Öğrenci Akademik Makale

YAPAY ZEKAYA DAYALI İŞLETME MODELLERİ

YAPAY ZEKAYA DAYALI İŞLETME MODELLERİ
Ahmet Fevzi Kibar
Arş. Gör. Ahmet Fevzi Kibar

Bu araştırmanın temel amacı işletmelerde yapay zekayı geniş bir perspektifte incelemektir. Ayrıca, bu teknolojinin faydalarını ve işletmelerin dijital dönüşüm girişimleri üzerindeki rolünü tartışmaktır.

(BUSINESS MODELS BASED on ARTIFICIAL INTELLIGENCE)

YAZAR: Hatice KULA

ÖZ

Bu araştırmanın temel amacı işletmelerde yapay zekayı geniş bir perspektifte incelemektir. Ayrıca, bu teknolojinin faydalarını ve işletmelerin dijital dönüşüm girişimleri üzerindeki rolünü tartışmaktır. Çalışmada, öncelikle yapay zekanın ortaya çıkışı ve gelişimi açıklanmıştır. Daha sonra işletmelerin kullanmış olduğu uygulamaları ve faydaları literatüre dayalı olarak ve sektördeki gelişmelere bağlı olarak örnek olaylar üzerinden analiz edilmiştir. Müşteri analitiği, müşteri deneyimi, müşteri memnuniyetinin yanında; daha bilinçli iş kararları verme, maliyetleri düşürme, gelirlerde artış, verimlilik artışı, süreçleri ve işleri otomatikleştirme yapay zekanın faydaları arasında tespit edilmiştir.

Anahtar Kelimeler: İşletme, Dijital Dönüşüm, Yapay Zekâ (AI), CRM.

ABSTRACT

The main purpose of this research is to examine artificial intelligence in businesses from a broad perspective. It is also to discuss the benefits of this technology and its role in businesses’ digital transformation initiatives. In the study, firstly the emergence and development of artificial intelligence is explained. Then, the applications and benefits used by the enterprises were analyzed based on the literature and through case studies depending on the developments in the sector. Besides customer analytics, customer experience, customer satisfaction; Making more informed business decisions, reducing costs, increasing revenues, increasing productivity, automating processes and tasks are among the benefits of artificial intelligence.

Keywords: Business, Digital Transformation, Artificial Intelligence (AI), CRM.

Giriş

Son yıllarda hızla gelişen teknoloji ve buna bağlı oluşan gizli rekabet herkesi “gelişmeye” yönlendirmiştir. Eğitimden iş dünyasına her alanda en yeni teknolojileri kullanmak lüks olmaktan çıkıp normalleşmeye başlayınca özellikle işletmeler bu duruma <<yapay zekalı>> çözümler üretmeye başlamıştır. Sıradan gözüken Instagram e-ticaret sayfaları bile müşterilerine chatbotlarla yanıt vermeye başlamıştır.  Bununla birlikte yapay zekâ sistemleri mağazaların gerçek zamanlı stok optimizasyonuna ve raf düzenleme tekniklerini geliştirmesine yardımcı olmaktadır. Bu teknolojik yeniliğin katkılarıyla, lojistik ve dağıtım işlemlerinde köklü değişimler sağlamanın yanı sıra şirketlerin müşterilerinin profilini belirlemesinde ve bölümlendirmesinde devrim niteliğinde katkılar sağlamaktadır. Önümüzdeki yıllar içinde, sektörün erken benimseyenleri, geride kalanlar karşısında büyük avantajlar yakalayacaktır.

Yapay zekanın dünyamızı çoğu insanın bugün düşündüğünden daha fazla değiştireceği öngörülmektedir. Yapay zekâ, makinelere görme, duyma, tat alma, koku alma, dokunma, konuşma, yürüme, uçma ve öğrenme gücü sağlamaktadır. Bu da, işletmelerin müşterileriyle etkileşime girmek için tamamen yeni yollar geliştirebilecekleri, onlara daha akıllı ürünler ve hizmet deneyimleri sunabilecekleri, süreçleri otomatikleştirecekleri ve işletme performansını arttırabilecekleri anlamına gelmektedir.

I. YAPAY ZEKA KAVRAMI VE TARİHSEL GELİŞİMİ

A. Yapay Zeka Kavramı

İdealize edilmiş bir yaklaşıma göre yapay zekâ, insan zekâsına özgü olan, algılama, öğrenme, çoğul kavramları bağlama, düşünme, fikir yürütme, sorun çözme, iletişim kurma, çıkarımsama yapma ve karar verme  gibi yüksek bilişsel fonksiyonları veya otonom davranışları sergilemesi beklenen yapay bir işletim sistemidir. Bu sistem aynı zamanda düşüncelerinden tepkiler üretebilmeli (eyleyici yapay zekâ) ve bu tepkileri fiziksel olarak dışa vurabilmelidir[1].

