Stok Yönetiminde Yapay Zeka: Perakende Talep Tahmini Rehberi

Bir mahalle marketini düşünün. Depoda 40 kutu süt son kullanma tarihine iki gün kala hâlâ raftaki yerini bekliyor, öte yandan en çok satan çikolatalı gofret üç gündür tükenmiş durumda. İşletme sahibi Ayşe Hanım'ın elinde tuttuğu tek araç hâlâ elle güncellediği bir Excel dosyası: geçen ay ne kadar sattıysa bu ay da o kadar sipariş veriyor. Hava sıcaklığı, yakındaki okulun tatil takvimi ya da rakip marketin kampanyası gibi hiçbir değişkeni hesaba katmıyor çünkü elle bunu yapmanın bir yolu yok.

Bu yazıda perakendede talep tahmini yapan yapay zekanın gerçekte ne yaptığını, KOBİ ölçeğinde stok yönetimi yapay zeka çözümlerinin ne kadara mal olduğunu ve Türkiye'de büyük zincirlerin bu alanda ne yaptığını somut örneklerle anlatıyoruz. Sektörlere göre yapay zekayı ele aldığımız kapsamlı rehberimizin perakende ayağı olarak okuyabilirsiniz.

Talep tahmini yapay zekası nedir, nasıl çalışır?

Talep tahmini yapay zekası, geçmiş satış verinizi hava durumu, mevsimsellik, kampanya takvimi ve yerel etkinlikler gibi dış değişkenlerle birleştirip önümüzdeki günler ya da haftalar için ürün bazlı satış tahmini üreten bir sistemdir. Amaç basit: rafta ne kadar ürün olması gerektiğini, siz sipariş vermeden önce size söylemek.

Klasik yöntem, "geçen ay bu kadar sattık, bu ay da bu kadar sipariş verelim" mantığıyla çalışır ve tek değişkeni (geçmiş satış) kullanır. Yapay zeka modelleri ise onlarca değişkeni aynı anda değerlendirir: hafta içi/hafta sonu farkı, hava sıcaklığı, yakın çevredeki etkinlikler, tedarikçi teslim süresindeki gecikmeler. Sonuç, klasik yöntemlere göre tahmin hatasını yüzde 20 ila 50 arasında azaltan bir sistemdir.

Fazla stok ve stoksuzluk işletmenize gerçekte kaça mal oluyor?

Küresel perakende sektöründe fazla stok ve stoksuzluğun toplam maliyeti, IHL Group'un hesaplamasına göre yılda 1,73 trilyon dolara ulaşıyor; bu rakam toplam perakende satışlarının yaklaşık yüzde 7,2'sine karşılık geliyor. Stoksuzluk tek başına, gerçekleşebilecek satışların yüzde 40'ının kaybedilmesine yol açabiliyor.

Yapay zeka destekli talep tahmini, stok maliyetlerini yüzde 20 ila 35 arasında azaltıyor ve stoksuzluk vakalarının yüzde 65'ini önleyebiliyor.

Türkiye tarafında da tablo hareketli: TÜİK verilerine göre perakende ticaret satış hacmi 2026 Mayıs'ta yıllık yüzde 13,7, ticaret ciro endeksi ise yüzde 31,8 arttı. Ciro büyürken stok hatalarının maliyeti de aynı oranda büyüyor; enflasyonist bir ortamda yanlış sipariş verilen her ürün, hem sermayenizi hem de raf alanınızı kilitliyor.

Excel ile takip nereye kadar yetiyor?

Elli kalem ürünün altındaki küçük işletmelerde manuel takip idare eder. Ürün çeşidi arttığında, birden fazla kişi stokla ilgilenmeye başladığında ya da fatura sisteminizle entegrasyon gerektiğinde Excel tablosu çatlamaya başlar: kimse hangi versiyonun güncel olduğunu bilemez, sipariş kararları refleksle değil tahminle verilmeye başlar. Bu noktada tipik belirti şudur: hafta sonu telefon açıp "o üründen kaç tane kaldı" diye sormanız gerekiyorsa, tablonuz artık işletmenizin büyüklüğüne yetişemiyor demektir.

