Kategori arşivi: İş Analitiği

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 2

Yazının birinci bölümünü okumadıysanız buradan ulaşabilirsiniz.

Ali, Veli ve Pelin kim olduğunu bilmiyorsanız, bu yazıyı okuyabilirsiniz.

Bir önceki bölümde, kısaca Big Data, Machine Learning kavramlarının ne olduğunu ve ayrı ayrı düşünüldüğünde Perakendede nasıl uygulanabileceğinin üzerinde durmuştuk. Şimdi ise bunlar birleştiğinde Perakendede nasıl olacağını hayal edeceğiz ve bu hayalimizi de bir hikaye ile anlatacağız. Başrolünde Pelin’in olduğu, Truman Show, Terminatör, Starbucks, Augmented Reality gibi birbirinden ilginç konuların bulunduğu bu hikayeyi tek solukta okuyacaksınız. İyi okumalar

Haydi bir hikaye yazalım. Hikayemiz Pelin hakkında. Pelin’i bilenler bilir. Analything dergisinin 3 yıldızından bir tanesiydi. Hani şu planner olan. Hikayemizin ismi de “Gelin Pelin Jacqueline”

Pelin işten çıkıp eve gittiğinde, hemen uyumak istiyordu. Çok yorulmuştu. Yaklaşan düğün heyecanı ve işlerin yoğunluğu artık son noktaya gelmişti. Bir taraftan gelinlik hakkında araştırma yapıyor, bir taraftan balayı programını en eksiksiz bir şekilde hazırlamaya çalışıyor, bir taraftan alması gereken hediyeleri araştırıyor, bir taraftan da planlama ile ilgili olan işleri yapıyordu. Yemeğini yedi, televizyonu açtı, koltuğa uzandı ve gözlerini kapattı.

06:15‘de çalan alarm ile güne gözlerini açtı. Gözlerini açtığında hala gün(düz) değildi. Gözlerini tekrar kapatmak istedi fakat servisi kaçırırsa vereceği taksi parasını düşündükçe bu fikrinden uzaklaşıyordu. Telefonunu eline aldı. LCSO (LC Waikiki Servis Otomasyonu) adlı uygulamayı açtı. Servisin 25 dakika mesafede odluğunu gördü. Şu anki yol durumuna göre her zamanki vaktinde gelecekti. Evinden servis bekleme yerine yürüme mesafesi de 2 dakika gösteriyordu. Uygulama üzerinden son 5 dakika hatırlatmalı alarmı kurdu ve hazırlanmaya başladı. “5 dakika kaldı” alarmı çaldığında hazırdı. Acele etmeyerek yavaş yavaş servis bekleme noktasına yürümeye başladı. LCSO’ya göre Ali (the Allocator) bugün servise binmemişti. Hasta olduğunu düşünerek mi üzülse yoksa işlerin bir kısmı kendisine kalacağına mı üzülse bilemedi. Neyse ki Veli kendini çok geliştirmişti. O yüzden bu konuyu düşünmeden yürümeye devam etti. Servisi 1-2 dakika bekledikten sonra geldi. servise bindiğinde kısık bir dıt sesi çıktı ve yerine geçip oturdu. LCSO’dan gelen yeni bir push notfication dikkatini çekti. (İşe gelmeyecekleri zaman, uygulama üzerinden işaretleme yapıyorlardı ve bu sayede, şoför dinamik rotalama yapabiliyordu. Çalışanlara servise binecekleri saatlerin değişmesi durumunda push notification ile haber verilebiliyordu) İşe geldiği son 10 gündür servisi hiç bekletmediği ve hep zamanında geldiği için, 1 adet tall mochasını, aşağıda bulunan kare kodu kullanarak şirketin içinde bulunan starbuckstan alabileceğini belirtiyordu. Mutlu oldu. Arkasına yaslandı.
35 dakikalık bir yolculuk onu bekliyordu. Uyumak ya da uyumamak arasında gidip geldikten sonra düşünmeyi tercih etti.

Çalışma hayatının belki de en büyük zorluklarından bir tanesi sabah erken kalkma ve servisle geçirdiğin bu koca vakitti. Düşünsene her gün gidiş geliş 1.5 saat vakit harcıyordun. Yine de bir işe sahip olmak ve sevdiğin bir işe sahip olmak bu günlerde bulunmaz nimetlerden bir tanesiydi. Son 3 sene çok hızlı geçmişti.

Allocatorlıktan plannerlığa geçmişti, ilk başta çok zor gelse de zamanla alışmıştı. Plannerlıktaki 3. senesini tamamlamıştı. Araba ve ev alma konusunda gidip gelmiş ve sonunda bir ev almaya karar vermişti. Eşyalar, taşınma, vs. derken 1 sene geçmişti bile.

Yeni hobiler edinmişti. Terrarium ile uğraşıyordu ve stresini bu şekilde atmaya çalışıyordu.
Geçen sene bir arkadaşı vasıtasıyla tanıştığı “Patrick Jacqueline” adlı kişi ile 6 ay sonra evlenecekti. Aşık olmuştu ama doğru mu yapıyorum diye de sormadan edemiyordu kendine.

Bunları düşünürken, iş yerine ulaştı. Servis kapalı otoparka girerken, yavaşçana toparlandı. Yeni bina eski binadan daha modern olmasına rağmen, arada eski binayı özlediğini farketti. Simit yemek istiyordu ama bu kadar üşengeçken çok mümkün değildi. Yavaş yavaş yukarı çıkmaya başladı. Aklına Starbucks hediyesi geldi. Starbucks’a doğru yürürken 2 şey aklına takılmıştı.
“Birincisi, son 10 gündür servise zamanında geldiğimi nereden biliyorlardı?”
“İkincisi, Mocha’yı ben sevdiğim için mi hediye etmişlerdi yoksa bu bir rastlantı mıydı?”

Tabiki rastlantıydı. Herkesin ne sevdiğini nereden bilebilirlerdi ki? Tam bu cümleyi aklından geçirirken, karşıdan Melih’in ona doğru yürüdüğünü gördü. Ağzı kulaklarına varmıştı. Söze ilk giren o oldu:

“Pelin, sana çok ilginç bir şey söyleyeceğim. Benim hep servise geç kaldığımı biliyorsun. Fakat son 5 gündür geç kalmıyordum. Bugün bir mesaj aldım. Tahmin et ne yazıyordu?”
Bu soru cümlesi cevap bekleyen bir cümle miydi, yoksa devam etmesi için doğrulaması mı gerekiyordu bilemiyordu. Sadece kafasını sağa sola çevirdi. O da devam etti.
“Bana gönderdikleri mesajı dinle: “Senin başarın diğer kişilerin başarısından daha değerli. Azmini tebrik ediyoruz. 5 kere üst üste geç kalmadın. Vanilya Cafe Latte (Yumuşak İçim) kahve bugün bizden. Afiyet olsun.” İnanabiliyor musun? En sevdiğim kahveyi hediye etmişler. Rastlantının böylesi ve bu kadarı”
“Vay be” diyebildi sadece. İçinde hem sıcak hem de soğuk bir rüzgar esti.

