Perakendede stok yenileme kararları her planlama döngüsünde, katalogdaki her ürün için tekrarlanıyor ve çoğu kurumda hâlâ elle veriliyor. Planlamacı tahmini dışa aktarıyor, her stok birimini (SKU) tedarikçilerin gönderebileceği miktarla karşılaştırıyor ve siparişleri tek tek giriyor. AWS ve Databricks mimarlarının ortak yazısı, rutin siparişleri otomatik veren ve yalnızca istisnaları insana taşıyan bir yaklaşımı anlatıyor.
Elle verilen kararların maliyeti
Her yenileme kararı iki yönde hatalı olabilir: Az sipariş stok tükenmesine ve satış kaybına, fazla sipariş ise özellikle gıda gibi bozulabilir kategorilerde fireye yol açar. IHL Group’un 2025 çalışması bu maliyeti yılda yaklaşık 1,73 trilyon dolar, yani küresel perakende satışların yaklaşık %6,5’i olarak hesaplıyor. 2026 çalışması ise yaklaşık 1,7 trilyon dolar ve küresel perakende gelirinin yaklaşık %5’i diyor; bunun yaklaşık üçte ikisi stoksuzluk, üçte biri fazla stok.
Bu kararların çoğu sabit bir kurala uyuyor: Talep artıyor, tedarikçide stok var, sipariş veriliyor. Gerçekten insan gerektirenler ise istisnalar: hiçbir tedarikçinin talebi karşılayamaması ya da harcamanın onay eşiğini aşması gibi. Bugün iki grup aynı kuyrukta bekliyor; fırsat bunları ayırmakta.
Rutin siparişleri otomatikleştiren kalıp
Fikir basit: Rutin durumlarda tahmin siparişi tetikler, insan yalnızca istisnada devreye girer. Bileşenler şöyle:
- Databricks Many Model Forecasting (MMF): Amazon’un açık kaynak, önceden eğitilmiş tahmin modeli Chronos-2’yi tüm katalogda çalıştırıyor. Model ürün başına eğitim gerektirmiyor, promosyon ve tatil gibi etkenleri de hesaba katabiliyor.
- Databricks Genie Agent: Talebi artmak üzere olan ürünleri işaretliyor. İş kullanıcıları SQL yazmadan doğal dille sorabiliyor.
- Amazon Quick: İşaretlenen ürünleri Amazon S3 Tables’daki tedarikçi verisiyle karşılaştırıyor.
- Amazon Quick Flows: Zamanlanmış otomasyon rutin siparişleri veriyor, kalanını planlamacıya yükseltiyor.
Tahmin ve tedarikçi verisi kendi sistemlerinde kalıyor.
Ne zaman uygun, ne zaman değil?
Kalıp üç koşul birlikte geçerliyken uygun: Yetkili veri kendi veri ortamınızda duruyor, buna göre hareket edecek kişiler o ortamda çalışmıyor ve karar birden fazla sistemden bilgi gerektiriyor.
Yanlış araç olduğu durumlar da var. Kıt stoku hepsi eksik olan bölgeler arasında bölmek gibi hiçbir kuralın yakalayamayacağı bir muhakeme gerekiyorsa sistem seçenekleri gösterip durmalı. Yanıtın milisaniyeler içinde gerektiği yerde de zamanlanmış otomasyon fazla yavaş kalır.
İş sonucu
Sonuçta kimse konsola girmeden, SQL yazmadan ya da araçlar arasında geçmeden tahminden siparişe ulaşılıyor. Yazarların örneği: Günlük yenilenen 50.000 SKU’luk bir katalogda kararların yaklaşık %80’i rutinse döngü günde yaklaşık 40.000 satırı kendi başına tamamlar; planlamacıya istisnalar kalır. Yazarlar bunların ölçülmüş pilot sonucu değil, örnek rakamlar olduğunu vurguluyor.
Bileşenler gıdaya ya da tedarik zincirine özgü olmadığı için aynı kalıp finansal kapanış, saha servisi yönlendirme ve dolandırıcılık triyajı gibi yüksek hacimli karar döngülerinde de kullanılabilir.
Yazı bir müşteri vakası değil, satıcıların önerdiği bir mimari kalıp; rakamlar da örnek niteliğinde. Denemek isteyenlerin önce rutin kararların gerçek oranını ölçmesi ve otomatik sipariş için harcama eşiklerini netleştirmesi mantıklı olur.
