyonu, çoğu işletmenin yapay zekadan önce çözmesi gereken sorundur. Bir ürün pazaryerinde satıldığında Shopify veya WooCommerce mağazasındaki stok beklemeden güncellenmelidir.

İlk adım, tek doğru stok kaynağını belirlemektir. Bu kaynak ERP, depo sistemi veya özel bir envanter katmanı olabilir. Mağazalar ve pazaryerleri veriyi bu kaynaktan almalıdır. Her kanal kendi stok gerçeğini üretmemelidir.

4. Fazla stok ve yavaş ürün alarmı

Fazla stok yalnızca depoda yer kaplamaz. Nakit bağlar, sezon ilerledikçe indirim baskısını artırır ve satın alma ekibinin odağını dağıtır.

Örneğin ev tekstili satan bir işletme, sezon başı alımını yalnızca önceki yılın toplam satışına göre yaparsa ne olur? Kampanya tarihleri değişmişse ya da bazı ürün gruplarında talep daha erken bitiyorsa, sezon sonunda elde fazla stok kalır. Böyle bir durumda sorun satışın olmaması değil, fazla stoğun ne zaman riske dönüştüğünün erken fark edilmemesidir. Ürün grubu bazında satış hızı, elde kalma günü ve kampanya etkisi takip edildiğinde satın alma miktarları çok daha kontrollü planlanabilir.

5. Anormal hareket tespiti

Beklenmeyen satış artışı her zaman iyi haber değildir. Yanlış fiyat, hatalı ürün eşlemesi veya toplu sipariş, stoğu beklenenden hızlı tüketebilir.

Benzer şekilde, olağandışı iade oranları, eksi stok veya sık manuel düzeltme operasyonel bir soruna işaret edebilir. Sistem bu hareketleri kendiliğinden düzeltmeden önce ilgili kişiyi bilgilendirmelidir.

Otomatik sipariş vermeden önce kurulması gereken kontroller

Stok satın alma kararı nakdi doğrudan bağlar. Bu nedenle öneri motorunun ilk işi satın alma siparişi açmak değil, kararın hangi veriye dayandığını göstermektir.

NIST’in AI Risk Management Framework çekirdeği; rollerin ve insan denetiminin açıkça tanımlanmasını, sistemin canlı kullanımda sürekli izlenmesini önerir. Stok önerisi veren bir sistemde bu, kimin onay verdiğini ve neyin izlendiğini en baştan yazmak demektir.

İnsan onayı hangi ürünlerde kalmalı?

Aşağıdaki ürünlerde ve koşullarda insan onayı korunmalıdır:

• Yeni satışa açılmış ürünler
• Sezonluk ürünler
• Yüksek birim maliyetli ürünler
• Tedarik süresi sık değişen ürünler
• Büyük kampanyaya girecek ürünler
• Düşük satış hacimli ama kritik yedek parçalar
• Tahmin güven seviyesi düşük SKU’lar

Nadiren satılan bir yedek parçanın stokta olmaması, B2B müşterisi için yüksek maliyet yaratabilir. Aynı parçadan gereğinden fazla almak ise gereksiz sermaye bağlar. Bu ürünlerde sadece satış miktarına bakılmaz. Müşterinin önemi, tedarik süresi ve ürünün iş sürekliliğindeki rolü de değerlendirilmelidir.

Öneri reddedilirse nedenini kaydedin

Sistem “40 adet alın” önerisi verdiğinde satın alma sorumlusu bunu reddedebilir. Bu hata değildir. Ancak ret nedeni kayda geçmezse ekip ve sistem birlikte öğrenemez.

“Yeni kampanya iptal edildi”, “tedarikçi teslim süresini uzattı” veya “ürünün yeni versiyonu geliyor” gibi notlar, sonraki kararların bağlamını oluşturur. Denetlenebilir otomasyon yalnızca hangi önerinin verildiğini kaydetmez. Hangi işlemin yapıldığını ve neden yapıldığını da kaydeder.

E-ticarette teknik kurulum nasıl görünür?

Sağlıklı bir stok mimarisinde mağaza, pazaryeri, depo ve satın alma kayıtları ayrı panellerde kalmaz. API’ler veya güvenilir entegrasyonlar üzerinden ortak bir işlem akışına bağlanır.

