# Perakende İş Zekâsı: Pratik Bir Rehber

> Perakende iş zekâsı, ekiplerin satış verilerini net ve kârlı kararlara dönüştürmesine yardımcı olur. 2026 için daha akıllı bir analitik strateji oluşturmak üzere bu rehberi kullanın.

Source: https://www.electe.net/tr/post/retail-business-intelligence

Site guide: https://www.electe.net/tr/llms.txt

Pazartesi sabahı üç çelişkili sinyalle başlar. Bir mağazada promosyonlu bir ürün neredeyse tükenmiştir, başka bir mağazada ise geçen sezonun montları dokunulmadan durmaktadır ve bir pazarlama e-postası müşterilere zaten bir fırsat sözü vermiştir. Satış raporu dün ne olduğunu gösterir ama alıcının, mağaza müdürünün ve pazarlamacının sırada ne yapması gerektiğini açıklamaz.

**Perakende iş zekâsının** çözdüğü pratik sorun tam olarak budur. Satış, envanter, fiyatlandırma, promosyonlar, müşteriler, tedarikçiler ve dijital ticareti birbirine bağlayarak ekiplerin aynı operasyonel tablodan karar almasını sağlar. Bunun önemli olmasının nedeni, alışveriş yapanların doğru stok bilgisi beklemesi, kâr marjlarının israfa pek alan bırakmaması ve promosyon dönemlerinin aylık bir finans raporu gelmeden önce kapanmasıdır.

Bu rehber, perakende BI'nin mağaza katından yukarıya doğru nasıl çalıştığını açıklar. Sisteme hangi verilerin dahil edilmesi gerektiğini, hangi KPI'ların haftalık kararları desteklediğini, tahminleme modellerinin promosyonları nasıl ele aldığını, güvenin neden bir dashboard'dan daha fazla önem taşıdığını ve analitiğin sonucu değiştirip değiştirmediğinin nasıl ölçüleceğini öğreneceksiniz.

## Perakende İş Zekâsı Gerçekte Ne Anlama Gelir

**Perakende iş zekâsı, birbirine bağlı perakende verilerini güvenilir ve zamanında kararlara dönüştürme disiplinidir.** Bir grafik galerisi değildir. Bir işlemi bir eyleme bağlayan döngüdür; örneğin bir rafı yeniden stoklamak, bir fiyatı ayarlamak, bir promosyonu değiştirmek veya bir stok tutarsızlığını araştırmak.

Bir satış noktası raporu, bir ürünün hızlı sattığını söyleyebilir. Envanter verisi, mağazanın depoda birim bulunup bulunmadığını gösterebilir. Promosyon kayıtları, satış sıçramasının bir indirimden kaynaklanıp kaynaklanmadığını açıklayabilir. Müşteri ve kanal verisi, aynı talebin fiziksel mağazalardan web sitesine kayıp kaymadığını ortaya koyabilir.

### Sisteminizin yanıtlaması gereken üç soru

Faydalı bir perakende BI sistemi, üç soruyu tutarlı biçimde yanıtlamanıza yardımcı olmalıdır:

1. **Neyi yeniden sipariş etmeliyiz?**
Son dönemdeki talebi eldeki stokla, açık satın alma siparişleriyle, tedarikçi zamanlamasıyla ve beklenen promosyon faaliyetiyle karşılaştırın.
2. **Neyi promosyona çıkarmalıyız?**
Yeterli stok mevcudiyeti, uygun kâr marjı ve teklife gerçekçi bir yanıt verme olasılığı olan ürünleri belirleyin.
3. **Kim satın alıyor?**
Gizlilik ve izinlerin elverdiği ölçüde, işlemleri müşteri segmentlerine, satın alma kalıplarına, kanal davranışına ve sepet ilişkilerine bağlayın.

