Fire Oranı Azaltma: Üretim Verinizi AI ile Doğru Okumak

Ayda 40 ton hammadde işleyen bir plastik enjeksiyon atölyesinde fire oranı yüzde 7 olsun. Bu, her ay 2,8 ton malzemenin ürün olarak değil hurda kasasında çıkması demek. Oranı yüzde 6'ya çekmek, yani sadece 1 puan, ayda 400 kilo hammadde geri kazandırır. Hammadde kilosu 60 TL ise yılda 288 bin TL eder. Bu hesapta o hurda parçalara harcanan elektrik, kalıp ömrü ve operatör saati daha yok.

Bir puanlık iyileşme kulağa mütevazı geliyor; tablodaki karşılığı mütevazı değil. Asıl sorun şu: çoğu atölye fire oranını ay sonunda kabaca biliyor, ama o firenin hangi vardiyada, hangi kalıpta, hangi hammadde partisinde büyüdüğünü bilmiyor. Yapay zekanın buradaki işi fireyi sıfırlamak değil, göremediğiniz kırılımı görünür kılmak.

Bu yazıda fire oranı azaltma konusuna doğrudan üretim verisi tarafından bakacağız: hangi veri gerçekten gerekiyor, yapay zekanın birbirine karıştırılan üç ayrı işi nerede ayrışıyor, bütçe hangi mertebede ve nereden başlamak mantıklı. Sektörünüze hangi yapay zeka uygulamasının uyduğuna dair geniş haritayı Sektör Sektör Yapay Zeka rehberimizde bulabilirsiniz.

Fire oranım kaç olmalı? Dışarıdan verilen hedefe neden güvenmemelisiniz

Kısa cevap: imalat için geçerli, yayımlanmış bir "kabul edilebilir fire oranı" yok. İnternette dolaşan "yüzde 5'in altı normal, yüzde 1'in altı mükemmel" cümlesi onlarca üretim yazılımı satıcısının blogunda neredeyse birebir aynı ifadeyle geçiyor ve hiçbiri bir çalışmaya, örnekleme ya da tarihe atıf vermiyor. Bir rakamın çok yerde geçmesi doğruluk kanıtı değil, kopyalama kanıtıdır.

Bunun pratikte anlamı rahatlatıcı: kıyaslamanız için dışarıya bakmanıza gerek yok. Tek anlamlı referans kendi geçen ayınız, kendi geçen çeyreğiniz. Aynı kalıpta, aynı hammaddede, aynı vardiyada firenin nasıl değiştiği; işte ölçmeniz gereken şey bu.

Sektör bazlı rakamlar için de durum aynı. Ne TÜİK ne de sektör birlikleri "Türkiye'de tekstilde ortalama fire şudur" diyen bir seri yayınlıyor. Böyle bir rakamla karşılaşırsanız kaynağını sorun; büyük ihtimalle bir yazılım satan firmanın tanıtım metnine varırsınız.

Kaçınılmaz fire ile kusur firesi: yapay zeka hangisine dokunur?

Fire tek bir şey değil, iki farklı şeydir. Birincisi proses firesi: kesim artığı, çapak, yolluk, hadde kenarı. Parçayı üretmenin fiziksel bedelidir ve tasarım ya da yerleşim değişmeden düşmez. İkincisi kusur kaynaklı fire: ölçü dışı parça, yüzey hatası, karışmış parti, yanlış ayar. Yapay zeka yalnızca ikinci gruba dokunur.

Bu ayrımı yapmadan hedef koyan projeler baştan batar. "Fireyi yüzde 7'den yüzde 2'ye indireceğiz" diyen bir hedef, o yüzde 7'nin 4 puanı kesim artığıysa fiziken imkânsızdır. Ekip aylarca çalışır, hedefe ulaşamaz, sonuçta "yapay zeka bizde işe yaramadı" denir.

Doğru ilk adım şu: son üç ayın fire kayıtlarını alın ve iki kovaya ayırın. Birinci kovada tasarım gereği çıkan artık, ikincide "olmaması gereken" parçalar. Projenin hedefi sadece ikinci kova olmalı ve hedef yüzdesi ikinci kovanın büyüklüğüne göre konulmalı.

