Herkes Yapay Zekayı konuşuyor ama kimse veriyi konuşmuyor. Son iki yıldır sanayi işletmelerinin yönetim toplantılarında neredeyse aynı cümleler tekrar ediyor: “ERP’mize yapay zeka ekleyelim”, “dijital ikiz kuralım”, “talep tahminini otomatikleştirelim”, “MRP’yi yapay zeka ile optimize edelim.”
Bu istek haklı ve zamanın ruhuna uygun. Ancak sahada, fabrika içinde, planlama ofislerinde, depo raflarının önünde geçirdiğim zaman bana farklı bir gerçeği gösteriyor: Çoğu işletmenin önündeki engel yapay zeka eksikliği değil. Önündeki engel, üzerine yapay zeka inşa edebileceği sağlam bir veri zemininin olmaması.
Bir üretim müdürüyle geçen ay yaptığım bir toplantıda şu cümleyi duydum: “ERP’mizde her şey var ama hiçbirine güvenmiyoruz, herkes kendi Excel’ini tutuyor.” Bu cümle, aslında Türkiye sanayisinin büyük bölümünün fotoğrafıdır. Sistem var, veri var, ama güven yok. Güven olmadan da hiçbir algoritma, hiçbir yapay zeka modeli işe yaramaz.
Bu yazının amacı yapay zekayı eleştirmek değil. Tam tersine, yapay zekanın gerçekten işe yarayabilmesi için gerekli olan ön koşulu, yani veri kalitesini, sahadan bir bakış açısıyla ortaya koymaktır.
"Çöp veri girerseniz, yapay zeka size daha hızlı çöp üretir."
Bu cümle bilgisayar biliminde “garbage in, garbage out” prensibinin güncel bir versiyonu. Ama yapay zeka ile birlikte bu prensip daha tehlikeli bir hâl alıyor. Çünkü eskiden yanlış veri yanlış bir raporla sonuçlanırdı; bugün yanlış veri, otomatik kararlara, otomatik sipariş önerilerine, otomatik planlama senaryolarına dönüşüyor. Hata artık daha hızlı yayılıyor, daha hızlı büyüyor ve daha hızlı maliyete dönüşüyor.
1. ERP Projelerinde Veri Kalitesinin Önemi
ERP projelerinin başarısızlık nedenleri üzerine yapılan birçok analiz, teknik altyapı sorunlarından çok organizasyonel ve veri kaynaklı sorunları işaret eder. Bir ERP sistemi, kurum içindeki tüm süreçlerin ortak dilidir. Stok kartı, ürün ağacı (BOM), rota, tedarikçi kartı, fiyat listesi… Bunların hepsi, sistemin “gerçeği” temsil eder.
Sahada gördüğüm tipik tablo şu: ERP devreye alınırken veri aktarımı aceleye getirilir. “Gidiş tarihine kadar bitirelim” baskısıyla, stok kartları kopyala-yapıştır yöntemiyle aktarılır, BOM’lar eksik kontrol edilir, rotalar tahmini sürelerle doldurulur. Proje “gitti” ama veri hiçbir zaman olgunlaşmadı.
Bu noktada önemli bir gerçeği vurgulamak isterim: ERP projesi bittiğinde asıl iş başlar. Veri kalitesi bir kerelik aktarım işi değil, sürekli bir disiplin konusudur.
2. MRP Sonuçlarının Neden Çoğu Zaman Güvenilmediği
Planlama müdürleriyle yaptığım sohbetlerde en sık duyduğum cümle şudur: “MRP’ye bakmıyoruz, kendi tecrübemizle planlıyoruz.” Bu cümle aslında bir itiraftır ve çok şey anlatır.
MRP (Malzeme İhtiyaç Planlaması) matematiksel olarak çok basit bir mantıkla çalışır: talep, stok, açık siparişler, temin süreleri ve ürün ağacı bilgisini alır, ihtiyaç tarihlerini ve miktarlarını hesaplar. Mantık basittir ama girdiler bozuksa çıktı da bozuk olur.