Bir süpermarket basit bir benzetme sunar. Kasiyer kasadan ne çıktığını görür, depo görevlisi rafta ne kaldığını görür, alıcı ise tedarikçilerin neyi teslim edebileceğini görür. Perakende BI, birisi karar almadan önce bu üç görüşün uzlaştırıldığı toplantıdır.

Shopify verileriyle çalışan yöneticiler için, [Shopify için iş zekâsı](https://meetarlo.ai/blog/business-intelligence-reporting) konusuna pratik bir giriş, ticaret kayıtlarının nasıl operasyonel raporlamaya dönüştüğünü netleştirmeye yardımcı olabilir. Önemli ilke tek bir platformun ötesinde de geçerlidir: **bir metrik, yalnızca insanlar onun tanımına, zamanlamasına ve bir eyleme olan bağlantısına güvendiğinde faydalıdır**.

Disiplinin geri kalanı bu ilkeyi takip eder. Önce tarihsel temeli oluşturun. Ardından kaynak sistemleri birbirine bağlayın, karara yönelik KPI'lar tanımlayın, tahminleme yöntemlerini test edin, önerilere güven düzeyi ekleyin ve artımlı iş etkisini ölçün.

## Perakende BI Bir Karar Sistemine Nasıl Dönüştü

Perakende BI, renkli dashboard'larla başlamadı. Ürünleri, mağazaları ve kategorileri yapılandırılmış tarihsel bilgi kullanarak karşılaştırma ihtiyacından doğdu.

**1970'lerde**, pazar verisi sağlayıcıları **ACNielsen** ve **Information Resources, Inc. (IRI)**, perakende satışları için boyutsal veri ambarları sundu. Bu depolar, perakendecilere her işlemi ayrı bir kayıt olarak ele almak yerine, ürünleri, mağazaları ve satış kategorilerini yan yana analiz edecekleri yapılandırılmış bir yol sağladı.

**1983'te** **Teradata**, özellikle karar destek için tasarlanmış bir veritabanı yönetim sistemi tanıttı. Bu kilometre taşı önemliydi çünkü analitik iş yükleri, münferit satışları işlemek için kullanılan sistemlerden farklı bir yaklaşım gerektirir. Bir kasa sistemi bir işlemi hızla onaylamalıdır. Bir BI sistemi ise zaman, konum, ürün ve kategoriler arasındaki kalıpları karşılaştırmalıdır.

**1988'de**, IBM araştırmacıları **Barry Devlin ve Paul Murphy**, bir IBM Systems Journal makalesinde **iş veri ambarı** mimarisini tanımladı. Bu model bugün hâlâ tanıdıktır: operasyonel sistemlerden bilgi çıkarmak, tarihsel kayıtları analitik bir depoda saklamak ve bunları raporlama veya analitik araçlar üzerinden kullanıma sunmak. Tarihsel kilometre taşları bu [perakende BI veri evrimi referansında](https://www.slideshare.net/slideshow/presentationofismcomplete1100227093028phpapp01pptx/266590355) özetlenmiştir.

### Tarihin neden hâlâ önemli olduğu

Perakendeciler zamanla satış noktası, envanter, tedarikçi, fiyatlandırma, promosyon ve müşteri bilgilerini birleştirdi. Bu birleşim, BI'yi geriye dönük finans raporlamasından talep tahminlemesine ve istisna izlemeye doğru kaydırdı.

Günümüzün KOBİ'leri için çıkarılacak ders açıktır:

- **Entegrasyon zekâdan önce gelir.** Bir yapay zekâ modeli, “mevcut stok” için birbiriyle çelişen iki tanımı tek başına çözemez.
- **Tarih, bağlam yaratır.** Tek bir günün satış rakamı, karşılaştırılabilir mağazalar, ürünler, dönemler ve promosyonlar olmadan pek az şey söyler.
- **Ön işleme, operasyonel bir iştir.** Analiz güvenilir hale gelmeden önce tarihlerin, ürün kimliklerinin, mağaza kodlarının, iadelerin, iptallerin ve promosyon bayraklarının tutarlı hale getirilmesi gerekir.