Verim yoksa proje de yok mu? Türkiye'de üretim kaydının gerçek hâli

Doğrudan cevap: veriniz muhtemelen sandığınızdan fazla, ama sandığınızdan dağınık. TÜİK'in 2025 girişimlerde bilişim teknolojileri kullanımı verilerine göre 10 ve üzeri çalışanı olan işletmelerin yalnızca yüzde 31,3'ü kurumsal kaynak planlama (ERP) yazılımı kullanıyor. Yani her üç işletmeden ikisinde üretim kaydı zaten kağıtta veya Excel'de.

Bu bir engel değil, başlangıç noktası. Excel de veridir. Sorun formatı değil tutarlılığıdır: fire nedeni serbest metin olarak giriliyorsa ("kalıp bozuk", "kalıptan kaynaklı", "kalıp arızası" aynı şeyi anlatan üç ayrı satır olur) hiçbir model bundan anlamlı desen çıkaramaz. Fire nedenini 8-12 maddelik sabit bir listeye indirmek, satın alacağınız her yazılımdan daha değerli bir adımdır.

İkinci ve daha az konuşulan sorun teşvik yapısı. Fire fişini dolduran operatör, yüksek fire yazdığında azarlanıyorsa veri sistematik olarak bozulur. Ölçüm sisteminizin kalitesi, ölçümü yapan kişinin doğruyu yazmakta rahat hissetmesine bağlıdır. Bu, teknik değil yönetsel bir karardır ve projenin en kritik parçasıdır.

TÜİK verilerine göre 10-49 çalışanlı işletmelerde yapay zeka kullanım oranı yüzde 6,6; 50-249 çalışanlıda yüzde 9,6; 250 ve üzeri çalışanlıda yüzde 12,1. Küçük imalatçı bu işe geç kalmadı, aksine erken davranıyor.

Yapay zekanın üç ayrı işi, üç ayrı bütçe

Fire konusunda "yapay zeka" denince üç bambaşka iş kastediliyor ve bunların veri ihtiyacı ile maliyeti arasında on kat fark var. Karıştırıldıklarında ya gereksiz büyük bir yatırıma girilir ya da küçük bir işten mucize beklenir.

• Fire analizi (en ucuz, en hızlı sonuç): Var olan kayıtlardan desen çıkarma. Hangi vardiya, hangi kalıp, hangi hammadde partisi, hangi saat dilimi. Üç aylık düzgün bir kayıt bile ilk bulguları verir. Burada makine öğrenmesinden çok disiplinli veri düzenleme ve basit modelleme iş görür.
• Görsel muayene (orta-yüksek maliyet): Kamerayla kusuru hattın üzerinde yakalamak. Ciddi bir model gerçekten büyük etiketli veri ister; yayımlanmış bir otomotiv vakasında sistem 1,2 milyon etiketli görüntüyle eğitilmiş. "Birkaç fotoğraf gösteririz, öğrenir" beklentisi burada duvara toslar.
• Proses optimizasyonu (en zor): Makine parametrelerini (sıcaklık, basınç, hız) fire ile ilişkilendirip ayar önermek. Makineden sürekli veri akışı ister; sensörü olmayan bir tezgâhta başlanamaz.

Sahada gördüğümüz en sık hata, birinci basamak hiç yapılmadan doğrudan ikinciye atlanması. Kamera kusuru yakalar ama kusurun oluşmasını engellemez. Fire ancak kök neden verisiyle eşleştiğinde düşer; kamera o eşleştirmenin girdisidir, kendisi değil.

Örnek: 40 kişilik atölyede üç aylık fire analizi neye benziyor?

Somutlaştıralım. Bursa'da metal parça üreten, 3 vardiya çalışan, 12 tezgâhlı bir atölye düşünün. Fire kaydı var: operatör her vardiya sonunda kağıt forma adet ve neden yazıyor, ön muhasebe ayda bir Excel'e giriyor. Ay sonu tek bir rakam çıkıyor, o kadar.