Sahada gözlemlediğim tipik MRP güvensizliği nedenleri:
- Stok kartlarındaki miktarların fiziksel sayımla uyuşmaması
- BOM’da unutulmuş yardımcı malzemeler
- Temin sürelerinin (lead time) gerçek tedarikçi performansını yansıtmaması, yıllar önce girilmiş sabit değerler olması
- Emniyet stoku politikalarının hiç güncellenmemesi
Bir planlama müdürü bana şöyle demişti: “MRP bize her hafta 200 kalem öneri çıkarıyor, biz bunların gerçekte 40’ına bakıyoruz.” Bu durum sistemin hatası değil, veri disiplininin hatasıdır. MRP’ye güvenilmemesinin asıl nedeni, sistemin yanlış değil, beslendiği verinin güvenilmez olmasıdır.
3. Stok Kartları ve Ürün Ağaçlarındaki (BOM) Problemler
Stok kartı ve BOM, üretim sistemlerinin DNA’sıdır. Bu DNA’da bir hata varsa, o hata her üretim emrinde, her satınalma talebinde, her maliyet hesabında tekrar eder.
Sahada en sık karşılaştığım BOM problemleri:
- Mühendislik departmanının güncellediği reçete ile ERP’deki reçetenin farklı olması (mühendislik değişikliği ERP’ye yansımamış)
- Fire ve hurda oranlarının BOM’a hiç eklenmemiş olması
- Alternatif malzemelerin sisteme tanımlanmamış olması, operatörün sahada “ne bulursa onu kullanması”
- Birim ölçü (UoM) hatları: bir malzeme bir yerde kg, başka bir reçetede adet olarak tanımlanmış
Bu hatalar küçük görünür ama sonuçları büyüktür. Yanlış bir BOM, yüzlerce üretim emrinde tekrar eden bir hata kaynağına dönüşür. Bir fabrikada gördüğüm örnek: Bir ambalaj malzemesinin BOM’da miktarı 1 adet yerine 1 paket olarak girilmişti. Yıl boyunca bu malzemeden gereğinden 12 kat fazla sipariş verilmiş, depo bu malzemeyle dolup taşmıştı. Kimse fark etmemişti çünkü “sistem öyle söylüyordu.”
4. Operasyon Sürelerinin Yanlış Girilmesinin Etkileri
Operasyon süreleri (standart zamanlar), kapasite planlamasının temelidir. Ancak çoğu işletmede bu süreler gerçek zaman etüdüyle değil, “tahmini” olarak veya yıllar önce yapılmış bir etütle girilmiştir.
Bunun sonucu nedir? Kapasite planlaması gerçek dünyadan kopar. Bir makine üzerinde “kapasitesi var” görünen bir iş merkezi, sahada sürekli darboğaz oluşturuyor olabilir. Tersi de mümkündür: sistemde dolu görünen bir hat, gerçekte fazla kapasiteye sahip olabilir.
Bir üretim müdürü bana şunu söylemişti: “Sistemde her şey planlandığı gibi gözüküyor ama biz her gün ateş söndürüyoruz.” Bu cümlenin arkasında genellikle gerçekçi olmayan operasyon süreleri yatar. Standart zaman çalışmaları, yalın üretim disiplininin en temel araçlarından biridir ve veri kalitesi tartışmasının tam ortasında yer alır.
5. Kalite Verilerinin Önemi
Kalite verileri, genellikle “arka planda” tutulan, raporlama amaçlı görülen veriler olarak değerlendirilir. Ancak yapay zeka çağında kalite verisi, üretim planlamasının ayrılmaz bir parçası hâline geliyor.