Daha geniş disiplini keşfetmek isteyen ekipler, analitik bulguları iş kararlarıyla ilişkilendirmek için pratik bir [büyüme ekipleri rehberine](https://www.otterab.com/blog/data-driven-decision-making) de başvurabilir. Perakende BI, onlarca yıl önce kurumsal bir yetkinlik haline geldi. Modern platformlar, bu yetkinliği büyük bir veri departmanına sahip olmayan ekipler için daha erişilebilir hâle getiriyor.

## Modern Perakende BI'nin Arkasındaki Temel Veri Kaynakları

Her perakende BI uygulaması gerçeklikle ilgili bir soruyla başlar. Ne satıldı? Ne hâlâ stokta var? Talebi ne değiştirdi? Kim yanıt verdi? Hangi tedarikçi teslimat yapabilir?

### Operasyonel kaynaklar

**Satış noktası (POS) verisi**, kasadan çıkan her şeyin birim düzeyindeki kaydıdır. Ürün, konum, zaman, miktar, fiyat, indirim, ödeme bağlamı ve ilgili olduğunda iade durumunu içermelidir. POS verisi, tamamlanmış mağaza işlemleri için güvenilir kaynaktır; ancak müşterilerin ne istediğini ve bulamadığını söylemez.

**Envanter ve depo verisi**, eldeki birimleri, rezerve stoğu, transfer hâlindeki malları, mal kabul kayıtlarını, transferleri, düzeltmeleri ve tedarikçi uygunluğunu gösterir. Bu katman, zayıf talebi kötü ürün bulunabilirliğinden ayırt etmeye yardımcı olur. Bir ürün, alıcıların tekrar tekrar boş bir rafla karşılaşması nedeniyle popüler değilmiş gibi görünebilir.

**Fiyatlandırma, promosyon ve indirim kayıtları**, talebin neden değiştiğini açıklar. Bir kampanya sırasındaki satış artışı, organik talep büyümesiyle aynı şey değildir. Analitik kayıt; teklifi, zamanlamayı, uygun ürünleri, katılan mağazaları, kanal görünürlüğünü ve fiyat değişikliklerini yakalamalıdır.

**Müşteri ve sadakat verisi**, “kim” sorusunu ekler. Yasal işleme, onay ve uygun erişim kontrollerine tabi olarak segment analizini, tekrarlı satın alma kalıplarını, sepet yakınlığını ve müşteri değerini destekleyebilir.

**E-ticaret, pazaryeri ve mobil siparişler**, kanal tablosunu tamamlar. ABD Sayım Bürosu, e-ticaretin **2025 yılında toplam ABD perakende satışlarının %16,4'ünü** oluşturduğunu ve tahmini e-ticaret satışlarının **1.233,7 milyar dolar** olduğunu bildirdi. [Sayım Bürosu'nun 2025 e-ticaret raporuna](https://www2.census.gov/retail/releases/historical/ecomm/25q4.pdf) göre çevrimiçi satışlar **2024'e göre %5,4** arttı ve dördüncü çeyrek, **toplam perakende satışların %16,6'sını** oluşturdu. Dolayısıyla yalnızca mağaza verisine dayanan bir bakış açısı, talebi olduğundan düşük gösterebilir veya yerine getirmenin nerede yapılması gerektiğini yanlış yorumlayabilir.

**Tedarikçi ve teslim süresi verisi**, bir yeniden siparişin bir sonraki talep penceresinden önce ulaşıp ulaşamayacağını belirler. Teslim süreleri, minimum sipariş miktarları, güvenilirlik ve açık satın alma siparişleri, bir satış tahminini yeniden stoklama kararına dönüştürür.