İlk iş kağıttaki nedenleri sabit listeye çevirmek ve üç aylık kaydı tarih, vardiya, tezgâh, operatör, hammadde partisi kırılımıyla tabloya almak oldu. Bu, hiçbir yapay zeka içermeyen, iki haftalık bir düzenleme işi. Sonra basit bir analizle bakıldığında tablo şuydu: firenin yüzde 60'ı üç tezgâhta, o üç tezgâhın firesinin çoğu gece vardiyasında, gece vardiyasının fire piki de belirli bir tedarikçiden gelen partilerde toplanıyordu.

Buradan çıkan aksiyon yazılım satın almak değildi: o tedarikçinin partileri girişte ölçülmeye başlandı, gece vardiyasına ayar kontrolü için ek bir kontrol noktası konuldu. Görsel muayene kamerası ise ancak bu adımdan sonra, tek bir tezgâh ve tek bir kusur tipi için gündeme geldi. Bu sıra önemli: önce hangi kusurun para ettiğini bulun, sonra o kusuru yakalayacak donanımı alın.

AI destekli görsel muayene kaça mal olur?

Net bir bant vermek gerekirse: tek istasyon, tek kusur tipi, standart 2D kamera ve kompakt bir kenar bilgisayarla kurulan giriş seviyesi bir sistem için donanım maliyeti birkaç bin dolar mertebesindedir. Bu rakamlar satıcı fiyat listelerinden derlenmiştir; birbirinden bağımsız sağlayıcılar benzer bantları veriyor. Üç boyutlu muayene ya da robot yönlendirme işin içine girdiğinde bant hızla on binli dolar seviyelerine çıkar.

Ancak bütçenin asıl kalemi donanım değil. Kurulum, konveyör entegrasyonu, mevcut sisteme bağlantı ve en önemlisi görüntü etiketleme emeği toplam maliyetin büyük kısmını oluşturur. İnternette dolaşan "hat başına 110 bin - 200 bin dolar" gibi rakamlar otomotiv ve medikal ölçeğine aittir; Türkiye'deki bir KOBİ atölyesine bu bandı sunmak yanıltıcı ve caydırıcıdır.

Aynı şekilde "yatırım 6-12 ayda kendini amorti eder" ya da "yapay zeka fireyi yüzde 50 azaltır" gibi ifadelere rastlarsanız kaynağını sorun. Bunlar sektör geneli bulgu değil, satış argümanıdır; arkalarında örneklem yok. Kendi geri dönüş hesabınızı yazının başındaki gibi kendi rakamlarınızla yapın: bir puanlık fire düşüşünün size kaç TL kazandırdığını bilmeden hiçbir teklifi değerlendiremezsiniz.

KOSGEB desteği fire projesine kullanılabilir mi?

Kısmen, ama sanıldığı gibi değil. KOSGEB'in KOBİ Dijital Dönüşüm programı bir hibe değil faiz desteğidir: bankadan alınan yatırım kredisinin faizinin bir bölümü geri ödemesiz karşılanır. Otomasyon, yapay zeka ve nesnelerin interneti yatırımları kapsam içinde sayılıyor.

Kritik ayrıntı, çoğu içerikte atlanan ön koşul: başvuru öncesinde kabul edilen bir dijital olgunluk değerlendirme raporu alınması ve yatırım projesinin bu rapordaki stratejilerle uyumlu olması bekleniyor. Yani "kamera alacağım, destek çıkar mı" diye başlanmıyor; önce olgunluk fotoğrafı çekiliyor.

Program şartları ve tutarlar dönem dönem güncelleniyor, bu yüzden başvuru öncesi rakamları kosgeb.gov.tr üzerinden teyit edin. Bir yerde "KOSGEB'den hibe alın" yazıyorsa o kaynağı fazla ciddiye almayın.

Fire oranı azaltma projesi ne zaman yapılmamalı?

Bu soruyu satıcılar sormaz ama sorulması gerekir. Fire azaltma projesinin doğru zamanı, firenin ölçülebildiği ve üretimin görece kararlı olduğu dönemdir. Aşağıdaki durumlarda projeyi ertelemek daha doğrudur.