Eğer bir hattın gerçek fire oranı, yeniden işleme (rework) oranı ve hata tipleri doğru kaydedilmiyorsa:
- Kapasite hesapları yanlış olur (fire dikkate alınmaz)
- Tedarikçi performans değerlendirmeleri hatalı olur
- Kök neden analizleri sağlıksız temellere dayanır
- Yapay zeka destekli kalite tahmin modelleri eğitilemez
Kalite verisinin tutarsızlığı genellikle “kişiye bağlı kayıt” alışkanlığından kaynaklanır. Bir vardiyada hata kodu A olarak girilen bir durum, başka bir vardiyada B olarak girilebilir. Bu, veri setini istatistiksel olarak anlamsızlaştırır.
6. MES ve ERP Entegrasyonunda Veri Disiplini
MES (Üretim Yürütme Sistemi) yatırımı yapan işletmelerin beklentisi genellikle “gerçek zamanlı görünürlük” kazanmaktır. Ancak MES, ERP’den gelen veri zaten bozuksa, MES sadece bu bozukluğu daha hızlı ve daha görünür şekilde yansıtır.
Sahada sık gördüğüm senaryo: MES yatırımı yapılır, hat üzerine ekranlar, barkod okuyucular kurulur. Ama ERP’deki rota ile sahadaki gerçek operasyon sırası örtüşmüyordur. Bu durumda MES verisi ile ERP verisi sürekli çatışır, operatörler “hangisine güveneceğini” bilemez.
MES-ERP entegrasyonunun başarılı olması için üç şart vardır:
- Master data’nın (stok kartı, rota, BOM) her iki sistemde senkron olması
- Veri giriş noktalarının sahada net tanımlanmış olması (kim, ne zaman, nasıl girecek)
- Anlık veri ile periyodik veri arasındaki farkın yönetilebilmesi
Bu üç şart sağlanmadan kurulan entegrasyonlar, teknik olarak çalışır ama organizasyonel olarak güvenilmez.
7. Yapay Zeka Projelerinin Başarısızlık Nedenleri
Dünya çapında yapay zeka projelerinin önemli bir kısmının beklenen değeri üretemediğine dair pek çok sektör raporu yayınlanıyor. Bunun en sık gösterilen nedeni teknoloji değil, veri ve organizasyon hazırlığıdır.
Sahadan gözlemlediğim tipik başarısızlık örüntüsü şu şekilde ilerler:
- Yönetim yapay zeka projesine onay verir, bütçe ayrılır.
- Danışman veya yazılım firması “veri toplama” aşamasında işletmenin veri kalitesindeki ciddi boşlukları fark eder.
- Proje, veri temizleme ve düzeltme ile uzar, bütçe aşılır.
- Yönetim sabrını kaybeder, proje “ölçeklendirilemedi” diye rafa kalkar.
- Sonuç olarak “yapay zeka bize uymadı” yorumu yapılır; oysa sorun veri olgunluğuydu.
Bu döngü, yapay zeka teknolojisinin başarısızlığı değil, hazırlık eksikliğinin başarısızlığıdır. Yapay zeka projelerine başlamadan önce bir “veri olgunluk değerlendirmesi” yapmak, projenin kaderini büyük ölçüde belirler.
8. Dijital Dönüşümden Önce Veri Dönüşümü
Dijital dönüşüm kavramı genellikle teknoloji yatırımı olarak anlaşılır: yeni yazılım, yeni sensörler, yeni panolar. Ancak gerçek dönüşüm, verinin organizasyon içinde nasıl üretildiği, doğrulandığı ve kullanıldığı ile ilgilidir.
Burada önerdiğim kavram “veri dönüşümü” (data transformation) olarak dijital dönüşümün önünde, ayrı bir aşama olarak ele alınmalıdır:
- Mevcut veri kaynaklarının envanteri çıkarılmalı
- Veri sahipleri (data owner) tanımlanmalı
- Kritik veri alanları için doğruluk hedefleri belirlenmeli
- Veri temizleme ve doğrulama bir proje olarak planlanmalı, “yan iş” olarak görülmemeli
“Dijital dönüşüm, temiz veri üzerine inşa edilen bir binadır. Temel çürükse, kat sayısı önemli değildir.”