### Sade bir dille mimari

Pratik bir mimari beş katmandan oluşur:

1. **Kaynaklar** operasyonel kayıtları toplar.
2. **Entegrasyon ve ön işleme**, kimlikleri, tarihleri, birimleri, iadeleri ve eksik değerleri standartlaştırır.
3. **Analitik bir depo**, geçmişi karşılaştırmaya uygun bir biçimde saklar.
4. **Gösterge panelleri ve raporlar**, üzerinde anlaşılan KPI'ları sunar.
5. **AI Ajanı ve modeller**, kalıpları belirler, talebi tahmin eder ve eylemler önerir.

Çevrimiçi bir perakendeci, kanal anlayışını [eCommerce analitiği rehberi](https://yipsms.com/blog/digital-commerce-analytics) ile derinleştirebilir. Ancak mağazalar ve dijital kanallar genelinde temel kural aynı kalır: **önce entegre et, sonra yorumla**.

## Perakende Ekiplerinin Haftalık Olarak Yürüttüğü Temel KPI'lar ve İş Akışları

Metrikler, bir kararı değiştirdiklerinde değerli hale gelir. Bir mağaza müdürünün daha uzun bir gösterge listesine ihtiyacı yoktur. Hangi ürünlerin, mağazaların, promosyonların ve müşterilerin dikkat gerektirdiğini belirleyen kısa bir incelemeye ihtiyaçları vardır.

### Envanter kararları

İstisna bazlı bir yeniden stoklama incelemesi, yüksek talep, düşük erişilebilirlik, olağandışı satış değişiklikleri veya tedarikçi riskini bir araya getiren ürünlerle başlar. Müdür, görünen kıtlığın gerçek olup olmadığını, stoğun yolda olup olmadığını ve ürünün yeniden sipariş edilmek yerine transfer edilmesi gerekip gerekmediğini kontrol eder.

Yararlı envanter ölçütleri arasında satış oranı, stok-satış oranı, kapsam haftaları ve fire bulunur. Fire özel dikkat gerektirir çünkü yalnızca satış hacmi envanter kaybını gizleyebilir. National Retail Federation, ABD'li perakendecilerin 2022 mali yılında envanter firesi nedeniyle **112,1 milyar dolar kaybettiğini** ve ortalama fire oranının toplam perakende satışlarının **%1,6'sı** olduğunu, bunun **2021'deki %1,4'ten** arttığını bildirdi. Anket, yıllık perakende satışlarının **%22'sini temsil eden 177 perakende markasını** kapsadı; bu durum [NRF Ulusal Perakende Güvenliği Anketi](https://a-us.storyblok.com/f/1021220/x/ce11a3e264/nrf_-national_retail_security_survey_2023.pdf)'nde belgelenmiştir.

### Promosyon ve müşteri kararları

Bir promosyon sonrası değerlendirmesi, bir teklifin kârlı ek talep yaratıp yaratmadığını sorgular. Lift (artış), kanibalizasyon, halo etkileri, kullanım oranı, marj, erişilebilirlik ve satın alan müşterilerin davranışlarını inceleyin.

Müşteri analitiği bağlam ekler:

- **Tekrar satın alma oranı**, müşterilerin ilk siparişten sonra geri dönüp dönmediğini gösterir.
- **Sepet yakınlığı**, hangi ürünlerin birlikte göründüğünü gösterir.
- **Yaşam boyu değer**, bir müşteriyle zaman içindeki ekonomik ilişkiyi tahmin eder.
- **Kanal karışımı payı**, talebin mağazalar, web siteleri, pazar yerleri ve diğer kanallar arasında nasıl bölündüğünü gösterir.

[ELECTE'nin KPI rehberi](https://www.electe.net/post/metrics-and-dashboards), bir raporlama sayfasını operasyonel bir kontrol listesine dönüştürmeden metrik seçimi konusunda daha fazla bağlam sağlar.