B. Tarihçe

“Yapay zekâ” kavramının geçmişi modern bilgisayar bilimi kadar eskidir. Fikir babası, “Makineler düşünebilir mi?” sorunsalını ortaya atarak makine zekâsını tartışmaya açan Alan Mathison Turing’dir. 1943’te II. Dünya Savaşı sırasında Kripto analizi gereksinimleri ile üretilen elektromekanik cihazlar sayesinde bilgisayar bilimi ve yapay zekâ kavramları doğmuştur.

Alan Turing, Nazilerin Enigma makinesinin şifre algoritmasını çözmeye çalışan matematikçilerin en ünlü olanlarından biriydi. İngiltere, Bletchley Park’ta şifre çözme amacı ile başlatılan çalışmalar, Turing’in prensiplerini oluşturduğu bilgisayar prototipleri olan Heath Robinson, Bombe Bilgisayarı ve Colossus Bilgisayarları, Boole cebirine dayanan veri işleme mantığı ile Makine Zekâsı kavramının oluşmasına sebep olmuştu.

Modern bilgisayarın atası olan bu makineler ve programlama mantıkları aslında insan zekâsından ilham almışlardı. Ancak sonraları, modern bilgisayarlarımız daha çok uzman sistemler diyebileceğimiz programlar ile gündelik hayatımızın sorunlarını çözmeye yönelik kullanım alanlarında daha çok yaygınlaştılar. 1970’li yıllarda büyük bilgisayar üreticileri olan Microsoft, Apple, Xerox, IBM gibi şirketler kişisel bilgisayar (PC Personal Computer) modeli ile bilgisayarı popüler hale getirdiler ve yaygınlaştırdılar. Yapay zekâ çalışmaları ise daha dar bir araştırma çevresi tarafından geliştirilmeye devam etmiştir.

Bugün, bu çalışmaları teşvik etmek amacı ile Turing’in adıyla anılan Turing Testi ABD’de Loebner ödülleri adı altında makine zekâsına sahip yazılımların üzerinde uygulanarak başarılı olan yazılımlara ödüller dağıtılmaktadır[2].

Turing Testinin içeriği kısaca şöyledir: birbirini tanımayan birkaç insandan oluşan bir denek grubu birbirleri ile ve bir yapay zekâ diyalog sistemi ile geçerli bir süre sohbet etmektedirler. Birbirlerini yüz yüze görmeden yazışma yolu ile yapılan bu sohbet sonunda deneklere sorulan sorular ile hangi deneğin insan hangisinin makine zekâsı olduğunu saptamaları istenir. İlginçtir ki, şimdiye kadar yapılan testlerin bir kısmında makine zekâsı insan zannedilirken gerçek insanlar makine zannedilmiştir.

Loebner Ödülü kazanan yapay zekâ diyalog sistemlerinin yeryüzündeki en bilinen örneklerinden biri A.L.I.C.E’dir[3]. Carnegie üniversitesinden Dr. Richard Wallace tarafından yazılmıştır. Bu ve benzeri yazılımlarının eleştiri toplamalarının nedeni, testin ölçümlendiği kriterlerin konuşmaya dayalı olmasından dolayı programların ağırlıklı olarak diyalog sistemi (chatbot) olmalarıdır.

Türkiye’de de makine zekâsı çalışmaları yapılmaktadır. Bu çalışmalar doğal dil işleme, uzman sistemler ve yapay sinir ağları alanlarında Üniversiteler bünyesinde ve bağımsız olarak sürdürülmektedir. Bunlardan biri, D.U.Y.G.U. – Dil Uzam Yapay Gerçek Uslamlayıcı’dır.

C. Günümüzde Yapay Zeka

2016 yılı, yapay zeka teknolojileri ve makine öğrenimi alanındaki ilerlemeler için mükemmel bir yıl olmuştur. Yapay zeka piyasası da gün geçtikçe gelişmektedir. Tüm komplo teorilerine ve medya karalamalarına rağmen, çok sayıda şirket bu teknolojiyi geliştirmek için yarışmaktadır.

Son yıllarda şirketlerin yapay zeka teknolojileri üzerine yatırımları artıyor. Narrative Science tarafından yapılan bir araştırma, geçen yıl yalnızca işletmelerin %38’inin yapay zekayı kabul ettiğini tespit etti. Bu yatırımların 2018 yılına kadar %62’ye yükseleceği tahmin ediliyor. Forrester Research’in yaptığı bir başka araştırma ise, 2017’de yapay zekaya yapılan yatırımın geçen yıla göre %300 arttığını öngörüyor. Yapay zeka piyasasının 2020 yılında, 8 milyar dolardan 47 milyar dolara yükseleceği tahmin ediliyor. Forrester Research, işletmelerin benimsemeyi düşünmesi gereken 10 teknolojinin detaylı bir analizine sahip olan yapay zeka hakkındaki bir TechRadar raporu şu şekildedir[4]:

1. Doğal Dil Üretimi (NLP)

Doğal dil, bilgisayar verilerinden metin üretir. Bu teknoloji, şu anda müşteri hizmetleri, rapor oluşturma ve iş zekası analizlerini özetlemek için kullanılmaktadır. Bu teknoloji şu anda Attivio, Automated Insights, Cambridge Semantics, Digital Reasoning, Lucidworks, Narrative Science, SAS ve Yseop gibi yazılımlar tarafından sağlanmaktadır.

