Makine Öğrenmesi ve Dinamik Fiyatlama: Perakende İçin Yeni Oyun

Bir perakende zincirinin satın alma müdürü düşünün: elinde beş yüz SKU var, rakibin fiyatları haftada iki kez değişiyor, stokta kalan ürünlerin bir kısmı raf ömrüne yaklaşıyor ve sezon sonu indirimi için doğru zamanı bulmak gerekiyor. Bu kararların tamamını bir Excel tablosunda yönetmek artık mümkün değil. Tam da bu noktada makine öğrenmesi tabanlı dinamik fiyatlama motorları devreye giriyor; ancak bu sistemlerin perakendede gerçekten nasıl çalıştığını ve hangi koşullarda değer ürettiğini anlamak, yöneticiler için kritik bir öncelik haline geliyor.

Dinamik fiyatlama, fiyatın sabit bir maliyet-artı hesabıyla değil; talep sinyalleri, stok durumu, rakip fiyat hareketleri ve satış hızı gibi değişkenlerin birleşik analiziyle sürekli güncellenmesi anlamına geliyor. Makine öğrenmesi bu süreçte iki temel işlev üstleniyor: birincisi, geçmiş satış verilerinden talep esnekliği modellemek; ikincisi, bu modeli gerçek zamanlı gelen verilerle güncelleyerek fiyat önerileri üretmek. Sistemin kalbinde genellikle regresyon modelleri ve karar ağaçları gibi görece yerleşik algoritmalar yer alıyor; 2015 itibarıyla bu yöntemler perakende uygulamalarında yeterince olgunlaşmış durumda.

Fiyat motorunun beslendiği veri katmanı, sistemin kalitesini doğrudan belirliyor. Satış noktası verileri, stok hareketleri, rakip fiyat taraması ve mevsimsel endeksler bu katmanın temel bileşenleri. Türkiye perakende sektöründe büyük zincirlerin POS sistemleri bu veriyi zaten üretiyor; asıl mesele, bu veriyi tutarlı bir formatta fiyat motoruna aktaracak entegrasyon altyapısını kurmak. e-Fatura ve e-Defter zorunluluğunun hayata geçmesiyle birlikte işlem verisinin dijital kaydı artık daha sistematik; bu durum, analitik modeller için ham madde kalitesini de artırıyor.

Marj optimizasyonu açısından dinamik fiyatlama somut bir kazanım sunuyor. Talep esnekliği düşük olan ürünlerde fiyat baskısı yapmadan marjı korumak, yüksek esneklikli ürünlerde ise rekabetçi konumlanarak hacmi artırmak mümkün hale geliyor. Bir gıda perakendecisini ele alalım: marka bağımlılığı yüksek bir deterjan ile kolayca ikame edilebilen bir makarna arasındaki fiyatlandırma stratejisi aynı olamaz. Makine öğrenmesi modeli bu ayrımı veri üzerinden öğreniyor ve kategori bazında farklı optimizasyon hedefleri tanımlamaya olanak veriyor. Böylece genel iskonto politikasının yerini, ürün ve dönem bazında kalibre edilmiş bir fiyat yapısı alıyor.

Fiyat algısı yönetimi ise bu denklemin ikinci ve çoğu zaman göz ardı edilen tarafı. Tüketicinin belirli ürünlerdeki fiyat değişimlerine duyarlılığı, diğerlerine kıyasla çok daha yüksek. Perakende literatüründe ‘köşe taşı ürünler’ olarak bilinen bu kalemler; süt, ekmek, temel temizlik ürünleri gibi alışkanlık fiyatı oluşmuş ürünlerdir. Dinamik fiyatlama motorunun bu ürünlerde agresif hareket etmesi, kısa vadeli marj kazancı sağlasa da müşteri sadakatini zedeler. Dolayısıyla iyi tasarlanmış bir fiyat motoru, optimizasyon kurallarını yalnızca marj hedefiyle değil; fiyat algısı sınırları ve rekabetçi konumlanma kısıtlarıyla birlikte tanımlamak zorunda.

Uygulamada karşılaşılan en yaygın zorluk, veri kalitesi ve organizasyonel hazırlık meselesi. Fiyat motorunun önerileri üretmesi teknik açıdan çözülebilir bir problem; ancak bu önerilerin satın alma, kategori yönetimi ve mağaza operasyonları ekipleri tarafından benimsenmesi ayrı bir süreç yönetimi gerektiriyor. Türkiye perakendesinde karar alma kültürü hâlâ büyük ölçüde deneyim ve sezgiye dayanıyor; veri odaklı bir fiyat önerisinin neden ‘doğru’ olduğunu ekibe anlatmak, sistemin teknik kurulumu kadar emek istiyor. Bunun yanı sıra, rakip fiyat taraması için kullanılan web kazıma yöntemleri henüz standartlaşmamış durumda ve veri tutarsızlıkları modelin güvenilirliğini doğrudan etkiliyor.

Dinamik fiyatlama yatırımını değerlendiren bir perakende yöneticisi için öncelikli soru şu olmalı: mevcut veri altyapısı bu sistemi besleyecek kalitede mi? SKU adedi beş yüzün altında olan ve POS verisi düzensiz kaydedilen bir işletmede sofistike bir fiyat motoru kurmanın ROI’si düşük kalır. Buna karşın, iki binin üzerinde aktif SKU ile çalışan, stok devir hızı baskısı yaşayan ve rakip fiyat hareketlerine geç tepki verdiğini fark eden zincirlerde bu yatırım somut bir rekabet avantajına dönüşebilir. Başlangıç için tüm kategoriyi sisteme dahil etmek yerine, marj hassasiyeti yüksek iki ya da üç kategoride pilot uygulama yürütmek; hem organizasyonel öğrenme sağlar hem de yatırımın geri dönüşünü ölçülebilir kılar.


veri hazırlığı şirketin geçmişini kaydetmek için değil, gelecekteki kararlarını güçlendirmek için tasarlanmalıdır. Doğru mimari; görünürlük, hız, kontrol ve öğrenme kapasitesi üretir. Aksi halde veri toplanır, raporlar çoğalır ama karar kalitesi aynı yerde kalır.


Gökhan Mercanoğlu
Yapay Zekâ ve Makine Öğrenmesi