**Ana Başlık****KPI****Size ne anlatır**EnvanterSatış oranıBelirli bir dönemde mevcut stoğun ne kadarının satıldığıEnvanterStok yetme süresi (hafta)Mevcut stoğun seçilen talep hızında ne kadar süre yeteceğiEnvanterFireKayıtlı stok ile beklenen stok arasındaki farkMüşteriTekrar satın alma oranıMüşterilerin satın aldıktan sonra geri dönüp dönmediğiMüşteriSepet ilişkisiHangi ürünlerin birlikte satın alınma eğiliminde olduğuMüşteriKanal dağılım payıTalebin nerede karşılandığıPromosyonArtışSatışların uygun bir referans değere göre nasıl değiştiğiPromosyonYamyamlaşmaPromosyonlu ürünün başka bir ürünün yerini alıp almadığıPromosyonKullanım oranıUygun müşterilerin teklifi ne sıklıkla kullandığı

Haftalık toplantıyı eyleme yönelik tutun. İşaretlenen her KPI; bir sorumlu, bir karar ve bir takip tarihi doğurmalı.

## Tahminleme ve Promosyon Modelleri Pratikte Nasıl Çalışır

Deneyimli bir satın alma uzmanı genellikle yıllara dayanan bir örüntü tanıma birikimi taşır. Bir indirimin talebi düzensiz şekilde değiştirebileceğini, geçmiş verisi sınırlı bir ürünün tahmin edilmesinin daha zor olduğunu ve bir mağazanın diğerinden farklı tepki verebileceğini bilir. Bir tahminleme hattı, bu yargıyı bağlamı basitmiş gibi göstermeden tekrarlanabilir kılmaya çalışır.

Süreç, **tekrarlanabilir veri hazırlığıyla** başlar. Ekipler tarihleri, ürün kimliklerini, mağaza kimliklerini, fiyatları, promosyonları, iadeleri ve gecikme özelliklerini doğrular. Ardından “AI” etiketini uygulamadan önce modelleri mevsimsel-naif ve istatistiksel referans modellerle karşılaştırırlar.

Promosyona duyarlı tahminleme, baz satış tahmininden ayrı ele alınmayı hak eder. Bir promosyon doğrusal olmayan etkiler yaratabilir, ürün kategorisiyle etkileşime girebilir, yakındaki ürünleri etkileyebilir ve zamanlamayı değiştirebilir. Büyük bir Danimarkalı indirim market zincirinin günlük promosyon talebi verilerini kullanan bir araştırmada, karar ağacı toplulukları — özellikle **XGBoost** — dört haftalık bir tahmin ufkunda beşten fazla geçmiş promosyona sahip ürünler için cezalandırılmış doğrusal regresyon ve regresyon ağacı yöntemlerinden daha iyi performans gösterdi. Sınırlı promosyon geçmişine sahip ürünler görece yüksek hatalar üretti ve bazı düşük geçmişli SKU'lar için cezalandırılmış doğrusal regresyon en iyi performansı gösterdi; bu bulgular [promosyona duyarlı tahminleme üzerine bu çalışmada](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66) raporlanmıştır.

### Modeli kanıtla eşleştirin

Bir perakendeci tek bir evrensel tarif uygulamamalıdır. Mantıklı bir segmentasyon şöyle görünür:

- **Zengin promosyon geçmişi:** Ortak kategori sinyallerini ve doğrusal olmayan etkileri öğrenebilen, havuzlanmış ve özellik bakımından zengin ağaç topluluklarını kullanın.
- **Seyrek promosyon geçmişi:** Daha basit düzenlileştirilmiş modeller veya temkinli iş kuralları kullanın.
- **Belirsiz veri:** Tazelik, erişilebilirlik ve geçmiş iyileşene kadar öneriyi danışma niteliğinde tutun.

Sorunun ölçeği, elektronik tabloların neden sonunda yetersiz kaldığını açıklar. McKinsey, **130.000 SKU**, **200 etkileyici değişken** ve her gün yaklaşık **150 milyon olasılık dağılımı** içeren bir perakende tahmin örneğini belgeledi. Analizi, gerçek zamanlı satış ve envanter görünürlüğünü, atıf konusu olan perakende tedarik zinciri analitiği incelemesinde iyileştirilmiş tahminleme ve eskime, envanter seviyeleri ile stok tükenmesini azaltma çabalarıyla ilişkilendirdi.