Kahvesini almaktan vaz geçerek masasına gitti. Masasına oturdu. (Neden sandelyede oturulmuyordu hala bilmiyordu) Veli çoktan yerine oturmuş ve çalışmaya başlamıştı. Maillerini açtı ve teker teker okumaya başladı. Günlük raporların dışında bir mail gözüne çarptı:

“WGSN Fotoğraları ile Trend Analizleri”

Reklamdır diye düşünüp devam etmek istedi fakat bir şans vermeye karar verdi. Raporu anlatan kısa bir yazı bulunuyordu:

“WGSN Worth Global Style Network, Dünyadaki her markanın vitrininden tutun da, moda dergilerinin kapaklarına kadar, önemli moda şehirlerinde yolda yürüyen insanların giydiği kıyafetlerden, “bu da moda mı yav” diyeceğiniz defilelere kadar, dünyanın modasının nabzını tutan bir portaldır. Biz Data’cılar bu siteye girdiğimizde hiç bir şey anlamıyoruz. Moda ne kadar “değişik” bir şey diyoruz. Fakat Data’nın yalan söylemeyeceğini de biliyoruz. Bu sebeple, bu sitede bulunan fotoğrafları analiz eden, sınıflandıran, kategorilere ayıran, birbirleri arasındaki ilişkiyi ortaya çıkaran bir yapı geliştirdik. Bu yapı sayesinde,

  • Yıl (Zaman)
  • Şehir, Ülke (Yer)
  • Cinsiyet (Kadın, Erkek, ?)
  • Yaş Grubu (Çocuk, Büyük)
  • Marka (X, Y, Z)

boyutlara göre, Renk ve Range bilgilerine ulaşabilirsiniz. moda olan renklerin dışında, Range bilgisi sayesinde o sene hangi tarz kıyafetlerin (Kısa kollu, uzun kollu, çizgili, düz, vs.) ve Klasman detayında analizler (Elbise, T-shirt, Etek, Pantolon, vs.) yapabileceksiniz.
Rapor test aşamasında olduğu için, herhangi bir problemle karşılaşırsanız lütfen bize iletin.”

Bu nasıl mümkün olabilirdi? Şirkette ilginç bir ekip vardı ve hep böyle değişik analizler yapıyorlardı. Geçen ay da, Sosyal medya üzerinde ünlülülerin giydiği kıyafetlerle ilgili bir veritabanı oluşturmuşlardı. Yer yerinden oynamıştı.

Bu verileri kullanarak, tasarımcılarla çok daha verimli toplantılar yapabileceğini düşündü. “Sence Bu Kaç Satar?” adlı uygulama ile bu analizler birleştirince tamamen akıllı bir planlama yapılabilirdi.

“Sence bu kaç satar” uygulaması geçmiş veriden beslenen bir uygulamaydı. Önceki senelerde üretilen ürünlerin bileşenleri ve satışa detlerine göre, her bir bileşenin satışa etkisini buluyordu. Şimdi bu sistemle, gelecek verisi birleşecekti. Dünyada bir numara olmaya çok az kalmıştı.

Morali yerine geldi. “Şimdi gidip kahvemi alabilirim” dedi. Masaüstündeki, bir uygulamayı çalıştırdı. Ekrana çıkan text alanına, “gelinlik, bride, bridal gown, wedding gown” yazdı ve kahvesini almaya gitti.

Kahvesini alıp geldiğinde, bilgisayarının ekranı dolmaya başlamıştı. Yazdığı kelimelerle ilgili, sosyal medyada en çok paylaşılanlar, instagramda en çok beğenilen fotolar, bunla bağlantılı olan web sitelerin listesi, bir liste ve klasörün içinde duruyordu. Öğlen yemeğinden sonra incelerim diyerek programı durdurdu. Tam işe başlayacaktı ki, aklına Patrick’in doğum günü için hiç bir hediye almadığı geldi. Ne alacağını düşünmüştü ve karar vermişti ama fiyat araştırması yapmamıştı. Alacağı hediye, Playstation 4’tü. Son zamanlarda kendisi de biraz oyun oynadığı için, evlendikten sonra da işe yarar bişey almak istemişti.

Bir kaç fiyat araştırma sitesine girdi, Önde gelen firmaların web sitelerine girecekti ki trading toplantısının başlayacağı aklına geldi. Hemen apar topar koştura koştura toplantı odasına gitti. Toplantı başlamıştı. Fast seller ürünlerin artık duvara dizilmek yerine hologram ile duvarların üzerinde belirmesi çok hoş olmuştu. Herkes buna hologram diyordu fakat bu bildiğin “augmented reality”di. O hafta VR ekibi tarafından hazırlanıyor ve 1 hafta boyunca bu şekilde duvarlarda bu ürünler duruyordu. (Bunun otomatik ve filtrelenebilir bir hale getirilmesi için çalışmalar devam ediyormuş. Bittiğinde sanırım çok daha güzel olacak)

Toplantıya konsantre olmadan önce başladığı içi bitirmeye karar verdi. Teknö adlı siteye girdi, satın alma işlemi için ürünü seçti, üyelik işlemlerini tamamladı, kredi kartını cebinde ararken… kalbi hızla atmaya başladı. Kımıldayamıyordu. Toplantı odasındaki herkes ona dönmüştü. Kafalarında ilginç cihazlarla ona bakıyorlardı. Olayın ne olduğunu kısa sürede anlayıp, cep telefonunu cebine koyup, duvarın önünden çekildi. Siparişi sonra tamamlarım dedi ve toplantıya konsantre oldu.

Akşam iş çıkışında, arkadaşlarıyla AVM’de yemek yemeye karar verdi. Evine yakın bir AVM seçilmesi için, baya naz yapması gerekmişti. Yemeği yedikten sonra, AVM dolaşmaya başladılar. Telefonuna bir mesaj geldi daha doğrusu bir push notification. Mesaj şu şekildeydi:
“Merhaba Pelin. Daha önce ilgilendiğin fakat almadığın Playstation 4, şu anda mağazamızda sana özel %10 indirimle” Kafasını kaldırdı ve Teknö mağazasının o turkuaz tabelasını gördü. İçini yine o sebebini bildiği korku kaplasa da hoşuna da gitmişti. Hemen mağazaya girdi. Playstationların nerede olduğunu tam soracakken, telefonuna bir uyarı daha geldi.

“Televizyonların arasındaki koridordan Düz devam et”

“Hoydaaa” dedi. Bu kadar da olamaz herhalde diye düşündü. Kafasını yavaşça yukarı kaldırdı. Kameraların kendisini farketmemesi için şüpheli hareketlerden kaçınmaya çalışıyordu ama daha çok şüphe çekiyordu. Evet anlamıştı. Evet kesinlikle anlamıştı. Bunu nasıl fark edememişti. Ali, Veli, Patrick, Melih, hepsi profesyonel oyuncuydu (sinema oyuncusu). Truman Show adlı filmin ikincisi çekiliyordu ve kendisi de başrol oyuncusuydu. Ama bir dakika, böyle bir durum olsa kendisinin haberi olması gerekmez miydi? Tamam, yeni nesil sinemacılık bu olsa gerekti. Haberi bile olmadan çekiliyordu. Filmin çıkacağını geçen sene duymuştu. Kesin bu filmin bir sahnesiydi. Anladığımı belli etmemeliyim diye düşündü. Tam hareket edecekti ki, önünde durduğu televizyonlardan bir tanesinde Truman Show 2 filminin fragmanı çıktı. (Yazar burada abarttığının farkında ama siz onun kusuruna bakmayın)
“Oha canlı fragman yayınlıyorlar” diye düşündü. Ama başrolündeki kendisi değil, hatta başrolündeki hintli bir erkek oyuncuydu. Omzuna birisinin dokunmasıyla çığlığı bastı.

“(Ciyak) AAAAALiiiii!”

Ali biraz hasta olduğu için işe gidememişti. Kendini biraz iyi hissedince, hem biraz hareket etmek için hem de bir çorba içmek için evinin yanındaki bu AVM’ye gelmişti. Pelin’i hareketsiz bir şekilde görünce de merak edip yanına gelip bir süre izledikten sonra kötü bir şey olduğunu düşünüp omzuna dokunmaya karar vermişti.

