Klasik ERP geçmişi kaydeder; tahminleyici ERP geleceğe bakar.
Tahminleyici ERP (AI ERP); klasik ERP'nin kayıt tutma işlevine talep, stok, nakit akışı ve üretim için bir tahmin katmanı ekleyen yaklaşımdır. Amaç, veriyi yalnızca raporlamak değil, karara dönüştürmektir.
Bir katman, ayrı bir ürün değil.
Tahminleyici ERP, sıfırdan kurulan başka bir sistem değildir; mevcut ERP verinizin üzerine oturan bir analiz ve öngörü katmanıdır. Kayıtlı satış, stok ve üretim hareketlerini kullanarak gelecek döneme dair olasılıklar üretir ve bu olasılıkları planlama kararlarına bağlar.
Önemli olan beklentiyi doğru kurmaktır: tahmin bir kesinlik değil, karar altında yatan en olası senaryodur. Bu yüzden modeller şeffaf tutulur, varsayımlar görünür kılınır ve her öngörü senaryo analiziyle birlikte değerlendirilir.
Tahminleyici ERP'nin kapsadığı başlıklar
Talep tahmini
Geçmiş satış ve mevsimsellik verisinden hareketle önümüzdeki döneme yönelik talep öngörüsü.
Stok optimizasyonu
Tahmin edilen talebe göre optimal stok seviyesi ve yeniden sipariş önerileri.
Nakit akışı öngörüsü
Tahsilat ve ödeme vadelerinden hareketle gelecek nakit pozisyonunun projeksiyonu.
Üretim planlama
Talep ve kapasite verisini dengeleyerek daha gerçekçi üretim planı önerileri.
Anomali tespiti
Olağandışı hareket ve sapmaların kural ve model bazlı erken işaretlenmesi.
Senaryo analizi
Farklı varsayımlar altında “ne olur” sorularını test eden what-if çalışmaları.
Tahmin, sağlam bir veri temeli ister
Hiçbir tahmin, beslendiği veriden daha iyi olamaz. Talep ve nakit akışı öngörüsünün anlamlı olması için satış, stok ve mali muhasebe kayıtlarının tutarlı, temiz ve tek kaynakta toplanmış olması gerekir. Bu temel kurulmadan eklenen bir yapay zeka katmanı yalnızca dağınık veriyi hızlandırır.
Bu veri temelini kurduğumuz ERP · SAP · Logo mali muhasebe çözümü sayfası, tahminleyici katmanın üzerine oturacağı sağlam zemini anlatıyor.
Yapay zekâ kurumsal yazılımın standardı hâline geliyor
McKinsey’nin State of AI küresel araştırmasına (2025) göre kuruluşların %88’i en az bir iş fonksiyonunda düzenli olarak yapay zekâ kullanıyor; bu oran bir önceki yıl %78’di. Aynı araştırmanın kritik bulgusu ise şudur: kullanım yaygınlaşırken, kârlılığa ölçülebilir etki bildiren kurumlar hâlâ azınlıkta. Fark, teknolojide değil; yapay zekânın pilotta kalması ile gerçek iş akışına bağlanması arasındadır. Tahminleyici ERP yaklaşımının bütün amacı da budur: modeli rapor ekranında bırakmamak, sipariş ve plan kararına bağlamak.
Türkiye tarafında zemin hızla hazırlanıyor: TÜİK’in Girişimlerde Bilişim Teknolojileri Kullanım Araştırması (2025) sonuçlarına göre 10 ve üzeri çalışanlı girişimlerin %28,3’ü ERP, %20,4’ü ücretli bulut bilişim hizmeti kullanıyor. ERP verisi zaten birikiyor; eksik olan çoğu zaman bu verinin üzerine kurulan öngörü katmanıdır. Uygulama tarafında ise Panorama Consulting’in 2025 ERP Raporu, kurumların dörtte birinden fazlasının ERP projelerinde bütçesini aştığını ve veri/teknik sorunların başlıca nedenler arasında olduğunu gösteriyor — tahmin katmanına geçmeden önce veri temelini sağlamlaştırmanın sayısal gerekçesi tam olarak bu.