Sahada gördüğümüz bir başka belirti de "kararı en tecrübeli kişi verebiliyor" durumu. Sipariş kararı tek bir kişinin (genelde işletme sahibinin) hafızasına ve deneyimine bağlıysa, o kişi izinli olduğunda ya da işten ayrıldığında sistem çöküyor. Yapay zeka destekli talep tahmini bu bilgiyi kişiden bağımsız, veriye dayalı ve devredilebilir hale getiriyor.

Migros'un MAYA AI hamlesi ne anlatıyor?

Migros, Temmuz 2026'da OpenAI iş birliğiyle geliştirdiği MAYA AI adlı alışveriş asistanını duyurdu ve ChatGPT'ye doğrudan entegre olan ilk gıda perakende şirketi oldu. Sistem, müşterinin geçmiş alışveriş alışkanlıklarını analiz edip kişiselleştirilmiş öneriler sunuyor, "bitmeye yakın ürünleri" hatırlatarak sepet yenilemeyi tetikliyor.

Migros ayrıca görüntü işleme teknolojisiyle raftaki ürün eksikliklerini (depoda stok var ama reyonda yok durumu) tespit eden bir sistem geliştirdi; bu uygulama Microsoft'un Orta Doğu ve Afrika bölgesindeki en iyi üç başarı hikâyesinden biri seçildi. Bu örneklerin ortak noktası şu: büyük zincirler artık talep tahminini sadece "ne kadar sipariş verelim" sorusuyla sınırlamıyor, rafın kendisini de gerçek zamanlı izliyor.

Hangi ürün kategorilerinde talep tahmini en çok işe yarar?

Talep tahmini, bozulabilir ve raf ömrü kısa ürünlerde en hızlı geri dönüşü veriyor: süt ve süt ürünleri, taze meyve-sebze, unlu mamuller, hazır yemek. Bu kategorilerde bir günlük fazla sipariş doğrudan imha demek, bir günlük eksik sipariş ise doğrudan kaçan satış demek; yani hem hata payı düşük hem de sonucu hemen görüyorsunuz.

Dayanıklı ürünlerde (temizlik malzemesi, kırtasiye, konserve) talep tahmininin etkisi daha yavaş ama birikimli: yanlış miktarda sipariş verilen bir ürün aylarca raf ve sermaye kilitleyebilir. Mevsimsel ürünlerde (bayram şekeri, okul dönemi kırtasiyesi, yazlık ürünler) ise yapay zeka geçmiş yılların aynı dönemine bakarak sizi "ya çok az ya çok fazla sipariş verme" tuzağından koruyor; bu, klasik yöntemlerin en çok zorlandığı kategori çünkü geçmiş veri her yıl aynı tarihte tekrarlanmıyor, kayan takvimlere (Ramazan, okul açılış tarihi gibi) göre değişiyor.

KOBİ ölçeğinde talep tahmini nasıl kurulur?

Migros ölçeğinde bir yatırım yapmanıza gerek yok. Küçük ve orta ölçekli perakendeciler için özel olarak tasarlanmış, aylık abonelikle çalışan SaaS araçları artık erişilebilir fiyat aralığında.

• Giriş seviyesi (Shopify/WooCommerce entegre): Aylık 25-40 dolar aralığında araçlar, birkaç yüz SKU'ya kadar ürünü kapsıyor ve kod bilgisi gerektirmiyor.
• Orta ölçek: Aylık 50-100 dolar bandındaki araçlar sınırsız SKU ve daha ayrıntılı sezonluk analiz sunuyor.
• Kurumsal ölçek: Aylık 900 dolardan başlayan sistemler, çok şubeli zincirler ve karmaşık tedarik zincirleri için.