Pelin, Ali’yi görünce çok sevindi. Bir çırpıda olanları ona anlattı. Ali kahkahalarla ona gülüyor ve dalga geçiyordu. Pelin gıcık oluyor ama bozuntuya vermiyordu. Anlatması bitince Ali söze girdi.
“In-Store Analytics” dedi ve devam etti:

“Bu kullanılan sistemlerden sadece bir tanesi! Müşterilerin kullandığı wi-fi ya da hücresel veri sayesinde, mağaza önünde ya da içinde hareketlerini takip edebiliyorsun. Eğer kayıtlı müşteri ise ve mağaza içi izleme için gerekli izinler de verilmişse (uygulaması varsa ve kullanıyorsan büyük ihtimalle vermişsindir) sen mağazaya girdiğinde otomatik haberleri oluyor. Sana özel gönderilen kampanya mesaj zamanı ve senin mağazaya girişin arasındaki süre de hesaba katıldığında, gitmek istediğin yer aşikar. Tüm bu sistemler birleşince, sadece senin ürünü alman kalıyor”

Pelin şoku üzerinden atmıştı. Playstation 4 hediye paketi olurken, bugün olan olayları düşünüyordu. Dünya çok hızlı değişiyordu. Perakende de bu hıza ayak uydurmaya çalışıyordu. Bir planner olarak sadece bu olaylara şahit olmuştu. Fakat her gün bunun gibi bir çok yenilik çıkıyordu. Hoşuna gitse de, korkuyordu. Korkuyordu çünkü kontrolü kaybettiğini düşünüyordu. Her şeyi tadında yaşamak lazımdı.

“Robotlar bizi ele geçirir mi dersin Ali?” dedi

Ali cevap vermedi. Sadece sağ gözündeki led kırmızı yandı. Ta tan tan ta tan!

Umarım hikayemi beğenmişsinizdir. Perakendede big data ve machine learning uygulamarını içeren hikayemizi bitirdikten sonra kısa bir kaç söz söylemeden geçemeyeceğim. Evet LC Waikiki’de çalışırken Machine Learning’i tam anlamıyla yapamadık ama Analitik çözümler konusunda sektörün çok ilerisindeydik. 550 mağazalık (şimdi 650’yi geçmiştir) bir perakende zincirinin Otomatik Sevkiyat Sistemlerini kurduk, Optimizasyon ile çalışan Otomatik Transfer sistemini devreye aldık, Dünya devi rota optimizasyon firmalarından daha iyi sonuç çıkaran çözümler ürettik. Bu yaptıklarımız, Machine Learning’den çok daha önemli ve çok daha katma değerliydi (Büyük ihtimalle) Beni yol ayrımına getiren yaptığımız işin büyüklüğü ya da başarısı değildi. Zaten öyle olsa hala çalışıyor olurdum.

Beni yol ayrımına getiren, Gelecek kaygısıydı! Evet bu yaptıklarımla çok paralar kazanabilirdim. 5 sene daha, hadi bilemedin 10 sene daha. Fakat sonra bu sistemleri yazmak ne beni mutlu edecekti ne de karnımı doyuracaktı. (Mutlu etmesi daha önemli) Farkında değil misiniz? Dünya değişiyor. Alışveriş alışkanlıkları, hayat tarzlarımız, günlük aktivitelerimiz, çocuklarımız, gençlerimiz hatta yaşlılarımız. Herşey değişiyor. Perakende de değişiyor. 10 sene önceki gibi değil, 10 sene sonra da bugün gibi olmayacak.

Bundan 10 sene önce kariyerime ilk başladığımda, bu alanda çalışırken şu cümleyi kuruyordum: Şimdi bu yaptığımız işin değerini anlamıyorlar ama 5-10 sene sonra anlaşılacak. Evet şu anda anlaşılıyor. Fakat 5-10 sene sonra? Ben şu anda bulunduğum alana geçmekte geç bile kaldım. Ama yine de bu alanda olmak, bu işi yapmak çok güzel.

Evet sonunda yazımızın son kısmına yani ne iş yapıyorum sorusunun cevabına geldik.
Yazı dizisinin en başında dediğim gibi, kaç senelik perakende tecrübemi bir kenera bırakıp, bilmediğim bir sektöre adımımı attım. Karar vermek gerçekten çok zor oldu. İstişareler, fırsatlar, düşünceler, korkular, swatlar, eksiler, artılar, tablolar, hesaplamalar, vs. Ve tabi bunların yanında işe kabul edilme ve edilmeme ihtimalleri…

Yazının devamı haftaya 🙂

Ne İş Yapıyorum – Big Data ve Machine Learning – Bölüm 1

Not: Yazıya klasik kendi iç konuşmalarımı yazma niyetiyle başladım. Ardından TRT World’de ne iş yaptığımı anlatayım dedim. Sonra onu anlatmak için Big Data’nın ne olduğunu anlatmam gerektiğini fark ettim. Fakat bunu anlatmak için perakende bilgimi kullanmanın faydalı olacağını düşündüm (Nedenini okuyunca anlayacaksınız) Sonra Machine Learning derken yazı uzadı da uzadı. Hatta TRT World’de yapmak istediğimiz işlere global örnekler vermeye çalışırken yazı bitmek bilmedi. Bu sebeple yazıyı üçe bölmeye karar verdim. Yazının tamamı bittiği için 5-6 gün arayla yazı yayınlanacak ve bitecektir. Okuduğunuz için teşekkür ederim. Tekrar yazmak çok güzel. Günde 1 saat yazmak iyi gelir, herkese tavsiye ederim.

-Ooooo Müdür naber? Hiç görüşemiyoruz.
-Ben artık müdür değilim bu birincisi. Görüşemiyorsak, bu çift taraflı bir problem değil mi sence de?
-Haydaa, ben mi seni müdürlükten aldım. Neden kızıyorsun ki? Hala 4 saat yollarda sürünüyor musun?
-Hee senin haberin yok mu? Ben iş değiştirdim, yeni çalıştığım yer Ortaköy’de. Akşam 6’da eve oluyorum.
-Vay vay vay. Öyle iş mi var ya. Bize de iş bulsana oradan.
-Yok abi bulamam ben sana iş.
-Neresi orası?
TRT World.
-TRT mi? Ne yapıyorsun ki abi sen orada? Sen perakendeci değil miydin? Hayır yani ne alaka?
-Uzun hikaye…
-Gerçi iyi olmuş, perakendeye hep parakende diyordun.
-…
-Anlat anlat, vaktim var benim. Eski Parakande Analitiği Müdürü 😀
-…….

9 sene. Dile kolay. Perakendede dirsek çürütülmüş 9 sene. TRT World’de çalıştığımı söylediğimde aynı tepkiyi veren sizler, haksız değilsiniz? “Neden böyle saçma bir şey yapmış” diye içinizden geçirdiğinizi biliyorum. “O kadar senelik emeğini bir kenara atmış” dediğinizi de biliyorum. “En verimli olacağı zamanda bu sektör bırakılır mı?” diye beni düşündüğünüzü de biliyorum. Ama durun bir dinleyin söyleyeceklerim var.

Anlatmaya nereden başlasam. LC Waikiki’deki son 1 sene başlangıç için iyi olacak. 2014-2017 yılları arasında bir çok üniversiteye konuşmacı olarak gittim. İki amacımız vardı, birincisi yaptığımız işi anlatıyorduk ikincisi ise çalıştığımız şirketin bize bu imkanı verdiğinden bahsediyorduk. Anlattığımız konular, Optimizasyon (Matematiksel Modelleme), Simülasyon, Otomatik Sevkiyat Sistemleri, İş Zekası, İş Analitiği, Big Data, Veri Madenciliği, Machine Learning gibi konulardı. Saydığım konuların çoğunu çalıştığım şirketlerde yapıyorduk. Fakat konu Big Data ve Machine Learning’e geldiğinde, ne yazık ki sadece konuşuyordum. Çok güzel anlatıyordum ama yaptığım elle tutulur bir örnek yoktu. İşin garibi, iş dışında da bu konularla ilgili bir gelişme kaydedemiyordum. (Silikon Vadisine ve NRF’e gitmeseydim bunlar olmayacaktı)

Acaba ML ve BD uygulaması yapmamış olmam, uygulama alanı olmadığı için olabilir mi? Hadi bunu sorgulayalım.