Ayrı bir kıyaslama çalışması, **10 mağazada 50 ürünü kapsayan yaklaşık 913.000 günlük kaydı** ve **1.115 mağaza** için birkaç yıla varan günlük gözlemler içeren bir Rossmann veri setini değerlendirdi. [Frontiers'ın perakende talep modelleri kıyaslamasına](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1936360/full) göre, ağaç tabanlı topluluklar — özellikle XGBoost — bu yapılandırılmış veri setlerinde derin öğrenme ve hibrit mimarileri tutarlı biçimde geride bıraktı.

Çıktı, haftalık iş akışına dönmelidir: bir yeniden sipariş işaretlemek, stok tükenme riskini sayısallaştırmak, bir dağıtım önermek veya [perakende promosyonlarının nasıl optimize edileceğini](https://www.electe.net/post/promotion-optimization-in-retail) desteklemek. Tahminleme, bir kararı değiştirdiğinde ve nedenini kayıt altına aldığında faydalıdır.

## Çoğu Perakende BI Girişimi Neden Araçlarda Değil Güvende Takılıyor

Bir gösterge paneli bir sayıyı doğru şekilde gösterebilir ve yine de kötü bir kararı destekleyebilir. Sorun genellikle görselleştirmeden önce başlar; sistemler ürün kimliği, stok durumu, zaman dilimi veya KPI tanımı konusunda anlaşamadığında.

Yakın tarihli küresel bir araştırma, **perakende ve tüketici ürünleri BT liderlerinin %31'inin verilerini yalnızca kısmen bağlantılı** olarak gördüğünü, yarısından azının ise veri yeteneklerini mükemmel olarak değerlendirdiğini ortaya koydu. İş liderleri ayrıca [Salesforce Veri ve Analitik Durumu raporuna](https://www.salesforce.com/en-us/wp-content/uploads/sites/4/State-of-Data-and-Analytics-Retail-and-Consumer-Goods-Edition.pdf) göre, yapay zeka ajanlarının doğruluğu konusunda da endişe bildiriyor.

### Bir SKU, üç gerçeklik

Promosyonlu bir ceketi ele alalım. POS sistemi, dünkü transferi henüz işlemediği için mağazada birim bulunduğunu söylüyor. Depo sistemi, bu birimlerin başka bir kanal için ayrıldığını söylüyor. Pazar yeri listesi ise, akışı daha sonra güncellendiği için ürünü hâlâ mevcut olarak gösteriyor.

Tahmin talebi görür, ikmal iş akışı stoku görür ve müşteri bir vaadi görür. Üç görünümden hiçbiri otomatik bir satın almayı tetikleyecek kadar güvenilir değildir.

> **Pratik kural:** Her öneri yalnızca cevabı değil, onu destekleyen kanıtı da göstermelidir.

Karar düzeyinde bir güven çerçevesi şunları içermelidir:

- **Kaynak tazeliği:** Her kaynak en son ne zaman güncellendi?
- **Envanter eksiksizliği:** Mağaza düzeyinde, depodaki, ayrılmış, hasarlı ve yoldaki birimler dahil mi?
- **Metrik tutarlılığı:** Finans, merchandising, pazarlama ve operasyon aynı tanımı mı kullanıyor?
- **Anomali ciddiyeti:** Sorun küçük bir sapma mı, yoksa muhtemel bir stok kontrol arızası mı?
- **Onay eşiği:** Hangi öneriler otomatik olarak çalışabilir, hangileri bir yönetici gerektirir?

Güvenilir bir içgörü, **güven düzeyi, köken, tazelik ve bir istisna nedeni** taşır. Bir öneri “yeniden sipariş ver” diyorsa, yönetici bu önerinin hangi satış geçmişinden, erişilebilirlik kaydından, tedarikçi varsayımından ve promosyon sinyalinden türetildiğini görebilmelidir.