Temel yapı şöyledir:

• Shopify veya WooCommerce mağazası
• Pazaryeri satış kanalları
• ERP, muhasebe veya depo yönetim sistemi
• Kargo, iade ve iptal kaynakları
• Satın alma siparişleri ve tedarikçi kayıtları
• Merkezi ürün ve varyant eşleme katmanı
• Bildirim, raporlama ve onay katmanı
• Tahmin ve öneri motoru

Standart eklentiler belirli bir noktaya kadar yeterli olabilir. Ancak çoklu depo, özel rezervasyon mantığı, kanal bazında farklı stok kuralı veya yoğun API trafiği varsa mimariyi baştan düşünmek gerekir. Bu tür operasyonlarda WooCommerce e-ticaret altyapısı veya API-first çalışan bir headless e-ticaret altyapısı daha kontrollü bir temel sağlayabilir.

Kişi bazlı sipariş geçmişi, teslimat adresi veya müşteri iletişim bilgisi işleniyorsa konu yalnızca teknik entegrasyon değildir. KVKK’nın yapay zeka alanında kişisel verilerin korunmasına dair tavsiyeleri veri minimizasyonu ve amaçla sınırlılık açısından ayrıca değerlendirilmelidir.

Stok veriniz dağınıksa AI projesine başlamayın. Önce hangi sistemin doğru stoğu tuttuğunu, hangi hareketlerin geç işlendiğini ve hangi ürünlerde risk oluştuğunu çıkarın. Özel entegrasyon gerektiren operasyonlarda headless e-ticaret altyapısı değerlendirilebilir.

Stok takibinde AI’a hazır olup olmadığınızı test edin

Aşağıdaki 10 soruyu dürüstçe yanıtlayın:

1. Her ürün ve varyantın tekil bir SKU’su var mı?
2. Stok açısından kaynak sistemin hangisi olduğu yazılı mı?
3. İade ve iptal hareketlerinin stoğa ne zaman döndüğü belli mi?
4. Stok sayım farkları neden koduyla kaydediliyor mu?
5. Depolar arası transferler ayrı hareket olarak işleniyor mu?
6. Açık satın alma siparişleri sistemde görünüyor mu?
7. Tedarikçi teslim süresi ürün veya tedarikçi bazında tutuluyor mu?
8. Kampanya takvimi satış verisiyle eşleştirilebiliyor mu?
9. Kritik stok eşiği ürün bazında ayrı tanımlanıyor mu?
10. Bir önerinin doğru veya yanlış çıktığını sonradan ölçebiliyor musunuz?

“Evet” yanıtınız beşten azsa AI projesine henüz başlamayın. Önce ürün kartı standardını, stok hareketi tanımlarını, entegrasyon haritasını ve temel uyarı otomasyonlarını düzeltin.

Ölçmeniz gereken yedi metrik

Sistemin işe yarayıp yaramadığını “AI kullanıyoruz” diyerek ölçemezsiniz. Düzenli takip edilmesi gereken metrikler şunlardır:

• Stok doğruluğu: Sayımdaki doğru stok kalemi / sayılan toplam kalem × 100
• Stoksuz kalma oranı: Stok yok nedeniyle karşılanamayan sipariş / toplam talep × 100
• Fazla stok gün sayısı: Mevcut stoğun ortalama günlük satış hızına göre yeteceği gün
• Stok devir hızı: Belirli dönemde satılan malın maliyeti / ortalama stok maliyeti
• Tahmin hatası: Tahmin edilen ve gerçekleşen satış arasındaki SKU bazlı fark
• Öneri kabul oranı: Onaylanan sipariş önerilerinin toplam önerilere oranı
• Manuel düzeltme oranı: Manuel stok düzeltmelerinin toplam stok hareketine oranı

30 günlük pilot planı

Tüm ürün kataloğunu ve bütün kanalları aynı anda dönüştürmeye çalışmayın. En çok satan veya en fazla sorun çıkaran 50-100 SKU ile sınırlı bir pilot, daha hızlı öğrenmenizi sağlar.

İlk 7 gün: Veri ve akış denetimi

İlk hafta şu çalışmaları yapın:

• Pilot SKU grubunu seçin
• Kaynak stok sistemini belirleyin
• Varyant eşleme sorunlarını listeleyin
• İade, transfer, fire ve sayım farkı süreçlerini inceleyin
• Açık satın alma siparişlerinin görünürlüğünü kontrol edin

8–21 gün: Kural tabanlı otomasyon

Tahmin modeline geçmeden önce ikinci aşamada operasyonel altyapı kurulur:

• Kritik stok uyarısı
• Kanal stok eşitleme
• Günlük istisna raporu
• Eksi stok bildirimi
• Açık sipariş ve tedarik süresi görünürlüğü

22–30 gün: Tahminleme pilotu

Son aşamada, sınırlı bir ürün grubunda talep tahmini ve sipariş önerisi test edilir. Sistem doğrudan satın alma işlemi başlatmaz. Sorumlu kişi öneriyi kabul eder veya reddeder.