Perakende sektöründe Big Data var mıdır?
Bugüne kadar hep data ile uğraştım. Akşam yattım data, gece rüyamda data, sabah kalktım data, gün boyu data, data, data (20 defa arka arkaya data deyince traktör sesi çıkıyor 🙂 )
Uğraştığım data hep yapılandırılmıştı. Daha doğrusu ben yapılandırılmış data üzerinden analizlerimi yapıyordum. Satış, Stok, Mağaza, Müşteri gibi datalardı. Ne, Nerede, Ne kadar gibi soruların cevabı netti ve tekti.

Kısa bir bilgi vermek gerekirse, yapılandırılmış veriler incelenirken dimension (boyut) ve measure (ölçüm) ile incelenir. Perakendedeki verilerin boyutlarına bakacak olursak,

  • Lokasyon (Ülke, Şehir, Mağaza, vs.)
  • Zaman (Yıl, Hafta, Ay, Gün, Saat, vs.)
  • Ürün (Kategori, Buyer Grup, Klasman, vs.)
  • Müşteri (Müşteri No, İsim, Adres, Telefon, vs.)
  • Plasiyer – Satış Danışmanı (İsim, Yaş, Çalıştığı sene, vs.)

Ölçümlere bakacak olursak,

  • Satış
  • Stok
  • Fiyat
  • Vs.

Bu boyutlar ve ölçümler kullanılara, çeşitli hesaplanmış alanlar oluşturulabilir ve farklı boyutlarda farklı analizler yapılabilir.

Peki, bu büyük veri midir? Elimizde bu verilerden milyonlarca olsa büyük veri mi olur? Peki ya milyarlarca olsa? Şimdi literatürde büyük veri ne demek kısaca ona bakalım.

İlk tanım: Big Data, zamanla elde edilen, yapılandırılmış ya da yapılandırılmamış, yani henüz geleneksel yöntem veya araçlarla işlenerek kullanılabilir hale getirilmemiş verilerdir.
İkinci tanım: Büyük veri, tek bir sunucuya sığmayacak ölçüde büyük, yapılandırılmamış veya statik bir veri ambarına sığmayacak şekilde sürekli akan veriler için kullanılır.
2012 yılında dünyada 2,8 zetabayt’dan daha fazla veri tutulmuş. Bu verilerin sadece %0,5’i analiz edilmiştir. Bunun en büyük nedeni, bu verinin satır sütun formatında olmamasıdır.(2,8 trilyon gigabyte) Bu veri boyutunun exponential arttığı düşünülürse 2016 yılında kaç olduğunu hadi siz tahmin edin 😛

Big Data ile ilgili en az bir konferansa katıldıysanız aşağıdaki tanım size hiç yabancı gelmeyecektir.

Big Data 5V’den oluşur:
Volume: Verinin büyüklüğü artıyor ve büyük veriyi bir yere yazmak lazım
Velocity: Verinin elde edilme hızı artıyor. Veri çok hızlı büyüyor. Hızlı okumak hızlı yazmak lazım.
Variety: Elde edilen verinin %80’i yapısal değil. Her kaynağın verisi farklı formatta.
Value: Verinin üretilmesi ve işlenmesi sonucunda ortaya çıkan değer.
Veracity: Hakikat! Doğruluk! Elde edilen verinin içindeki gerçek anlamı ve hakikatı ortaya çıkarmak. (Örneğin Twitter gibi bir mecrada yazılmış 140 karakterli bir yazıdan anlamlı bir şey çıkarmak olarak yorumlanabilir)

Şimdi düşünelim, elimizdeki milyarlarca data big data mıdır? (Bu analizler geleneksel perakendeciler için yazılmıştır. Zaten yazının ilerleyen yerlerinde geleneksel perakende, big data ve machine learning birleşiminden bahsedeceğim.)

Volume: Verimiz hızla artıyor fakat tek bir veriambarında bu veriyi tutabiliyoruz. X
Velocity: Verinin elde edilme hızı, mağaza sayısı ile doğru orantılıdır. Bu sebeple mağaza sayısının artmadığı durumlarda hızı da artmaz. X
Variety: Elde edilen veri yapısal veridir. Satış stok bunlar yapısal veriler. X
Value: Analizler ve çeşitli teknikler değerin kralını üretir. Otomatik sistemler, karar destek sistemleri çıkar. V
Veracity: Bu terim sonradan çıkarıldı. Hala bende oturmayan yerler var. Rakamları anlama dönüştürebilmek olarak alırsak, bunu da dahil etmeliyiz. V

Sonuç olarak 2/5 büyük veri olmadığını görüyoruz. Peki perakendede büyük veri nedir? (İki saattir ne değildir diye anlatıp duruyorsun be adam, zaman kazanmayı bırak da anlat bize)
2015 yılında Big Data nedir diye internet üzerinde ararken hep aynı şeyler karşıma çıkıyordu. Aradığım tanımı bulamıyordum. LC Waikiki vasıtasıyla Boğaziçi Üniversitesi’nde bir etkinliğe juri olarak katıldım. Sunum yapan çocuklardan bir tanesinin konusu, makinelerin bakım zamanlarının tahminini big data yardımı ile yapılmasıydı. İlk cümlesi şuydu:

Big Data nedir? Big Data, şu ana kadar ölçmediğiniz veridir.

Dediğinden hiç bir şey anlamadım. Sonra aklıma şu özlü söz geldi.
Ölçtüysen senindir, ölçmediysen hiç senin olmamıştır.
Evet evet! Anlıyordum, aydınlanıyordum! Evreka Evreka diyerek bağırmaya başladım. Sanırım bağırmak yerine horlamışım ve yanımdaki adam beni dürterek uyandırdı. Utanarak sunumu dinlemeye devam ettim.

Ölçmek ya da ölçmemek! İşte bütün mesele bu.

Perkanedeyi oluşturan her bir öğenin içinde bir big data kırıntısı bulunabilir.
Lojistik: Araç takip sistemleri ve araç sensörleri ile oluşan veri. (Araç güzergah bilgileri, aracın hızı, aracın kalma durma süreleri, araç iç sıcaklık, vs.)
Depo: RFID, beacon gibi teknolojiler ile, depo içerisinde her bir ürünün hareketinin tespit edilmesi.
Mağaza: In-Store Analytics dediğimiz, mağaza içindeki müşterilerin hareketlerinin takip edilmesi, sıcaklık ölçen kameralar ile mağaza içi heatmapler, mağaza shiftlerinin daha iyi oluşturulması için personellerin giriş çıkışlarının otomatik yapılması, RFID ile ürünlerin mağaza içindeki hareketler
Merchandising: Sosyal Medyadaki trendlerin takip edilmesi
CRM: Müşterilerin ihtiyaçlarının tespiti, kişiye özel süpriz çözümler

Evet çok kısa kısa ve biraz da altını boş bıraktığımın farkındayım. Fakat sadece Sosyal Medya ile ilgili big data kavramını 4-5 sayfada anlatabilirim. Onun yerine yazının ilerleyen kısmında kısa bir hikaye anlatacağım. Perkande, Big Data ve Machine Learning ile ilgili bu güzel hikayede, olayları daha iyi kafanızda canlandırabileceksiniz. (Şimdilik bir virgül koyuyoruz)

Perakende sektöründe Machine Learning uygulaması var mıdır?
Öğrenme, bireyin yaşantılar sonucu davranışlarda meydana gelen oldukça uzun süreli değişmelerdir. En yalın tanımla Bilebilme ve Yapabilme eylemidir. Yapay Zeka, Bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyetine denir. Yapay Zeka’nın alt bir dalı olan Makine Öğrenmesi (Machine Learning) ise, bilgisayarın “öğrenme” işlemini sağlayacak algoritma ve tekniklerin gelişimi ile ilgili bir çalışma alanıdır. ML, geçmiş deneyimleri veya örnek verileri kullanarak daha iyi sonuçlar üretmek üzere gerçekleştirilmiş bilgisayar yazılımları oluşturma tekniğidir. ML tekniklerine bir kaç örnek verecek olsak, Kredi Taleplerini Değerlendirme, Yüz tanıma sistemleri, Spam Mail belirleme, IBM Watsons, vs.