Bu araçları kullanan küçük işletmeler, tahmin doğruluğunda yüzde 20-50 iyileşme ve envanter tutma maliyetinde yüzde 20-30 azalma bildiriyor. Türkiye'de bu işi bir mali danışman ya da yazılım firmasıyla özel bir kurulum olarak da yapabilirsiniz; bu durumda maliyet, entegre edeceğiniz kasa/muhasebe sistemine göre değişir. E-ticaret tarafında satış yapan işletmeler için benzer bir mantığı Trendyol ve Hepsiburada satıcılarına yönelik rehberimizde ele almıştık; fiziksel mağaza ile pazaryeri stok yönetimi arasında çok benzer prensipler geçerli.

Yatırım kendini kaç ayda öder?

Talep tahmini yatırımının geri ödeme süresi ortalama 11,3 ay; yüksek ciro ve çok sayıda SKU'ya sahip büyük perakendecilerde bu süre 7,5 aya kadar inebiliyor. KOBİ ölçeğinde giriş seviyesi bir araçla aylık abonelik maliyeti genelde ilk üç ayda önlenen tek bir stok kaybı partisiyle karşılanıyor; kalan süre doğrudan kâr olarak işletmeye dönüyor.

Bu hesaba depolama alanı tasarrufunu da eklemek gerekir. Doğru miktarda sipariş vermek, gereksiz yere kiralanan depo alanını ya da mağaza arkasında biriken "belki satarız" stokunu azaltır; bu kalemde işletmeler yüzde 5-10 arasında ek tasarruf bildiriyor.

Somut senaryo: Ayşe Hanım'ın marketinde talep tahmini

Ayşe Hanım'ın marketinde 600 kalem ürün var, günlük ortalama ciro 18 bin TL. Yılda tahmini 45 bin TL'lik ürün son kullanma tarihini geçirdiği için imha ediliyor, bir o kadarı da stoksuzluk yüzünden kaçan satış olarak kayboluyor. Basit bir talep tahmini aracına geçtiğinde (aylık yaklaşık 1.000-1.500 TL karşılığı abonelik), sistem geçmiş satış verisiyle birlikte hafta sonu/hafta içi farkını ve yaklaşan bayram tatillerini hesaba katarak sipariş önerileri sunmaya başlıyor.

Altı ay sonunda imha edilen ürün oranı yarı yarıya düşüyor, en çok satan 20 üründe stoksuzluk neredeyse sıfırlanıyor. Aracın aylık maliyeti, önlenen tek bir imha partisinin değerini bile geçmiyor; asıl kazanç, Ayşe Hanım'ın artık sipariş kararlarını içgüdüyle değil veriyle vermesi.

Talep tahmini AI kurulumunda hangi hatalardan kaçınmalısınız?

Yapay zeka destekli talep tahmini konusunda en yaygın yanlış anlama, sistemin devreye girdiği anda tamamen otomatik ve kusursuz çalışacağı beklentisi. Gerçekte durum böyle değil ve bunu bilerek başlamak hayal kırıklığını önlüyor. Sahada en sık gördüğümüz sorun, işletmelerin ilk ay içinde "sistem yanıldı" diyerek vazgeçmesi; oysa her tahmin modeli gibi bu sistemler de birkaç haftalık gerçek satış verisiyle kendini kalibre eder, ilk sonuçlar nihai performansı yansıtmaz.

• "AI hiç hata yapmaz" beklentisi yanlış. En iyi sistemler bile yerleşik, istikrarlı ürünlerde yüzde 80-90 dolayında doğruluk sağlar; yeni ürünlerde bu oran daha düşük olabilir.
• "Verimiz kirli, önce yıllarca temizlemeliyiz" düşüncesi bir efsanedir. Sistemler eksik veriyle de öğrenmeye başlar ve zamanla iyileşir; mükemmel veri beklemek projeyi hiç başlatmamak anlamına gelir.
• İnsan gözetimini tamamen kaldırmak riskli. Kampanya, tedarik krizi ya da beklenmedik bir olay (deprem sonrası talep artışı gibi) sistemin öğrenmediği bir durumdur; anomali anlarında insan müdahalesi hâlâ gerekir.