2. Konuşma Tanıma

Konuşma tanıma, yapay zekanın insan konuşmasını bilgisayar uygulamaları için anlaşılabilir formatlara dönüştürmesini sağlar. En çok etkileşimli sesli yanıt sistemleri, Siri, Cortana ve Alexa gibi mobil uygulamalarda kullanılır. Örnek tedarikçiler arasında NICE, Nuance Communications, OpenText ve Verint Systems bulunmaktadır.

3. Sanal Ajanlar

Forrester sanal ajanları, “medyanın şimdiki sevgilisi” olarak tanımlıyor. Bu teknoloji, insanlarla neredeyse doğal olarak konuşabilen basit bir chat botunu kapsar. Şu anda müşteri hizmetleri ve akıllı ev cihazlarında kullanılmaktadırlar. Bu teknoloji şu anda Amazon, Apple, Artifical Solutions, Assist AI, Creative Virtual, Google, IBM, IPsoft, Microsoft ve Satisfi gibi şirketler tarafından geliştirilmektedir.

4. Makine Öğrenme Platformları

Makine öğrenme platformu algoritmaları, API’ler(Uygulama Programlama Arayüzü) için geliştirme, eğitim ve veriler sağlar. Ayrıca modeller, uygulamalar, süreçler ve diğer makineleri tasarlamak, eğitmek ve dağıtmak için bilgi işlem gücünü sağlarlar. MLP’ler(Çok Katmanlı Algılayıcı) şu anda öncelikli olarak tahmin veya sınıflandırma ile ilgili geniş iş uygulamaları dizilerinde kullanılmaktadır. Bu teknoloji halen geliştirme aşamasındadır ve Amazon, Fractal Analytics, Google, H2O.ai, Microsoft, SAS, Skytree gibi şirketler tarafından geliştirilmektedir.

5. Yapay Zeka Optimize Donanım

Yapay zeka optimize edilmiş donanım, yapay zeka yönelimli hesaplama görevlerini verimli bir şekilde yürütmek üzere tasarlanmış grafik işleme birimleri ve aletleri tipidir. Öncelikle derin öğrenme uygulamaları için kullanılırlar. Bu teknoloji Alluviate, Cray, Google, IBM, Intel ve Nvidia gibi firmalar tarafından geliştirilmektedir.

6. Karar Yönetimi

Karar yönetimi motorları, yapay zeka sistemlerine kurallar ve mantıklar ekler. Temel kurulum ve eğitim ile bu tür sistemlerin devam eden bakım ve ayarlamaları için kullanılırlar. Bu, yapay zekanın olgun bir uygulaması olup, çeşitli iş uygulamalarında yaygın olarak kullanılmaktadır. Otomatik karar verme süreçlerine yardımcı olur veya gerçekleştirirler. Örnek tedarikçiler arasında Advanced Systems Concepts, Informatica, Maana, Pegasystems ve UiPath gibi firmalar bulunur.

7. Derin Öğrenme

Derin öğrenme platformları yapay sinir ağları ve çoklu soyutlama katmanlarından oluşan özel bir makine öğrenimi türüdür. Şu anda çoğunlukla çok büyük veri setleri içeren kalıp tanıma ve sınıflandırma için kullanılırlar. Örnek satıcılar Deep Instinct, Ersatz Labs, Fluid AI, MathWorks, Peltarion, Saffron Technology and Sentient Technologies’dir. 

8. Biyometri

Biyometri, insanlar ve makineler arasındaki doğal etkileşimleri mümkün kılmaktadır. Bunlara görüntü, temas algılama, konuşma ve beden dili tanıma gibi hisler dahildir ancak bunlarla sınırlı değildir. Günümüzde işletmeler tarafından pazar araştırması yapmak için kullanılmaktadırlar. Şu anda 3VR, Affectiva, Agnitio, FaceFirst, Sensory, Synqera ve Tahzoo gibi şirketler tarafından geliştirilmiş ve tedarik edilmiş teknolojiler mevcuttur.

9. Robotik Süreç Otomasyonu

Robotik süreç otomasyonu, iş süreci verimliliğini artırmak için insan eylemini otomatikleştirmek için komut dosyaları ve diğer yöntemleri kullanır. Halen, insanlar için benzer bir görevi yerine getirmesi çok pahalı veya gerçekten de verimsiz olduğu yerlerde çalışıyorlar. Örnek tedarikçiler arasında, Advanced Systems Concepts, Automation Anywhere, Blue Prism, UiPath, WorkFusion bulunmaktadır.