Şimdi perakende sektöründeki ML uygulamalarını düşünelim. İlk aklıma gelen, CRM ile ilgili konular.

  1. Recommendation Engine : Türkçe’de bilinen adıyla “Bunu alan bunu da aldı” sistemi. Recommendation Engine ile ilgili bir konu olduğunda, Amazon örnek olarak verilir.
  2. Customer Churn : Müşterinizin sizi terk edip etmeyeceğini öngörerek buna göre aksiyon almanıza yardımcı olur.
  3. Market-Basket Analysis : Sepet analizi yaparak, en çok birlikte satan ürünleri tespit ederek, bu ürünleri paket (bundle) şeklinde satmanıza yardımcı olabilir.
  4. Cluster Analysis : Müşteri, ürün ya da mağazalarınızı gruplayarak, karar mekanizmalarını güçlendirebileceğiniz bir yöntem. Örneğin, müşterileri LTV ve Karlılığa göre gruplayarak onları isimlendirebilir ve kampanyaları gruplara özel çıkabilirsiniz.
  5. Müşterilerin stillerinin belirlenmesi : Bu cluster analizin içine dahil edilebilse de, yaptığı alışverişe göre, hangi renkleri, hangi kıyafet tarzlarını, ürün bilgisi ile birleştirip, birinci maddedeki öneri sistemlerinde kullanılabilir. Eğer elinizde ürün bilgisi yok ise, opencv gibi teknikler kullanarak, ürünün resminden bu bilgiyi çıkarabilirsiniz.
    CRM dışında örneklere bakacak olursak
  6. Kombinli Satışın Plasiyer etkisi : Kombinli olarak satılan ürünlerde, plasiyer (satış danışmanı) etkisinin olup olmadığının tespit edilmesi
  7. Başarılı Plasiyer Sistemi : Bağımsız değişkenlerin, plasiyer başarısına etkisinin olup olmadığının tespit edilerek, yeni eleman alımlarında bunun göz önünde bulundurulması
  8. Ürün başarı nedenleri : Satılan ürünün başarısının, bileşenleri ile analizi ve yeni ürün geliştirmede kullanılması (a.k.a. Besim)
  9. Yeni mağaza açma : Yeni açılacak mağazanın yerinin, nüfus, gelir seviyesi, aynı caddede bulunan diğer mağazalar gibi bağımsız değişkenlerle tespit edilmesi
  10. Çalışan Terketme 😛 : Çalışanlarınızın istifa edeceğini önceden tespit etmek. Bu mümkün mü evet mümkün ama bence çok zor ve riskli bir uygulama 🙂
  11. Çocuklar büyüyor : Çocuklar için alışveriş yapan müşterilerin, veri ile çocuklarının büyümesinin tespit edilip, önerilerde bu verinin kullanılması.
  12. Biten ürün : Raf ömrü belli olan ürünlerde, müşterinin ürünü bittiğinde kendisine o ürünü (uygun fiyatla) önerilmesi.

Hem Big Data hem de Machine Learning ile ilgili ayrı ayrı bilgi edindik. Şimdi geldi bunları Perakende ocağında pişirip birleştirmeye. Fakat yazımızın ilk bölümü burada bitiyor. Bir sonraki bölümde Pelin the Planner ile ilgili bir hikaye ile BD ve ML uygulamalarından bahsedeceğiz. İkinci yazı önümüzdeki hafta bugünlerde yayınlanır diye düşünüyorum. Görüşmek üzere.

Aydınlık Günlere Merhaba – Aydınlı Grup

Bildiğiniz üzere 30 Haziran 2015 tarihinde LC Waikiki firmasından ayrıldım. O gün benim için unutulmayacak bir gün olarak tarihe geçti. Hem 8 senelik bir serüvenin son bulması hem de sevdiğim insanlardan ayrılmam hem de hiç beklemediğim bir veda töreni ile uğurlanmam. Veda törenini şimdi bile düşününce gözlerim yaşarıyor. Veda töreni ile ilgili belgeler elime ulaşınca ayrı bir yazı yazacağım.

LC Waikiki’den ayrıldıktan sonra profesyonel hayata 1 ay süre ile ara verdim. Eşim Zehra ve oğlum Ahmet Kerem ile daha fazla vakit geçirme şansı buldum. Okumak istediğim kitapları okumaya çalıştım Ahmet Kerem izin verdiği kadarıyla 🙂 Gezmeye çalıştık Ahmet Kerem izin verdiği kadarıyla 🙂 vesaire vesaire. Varsın izin vermesin. Eşim ve oğlum sağlıklı olsun da ben daha az okuyayım daha az gezeyim.

1 aylık aradan sonra tekrar profesyonel çalışma hayatına geri döndüm. 27 Temmuz 2015 tarihinde Aydınlı Grup bünyesinde Perakende Analitiği Müdürü olarak göreve başladım. Aşağıda Cemil Bey tarafından kaleme alınan departmanımı ve beni tanıtan şirket içi duyuruyu bulabilirsiniz.

Merhaba Arkadaşlar,

Hızlı olduğu kadar, hızla değişen sektörümüz bizi de bu değişikliklere hızlı bir şekilde adapte olmayı zorunlu kılmakta. Daha dün çok kanallı yapılara geçmişken bugün omnichannel den bahsediyoruz. Henüz bankamız tarafından ilk doğum günümüzü kutlayan mesajı unutmamış iken bugün posta kutumuza düşen e-maillerin içeriğinin bize özel olmasını ister olduk. Delikli kartuşlarla program yapanlar henüz emekli olmamış iken, cep telefonlarına uygulama geliştiriyor olduk ve bunu müthiş bir ekosistem içerisinde dünyanın neresinde olursak olalım rahatlıkla paylaşabilir olduk. İnternetten alışveriş yapmayı çok çabuk öğrendik, artık mobilden, internetten yapacağımız alışverişte yaşadığımız deneyim bize özel değil ise burun kıvırmaya başladık. Alışveriş yaptığımız sitenin bize önerdiği ürünlerin tamda aradığımız, ihtiyacımız olan ürünler olmasını bekler olduk. Daha veri nedir, analiz nedir yeni yeni çözmeye başlamış iken, öte yandan “geçen bu ürünü satın almıştım, neden şimdi bu ürünle ilgili reklam gösteriyor bana” tarzından eleştiriler yapar olduk. Dünyanın öbür ucundan bir ürünü bir tıkla alır olduk ve bu ürünün iki gün geç gelmesini “falan site üç saat sonra teslimat yapıyor” cümlesi ile eleştirir olduk. Bu faslı uzatmayıp burada virgül koysam eminim ki sizler bir bu kadar daha ilave ederek bu hızlı değişimi gözler önüne sermeye devam edebilirsiniz.

Baş döndüren bu değişikliğe ayak uydurabilmek adına yaptığımız istişareler neticesinde şirketimizde Perakende Analitiği Departmanı kurulmasına karar verilmiştir. Perakende Analitiği Departmanımız sistematik ve bilimsel bir yaklaşımla verinin bilgiye dönüşme sürecinde rol alacaktır.