Bu standart özellikle KOBİ'ler için önemlidir. Daha küçük bir ekip otomasyondan büyük fayda sağlayabilir, ancak açıklanamayan bir uyarı akışını araştırmaya daha az kapasitesi vardır. Doğru platform, belirsizliği gizlemeden manuel mutabakatı azaltır.

## Kısa Perakende Döngülerinde Yapay Zeka ve Analitik Yatırım Getirisini Kanıtlamak

Perakendeciler genellikle yapay zeka yatırım getirisini sayısallaştırmakta zorlanır ve uzman yetenek bulmak da önde gelen bir diğer zorluktur. Ayrı bir 2025 anketi, maliyetin yapay zekayı ölçeklendirmenin önündeki en büyük engel olduğunu ortaya koydu; **katılımcıların %50'si hız-değer dönüşümü ve otomasyon konusunda gerçekçi olmayan beklentilerden** söz etti; bu bulgular [perakendede yapay zeka benimseme engelleri üzerine bu analizde](https://software.strategy.com/blog/why-retailers-struggle-with-ai-adoption-and-how-data-leaders-overcome-hidden-challenges) özetlenmiştir.

Çözüm, geniş kapsamlı bir dönüşümden çarpıcı bir getiri vaat etmek değildir. Kontrol edilebilir tek bir kararla başlayın ve neyin değiştiğini ölçün.

### Pratik bir ölçüm tasarımı

1. **Bir karar seçin.** İstisna tabanlı yeniden stoklamayı, indirim zamanlamasını veya promosyon sonrası değerlendirmeyi kullanın.
2. **Dönem öncesi bir temel oluşturun.** Mevcut süreci, müdahale oranını, marjı, ürün bulunabilirliğini ve ilgili mevsimsel bağlamı kaydedin.
3. **İş sonuçlarını izleyin.** Marjı ve ürün bulunabilirliğini gelirle birlikte ölçün. Gelir tek başına artarken kârlılık düşebilir.
4. **İnsan müdahalelerini kaydedin.** Bir yöneticinin bir öneriyi ne zaman kabul ettiğini, değiştirdiğini veya reddettiğini ve nedenini kaydedin.
5. **Yanlış uyarıları sayın.** Faydalı bir sistem, başarılı müdahaleleri ve gereksiz uyarıları raporlamalıdır.

Promosyon öneri özelliğini test eden orta ölçekli bir giyim perakendecisini ele alalım. Ekip, karşılaştırılabilir ürünlerden oluşan bir set belirler, özellik kullanılmadan önceki performansı kaydeder ve ardından bir promosyon sırasında her öneriyi izler. Promosyon sonucunu; mevsimsellik, tedarikçi aksaması, fiyat değişiklikleri, kanal ikamesi ve olağandışı mağaza trafiği gibi bilinen etkenlerden ayırır.

Ekip daha sonra daha iyi sorular sorabilir. Aşırı stok olmadan ürün bulunabilirliği iyileşti mi? İndirim sonrasında marj korundu mu? Veriler güncel olmadığı için yöneticiler önerileri geçersiz mi kıldı? Sistem, mağazanın harekete geçebilmesi için sorunu yeterince erken tespit etti mi?

### Otomasyonu riskle orantılı tutun

Girdi verisi eksik olduğunda, SKU'nun geçmişi sınırlı olduğunda, finansal risk yüksek olduğunda veya öneri hassas bir müşteri ya da fiyatlandırma kararını etkilediğinde otomasyon danışma niteliğinde kalmalıdır. Bir model ortalamada doğru olabilir ve yine de olağandışı bir haftada maliyetli bir öneride bulunabilir.

> **Panoyu değil, kararı ölçün.** Değer, bir yönetici daha erken hareket ettiğinde, israfı önlediğinde, marjı koruduğunda veya bir istisnadan ders çıkardığında ortaya çıkar.