9. Veri Yönetişimi (Data Governance) Kavramı
Veri yönetişimi, akademik bir terim gibi görünse de aslında çok pratik bir konudur: Kim, hangi veriyi, ne zaman, nasıl girecek ve bu veri kim tarafından doğrulanacak?
Türkiye’deki sanayi işletmelerinde veri yönetişimi genellikle resmi bir yapı olarak değil, “bilen kişinin” bilgisi olarak yaşar. O kişi izinli olduğunda, BOM’da bir hata fark edilmez, kimse düzeltmez.
Pratik bir veri yönetişimi yaklaşımı şu unsurları içerir:
- Her kritik veri alanı için bir sorumlu (BOM için ürün mühendisliği, stok kartı için planlama, rota için sanayileşme/üretim mühendisliği gibi)
- Periyodik veri doğrulama döngüleri (örneğin üç ayda bir BOM gözden geçirme)
- Veri giriş standartları ve kontrol noktaları (zorunlu alanlar, mantık kontrolleri)
- Hata bulunduğunda kök nedeni ortadan kaldıracak bir düzeltme mekanizması, sadece “tek seferlik yama” değil
Veri yönetişimi kurulmadan yapılan yapay zeka yatırımı, sağlam temeli olmayan bir binaya çok katlı asansör kurmaya benzer.
10. Gelecekte Veri Kalitesi Rekabet Avantajı Olacak
Bugüne kadar rekabet avantajı genellikle maliyet, teslimat hızı, kalite ve teknoloji ile tanımlandı. Yapay zeka çağında bu listeye yeni ve belki de en kritik unsur ekleniyor: veri güvenilirliği.
İki işletme aynı yapay zeka aracını, aynı algoritmayı kullanabilir. Ama biri yıllardır disiplinli veri giren, BOM’larını güncel tutan, kalite kayıtlarını tutarlı yapan bir kültüre sahipse; diğeri değilse, aynı teknolojiden çok farklı sonuçlar çıkar. Algoritma standarttır, veri değildir.
“Yapay zeka çağında rekabet avantajı sadece daha iyi algoritmalardan değil, daha güvenilir verilerden doğacak.”
Bu nedenle veri kalitesi yatırımı, artık bir IT konusu değil, bir stratejik rekabet konusu olarak ele alınmalıdır.
Neticede; Korkulacak Bir Şey Yok, Yapılacak Bir İş Var
Bu yazı bir uyarı niteliğinde olsa da amacı korku oluşturmak değil. Sahada gördüğüm gerçek şu: Türkiye’deki sanayi işletmelerinin büyük bölümü, veri kalitesi konusunda düşündüklerinden daha iyi bir noktada. Sorun çoğunlukla “bilmemek” değil, “öncelik vermemek.”
Yapay zeka projelerine atılmadan önce atılacak ilk adım büyük bir teknoloji yatırımı değil. İlk adım, mevcut verinin dürüst bir şekilde değerlendirilmesi: Stok kartlarımız ne kadar güvenilir? BOM’larımız güncel mi? Operasyon sürelerimiz gerçek mi? Kalite kayıtlarımız tutarlı mı?
Bu sorulara dürüst cevaplar verebilen işletmeler, yapay zeka yatırımlarından gerçek değer elde edecek işletmeler olacak. Diğerleri ise daha hızlı, daha pahalı ve daha görünür şekilde aynı hataları üretmeye devam edecek.
“Yapay zeka veriyi üretmez; veriyi yorumlar. Güvenmediğiniz veriye, yapay zeka da güvenemez.”
İşletmenizin yapay zeka ve dijital dönüşüm yolculuğuna hazır olup olmadığını anlamanın en sağlıklı yolu, önce verinizin gerçek durumunu dürüstçe görmektir.
Eğer stok kartlarınızın, BOM’larınızın, operasyon sürelerinizin ve kalite kayıtlarınızın ne kadar güvenilir olduğunu merak ediyorsanız, bu konuyu birlikte değerlendirebiliriz. Bazen bir saatlik bir sohbet, nereden başlamanız gerektiğini görmeniz için yeterli olur.