Veri derken;

  • Ürünlerimizin, tasarım aşamasından satış ve sonrasına kadar tüm aşamalarda bıraktığı her iz,
  • Müşterilerimizin mağazalarda, e-ticaret sitelerimizde, sosyal medyada bizimle yaşadığı her deneyim,
  • Hava sıcaklığı, trafik durumu, özel zamanlar… vb. dışsal, anlam ifade edebilecek her olay

Bilgi derken;

  • Müşterilerimizin her gün yaşadığı binlerce deneyim arasında anlamamızı beklediği her sır,
  • Süreçlerimiz ile ilgili Neden ve Nasıl sorularının, veri yığınları içerisinde saklı her cevabı,
  • Operasyonlarımızı yürütürken günün yoğunluk ve telaşı içerisinde kaybettiğimiz her verim,
  • Doğru ürünü, doğru zamanda, doğru yerde, doğru miktarda bulunduramadığımızda kaybettiğimiz her fırsat

Yeni departmanımız, Merchandise Planlama, Ürün Yönetimi, Lojistik, CRM, E-Ticaret, Mağaza Operasyon, Sistem Geliştirme ve IT ekiplerimiz ile koordineli bir şekilde çalışarak bilimsel metotlar ışığında verinin bilgiye dönüşümünü gerçekleştiriyor olacak. Bunu yaparken bazen belki bir dashboard üretiyor olacaklar, bazen kimselerin görmediği fakat bir dizi sistemde kullanılan bazı metrikleri hesap edip saklıyor olacaklar, bazen bir problemin optimizasyon modelini kurguluyor olacaklar. Bazen tonlarca veri içerisinden anlamlı paternleri bulmak için istatistiki metotlar içerisinde kayboluyor olacaklar. Bazen kullandığımız bir ekranın akıllandırılması için arka tarafta bir algoritma geliştiriyor olacaklar.

Yeni departmanımızın sorumluluğunu paylaşmak üzere sektörümüzün Perakende Analitiği alanında tanınan isimlerinden Sabri SUYUNU Bey Perakende Analitiği Müdürü unvanı ile aramıza katılmıştır. Fatih Üniversitesi Endüstri Mühendisliğinden mezun olan Sabri Bey, yaklaşık 5 yıllık İş Analitiği Uzmanlığı ve 3 yıllık İş Analitiği Müdürü deneyimi ile sektörümüze geliştirdiği algoritmalar, metotlar, optimizasyon yaklaşımları ile değer katmakta ve katmaya devam etmektedir.

Sabri Bey’e aramıza hoş geldiniz derken, yeni yapılanmanın hem şirketimiz hem Sabri Bey için hayırlı olmasını temenni ederim.

Cemil Yıldız
Merkezi Planlama Direktörü

Aydınlı Grup’u bir kelime ile anlatacak olsam “Aile” derdim. Üç kelime ile anlatacak olsam “Huzurlu bir Aile” Ben Aydınlı’da henüz bir hafta geçirdim. Bu bir haftada çalışanların yüzüne yansıyan mutluluk ve huzur duygusu beni çok etkiledi. Daha önce de söylediğim gibi. Eğer huzurlu bir çalışma ortamınız varsa mutlu olursunuz, mutlu olursanız daha verimli olursunuz, daha verimli olunca otomatik olarak daha fazla para kazanmaya başlarsınız. Ben şu anda Huzurluyum ve Mutluyum. Allah bozmasın inşallah.

Aydınlı’da çalışmanın diğer bir güzel yanı ise, seneler sonra Cemil Bey ve Osman Bey ile tekrar çalışma fırsatını yakalamak oldu. Cemil Bey ve Osman Bey kim mi? İşe Nasıl Girdim? LC Waikiki Maceram benim ilk işe alımımda masada bulunan 3 kişiden İkisi 🙂

Bundan sonra Aydınlı Grup’un başarısı için elimden geleni yapacağım. İnşallah muvaffak oluruz ve hem Türkiye’de hem Dünya’da ilk defa yapılan ve başarıyla söz edilen projelere imza atarız.

Perakende ve Analitik

Perakende satış, ürünlerin bir işletme aracılığıyla tek tek ya da küçük miktarlarda tüketiciye satılmasına dayanan satış biçimidir. Perakendecilik, üretici ve tüketici arasında malların naklini sağlayan aracılık hizmetleridir. Başka bir deyişle mal ve hizmetlerin, doğrudan doğruya son tüketiciye pazarlanmasıyla ilgili faaliyetler bütünüdür. Çeşitli perakendecilik aktiviteleri bulunmaktadır.

Günümüzde perakendecilik sektörü dünyada oldukça deneyim kazanılmış ve olgunlaşma dönemine girmiş bir sektör olarak tanımlanabilir. İkinci Dünya Savaşı’nın ardından yeniden yapılanma sürecine girilmiş ve yeni yönetim modelleri uygulama çalışmaları yapılmıştır. Temelde; ihtiyaç sahibi tüketicilere, üretim veya tedarikçilerden satınalma süreçleri sonucu elde edilen ürünlerin sunulması olarak özetlenebilecek perakendecilik; talepler arttıkça farklı formatlar ve uzmanlık alanlarına ayrılarak faaliyet göstermeye devam etmiştir. Dünyada sektör içinde büyük rekabet yaşanması, şirketlerin fark yaratmak ve tüketicinin tercihini kazanmak için arayışlar içine girmesine yol açmıştır. Teknoloji ve bilgisayar sistemleri yoğun olarak kullanılmaya başlanmış; böylece hem operasyonel işlemler daha hızlı ve düşük maliyetlerle gerçekleştirilmiş, hem de müşteriler veri ambarlarında izlenerek oluşabilecek talep ve ihtiyaçları tahmin edilmeye çalışılmıştır. Gelecekte globalleşen dünya içinde perakendecilerin sundukları ürünler ve fiyatlar arasında büyük farklar olma olasılığı düşük gözükmektedir; mağazaların yerleşimi, verilen hizmet seçenekleri ve doğru zamanda doğru ürünü müşteriye sunma gibi konularda yapılan çalışmalar avantajlı konuma gelmelerini sağlayacaktır. Önümüzdeki yüzyılda özellikle konfeksiyon mağazaları ve çok bölümlü mağazalarda ürün dışında gerçekleştirilen faaliyetler, teknolojinin de etkin kullanımı ile büyük önem kazanacaktır. Türkiye’de perakendeciliğin hemen hemen tüm formları için gelişme potansiyeli olduğu yapılan araştırmalar sonucu ortaya çıkmaktadır. Yabancı perakendecilerin de pazara girmesi ile gelişme evresine giren sektörde çeşitli firmalar faaliyet göstermektedir.

Bağımsız mağazalar, Hipermarketler, Outlet mağazalar, Zincir Mağazalar, Cash and Carry, vs. bunlardan bazılarıdır. Aşağıda perakende sektöründe uygulanan analitik çözümleri bulabilirsiniz.

Tedarik Zinciri Optimizasyonu: Doğru ürünü, doğru zamanda,  doğru mağazada ve doğru adette bulundurmak için Stok Yönetiminin doğru yapılması, bunu yaparken fiyatlandırma, promosyon ve indirim yönetimini analitik yöntemlerle yapılarak doğru fiyatı elde ederek satışı ve brüt karı maksimize etmek.

Rota Optimizasyonu: Ürünler merkezden mağazalara sevkiyatı yapılırken kullanılan araçların (kamyon, kamyonet, tır, vs.) doluluklarının maksimize edilmesi ve rota planlamasının yapılması.

Mesai Çizelgeleme: Çalışan memnuniyetinin arttırılması ve çalışan sirkülasyonun azaltılması için Mağazalardaki, marketlerdeki çalışanlarınızın mesai planlarının daha adaletli ve daha doğru yapılmasının sağlanması.

Kasa Kuyruk Simülasyonu: Kasa kuyruklarında bekleyen müşterilerin azaltılması ve doğru sayıda kasa açarak maliyetlerin azaltılması.

Tahmin: Fazla ya da az stok tutmamak için, doğru plan yapmak için, gelecekteki durumları analiz etmek için, en önemli yöntem olan tahminin doğru yapılması.

Network Dizayn: Mağazaların yerlerine göre, Nereye dağıtım merkezinin açılması gerektiğine karar verilmesi

Rota Planlama – Optimizasyon – Bölüm 1

Araç Rotalama Problemi (ARP), bir merkezden coğrafi olarak dağılmış çeşitli talep noktalarına dağıtım veya toplama rotalarının, araç filosunun kat ettiği toplam mesafeyi minimize edilecek şekilde bulunmasdir. Araç Rotalama Problemi, Tedarik Zincirinde ve aynı zamanda Tedarik Zincirinin parçası olarak Lojistikte yer alan ana karar alanlarından olan taşıma ile doğrudan ilişkilidir. Gerçek dünya uygulamalarında birçok değişik kısıtlar ve farklılıklar Araç Rotalama Problemlerinde çeşitliliği de beraberinde getirmiş, literatürde ve uygulamalarda farklı özellik ve kısıtlara sahip Araç Rotalama Problemlerinin incelenmesine yol açmıştır.

