ERP sistemleri yıllardır sipariş, stok hareketi, satın alma, üretim, sevkiyat ve finans verisini tek bir yerde topluyor. Asıl kritik nokta ise bu verinin sadece raporlanması değil, karar üretmesidir. erp yapay zeka yaklaşımı da tam bu noktada devreye girer: geçmiş hareketleri, dönemsel dalgalanmaları, teslim sürelerini ve operasyonel kısıtları birlikte okuyarak daha isabetli planlar oluşturur.

Özellikle talep tahmini, stok optimizasyonu ve satın alma planlaması, ERP verisinden en hızlı değer üretilen alanlar arasında yer alır. Çünkü bu üç başlık doğrudan nakit akışını, servis seviyesini ve operasyon hızını etkiler. Talebin yanlış tahmin edilmesi, gereksiz stok taşıma maliyeti ya da geciken tedarik zinciri çoğu işletmede aynı sonuca yol açar: kayıp satış, düşük çeviklik ve zayıf planlama güveni.

Burada önemli olan, yapay zekâyı bir “sihirli kutu” gibi konumlandırmamaktır. Sağlıklı sonuçlar için en az 12-24 aylık işlem geçmişi, ürün bazında temiz veri, tutarlı birim yapısı, açık sipariş kayıtları ve tedarik termin bilgileri gerekir. Veri kalitesi düşükse model de zayıf kalır. İyi kurgulanmış bir projede ise ERP içindeki mevcut veriler, işletme için her hafta daha iyi kararlar üreten bir planlama katmanına dönüşebilir.

ERP verileri yapay zekâ için neden güçlü bir temel sunar?

Birçok şirkette yapay zekâ projeleri veri eksikliği nedeniyle değil, verinin dağınık olması nedeniyle yavaşlar. ERP bu sorunu kısmen çözer; çünkü sipariş satırları, depo giriş-çıkışları, satın alma talepleri, tedarikçi performansı ve ürün kartları zaten aynı sistemde tutulur. Örneğin son 18 ayın satış siparişleri ile teslim süresi kayıtları bir araya getirildiğinde, yalnızca ne kadar satış yapıldığı değil, hangi ürünün hangi dönemde ne kadar gecikmeli tedarik edildiği de görülebilir.

Bu yapı sayesinde modeller tek bir metriğe odaklanmaz. Satış adedi, kampanya etkisi, iade oranı, sezon, minimum sipariş miktarı, güvenlik stoku ve ürün yaşam döngüsü aynı senaryo içinde birlikte değerlendirilebilir. Teknik tarafta en sık kullanılan yaklaşım, ERP’den günlük ya da saatlik veri akışı alıp tahmin ve öneri katmanını ayrı bir servis olarak çalıştırmaktır. Basit bir entegrasyon akışı şu mantıkla ilerler:

ERP Sales Orders -> Data Pipeline -> Forecast Model
ERP Stock Levels -> Feature Store -> Replenishment Engine
ERP Purchase Orders -> Lead Time Analysis -> Procurement Suggestions

Bu yapı, mevcut ERP’yi değiştirmeden de çalışabilir. Kurumlar için kritik avantaj tam olarak budur: çekirdek sistemi söküp yeniden kurmak gerekmez; bunun yerine karar kalitesini artıran bir katman eklenir.

Talep tahmini: sipariş geçmişinden daha anlamlı bir öngörü üretmek

Talep tahmini birçok işletmede hâlâ Excel dosyalarıyla, satış ekibinin yorumuyla ya da bir önceki yılın aynı ayı baz alınarak yapılıyor. Bu yöntem kısa vadede pratik görünebilir. Ancak ürün sayısı 500’ü, aktif müşteri sayısı da birkaç yüzü geçtiğinde hızla yetersiz kalır. Yapay zekâ ise burada ürün, müşteri, bölge, kanal ve zaman kırılımındaki desenleri yakalar.

Somut senaryo: 1.200 SKU’lu bir dağıtım şirketi

Düşünün: 1.200 aktif ürün var. ERP’de 24 aylık sipariş geçmişi bulunuyor. Bazı ürünler yaz aylarında yükseliyor, bazıları kampanyalarda sıçrıyor, bazılarıysa ayın son haftasında kurumsal müşterilerden toplu talep görüyor. Klasik ortalama alma yaklaşımı bu farklı davranışları düzleştirir. Model ise her SKU için ayrı bir davranış profili çıkarabilir.