Bir iş akışı tutarlı kanıtlar gösterdikten sonra otomasyonu kademeli olarak artırın. Kuruluşun model performansını insan yargısından ve dış etkenlerden ayırt edebilmesi için denetim izini koruyun.

## Yapay Zeka Destekli Platformlar Tüm Bunları Nasıl Bir Araya Getirir

Yapay zeka destekli bir perakende BI platformu, başka bir izole raporlama katmanı eklemek yerine operasyonel döngüyü birbirine bağlamalıdır. Bu, kaynak sistemlerin entegre edilmesi, ön işleme sürecinin otomatikleştirilmesi, tahminlerin ve anomali tespitinin uygulanması ve bir yöneticinin onaylayabileceği veya reddedebileceği kadar bağlam içeren önerilerin sunulması anlamına gelir.

**KOBİ'ler için yapay zeka destekli bir veri analitiği platformu olan Electe**, bu yaklaşımın bir örneğidir. Çeşitli veri kaynaklarını birbirine bağlar, bilgileri otomatik olarak ön işler ve iş verilerini izlemek, anomalileri ortaya çıkarmak ve tek tıkla raporlar oluşturmak için özerk bir AI Ajanı kullanır. Ekipler, her panoyu manuel olarak oluşturmadan içgörüleri keşfedebilir, satışları tahmin edebilir, riski değerlendirebilir ve görsel raporlar oluşturabilir.

### Denenmeye değer üç iş akışı

**Stok istisna uyarıları**, ürünü ve konumu belirlemeli, tetikleyiciyi açıklamalı, güven düzeyini ve kaynağını göstermeli ve olası bir stok tükenmesini bir veri kalitesi sorunundan ayırt etmelidir.

**Promosyon sonrası değerlendirmeler**, temel performansı, gözlemlenen artışı, marjı, ürün bulunabilirliğini, kullanım oranını ve olası yamyamlaşmayı bir araya getirmelidir. Rapor, kampanyanın kârlı ek talep yaratıp yaratmadığını yoksa satışları ürünler veya kanallar arasında mı kaydırdığını net bir şekilde ortaya koymalıdır.

**Müşteri segmenti güncellemeleri**, son satın alma davranışını ürün yelpazesi ve promosyon kararlarıyla ilişkilendirmelidir. Bir segment, ürün yelpazesini, zamanlamayı, teklif seçimini veya kanal uygulamasını değiştirdiğinde faydalıdır; sadece bir grafik daha eklediğinde değil.

Fiyatlandırma da bir KOBİ'nin operasyonel gerçekliğine uygun olmalıdır. **Starter'dan Enterprise'a** uzanan şeffaf katmanlar, bir ekibin temel raporlamayla başlamasına ve daha geniş yapay zeka içgörüleri, trend analizi, gelişmiş tahminleme ve özel destek gibi özelliklere doğru genişlemesine olanak tanıyabilir. Kullanıma sunulmakta olan bir mobil uygulama, masasından uzakta istisnaları incelemesi gereken yöneticiler için erişimi genişletebilir.

[en iyi perakende analitik platformlarını](https://www.electe.net/post/best-retail-analytics-software) karşılaştırırken, bu rehber boyunca kullanılan aynı kriterlere odaklanın: bağlı kaynaklar, metrik tanımları, veri tazeliği, açıklanabilir öneriler, iş akışı sahipliği, geçersiz kılma kaydı ve sonuç ölçümü.

---

Perakende verilerini bağlamak, ön işlemeyi otomatikleştirmek, istisnaları izlemek ve KOBİ'ler için tek bir yapay zeka destekli veri analitiği platformundan eyleme geçirilebilir raporlar oluşturmak için [Electe](https://www.electe.net/)'yi ziyaret edin. Yeniden stoklama veya promosyon değerlendirmesi gibi odaklanmış bir iş akışıyla başlayın, ardından önerileri kendi marj, ürün bulunabilirliği ve geçersiz kılma kayıtlarınıza göre değerlendirin.