Araç Rotalama Problemi, en az maliyetle verilen belirli sayıda noktayı dolaşmayı sağlamayı hedefleyen bir kombinasyonel eniyileme problemidir. Çözümü için birçok alanda kullanılmakta olan çok sayıda sezgisel algoritma geliştirilmiştir. Sezgisel algoritmaların geliştirilmesinin nedeni Araç Rotalama probleminin NP-hard (herhangi bir algoritmayla optimal sonuca ulaşılamayan problem) olmasından kaynaklanmaktadır. Rota Planlamayı polinom zamanda optimize etmek güçtür ve sezgisel algoritmalar yardımıyla optimum yakın sonuçlar bulunabilmektedir.

Aslında Rota Planlama probleminin optimum sonucunu bulmak teorik olarak mümkündür. Fakat problem kombinasyonel  olduğu için talep noktalarının 15-20’yi geçmesi durumunda optimuma ulaşmak mevcut teknoloji ile zorlaşmaktadır.

Araç Rotalama Problemleri şirketlerin ihtiyaçlarına göre farklılık göstermektedir. En büyük farklılık, problemin Açık ve Kapalı uçlu olmasıdır. Yani yollanan aracın tekrar merkeze geri dönmesi ya da dönmemesidir. Diğer bir farklılık, Geri Toplaması olan Rotalama Problemidir. Literatürde Milk Run olarak geçer. Milk Run, dağıtımla birlikte aynı zamanda aynı yerden toplama yapılmasıdır.

Bunun dışında, Araçların farklı kapasitelere sahip olması, birden fazla merkez deponun bulunması, aynı mağaza/müşteriye birden fazla aracın gitmesi, talebin belirsiz olması (marketler) gibi durumlar da söz konusudur.

Bir Araç Rotalama Probleminde çeşitli amaç fonksiyonları olabilir?
Minimum Kilometre : Araçların en kısa mesafeyi kat ederek ürün ya da hizmeti müşteri/mağazaya ulaştırmasıdır.
Minimum Zaman : En kısa mesafeye çok benzerdir. Çoğu durumda en kısa mesafeyle aynı sonucu verir. Fakat mikro dağıtım yapılıyorsa bu değişkenlik gösterebilir.
Minimum CO2 emisyonu: Minimum kilometreye çok benzerdir. Kullanılan araçların hepsi aynı ise aynı sonucu verir. Araçlar değişiklik gösterirse farklılaşır.
Minimum Araç Sayısı : Araçların kapasitelerinin (hacim ya da ağırlık) en verimli şekilde kullanarak en az sayıda araç kullanılmasını sağlar. Genelde araç başına ücret verildiği ya da boş gitmenin cezası olduğu durumlarda kullanılır.

Rota Planlama probleminin temel bileşenleri aşağıdaki gibidir.

  • Kaç kamyon kullanılmalı?
  • Hangi mağazalara hangi kamyon atanmalı?
  • Her kamyonun mağaza sıralaması nasıl olmalı?

rotalama

Bir işletme ve bu işletmenin 40 mağazası olduğunu varsayalım. Bu mağazalara maksimum 7 araç kullanarak günlük sevkiyat yapıldığını ve araçların rota planlamasının optimizasyonla yapılmak istendiğini düşünelim.

depovemagazalar

Hangi mağazalara hangi kamyon atanmalı?
Bu işletmede ortalama her bir araç 5-6 mağazaya sevkiyat yapmaktadır. Eğer tüm araçlar 5 mağazaya  sevkiyat dağıttığını düşünürsek her bir aracın hangi mağazaları içereceği 40’ın 5’li kombinasyonu şeklinde olacaktır.

Kombinasyon bir nesne grubu içerisinden sıra gözetmeksizin yapılan seçimlerdir. Nesne grubunun tekabül ettiği kümenin alt kümeleri olarak da tanımlanabilir. Çünkü alt kümelerde sıra önemli değildir.
Bir A kümesinin herhangi bir alt kümesine A kümesinin bir kombinasyonu denir. Mesela 52 iskambil kartı arasından seçilen dört kart, kartları seçme sırası önemli olmadığından bir kombinasyon problemidir. (Wikipedia)

kombinasyon

Bizim problemimizdeki tüm ihtimaller C(40,5) şeklinde olacaktır.
Birkaç örnek yazacak olursak,

komb_tablo

komb_sonuc

Bu yaptığımız hesaplamalar neden bir rotalama probleminin optimizasyon ile çözülmesinin çok zor olduğunu anlatmak içindir.
Kombinasyon her bir araç için 5 mağaza olması durumundaki tüm ihtimalleri verir. Bu aşamada klasik ARP’de olan kısıtları hatırlamakta fayda vardır.

Araç kapasiteleri : Her bir aracın bir kapasitesi vardır. Kapasiteyi en verimli kullanmak gerekir. Bazı durumlarda boş göndermeniz durumunda ceza ödemek zorunda kalırsınız.
Zaman kısıtları : Mağazaların, müşterilerin gönderdiğiniz ürün ya da hizmeti almak için zaman kısıtları mevcuttur. Örneğin bir AVM’de ise saat 10:00’dan önce ürünleri kabul etmek isteyecektir.
Yol kısıtları (Köprü Kısıtları) : Kullanılmayan yollar, saatlik kapalı yollar (Köprüler vs.), belli araçların giremeyeceği yollar gibi.
Araç kullanım süreleri: Aracın bir günde maksimum kaç saat kullanılabilecğeini gösterir.

Bu kısıtlara göre yukarıda hesapladığımız ihtimaller azalabilir. Örneğin; 3, 4, 7, 8, 9 nolu mağazaların demandlerinin toplamı bir kamyonun kapasitesinden büyük ise bu rut otomatik olarak elenir.

Her kamyonun mağaza sıralaması nasıl olmalı?
Elemlerin ardından elimizdeki ihtimaller sadece hangi kamyona hangi mağazaların konu olacağını vermektedir. Bu araç dolulukları ile ilgilidir. ARP’deki en önemli amaç fonksiyonlarından biri olan minumum kilometrenin sağlanması için her bir ihtimalin içindeki mağazaların sıralamalarının denenmesi gerekir.
Bu da Permütasyon anlamına gelmektedir.

Matematikte permütasyon, her sembolün sadece bir veya birkaç kez kullanıldığı sıralı bir dizidir.
1’den 10’a kadar olan doğal sayıları içeren n elemanlı kümede r = 4 olarak alınırsa permütasyonların sayısı {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} kümesinden sırayı da gözetmek suretiyle oluşturulabilecek dört değişik elemanlı kümelerin sayısını ifade eder. (Wikipdia)

permutasyon

Bizim yukarıda oluşturduğumuz her bir 40’ın 5’li kombinasyonların permütasyonlarını bulmalı ve bunların mesafelerini ölçmeli ve bunların da en düşük mesafeli olanlarını seçmeliyiz.

Örneğin yukarıda oluşturduğumuz kombinasyonlardan 1, 2, 3, 4, 5’in permütasyonlarını bulalım.

perm_tablo

perm_sonuc

Sonuç olarak bu problemde 40 mağazanın 5’erli olarak araçlara yerleştirilmesi sonucundaki değişken sayısı;

sonuc

Bu durumda bile problemin bir çözümü olabilir. Fakat aynı araca 5’ten fazla mağaza/müşteri konu olabilir. Aşağıda bir araca konu olan mağaza/müşteri sayısı bulunmaktadır. Rakamları gördükten sonra neden bu problemin optimizasyonla çözülemeyeceğini siz de anlayacaksınız.