Ne zaman bu yatırımı ertelemelisiniz?

Her işletme için doğru zaman şimdi değil. Ürün çeşidiniz 50'nin altındaysa, tek elden yönetiliyorsa ve mevcut Excel takibiniz sorunsuz işliyorsa, bir SaaS aracına aylık ödeme yapmak şu an için gereksiz bir maliyet olabilir; bu durumda öncelik büyümek, sistem kurmak değil.

Aynı şekilde satışlarınızın büyük kısmı tek bir baskın ürün grubundan geliyorsa (örneğin sadece ekmek satan bir fırın) talep tahmini modelinin öğreneceği değişken sayısı zaten az; burada basit bir haftalık ortalama formülü, karmaşık bir AI aracı kadar iş görebilir. Yatırımın anlamlı hale gelmesi için ürün çeşitliliğinin ve stok hatasının maliyetinin belirli bir eşiği geçmesi gerekiyor.

Sık sorulan sorular

Talep tahmini için en az kaç kalem ürün olmalı?

Kesin bir alt sınır yok; ancak 50 kalemin altındaki işletmelerde manuel takip genelde yeterli kalır. Ürün çeşidiniz artıp elle takip sizi yorduğunda ya da birden fazla kişi stokla ilgilenmeye başladığında yapay zeka destekli bir araca geçmek anlamlı hale gelir.

Mevcut kasa/POS sistemimle entegre olur mu?

Çoğu SaaS talep tahmini aracı, yaygın kasa ve e-ticaret altyapılarından (Shopify, WooCommerce, birçok yerli POS sistemi) veri dışa aktarma yoluyla veya doğrudan entegrasyonla veri okuyabiliyor. Kurulum öncesi mevcut sisteminizin export/API desteğini kontrol etmeniz gerekiyor.

Küçük bir işletme için gerçekten kârlı mı?

Evet; küçük ölçekli kullanıcılar bile envanter maliyetinde yüzde 20-30 azalma bildiriyor ve aylık abonelik maliyeti genelde önlenen tek bir kayıp partisiyle karşılanıyor. Asıl risk, hiç denememek ve sipariş kararlarını içgüdüyle vermeye devam etmek.

Peki siz ne yapmalısınız?

• En çok satan ve en sık stoksuz kalan 20-30 ürününüzü belirleyip önce onlarla pilot bir talep tahmini denemesi yapın.
• Kasa/POS sisteminizin veri dışa aktarma (export) özelliği olup olmadığını kontrol edin; çoğu talep tahmini aracı bu veriyi doğrudan okuyabiliyor.
• Aylık 1.000-1.500 TL bandındaki giriş seviyesi bir SaaS aracıyla üç aylık deneme yapın, sonuçları imha/kayıp kayıtlarınızla karşılaştırın.
• Sistemin önerdiği siparişleri ilk aylarda kör kör onaylamayın; kendi sektör bilginizle (yerel etkinlik, okul takvimi) çapraz kontrol edin.
• Şube sayınız arttıkça ya da SKU sayınız 500'ü geçtiğinde kurumsal seviye bir çözüme geçişi planlayın.

Stok yönetiminde yapay zeka, büyük zincirlere özgü bir lüks olmaktan çıktı; bugün bir mahalle marketinin bile aylık birkaç yüz liraya erişebileceği bir araç haline geldi. Asıl karar, hangi aracı seçeceğiniz değil, ne zaman başlayacağınız; her ay ertelenen her ay, imha edilen ürün ve kaçan satış olarak geri dönmeye devam ediyor. Bu tür bir kurulumu kendi işletmeniz için konuşmak isterseniz kapımız açık.