• Ürün karması sürekli değişiyorsa. Her ay farklı parça, farklı kalıp, farklı hammadde üreten bir atölyede desen çıkarmak için gereken tekrar oluşmaz. Önce ürün gruplarını sadeleştirmek gerekir.
• Fire kaydı hiç tutulmuyorsa. Geriye dönük veri üretilemez. Bu durumda proje "analiz" değil "kayıt kurma" projesidir ve en az üç ay sürer. Bu dürüstçe konuşulmalı.
• Bilinen ve çözülmemiş bir teknik sorun varsa. Kalıbın yenilenmesi gerektiğini herkes biliyorsa, hiçbir analiz o bilgiyi güzelleştirmez. Önce bilineni yapın; analiz bilinmeyeni bulmak içindir.
• Ölçüm operatörü baskı altındaysa. Fire bildirimi ceza sebebiyse kayıt sistematik olarak eksik gelir ve proje yanlış sonuçlar üretir. Bu, veriden önce çözülecek bir yönetim meselesidir.

Sık sorulan sorular

Kaç aylık veri yeterli?

Fire analizi için üç aylık düzgün kayıt genelde ilk bulguları verir; mevsimsel etkiyi görmek istiyorsanız bir yıl gerekir. Görsel muayene modeli ise bambaşka bir ölçekte veri ister ve buradaki birim ay değil, etiketlenmiş görüntü adedidir.

Küçük atölyeyim, bu iş bana göre mi?

Analiz tarafı evet. Elinizde Excel varsa başlayabilirsiniz ve maliyeti esasen emek. Kamera ve proses optimizasyonu tarafı ise makine parkurunuza ve üretim hacminize bağlı; tek tezgâhta günde birkaç yüz parça çıkaran bir atölyede görsel muayenenin geri dönüşü zayıf kalır.

Var olan ERP'me bağlanması şart mı?

Başlangıçta değil. İlk analiz dışa aktarılmış bir tabloyla da yapılabilir. Entegrasyon, bulgular işe yaradıktan ve süreç kalıcı hâle geldikten sonra anlam kazanır. Ters sırayla ilerleyen projeler entegrasyonda tıkanıp sonuç üretmeden biter.

Fire oranı düştü, bunu neye borçlu olduğumu nasıl bilirim?

Aynı anda birden fazla değişiklik yapmayarak. Klasik hata, analiz sonuçlarını görüp beş aksiyonu birden almaktır; fire düşer ama hangisinin işe yaradığı bilinmez. Değişiklikleri sıraya koyun ve her birine en az iki hafta tanıyın.

Peki siz ne yapmalısınız?

• Fire nedenlerini sabit listeye indirin. 8-12 madde, serbest metin yok. Bu adım bedava ve sonraki her şeyin ön koşulu.
• İki kovayı ayırın. Kaçınılmaz proses firesi ile kusur firesini ayırmadan hedef koymayın; hedefinizi sadece ikinci kovanın üzerine kurun.
• Üç aylık kaydı kırılımlı tabloya alın. Tarih, vardiya, tezgâh, operatör, hammadde partisi. Yazılım almadan önce bu tabloyu üretebiliyor olun.
• Önce analiz, sonra donanım. Hangi kusurun para ettiğini bilmeden kamera almayın; alacaksanız tek istasyon ve tek kusur tipiyle başlayın.
• Operatörün doğruyu yazmasını güvenceye alın. Yüksek fire bildiren cezalandırılıyorsa veriniz baştan bozuktur ve hiçbir model bunu telafi edemez.

Fire, üretimin en sessiz maliyet kalemidir: faturası ayrı gelmez, kimse aylık raporda görmez, ama her ay tablodan sızar. İyi haber, bu sızıntıyı görünür kılmanın yeni bir fabrika kurmayı gerektirmemesi. Elinizdeki kağıt formlar bile, düzgün bir yapıya oturtulduğunda ilk ayda nereye baktığınızı söyleyebilir. Üretim verinizle nereden başlayacağınızı konuşmak isterseniz bize yazın; ilk konuşmada genelde tabloyu birlikte açmak yeterli oluyor. Üretim takibinin daha geniş resmi için tekstil üretiminde takip sistemleri üzerine yazdığımız rehber de benzer bir mantığı adım adım anlatıyor.