Hangi tahmin yöntemi hangi probleme uyar?
“Yapay zekâ” tek bir yöntem değildir; problemin yapısına göre farklı model aileleri kullanılır. Aşağıdaki tablo, ERP verisi üzerinde en sık kullanılan yaklaşımları ve uygun oldukları durumları özetler:
| Yöntem ailesi | Nasıl çalışır | Uygun olduğu durum |
|---|---|---|
| Hareketli ortalama / üstel düzeltme | Yakın geçmişe ağırlık vererek düzleştirir | İstikrarlı talepli, çok kalemli stok |
| Mevsimsel ayrıştırma (ARIMA vb.) | Trend + mevsimsellik + kalıntıyı ayrıştırır | Belirgin sezonluk satış deseni |
| Ağaç bazlı makine öğrenmesi | Fiyat, kampanya, takvim gibi değişkenleri birlikte öğrenir | Promosyon etkili perakende talebi |
| Kural + istatistik hibriti | İstatistiksel sinyali iş kurallarıyla sınırlar | Anomali tespiti, nakit akışı projeksiyonu |
Uygulamada en iyi sonuç, çoğu zaman en karmaşık modelden değil; probleme uyan en sade modelin temiz veriyle beslenmesinden gelir. Karmaşıklık, ancak ölçülen doğruluk kazancı bunu haklı çıkarıyorsa artırılmalıdır.
Pilot kapsamdan karara: dört adım
Veri Envanteri
Hangi veriler var, hangi kalitede? Satış, stok, üretim ve finans kayıtlarının kapsamı, geçmiş derinliği ve tutarlılığı çıkarılır.
Pilot Kapsam
Tek bir soruyla başlanır: örneğin en çok satan 20 kalemin talep tahmini. Dar kapsam, modelin gerçek veriyle sınanmasını hızlandırır.
Doğruluk Ölçümü
Tahmin, gerçekleşenle düzenli karşılaştırılır (ör. MAPE). Model, mevcut yöntemden — çoğu zaman tablo üzerindeki uzman tahmininden — ölçülebilir şekilde iyi olmalıdır.
Karara Bağlama
Doğruluğu kanıtlanan tahmin; sipariş önerisi, üretim planı veya nakit projeksiyonu olarak iş akışına bağlanır. Rapor olarak kalan tahmin, değer üretmez.
Tahmin katmanına geçmeden önce kontrol edilmesi gerekenler
Aşağıdaki maddeler, bir tahminleyici ERP projesine başlamadan önce iç değerlendirme veya tedarikçi şartnamesi için kontrol listesi olarak kullanılabilir:
- En az 2-3 yıllık satış/hareket geçmişi tek sistemde veya birleştirilebilir durumda olmalı.
- Ürün, müşteri ve depo ana verileri (master data) mükerrersiz ve güncel tutulmalı.
- Mevsimsellik ve kampanya dönemleri veri üzerinde işaretlenebilmeli; fiyat değişiklikleri tarihçeli saklanmalı.
- Stok hareketleri gerçek zamanlı veya günlük kaydedilmeli; toplu ay sonu düzeltmeleri tahmini bozar.
- Tahmin doğruluğu için ölçüm metriği (MAPE, WMAPE vb.) ve kabul eşiği baştan tanımlanmalı.
- Model çıktılarının hangi kararı besleyeceği (sipariş önerisi, üretim planı, nakit projeksiyonu) net olmalı.
- Kullanıcıların model önerisini geçersiz kılabildiği (override) ve gerekçesinin kaydedildiği bir akış bulunmalı.
- KVKK kapsamında kişisel veri içeren alanlar için anonimleştirme ve erişim kuralları tanımlanmalı.