10. Metin Analizi ve NLP

NLP veya doğal dil işleme, cümle yapısını ve anlamını anlayarak metin çözümlemeyi destekler ve kullanır. Aynı zamanda istatistiksel ve makine öğrenme yöntemleri aracılığıyla duyguyu ve niyeti anlayabiliyor. Şu anda dolandırıcılık tespiti ve güvenliği, geniş bir yelpazedeki otomatik asistanlar ve yapılandırılmamış verilerle ilgili madencilik uygulamaları için kullanılmaktadırlar. Örnek tedarikçiler arasında Basis Technology, Coveo, Expert System, Indico, Knime, Lexalytics, Linguamatics, Mindbreeze, Sinequa, Stratifyd, Synapsify gibi firmalar bulunmaktadır.

II. İŞ MODELLERİ

A. CRM KAVRAMI

CRM (Customer Relationship Management) ya da “Müşteri İlişkileri Yönetimi”, firmaların var olan veya potansiyel müşterileri ile kurdukları ilişkiyi en verimli, en etkin ve sonuçta en karlı hale getirmek için kullandıkları yöntemler bütünüdür.

CRM (Customer Relationship Management) müşteriyi dinleyerek satış için yeni stratejiler geliştirmek anlamına gelir. CRM yazılımları bu amaç için geliştirilen tüm yazılımlardır. Yani CRM yazılımları, var olan müşteriyi korumanın yanı sıra potansiyel müşteriye de ulaşarak yeni müşteriler kazanmak ve tüm bu müşteri kitlesini elde tutarak sonuçta markaya ve ürüne bağımlı sadık müşteriler elde etmek amacıyla yapılan tüm çalışmalara verilen genel isimdir. CRM yazılımları ile müşteri kendini özel olarak hisseder, dolayısıyla firma veya ürün için bağımlılık oluşmaktadır.

Müşteri analitiğinin sihirli kavramı: Müşteri Segmentasyonu

Müşteri segmentasyonu, yeni pazarlama dünyasını takip eden, kitlesel pazarlamadan müşteri ilişkileri yönetimine geçmek isteyen, analitik, makine öğrenmesi, yapay zeka gibi günümüzün popüler kavramlarına ilgi göstermeye başlayan genç veya yaşlı, küçük veya büyük her firmanın ilk rüyası. Üzerinde konuşulmaya başlandığında yüzleri gülümseten, nabızları yükselten, hayaller kurduran, keşke benim de olsa dedirten sihirli bir kavramdır. Bazılarının gözlerinde fazla büyütüp başlamaya cesaret edemediği, bazılarının yine gözlerinde fazla büyütüp beklentilerinin karşılığını alamadığı, sadece birkaçının doğru ve gerçekçi bir yaklaşımla hayatının vazgeçilmez bir parçası haline getirebildiği tüm analitik CRM çalışmalarının ilk adımı, temelidir.

Segmentasyonun Yapı Taşı: Müşteri Verisi

Segmentasyonun özünde tabii ki müşteri verisi vardır. Bir segmentasyon projesine başlayabilmek için firmaların, müşteriye dokunduğu tüm kanallardan kaliteli veri toplaması, bu verileri saklaması, birleştirmesi, tekilleştirmesi ve analiz etmeye hazır hale getirmesi gerekiyor. Bu önemli aşama tamamlanmadan analizlere başlamak mümkün olmuyor.

Segmentasyon Tipleri

Segmentasyonu eldeki verinin zenginliğine, faaliyet gösterilen sektöre ve iş ihtiyaçlarına göre farklı boyutlarıyla yapmak mümkündür.

Değer ve Davranış Segmentasyonu: Müşterilerin alışveriş davranışlarına, harcama tutarlarına, sadakatlerine, bayi tercihlerine, işlem zamanlarına göre segmentlere ayrılması. Özellikle, yüksek/düşük değer yaratan müşteri gruplarını birbirinden ayırmasını sağladığı için en çok ilgili gören ve kullanılan segmentasyon tipi.

Sosyo-Demografik Segmentasyon: Müşterilerin yaşa, cinsiyete, yaşam evresine, eğitime, mesleğe ve gelir durumuna göre homojen gruplara ayrılması.

Coğrafi Segmentasyon: Müşterilerin yaşadıkları lokasyonlara, bu lokasyonların nüfus, sosyo -ekonomik statü gibi demografik özelliklerine göre kümelenmesi.

Yaşam Tarzı Segmentasyonu: Müşterilerin yaşam tarzlarına ve ilgi alanlarına göre gruplandığı, kampanya ve iletişim kurgularının kişiselleştirilmesinde büyük fayda sağlayan segmentasyon tipidir.

