B2B satışta fiyat vermek çoğu zaman sadece bir rakam belirlemekten ibaret değildir. Müşteri segmenti, sipariş hacmi, iskonto geçmişi, ödeme vadesi, kur etkisi, stok durumu ve rekabet baskısı aynı teklifin içinde buluşur. Bu yapı büyüdükçe manuel fiyatlama yavaşlar. Satış ekibi teklif hazırlamak için operasyonu bekler, finans marj riskini kontrol altında tutmaya çalışır, yönetim ise fiyat tutarlılığını korumakta zorlanır.
Yapay zeka fiyatlama tam da burada devreye girer. Amaç insan kararını tamamen ortadan kaldırmak değil; fiyat önerisini veriyle güçlendirmek, teklif oluşturma süresini dakika seviyesine indirmek ve alt marj sınırlarını otomatik olarak korumaktır. Özellikle ürün sayısının yüzlerle, müşteri sayısının binlerle ifade edildiği B2B yapılarda bu yaklaşım ciddi bir operasyonel fark yaratır.
İyi tasarlanmış bir sistem; geçmiş teklif-veri setlerini, sipariş kapanma oranlarını, müşteri davranışlarını ve maliyet kalemlerini birlikte değerlendirir. Sonuç olarak satış temsilcisine tek bir fiyat sunmak yerine, açıklanabilir bir fiyat aralığı, önerilen iskonto bandı ve risk uyarıları verir. Böylece hız ve kontrol aynı ekranda buluşur.
Yapay zeka fiyatlama B2B firmalarda hangi sorunu çözer?
B2B şirketlerde teklif süreci çoğu zaman 4 temel noktada tıkanır: fiyat tutarsızlığı, yavaş onay akışı, marj erozyonu ve kişiye bağımlı karar alma. Örneğin 5.000 SKU yöneten bir distribütörü düşünelim. Aynı ürün, farklı bölge, farklı bayi tipi ve farklı vade koşuluyla satılıyor. Satış temsilcisi her durumda doğru fiyatı hafızadan çıkaramaz. Excel dosyaları devreye girer. Ardından e-posta zinciri başlar.
Buradaki maliyet, ilk bakışta görünenden daha büyüktür. Teklifin 2 saat gecikmesi bazı sektörlerde siparişin rakibe kaymasına yol açabilir. Özellikle hızlı tüketim, endüstriyel tedarik, elektrik malzemeleri, ambalaj ve toptan e-ticaret tarafında müşteri çoğu zaman ilk makul teklife yaklaşır. Süreçteki sistematik bir gecikme doğrudan ciro kaybına dönüşebilir.
Yapay zeka destekli yapı, şu veri noktalarını tek yerde işler:
- Geçmiş teklif ve sipariş kayıtları
- Ürün bazlı brüt kâr ve güncel maliyet
- Müşteri segmenti, bölge, kanal, ödeme vadesi
- İskonto geçmişi ve kazanma-kaybetme nedenleri
- Kur, tedarik süresi, stok seviyesi gibi dinamikler
Böyle bir model, örneğin brüt marjı %12 altına düşüren teklifleri otomatik olarak işaretleyebilir ya da 30 gün vadeli müşteride uygulanacak iskonto tavanını farklı hesaplayabilir. Buradaki kritik nokta, sistemin yalnızca tahmin üretmesi değil, iş kuralıyla birlikte çalışmasıdır.
Marjı korurken satış hızını artırmak nasıl mümkün olur?
Hız ile marj genelde birbirine zıt hedefler gibi değerlendirilir. Oysa doğru kurgulandığında biri diğerini besler. Yavaş teklif süreçlerinde satış ekibi çoğu kez güvenli tarafta kalmak için fazla iskonto verir. Hızlı ama kontrolsüz süreçlerde ise marj kaybolur. Yapay zeka fiyatlama, bu iki uç arasında daha dengeli bir alan yaratır.
1. Teklif hazırlama süresini dakika seviyesine indirme
Manuel akışta bir teklifin oluşması 20 dakika ile birkaç saat arasında değişebilir. Ürün eşleştirme, iskonto kontrolü, maliyet teyidi ve yönetici onayı ayrı ayrı ilerler. Entegre bir fiyat öneri sistemi ise CRM, ERP ve ürün verisini API üzerinden birleştirir; satış temsilcisi müşteriyi seçtiğinde önerilen fiyat bandı saniyeler içinde ekrana gelir.