- Model ve veri işleme hattının dokümantasyonu ile veri sahipliği kurumda kalmalı; tedarikçi kilidi oluşmamalı.
Tahminleyici ERP hakkında merak edilenler
Tahminleyici ERP için ne kadar veri geçmişi gerekir?
Talep tahmini için genel kabul, en az iki tam yıllık satış geçmişidir; çünkü mevsimselliğin öğrenilebilmesi için her mevsimin birden fazla kez gözlemlenmesi gerekir. Nakit akışı projeksiyonunda vade ve tahsilat davranışını yansıtan 12-18 aylık temiz kayıt çoğu zaman yeterli başlangıçtır. Veri geçmişi kısaysa iş bitmiş değildir: benzer ürün gruplarından öğrenen modeller ve uzman görüşüyle harmanlanmış istatistiksel yöntemlerle başlanır, veri biriktikçe model güncellenir. Kritik olan uzunluktan çok tutarlılıktır; kayıt disiplini bozuk uzun geçmiş, kısa ama temiz geçmişten daha az işe yarar.
Tahmin doğruluğu nasıl ölçülür, hangi seviye kabul edilebilir?
En yaygın metrik MAPE’dir (ortalama mutlak yüzde hata); hacim ağırlıklı WMAPE ise düşük hacimli kalemlerin sonucu çarpıtmasını önler. Tek bir “iyi” eşik yoktur: hızlı tüketim ürünlerinde düşük hata beklenirken, düzensiz (intermittent) talepli yedek parça kalemlerinde daha yüksek hata normaldir. Doğru kıyas, modelin mevcut yönteminizden — çoğu kurumda tablo üzerinde yapılan uzman tahmininden — daha iyi olup olmadığıdır. Bu yüzden devreye almadan önce geçmiş dönem üzerinde geriye dönük test (backtesting) yapılmalı ve doğruluk hedefi sözleşmeye ölçülebilir şekilde yazılmalıdır.
Yapay zeka katmanı mevcut ERP’yi değiştirmeyi gerektirir mi?
Hayır. Tahmin katmanı, mevcut ERP’nin verisini okuyan ve sonuçları geri yazan ayrı bir servis olarak kurulabilir. SAP, Logo veya özel geliştirilmiş bir sistem fark etmez; kritik olan, verinin düzenli ve otomatik biçimde dışa alınabilmesi ve tahmin çıktısının kullanıcının zaten çalıştığı ekrana taşınabilmesidir. Bu mimari, ERP değişimi gibi yüksek riskli bir projeye girmeden yapay zekâ değeri üretmenin en düşük maliyetli yoludur. ERP’nin kendisi yenilenecekse bile tahmin katmanı ayrı tutulur; böylece sistem değişse de birikmiş model ve veri hattı korunur.
Küçük ve orta ölçekli bir işletme için tahminleyici ERP gerçekçi mi?
Evet — ölçek küçüldükçe yaklaşım sadeleşir, ihtiyaç ortadan kalkmaz. KOBİ ölçeğinde çoğu zaman derin öğrenme değil; üstel düzeltme, mevsimsel ayrıştırma gibi kanıtlanmış istatistiksel yöntemler ve basit makine öğrenmesi modelleri yeterli doğruluk sağlar. Maliyeti belirleyen model karmaşıklığından çok veri hazırlığıdır. Bu yüzden dar kapsamla — örneğin en çok ciro üreten ürün grubunun talep tahminiyle — başlamak, sonucu ölçmek ve kapsamı kademeli genişletmek en sağlıklı yoldur. Bulut altyapısı, başlangıç donanım yatırımını da ortadan kaldırır.
ERP verinizin üzerine tahmin katmanını konuşalım.
Mevcut ERP ve veri altyapınızı dinleyip talep, stok ve nakit akışı tarafında hangi öngörülerin gerçekçi olduğunu birlikte değerlendirelim. Taahhüt yok.
Talep Oluştur