İhtiyaç Bazlı Segmentasyon: Müşterilerin davranışlarına değil ihtiyaçlarına odaklanan, Yaşam Tarzı segmentasyonundan beslenen, genelde anket verileriyle zenginleştirilen ve firmaların müşterilere yönelik ürün ve hizmet süreçlerinin tasarlanmasında önem taşıyan segmentasyon tipidir.

Mikro Segmentasyon Vs. Makro Segmentasyon

Segmentasyon projeleri planlanırken gündeme gelen konulardan biri proje sonrasında ortaya çıkacak segment sayısıdır. Makro segmentasyon yaklaşımında az ve yönetilebilir sayıda segment oluşturmak esasken mikro segmentasyon, müşterileri ufak ama çok sayıda segmente bölüp homojenliği maksimize etmeyi hedeflemektedir. İngiliz perakende devi Tesco’nun müşterilerini 5000 segmente ayırması mikro segmentasyonun en bilinen örneklerinden biridir.

Bu iki yaklaşımın birbirinin muadili olduğunu söylemek ise doğru olmaz. İkisinin de farklı hedefleri ve faydaları olduğunu ve birbirini tamamladığını anlamak gerekiyor. Makro segmentasyon ve ortaya çıkan makro segmentler (VIP’ler, Yeni Müşteriler, Pasifler vb.) firmaya CRM strateji ve hedeflerini oluşturmakta destek olup segment yapısını merkezine alan organizasyonel değişiklikler yapma fırsatı vermektedir. Mikro segmentler ise alınan aksiyonların kişiselleştirme seviyesinin artmasına yardımcı olmaktadır.

Segmentasyon Projelerine Doğru Çerçeveyi Çizmek

Firmaların çoğu, segmentasyon projelerine başlarken, hem müşteri analitiğine aç olmaları hem de tüm bu segment tiplerinin kulağa güzel müzikler çalması nedeniyle, projenin olabilecek en geniş segment listesiyle tamamlanmasını istiyor. Bu ilk bakışta makul bir istek gibi dursa da, bir segmentasyon projesinin başarı potansiyelini öngörülen segment adetleri değil, firmaların proje çıktılarını mevcut iş yapış biçimlerine dahil etme ve bu yönde aksiyon almadaki istek, motivasyon ve cesaret seviyeleri belirliyor. Bu açıdan bakıldığında daha projenin sınırlarının çizilmesi aşamasında orta ve uzun vadeli değişim planlarının yapılması ve gidilebilecek yolların öngörülmesi gerekiyor. Bu vizyonun eksik kaldığı projelerin başarıya ulaşma şansının olmadığını söylemek mümkün.

Bu bakış açısıyla segmentasyonu bir süreç olarak görmekte ve her şeyin bir anda olmayacağını baştan kabullenmekte yarar var. Bu dünyaya yeni adım atan firmaların öncelikle değer ve davranış bazlı segmentasyonlarını tamamlayıp, bunun sonuçlarını kullanmayı ve iş süreçlerinin bir parçası haline getirmeyi öğrenmesi şarttır. Bunu başardıktan sonra segmentasyonu daha da derinleştirerek diğer segmentasyon tiplerini devreye almak, firmaları daha sağlıklı ve sürdürülebilir bir segmentasyon dünyasına taşıyacak önemli bir anahtardır.

Sonuç olarak, segmentasyon sadece havalı bir analitik model değil, aynı zamanda pazarlamada bir zihin ve bakış açısı devrimidir.  Müşteri yaklaşımını uçtan uca değiştiren, uzun vadede kurumun tüm süreçlerini ve organizasyonunu etkileme ve dönüştürme potansiyeli olan çok güçlü bir araçtır.

Ancak, bu kadar büyük güç atfettiğimiz segmentasyonun dışarıdan gelip dünyamızı bir anda aydınlatacak ve bize kısa vadede yüklü paralar kazandıracak sihirli bir değnek olmadığını da aklımızın bir kenarında tutmamızda yarar var.

Segmentasyonun gücünü gösterebilmesi için en az onun kadar güçlü bir vizyon ve iş bilgisiyle onu ele almak, sabır ve itinayla onu yaşatmak ve büyütmek gerekiyor.  Hem bugün hem gelecekte fark yaratacak kurumların da bunu başaracak kurumlar olduğunu öngörmek hiç de zor değildir.

III. AKILLI İŞLETMELER

A. KALİTE YÖNETİM PRENSİPLERİ

a)  PROSES YAKLAŞIMI

Faaliyetler, tutarlı bir sistem olarak işlev gören birbiriyle ilişkili süreçler olarak anlaşıldığı ve yönetildiğinde, daha etkin ve verimli bir şekilde tutarlı ve öngörülebilir sonuçlar elde edilir. Kalite yönetim sistemi birbiriyle ilişkili süreçlerden oluşur. Sonuçların bu sistem tarafından nasıl üretildiğini anlamak, bir kuruluşun sistemi ve performansını optimize etmesini sağlar. 

