Makine Öğrenmesi Nedir: Yönetici İçin Stratejik Bir Giriş

Bir tekstil firmasının satın alma müdürü, her mevsim başında aynı soruyla boğuşur: hangi kumaştan ne kadar sipariş verilmeli? Deneyim, sezgi ve geçmiş sezon verileri bu kararın temelini oluşturur. Ancak değişkenler çoğaldıkça — döviz kuru, tedarikçi teslimat süreleri, müşteri sipariş örüntüleri — insan zihninin takip edebildiği sınır daralır. İşte bu noktada makine öğrenmesi denen yaklaşım devreye girer: sisteme kuralları siz yazmıyorsunuz, sistem bu kuralları veriden çıkarıyor.

Makine öğrenmesi, yazılımın belirli bir görevi yerine getirmek için açık talimatlar yerine örüntülerden ve geçmiş verilerden kendi çıkarımlarını ürettiği bir yöntemdir. Klasik yazılım geliştirmede bir programcı her koşulu tanımlar: ‘Eğer stok 50 birimin altına düşerse, tedarikçiye otomatik sipariş gönder.’ Makine öğrenmesinde ise sistem binlerce geçmiş siparişi, teslimat süresini ve satış hareketini inceleyerek hangi eşiğin, hangi tedarikçi için, hangi mevsimde anlamlı olduğunu kendisi hesaplar. Yönetici bu ayrımı kavradığında, teknolojinin stratejik değerini de kavramış olur.

Bu yaklaşımın iş dünyasındaki en somut karşılığı tahminleme ve sınıflandırma problemlerinde görülür. Kredi risk değerlendirmesi bunun klasik örneğidir: bankalar ve finans kurumları yıllardır müşteri davranış verilerini, ödeme geçmişini ve demografik bilgileri birleştirerek temerrüt olasılığını hesaplayan modeller kullanmaktadır. Benzer mantık perakende sektöründe stok optimizasyonuna, üretimde kalite kontrol süreçlerine ve lojistikte rota planlamasına uygulanabilir. Ortak payda şudur: kural yazmak yerine veriyi konuşturmak.

Yönetici açısından asıl stratejik değer, ölçek kazandıkça artan doğrulukta yatar. Geleneksel analiz araçları — Excel tabloları, standart raporlama yazılımları — veriyi özetler ama öğrenmez. Makine öğrenmesi modeli ise her yeni veriyle kendini günceller; dün yanlış tahmin ettiği durumu yarın daha iyi değerlendirir. Bu özellik, işlem hacmi yüksek ve değişkenlik fazla olan ortamlarda geleneksel yöntemlere kıyasla ciddi bir operasyonel avantaj üretir. Bir distribütör firması için bu, yanlış stok kararlarından kaynaklanan bağlı sermayenin azalması anlamına gelebilir; bir hizmet şirketi için ise müşteri kaybını önceden tespit edip önlem alma kapasitesi.

Ancak bu yaklaşımın işe yaraması için bazı ön koşullar vardır ve bunları görmezden gelmek proje başarısızlıklarının başlıca nedenidir. Her şeyden önce model, kaliteli ve yeterli miktarda geçmiş veriye ihtiyaç duyar. Verisi düzensiz tutulan, farklı sistemlerde dağınık halde saklanan veya yıllarca kağıt ortamında kalan bir işletme için makine öğrenmesi projesine başlamak, temeli olmayan bir binanın üst katını döşemek gibidir. İkinci ön koşul, modelin çıktısını yorumlayacak ve iş kararına dönüştürecek insan kapasitesidir. Sistem bir tahmin üretir; o tahminin ne anlama geldiğini ve nasıl kullanılacağını hâlâ bir yönetici belirlemelidir.

Türkiye’deki işletmeler bu konuya büyük ölçüde veri madenciliği ve iş zekası araçlarının genişletilmiş bir versiyonu olarak yaklaşmaktadır. SAP, Oracle ve yerli ERP çözümlerinin analitik modülleri, makine öğrenmesi mantığını doğrudan kullanmasa da benzer tahminleme işlevlerini kısmen karşılamaktadır. Büyük ölçekli kurumsal yazılım projelerinde bu tür modeller pilot aşamada uygulanmaya başlanmıştır; ancak KOBİ ölçeğinde bağımsız bir makine öğrenmesi altyapısı kurmak hâlâ ciddi teknik ve mali yatırım gerektirmektedir. Bulut tabanlı analitik platformların giderek daha erişilebilir hale gelmesi bu eşiği düşürmektedir, ancak veri hazırlığı ve model yönetimi konusundaki uzmanlık ihtiyacı ortadan kalkmamaktadır.

Bir yönetici olarak bu teknolojiye yatırım kararı verirken şu soruyu net biçimde yanıtlamanız gerekir: işletmenizde tekrarlayan, veri üreten ve hatalı kararın maliyetli olduğu kaç karar süreci var? Cevap az ise, mevcut ERP ve raporlama altyapısını güçlendirmek daha öncelikli bir adımdır. Cevap çoksa ve veri altyapınız sağlamsa, makine öğrenmesi tabanlı tahminleme araçlarını mevcut sistemlerinize entegre etmek orta vadede ölçülebilir bir ROI üretebilir. Teknolojiyi anlamak için matematikçi olmanıza gerek yok; ancak hangi problemi çözdüğünü ve bunun için ne gerektiğini net görmek, doğru kararın yarısıdır.


doğal dil işleme yalnızca verimlilik gündemiyle ele alınırsa eksik kalır. Müşteri deneyimi, çalışan davranışı, finansal etki ve operasyonel dayanıklılık birlikte değerlendirilmelidir. Çünkü kurumsal teknoloji, tek bir departmanın değil, işletmenin tamamının çalışma biçimini değiştirir.


Gökhan Mercanoğlu
Yapay Zekâ ve Makine Öğrenmesi