Buradaki amaç “geleceği kusursuz biçimde bilmek” değildir. Asıl hedef, planlamacının tahmini manuel olarak düzeltmek için harcadığı saatleri azaltmak ve hata bandını yönetilebilir seviyeye çekmektir. Örneğin haftalık bazda çalışan bir tahmin sistemi, önümüzdeki 8 hafta için ürün bazlı talep aralığı üretebilir. Tek bir sayı yerine alt-üst bant sunmak, satın alma ve üretim ekipleri için daha gerçekçi bir karar zemini oluşturur.

  • Hızlı dönen ürünlerde kısa dönem tahmin
  • Düzensiz talepte promosyon ve proje etkisini ayrıştırma
  • Yeni ürünlerde benzer ürün kümesine göre başlangıç tahmini

Özellikle B2B yapılarda siparişler her gün eşit şekilde gelmez. Ay kapanışları, ihale tarihleri, saha operasyonları ve müşteri sözleşmeleri talebi bozar. Bu nedenle yalnızca zaman serisi değil, ERP içindeki sipariş tipi, müşteri segmenti ve fiyat değişimi gibi sinyaller de modele dahil edilmelidir.

Stok optimizasyonu: fazla stok ile stokout arasında denge kurmak

Stok optimizasyonu çoğu zaman yalnızca depo konusuymuş gibi görülür. Oysa finans, satış ve satın alma ekiplerini aynı anda etkiler. Gereğinden yüksek stok, sermayeyi rafta bekletir. Düşük stok ise servis seviyesini bozar. Yapay zekâ destekli yaklaşım, ürünleri tek bir kalıpta yönetmek yerine davranışlarına göre sınıflandırır.

Örneğin ERP verisinde 90 günlük hareket hızına, tedarik süresine ve sipariş frekansına bakılarak ürünler farklı risk profillerine ayrılabilir. A ürünleri her gün dönüyor olabilir, C sınıfı ürünler ise 45 günde bir çıkış görüyordur. Her iki gruba da aynı güvenlik stoku mantığını uygulamak maliyet yaratır.

Somut senaryo: 14 günlük termin, değişken satış temposu

Bir ithalatçı işletmede ortalama tedarik süresi 14 gün olsun; ancak fiili teslimatlar 9 ila 21 gün arasında değişsin. ERP kayıtları bu oynaklığı açık biçimde gösterir. Böyle bir durumda sabit yeniden sipariş noktası yetersiz kalır. Model, yalnızca ortalama termini değil, varyasyonu da dikkate alarak dinamik güvenlik stoku hesaplayabilir.

Pratikte şu sorulara yanıt üretilir:

  • Hangi ürünlerde stok fazlası taşıyoruz?
  • Hangi SKU’larda gelecek 2 hafta içinde stokout riski var?
  • Hangi depoda transfer, yeni satın almadan daha doğru bir karar olur?

Buradan çıkan değer oldukça nettir. Satın alma kararı daha geç değil, daha doğru verilir. Depolar arası dengesizlikler daha erken görünür. Özellikle çok lokasyonlu yapılarda, bir depoda bekleyen ürün diğer lokasyonda acil ihtiyaç hâline gelmiş olabilir. Yapay zekâ bu çapraz ilişkiyi manuel raporlardan daha hızlı yakalar.

Satın alma planlaması: sipariş önerisini tedarikçi gerçeğiyle birleştirmek

Satın alma planlamasında hata yalnızca “ne kadar alalım” sorusundan kaynaklanmaz. “Ne zaman alalım”, “hangi tedarikçiden alalım” ve “hangi parti büyüklüğü mantıklı” soruları da aynı ölçüde önemlidir. ERP verileri, geçmiş satın alma siparişleri ile fiili teslim tarihlerini karşılaştırarak tedarikçi güvenilirliğini ölçmek için iyi bir başlangıç noktası sunar.