Buradaki tek kazanım hız değildir. Aynı zamanda satış ekibinin her teklif için farklı dosyalar arasında arama yapmasının da önüne geçilir. Güncel fiyat mantığı merkezi hale gelir.
2. Alt marj sınırlarını otomatik uygulama
Sistemde ürün grubu bazında taban marj tanımlanabilir. Örneğin A grubunda minimum %18, B grubunda %11, kampanyalı stoklarda ise farklı bir eşik belirlenir. Yapay zeka modeli yüksek kapanma olasılığı gördüğünde iskonto önerebilir; ancak iş kuralı motoru alt sınırı ihlal eden senaryoyu onaya düşürür ya da engeller. Böylece modelin esnekliği ile finans disiplinini aynı akışta korumak mümkün hale gelir.
3. Müşteriye göre fiyat duyarlılığını hesaplama
Her müşteri aynı tepkiyi vermez. Bazı hesaplar teslim süresine, bazıları vade yapısına, bazıları ise toplam sepet değerine daha duyarlıdır. Geçmiş veride yeterli kayıt varsa model, belirli bir segmentte %2 fiyat farkının kapanma oranını nasıl etkilediğini tahmin edebilir. Yine de burada dürüst olmak gerekir: az veri olan müşteri tiplerinde yüksek doğruluk beklenmemelidir. Bu nedenle sistemin güven skoru göstermesi önem taşır.
Sistem nasıl çalışır? Veri, kurallar ve model birlikte tasarlanır
Başarılı bir çözüm yalnızca bir makine öğrenmesi modelinden ibaret değildir. Çoğu projede asıl değer, veri katmanı ile karar motorunun birlikte kurgulanmasından doğar. Saha uygulamalarında 3 bileşen öne çıkar: veri toplama, fiyat öneri motoru ve teklif iş akışı.
Veri katmanı
En az son 12 aylık teklif ve sipariş geçmişi değerli bir başlangıç sağlar. 24 ay ve üzeri veri varsa mevsimsellik, kur dalgalanması ve kampanya etkisi daha net okunur. Temel alanlar şunlardır: ürün kodu, liste fiyatı, net satış fiyatı, maliyet, müşteri tipi, miktar, teslim tarihi, vade, teklif sonucu.
Veri kalitesi zayıfsa modelin çıktısı da zayıf olur. Aynı müşterinin birden fazla isimle kayıtlı olması, maliyet güncellemelerinin gecikmesi ya da kaybedilen teklif nedenlerinin boş bırakılması, ilk çözülmesi gereken konular arasındadır.
Karar motoru
Bu katman, istatistiksel model ile iş kurallarını bir araya getirir. Basit bir mantık örneği şöyle olabilir:
if gross_margin < min_margin:
status = "approval_required"
elif close_probability >= 0.70 and stock_days < 15:
suggested_discount = 0.01
else:
suggested_discount = model_outputGerçek projelerde kurallar daha detaylıdır. Vade riski, bölgesel fiyat politikası, kur koruma katsayısı, mevcut kampanyalar ve bayi seviyesi gibi alanlar eklenir. Burada önemli olan açıklanabilirliktir. Satış ekibi, neden o fiyatın önerildiğini görebilmelidir.
Teklif iş akışı
Öneri tek başına yeterli değildir. CRM ekranında onay adımı, versiyon takibi ve tekliften siparişe dönüş izlenmelidir. Örneğin kullanıcı sistem önerisinin %3 altına indiğinde bir neden seçmesi istenir. Altı ay sonra bu nedenler analiz edilerek model güncellenir. Böylece sistem statik kalmaz, canlı bir karar destek mekanizmasına dönüşür.
Hangi KPI'lar izlenmeli?
Projenin başarısını yalnızca “AI kullandık” diyerek ölçmek mümkün değildir. Başlangıçta 4-6 net KPI tanımlanmalıdır. Ölçülmeyen bir sistem kısa sürede yeniden sezgisel kararlara döner.
- Teklif hazırlama süresi: örneğin ortalama 45 dakikadan 8 dakikaya inip inmediği
- Brüt marj sapması: belirlenen taban marjın altına düşen teklif oranı
- Kazanma oranı: segment bazında tekliften siparişe dönüş yüzdesi
- Onay gerektiren teklif oranı: darboğazı gösterir
- Ortalama iskonto oranı: ürün ve müşteri tipine göre izlenir
- Fiyat tutarlılığı: aynı koşullarda benzer müşterilere verilen fiyat farkı
Bu KPI'lar aylık olarak izlenebilir. İlk 90 gün genellikle kalibrasyon dönemidir. Özellikle veri temizliği ve kural seti düzenlemesi bu fazda sık sık revize edilir.