Temel faydalar

  • Temel süreçler ve iyileştirme fırsatları üzerinde çaba gösterme becerisinin gelişmesi
  • Düzenlenmiş süreçler sistemi ile tutarlı ve öngörülebilir sonuçlar elde edilir
  • Etkili süreç yönetimi, kaynakların etkin kullanılması ve çapraz fonksiyonel engellerin azaltılması yoluyla performansın optimize edilmesi
  • Kuruluşun, tutarlılığı, etkinliği ve verimliliği açısından ilgili taraflara güven temin etmesini sağlama

Uygulanabilecek faaliyetler

  • Sistemin amaçlarını ve bunlara ulaşmak için gerekli olan süreçleri tanımlar.
  • Süreçleri yönetmek için yetki, sorumluluk ve hesap verebilirliği sağlar.
  • Kuruluşun yeteneklerini anlayın ve faaliyete geçmeden önce kaynak kısıtlarını belirler.
  • Süreç bağımlılıklarını belirleyin ve değişikliklerin sistemdeki bütün süreçlere etkisini bir bütün olarak analiz eder.
  • Kuruluşların kalite hedeflerini etkili ve verimli bir şekilde elde etmek için süreçleri ve bunların birbiriyle olan ilişkilerini bir sistem olarak yönetir.
  • Süreçleri çalıştırmak ve iyileştirmek, tüm sistemin performansını izlemek, analiz etmek ve değerlendirmek için gerekli bilgilerin mevcut olduğundan emin olursunuz.
  • Süreçlerin çıktılarını ve kalite yönetim sisteminin genel sonuçlarını etkileyebilecek riskleri yönetirsiniz.

b. MÜŞTERİ ODAKLILIK

Kalite yönetiminin ana odak noktası, müşteri gereksinimlerini karşılamak ve müşteri beklentilerini aşmaktır. Bir kuruluş, müşterilerin ve diğer ilgili tarafların güvenini kazandığında ve bunu koruduğunda, sürekli başarı sağlar. Müşteri etkileşiminin her yönü, müşteri için daha fazla değer yaratmak için bir fırsat verir. Müşterilerin ve diğer ilgili tarafların mevcut ve gelecekteki ihtiyaçlarının anlaşılması, kuruluşun başarısının devamı için çok önemlidir.

Temel faydalar

  • Müşteri değerinde artış
  • Müşteri memnuniyetinde artış
  • Müşteri sadakatinin artması
  • Devamlılığı olan iş sayısının artması
  • Kuruluşun itibarının gelişmesi
  • Müşteri ağının genişlemesi
  • Gelir ve pazar payının artması

Uygulanabilecek faaliyetler

  • Doğrudan ve dolaylı müşterileri kuruluştan değer alanlar olarak tanır
  • Müşterilerin mevcut ve gelecekteki ihtiyaç ve beklentilerini anlar
  • Kuruluşun hedeflerini müşteri ihtiyaç ve beklentilerine bağlar
  • Müşteri ihtiyaçlarını ve beklentilerini kuruluş genelinde iletir
  • Müşteri ihtiyaç ve beklentilerini karşılamak için ürün ve hizmetinizi planlayın, tasarlayın, geliştirin, üretin, sunun ve destekler
  • Müşteri memnuniyetini ölçün, izleyin ve uygun önlemleri alır
  • İlgili tarafların, müşteri memnuniyetini etkileyebilecek ihtiyaç ve beklentileri belirleyip bunlarla ilgili işlemler yapar
  • Sürekli başarı elde etmek için müşterilerle olan ilişkileri aktif bir şekilde yönetir.

B. YAPAY ZEKALI İŞLETME MODELİ

a. Çiçekçi Örneği

Bir çiçekçi dükkanınız olduğunu ve dükkanınızın da bir web sitesi olduğunu varsayalım. Bir müşteri sitenizde “kırmızı çiçekler” için arama yaparsa web sitenize buna nasıl yanıt vereceğini öğretirsiniz. Siteyi müşteriye gülleri, laleleri ve karanfilleri gösterecek şekilde eğitebilirsiniz.  

Peki ya yılbaşı yaklaşıyorsa? Siteye, Kasım ve Aralık aylarında müşterilerinize Atatürk çiçeği ve kırmızı renkli yılbaşı çiçeklerini göstermesini de söyleyebilirsiniz. Ayrıca müşteriye özel yılbaşı süsleri yaptığınızı göstermesini de öğretebilirsiniz.  

Makine, uygun bilgilerle onu programlayana kadar hiçbir şey bilmez. Bu tam olarak düşünmek değildir, sadece “öyleyse” ya da “öyle değilse” ifadelerine yanıt vermektedir. 

Yapay zeka nasıl düşünür?

Yapay zeka programları şöyle “düşünür”: 

Müşteri kırmızı çiçek isterse ona gül, lale ve karanfil göster. Aralık veya Kasım ayı mı? Öyleyse, müşteriye yılbaşı seçeneklerini göster. Öyle değilse, müşteriye başka çiçek gösterme. 