Somut senaryo: MOQ ve termin baskısı

Bir üretici, ham madde için minimum sipariş miktarı 500 kg olan bir tedarikçiyle çalışıyor olsun. ERP’de son 12 ay boyunca bu kalemin aylık tüketimi 280-620 kg bandında değişmiş. Tedarik süresi de bazen 7 gün, bazen 19 gün. Yalnızca ortalamaya bakarak sipariş açmak, bazı aylarda fazla stok, bazılarında ise üretim riski yaratır.

Yapay zekâ modeli burada birkaç katmanı birlikte ele alabilir: tahmini tüketim, açık üretim emirleri, mevcut stok, yoldaki siparişler ve tedarikçi teslim performansı. Sonuçta sistem, “bugün 500 kg sipariş ver” demekten öte, “8 gün içinde risk oluşuyor; eldeki sipariş ve tüketim hızına göre 1 parti sipariş uygundur” gibi gerekçeli bir öneri üretebilir.

İyi tasarlanmış bir ekranda satın almacı şu alanları tek satırda görebilir:

  • Önerilen sipariş tarihi
  • Önerilen miktar
  • Risk nedeni: talep artışı, termin uzaması veya düşük stok
  • Beklenen stok seviyesi: 7, 14 ve 30 gün sonrası

Bu yaklaşım satın alma ekibini devre dışı bırakmaz. Aksine, kararın açıklanabilir olmasını sağlar. Kurumsal kabul açısından bu detay oldukça önemlidir.

Başarılı bir ERP yapay zekâ projesi için veri ve entegrasyon gereksinimleri

En sık yapılan hata, modeli konuşup veri hazırlığını ihmal etmektir. Oysa uygulamanın başarısı çoğu zaman ilk 4-8 haftadaki veri çalışmasına bağlıdır. Ürün kartlarında yinelenen kodlar, kapanmamış siparişler, birim dönüşüm sorunları ya da hatalı tarih alanları varsa tahmin kalitesi düşer.

Minimum düzeyde şu veri setleri gerekir:

  • En az 12 aylık satış ve sipariş geçmişi; tercihen 24 ay
  • Anlık stok, depo bazlı stok ve rezervasyon bilgisi
  • Satın alma siparişleri, planlanan ve gerçekleşen teslim tarihleri
  • Ürün hiyerarşisi, kategori, birim, alternatif ürün ilişkileri

Teknik mimaride API entegrasyonu, ETL akışı ya da doğrudan veri ambarı bağlantısı tercih edilebilir. Günlük batch akışı çoğu şirket için yeterlidir; hızlı tüketim veya çok yüksek hacimli yapılarda saatlik senkron da gerekebilir. Burada seçim, teknoloji modasından çok operasyon ritmine göre yapılmalıdır.

Hangi şirketler önce bu üç alana odaklanmalı?

Her işletmenin ilk yapay zekâ yatırımı aynı noktadan başlamaz. Yine de bazı işaretler nettir. Eğer SKU sayısı 300’ün üzerindeyse, tedarik süreleri değişkense, planlama büyük ölçüde Excel üzerinde yürüyorsa ve stok fazlası ile stokout aynı anda yaşanıyorsa; talep, stok ve satın alma hattı iyi bir başlangıç noktasıdır.

Özellikle dağıtım, üretim, perakende tedariki, yedek parça yönetimi ve çok depolu B2B operasyonlar bu alanda hızlı değer görür. Çünkü çıktı doğrudan ölçülebilir: daha tutarlı sipariş önerisi, daha görünür riskler, daha az manuel müdahale. Her şirket için net rakam vermek doğru olmaz; veri yapısı, sektör dinamiği ve süreç disiplini sonuçları ciddi biçimde etkiler.

Kapanışta temel fikir şu: ERP’de biriken veri yalnızca geçmişi anlatmak zorunda değil. Doğru modelleme ve doğru entegrasyonla, gelecek haftanın talebine, kritik stok riskine ve satın alma zamanlamasına dair somut karar desteği üretebilir. erp yapay zeka yaklaşımının gerçek değeri de tam burada ortaya çıkar: daha fazla veri göstermekten çok, daha iyi operasyonel kararlar üretmek.