Pilot sonunda tahmin hatası, öneri kabul oranı, stoksuz kalma riski ve manuel düzeltme oranı birlikte değerlendirilir. Hedef kusursuz tahmin değildir. Amaç, kararları daha erken ve daha izlenebilir şekilde vermektir.

Yapay zeka stok yönetiminde ne zaman mantıklı değil?

Bazı işletmeler için yapay zeka doğru sonraki adım olmayabilir. Aşağıdaki durumlarda önce temel operasyon iyileştirilmelidir:

• Ürün kartları düzenli değilse
• Stok hareketleri günler sonra işleniyorsa
• Tek bir kaynak sistem yoksa
• Ürün sayısı düşük ve satış deseni çok basitse
• Tedarik süreleri bilinmiyorsa
• Sistem önerisini inceleyecek sorumlu kişi yoksa
• İşletme, önerilerin doğru çıkıp çıkmadığını ölçmeyecekse

Yapay zeka operasyon disiplininin yerini tutmaz. Yalnızca doğru kurulmuş bir sürecin karar kalitesini artırabilir.

Sık sorulan sorular

Yapay zeka stok takibinde ne yapar?

Yapay zeka, geçmiş satışları, mevcut stoku, tedarik süresini, kampanya ve mevsimsellik verilerini inceler. Stok tükenmesi, fazla stok ve yeniden sipariş ihtiyacı için öneriler sunar. Bunun işe yaraması için stok hareketlerinin düzenli ve güvenilir biçimde kaydedilmesi gerekir.

Stok otomasyonu ile yapay zeka destekli stok yönetimi arasındaki fark nedir?

Stok otomasyonu tanımlanmış kuralları uygular. Örneğin stok belirlenen eşiğin altına düştüğünde bildirim gönderir. Yapay zeka destekli stok yönetimi ise satış hızındaki değişimi, kampanya etkisini ve tedarik süresini birlikte inceleyerek ürün bazında farklı öneriler üretir.

Yapay zeka stok için otomatik sipariş verebilir mi?

Verebilir, ancak başlangıçta doğrudan sipariş oluşturması önerilmez. Sistem önce öneri vermeli, satın alma sorumlusu önerinin dayandığı veriyi incelemeli ve onaylamalıdır. Maliyeti yüksek, sezonluk veya tedarik süresi değişken ürünlerde insan onayı korunmalıdır.

Stok tahmini için ne kadar geçmiş veri gerekir?

Bu, ürünün satış sıklığına ve sezon etkisine göre değişir. Düzenli satılan ürünlerde birkaç aylık temiz veri başlangıç için yeterli olabilir. Sezonluk ürünlerde mümkünse önceki sezonun satış, kampanya ve iade verileri kullanılmalıdır.

Stok verisi hatalıysa yapay zeka işe yarar mı?

Hayır. Yapay zeka hatalı stok kaydını fiziksel olarak düzeltemez. Yinelenen ürün kartları, geç işlenen iadeler, eksik transfer kayıtları veya açıklamasız manuel düzeltmeler varsa modelin önerileri de güvenilir olmaz.

Shopify, WooCommerce ve pazaryeri stokları tek yerde yönetilebilir mi?

Evet. Önce stok için kaynak sistem belirlenmelidir. Ardından ürün ve varyant kimlikleri eşleştirilmeli, satışlar, iadeler, iptaller ve depo hareketleri güvenilir entegrasyonlarla ortak akışa dahil edilmelidir.

Önce doğru stok, sonra akıllı stok

Stok takibinde yapay zeka otomasyonu, sayımın ve operasyon disiplininin yerini almaz. Stok verisi temizse, hareketler izlenebiliyorsa ve kanallar birbirine bağlıysa hangi ürünün ne zaman tükenebileceğini, hangi ürünün fazla stok taşıdığını ve ne kadar sipariş gerektiğini daha erken görmenizi sağlar.

Değer, “AI kullanıyoruz” demekte değildir. Asıl değer, en çok satan varyantı müşteriye yok satmadan, depoda gereksiz nakit bağlamadan ve ekibi her sabah farklı panelleri kontrol etmeye zorlamadan karar verebilmektir.