Daha karmaşık bir yapay zekada çok sayıda “öyleyse” ve “öyle değilse” hesaplaması vardır. Bir GPS cihazından size bir konuma giden en hızlı rotayı göstermesini isterseniz cihaz pek çok veri kaynağına hızlıca bakar. Atatürk Caddesi’nden giderseniz trafiğe takılacak mısınız, yolda sorun var mı ya da yağış olacak mı? 

GPS, devletin ulaştırma veritabanları ve bilinen hava durumu kaynakları gibi diğer yapay zekalara danışır. Bu siteler de topladıkları “öyleyse” ve “öyle değilse” bilgilerine göre yanıt verir. 

Bu yapay zekaların Atatürk Caddesi’nde trafiğin hangi hızla aktığını gösteren kameraları vardır. Böylece GPS cihazınıza trafiğin akış hızını söyleyebilirler. GPS cihazınız, Atatürk Caddesi’ndeki trafikle diğer caddelerdeki trafiği karşılaştırabilir. 

Sonuçlar ne kadar karmaşık görünürse görünsün nihayetinde “öyleyse” şunu yap, “öyle değilse” bunu yap düzeninin bir sonucudur. 

Bunu anımsadığınız sürece konu o kadar da göz korkutucu değildir.

Sonuç

Bütün sektörlerde dijital dönüşümün hızla arttığı bir dönemde yapay zeka uygulamaları yenilikçi işletmelerin gündeminde en üst derecede yerini korumaktadır. Büyük – küçük işletmeler de bu olgudan muaf değildir. Yapay zekanın benimsenmesi pek çok işletmede gelecek için büyük bir heyecan yaratmış durumdadır. İşletmelerin artan maliyetleri, azalan kar marjları ve artarak yoğunlaşan rekabet ortamında karar vericileri yenilikçi çözümler keşfetmeye zorladığı bilinen bir gerçektir. Bu bağlamda işletmeler için yapay zeka uygulamaları, iyileştirilmiş müşteri bağlılığı, müşteri deneyimi, müşteri memnuniyetinin yanında; daha bilinçli iş kararları verme, maliyetleri düşürme, gelirlerde artış, verimlilik artışı, süreçleri ve işleri otomatikleştirmede büyük bir fırsat olarak görülebilir.

Yapay zeka teknolojisi, işletmelerin dijital dönüşümünü sağlayan mobil teknoloji ve aplikasyonları, Nesnelerin İnterneti (IoT), sanal gerçeklik (VR), artırılmış gerçeklik (AR), otonom robotlar, blokzincir, akıllı sensörler, bulut bilişim, siber fiziksel sistemler, biyometrik ve siber güvenlik teknolojilerinin bütüncül olarak çözümler sunması bağlamında oldukça önemli bir role sahip olduğu söylenebilir.

Sonucu özetlemek gerekirse yapay zeka teknolojisinin işletmeler üzerindeki muhtemel etkileri ve faydaları şöyle olması beklenmektedir:

 • Daha yüksek düzeyde deneyimsel pazarlama ve tüketici deneyimi

• Artırılmış müşteri memnuniyeti ve bağlılığı

• Medya optimizasyonu

 • Stok optimizasyonu

• Daha güçlü tedarik, lojistik, perakendecilik ve tüketici ilişkisi

• Daha bilinçli iş kararları verme

• Daha yüksek düzeyde satış

• Azalan işlem maliyetleri

• Yeni tüketiciler için daha esnek, çevik (agile) ve 7/24 kesintisiz hizmet sağlayacak bir dijital iş platformudur.

Kaynakça:

Aghei, S., Nemtbakhsh, M.A. & Farsani, H.K. (2012). Evolution of The World Wide Web: From Web 1.0 to Web 4.0, International Journal of Web & Semantic Technology, 3(1), 1-10.

Barnes, S.J. & Vidgen, R.T. (2002). An Integrative Approach to the Assessment of E-Commerce Quality, Journal of Electronic Commerce Research, 3(3), 114-127.

Berthon, R.P., Pitt, L.F., Plangger, K. & Shapiro, D. (2012). Marketing meets Web 2.0, social media, and creative consumers: Implications for international marketing strategy, Kelley School of Business, Indiana University, 55, 261-271.

Bildirici, İ.Ö. & Böge, S. (2010). Google Map API Teknolojisi ile Web Harita Uygulamaları, Akademik Bilişim ’10-XII. Akademik Bilişim Konferansı, 10-12 Şubat, Muğla Üniversitesi, 141-148.

Cho, A. & Giustini, D. (2008). Web 3.0 and Health Librarians: an Introduction, JCHLA/JABSC, 29, 13-18.

Constantinides, E. & Fountain, S.J. (2008). Web 2.0 Conceptual Foundations and Marketing Issues, Journal of Direct, Data and Digital Marketing Practics, 231-244.

