Tedarik Zincirinde Yapay Zekâ: Talep Tahmini ve Rota Optimizasyonu

Talep tahmininde MAPE iyileştirmesi

Klasik istatistiksel modellere (ARIMA, Holt-Winters) kıyasla, gradient boosting ve dizi modellerini birlikte kullanan hibrit yaklaşımlar MAPE'de %20–40 iyileştirme sağlayabiliyor. Bu iyileşmenin asıl getirisi tahmin doğruluğu değil; güvenli stok seviyesinde %10–20 azalma ve serbest kalan işletme sermayesidir.

Promosyonlar, hava durumu, takvim etkileri ve makro göstergeler (PMI, kur) modele özellik (feature) olarak eklendiğinde, özellikle hızlı tüketim ve yapı kimyasalları gibi sektörlerde MAPE 3–5 puan daha düşer. Veri zenginleştirme bu yüzden modelden önce gelir.

Stok politikası: tek sayıdan çok-katmanlı politikalara

Geleneksel min-max politikaları her SKU için tek bir güvenlik seviyesi tanımlar. AI; SKU bazında talep değişkenliği, tedarik süresi belirsizliği ve servis seviyesi hedefine göre dinamik politikalar üretir. Bu yaklaşımla aynı servis seviyesinde stok devir hızı 1,3–1,8x artar.

Rota optimizasyonu ve son kilometre

Rota planlamada VRP (Vehicle Routing Problem) çözücüleri ile ML tahmini birleşir. ML, her durağın gerçek hizmet süresini geçmiş veriden öğrenirken çözücü en uygun sırayı üretir. Sahada bu hibrit; toplam yakıt tüketiminde %8–15, geç teslim oranında %20–35 iyileşme sağlıyor.

Reverse logistics ve iade yönetiminde AI'ın katkısı daha yeni ama dikkat çekici: iade olasılığı tahmini ile dağıtım kararının önden alınması, depo operasyonunda %10–18 maliyet düşüşü getiriyor.