Hangi firmalar için daha uygundur?
Her B2B işletme aynı noktada değildir. Yapay zeka fiyatlama en çok, fiyatın sık değiştiği ve teklif hacminin yüksek olduğu yapılarda değer üretir. Aylık 500 teklifin üzerinde çalışan ekipler, yüzlerce ürün varyantı olan dağıtım şirketleri ve bayi ağı yöneten üreticiler bu konuda öne çıkar.
Örnek senaryolar somut bir fikir verir:
- Endüstriyel ekipman tedarikçisi: kur ve ithalat maliyeti nedeniyle haftalık fiyat güncellemesi yapar.
- Ambalaj üreticisi: hammadde fiyatı ve sipariş adedine göre müşteriye özel teklif üretir.
- Elektrik malzemeleri distribütörü: aynı SKU için bölge ve bayi seviyesine göre farklı iskonto yapısı uygular.
- Toptan e-ticaret platformu: self servis sipariş akışında dinamik fiyat göstermek ister.
Buna karşılık yılda az sayıda, uzun süreli ve tamamen proje bazlı teklif veren firmalarda klasik kural motoru daha yeterli olabilir. Kısacası her probleme makine öğrenmesi gerekmez. Doğru çözüm, veri yoğunluğu ve karar sıklığıyla ilgilidir.
Uygulamada dikkat edilmesi gereken riskler
En yaygın hata, sistemi yalnızca fiyat düşüren bir araç gibi görmektir. Oysa amaç her durumda en düşük fiyatı vermek değil; en uygun ticari koşulu önermektir. Bazı müşteriler için teslim süresi, ek hizmet veya ödeme yapısı fiyat kadar belirleyici olabilir.
Bir diğer risk ise modeli tarihsel hatalarla beslemektir. Geçmişte kontrolsüz indirim yapıldıysa model bunu “normal” kabul edebilir. Bu yüzden eğitim verisi gözden geçirilmeli, istisnai kampanyalar etiketlenmeli, zararına satışlar ayrı ele alınmalıdır.
Güvenlik ve yetkilendirme de kritik önemdedir. Fiyat verisi stratejiktir. Rol bazlı erişim, log kayıtları ve API güvenliği en baştan planlanmalıdır. Türkiye'de KVKK kapsamına giren müşteri verileri kullanılıyorsa veri minimizasyonu ve açık işleme amacı da net olmalıdır.
Başlangıç için en gerçekçi yol haritası
En sağlıklı yaklaşım, tek seferde büyük bir dönüşüm yerine kontrollü bir pilot uygulamayla ilerlemektir. İlk faz 6 ila 10 hafta sürebilir. Dar bir ürün grubu, tek bir satış kanalı ya da belirli bir müşteri segmenti seçilir. Amaç, tüm organizasyonu aynı anda değiştirmek değil; ölçülebilir bir kullanım senaryosu oluşturmaktır.
Pilot adımları genelde şu sırayla ilerler:
- Veri keşfi ve kalite analizi
- Marj kuralları ve onay eşiklerinin tanımlanması
- ERP/CRM entegrasyonu
- Fiyat öneri ekranı ve iş akışı tasarımı
- Canlı öncesi gölge kullanım: sistem önerir, insan karar verir
- KPI değerlendirmesi ve model iyileştirmesi
Gölge kullanım fazı çoğu ekip için oldukça değerlidir. Sistem birkaç hafta boyunca yalnızca öneri üretir. Gerçek kararlarla karşılaştırma yapılır. Böylece canlıya geçmeden önce hem güven oluşur hem de zayıf noktalar net biçimde görülür.
Özetle, yapay zeka fiyatlama B2B firmalarda yalnızca daha hızlı teklif vermeyi sağlamaz. Aynı zamanda fiyat disiplinini kurumsallaştırır, kişiye bağlı kararları azaltır ve marj kaybını görünür hale getirir. Etkiyi yaratan şey tek başına algoritma değildir; temiz veri, doğru iş kuralları, güçlü entegrasyon ve sahada benimsenen bir kullanıcı deneyimidir. Doğru kurgulandığında satış ile finans arasındaki klasik gerilimi azaltan, ölçülebilir bir karar destek katmanına dönüşür.