Cooper, M. (2007). Accessibility of emerging Rich Web Technologies: Web 2.0 and Semantic Web, 16th International World Wide Web Conference, 1-6.

Cronin, J.J. (2009). Upgrading to Web 2.0: An Experiential Project to Build a Marketing Wiki, Journal of Marketing Education, 31 (April), 66–75.

Çiçek, H., Demirel, M. & Onat, O.K. (2010). İşletmelerin Web Sitelerinin Değerlendirilmesine İlişkin Bir Araştırma:Burdur İli Örneği, Süleyman Demirel Üniversitesi İİBF Dergisi, 15(2), 187-206.

Davidavičienė, V., & Tolvaišas, J. (2011). Measuring quality of e-commerce web sites: Case of lithuania, Economics and management, 16, 723-729.

Erragcha, N. & Romdhane, R. (2014). New Faces of Marketing In The Era of The Web: From Marketing 1.0 to Marketing 3.0, Journal of Research in Marketing, 2 (2), 137-142.

Floridi, L. (2009). Web 2.0 vs. the Semantic Web: A philosophical assessment, Episteme, 6(01), 25-37.

Fuchs, C., Hofkirchner, W., Schafranek, M., Raffl, C., Sandoval, M. & Bichler, R. (2010). Theoretical Foundations of the Web: cognition, Communication, and Co- Operation. Towards an Understanding of Web 1.0,2.0,3.0, Future Internet, 2, 41-59.

Genç, H. (2010). İnternetteki Etkileşim Merkezi Sosyal Ağlar ve E-İş 2.0 Uygulamaları, Akademik Bilişim ’10-XII. Akademik Bilişim Konferansı, 10-12 Şubat, Muğla Üniversitesi, 611-617.

Chukwudi, O. L., Echefu, S. C., Boniface, U. U., & Victoria, C. N. (2018). Effect of Artificial Intelligence on the Performance of Accounting Operations among Accounting Firms in South East Nigeria. Asian Journal of Economics, Business and Accounting, 7(2), 1-11.

Civalek, Ö. (2003). Yapay Zekâ. Türkiye Mühendislik Haberleri, 423 (1), 40-50

Online Kaynaklar:

1. Wikipedia

2. Interesting Engineering

3. Tanı Blog

4. Microsoft


[1] What is Artifical Intelligence, Wikipedia, https://en.wikipedia.org/wiki/Artificial_intelligence, s.e.t. 16.03.2021.

[2] Turing Testi, Wikipedia,  https://tr.wikipedia.org/wiki/Turing_testi , s.e.t. 16.03.2021.

[3] Dr.Richard Wallace (2007) , The Anatomy of A.L.I.C.E, 181-210.

[4] Gualtieri Mike,  Purcell Brandon,  Goetz Michele, Craig Le Clair, Bennett Martha,  Sridharan Srividya (2020), Predictions 2021: Artificial Intelligence, Forrester Research.


TEŞEKKÜR: Akademik çalışmalar yapma konusunda bize cesaret veren, azim ve motivasyon sağlayarak inanan, sabırla çalışmalarımıza katkı sağlayan ve bu çalışmamı yayınlama fırsatı veren değerli hocam Ahmet Fevzi KİBAR’a çok teşekkür ederim.

Çalışmamı gözden geçirerek son halini almasına katkı sağlayan akademik çalışma okulumuzun değerli üyesi Şahin KILIÇ’a ve akademik çalışma okulumuzun her bir üyesine emeklerinden dolayı teşekkürlerimi sunuyorum.

Son olarak, bugünlere gelmemde büyük pay sahibi olan sevgili anneme ve babama, ulaştığım her başarıda imzası olan, hayatımın her döneminde desteğini benden hiçbir zaman esirgemeyen, fikir ve eleştirileriyle çalışmama büyük katkı sağlayan kıymetli eşim Halil Kula’ya teşekkür ederim.

Yazar Hakkında

Ahmet Fevzi Kibar

Ahmet Fevzi Kibar

Akademisyen, Hukuki Danışman ve Yazar
Ankara Üniversitesi Hukuk Fakültesi mezunu, Ankara Yıldırım Beyazıt Üniversitesi Özel Hukuk yüksek lisans mezunu ve İstanbul Üniversitesi Özel Hukuk doktora eğitimi (devam ediyor). Kişiler, Aile, Eşya, Miras, Borçlar, Gayrimenkul, Fikri Mülkiyet ve Ürün Sorumluluğu Hukuku alanlarında çalışma yapmaktadır. Ayrıca hikâye, deneme ve eleştiri yazarlığı da yapmaktadır. Evli ve baba.

2 Yorumlar

Yorum Yap

Konuşmaya Başla
WhatsApp Destek Hattı
Merhaba, YAPAY ZEKAYA DAYALI İŞLETME MODELLERİ bu konu hakkında destek alabilirsiniz...