40magaza

Mağaza sayısı arttığı zaman problem çok daha zorlaşmakta ve karar değişken sayısı çözülemeyecek kadar artmaktadır.

80magaza

Bu sebeple ARP probleminin çözümü için, literatürde optimizasyon yerine çeşitli heuristic (sezgisel) ve metaheuristic (ileri-sezgisel) yöntemler ortaya çıkmıştır. Bu yöntemler doğru uygulandığında optimuma çok yakın sonuçlar verebilmektedir.

Bir sonraki yazımızda bu yöntemleri ve LC Waikiki’nin Rota Planlama problemini nasıl çözdüğünü anlatmaya çalışacağım.

Kullanıcı, Yazılım Uzmanı, İş Analisti, İş Zekası Uzmanı ve İş Analitiği Uzmanı

Son zamanlarda popüler olan ve önümüzdeki 5 yıl daha bu popülerliğini devam ettirecek olan meslekler var. 2012’nin Gözde Meslekleri adlı yazımda popüler olan Veri Madenciliği Uzmanı ve İş analisti 2014 yılında popülerliğini devam ettiriyor. Bunlara ek olarak Türkiye’de son dönemde öne çıkan İş Zekası Uzmanlığı da ön sıralarda yerini almış durumda. Daha önceki birkaç yazımda bu mesleklerin ne iş yaptığını yazmaya çalışmıştım. (1, 2, 3) Bugünkü yazımda size bu mesleklerin ne iş yaptığını farklı bir bakış açısından anlatmaya çalışacağım.

son_kullanici

Bu arkadaşımızın adı Son Kullanıcı (End-User) Kendisi herhangi bir şirkette bir paket programı kullanarak işlerini halletmektedir. Bu bir yazılım programı (SAS, Oracle Retail, LOGO, Netsis, Link, vs.) olabileceği gibi şirketlerin kendi in-house yazdıkları yazılımlarda olabilir. (bknz. LC Waikiki) Muhasebe, İnsan Kaynakları, Planlama, Lojistik vb. süreçlerde çalışmaktadır. Çalıştığı süreçle ilgili olan program modülüne girmekte ve işlerini yapmaktadır.

yazilim_uzmani

Bu arkadaşımızın adı BT Yazılım Uzmanı (IT Software Developer) Bu örneğimizde, kendisi herhangi bir şirkette bir yazılım paketini geliştirmekten sorumludur. Özellikle açık kaynak kodlu yazılım kullanan ve kendi yazılımını kendi yapan şirketlerde bolca bulunur. Asosyal oldukları ve eğlenmeyi bilmediklerine dair söylentiler vardır. Bunların tam aksine hem çok eğlenceli hem de çok sosyal insanlardır.
Son Kullanıcı ve BT Yazılım Uzmanı iş dışında çok iyi arkadaş olmalarına rağmen, konu iş olduğunda hiç çekilmez olurlar. Birinin beyaz dediğine diğer siyah der. İkisi de birbirlerinin işinin çok kolay olduğunu söyler durur.
Son Kullanıcı: Yazılım Uzmanı ne yapıyor ki? Akşama kadar internete girip, yarım saatte bir düğme ekliyorlar. Word’de yazı yazmak ile yaptıkları iş arasında ne fark var ki allasen? Bir günlük işi Bir hafta demiyorlar mı? Full yatış!
BT Yazılım Uzmanı: Adamların hem ekranlarını yap, hem sistemlerini hem yaptıkları işi bil, sonra bıdı bıdı konuşsunlar. Bu kadar ekran, alt yapı olduktan sonra onların işini ben de yaparım. O ekranları paintte yapmıyoruz biz.

yazilimci_kullanici

Bu iki arkadaş yüz yıllardır bir birleri ile anlaşamamışlardır. Şirkette her iki departmanda farklı katlarda bulunmasının nedeni de birbirlerine ulaşamaması içindir. Hatta ve hatta çoğu BT departmanın kapısında kartlı giriş sistemi vardır. Her ne kadar karizmatik görünsün diye yapılmış olduğu düşünülse de asıl sebebi Son Kullanıcı adlı kişilerin içeri girmesinin engellenmesidir.

is_analisti

Bu savaşa bir dur demek, iki tarafın arasında elçi görevi görmek, dekoderlik yapmak için yeni bir pozisyon oluşturulmuştur. Bu savaşı bitiren beyaz atlı şövalyemiz, İş Analistidir. Kendisi, arada kalmışların kahramanı, hem fakirliği hem zenginliği görmüş, BT Yazılım Uzmanının çekilmez hareketlerini, Son Kullanıcın kaprislerini yaşamış sindirmiş ve benimsemiştir. Hem BT’deki hem Son Kullanıcıdaki düşünme yetisine sahiptir. Değişik bir karakterdir İş Analisti. Bu arkadaşımız iletişim gücü yüksek ve analitik yönü gelişmiştir. Yani resmin tamamını görebilen ve gelecekteki ihtiyaçları tahmin edebilen bir yapıdadır. Pratik zekası yüksek, matematik ile arası da iyidir hani. Yazmayı seven, öğrenmeyi seven, düşündüklerini rahat anlatabilen biridir kerata.

yazilimci_kullanici_is_analisti

Kullanıcılarla, yazılım uzmanlarının arasını düzelttik. Artık çok iyi bir şekilde anlaşabiliyorlar. Kullanıcı istiyor, yazılım uzmanı hallediyor. Fakat Kullanıcının dertleri bitmiyor. Ekranlara birçok bilginin gelmesini istiyor. Her şey ekranda olsun, bütün verileri ekrana basalım diyorlar. Yazılım Uzmanları da rahat durmuyor bu arada. İş analistinden gelen analizlerdeki verileri bulabilecekleri veri altyapının olmadığından dert yanıyorlar. İlişkisel veri tabanları iyi hoş da, datamartlar, warehouse sistemleri yok ki özetlenmiş veriden yapalım bazı sistemleri.

is_zekasi

İşte karşınızda ikinci beyaz atlı prensimiz. İş Zekası Uzmanı. Bu arkadaşımız Türkiye’ye yakın zamanda geldi. Yurtdışında doğdu. Gerçi doğum tarihine baktığımızda çok genç olduğunu görmekteyiz.
Daha önce yazdığım yazıda iş zekası hakkındaki şu satılar çok manidardır. “Rekabet dünyasında, çalışanların ve yöneticilerin daha verimli işlere zaman ayırabilmesini sağlayan sistemlerdir. Türkiye henüz olayın ehemmiyetini kavrayamamış olsa da personelin ve zamanın tasarruflu kullanılmaması sonucu elde edilen zararları azaltmaya yönelik raporlama, analizleme, görüntüleme, geliştirme konularında yardımcı olurlar.”
Görevleri ikiye ayrılmaktadır; BT’ye hizmet edenler, kullanıcıya hizmet edenler.
BT’ye hizmet edenler, Veriambarları ve OLAP alt yapılarını oluştururlar. Mimarlara benzerler. Eğer doğru yapıları kurmazlarsa verimsiz sistemler inşa ederler. Türk Müteahhit olarak da düşünebilirsiniz. Kullanıcıya hizmet edenler, veriyi süreçlerin daha verimli olması için geliştirme amaçlı kullananlardır. Yani kullanıcıların raporlama ihtiyaçlarını karşılarlar. Konu hakkında iş bilgisine sahiptirler ve bu bilgi ile teknik bilgiyi harmanlayıp, kullanıcılara sunarlar. Hem alt yapı hem, rapor hem de iş bilgisine sahip oldukları için zor bulunur hint kumaşları gibidirler. Bir iş zekası uzmanının yetişmesi seneler almaktadır.

yazilimci_kullanici_is_analisti_is_zekasi

Ve işte son kahramanımız geliyor. Biliyorsunuz, konserlerde en son sırada en iyi şarkıcılar çıkar. Bizim kahramanımızda en iyi olduğu iddiasındadır. Hem beyaz hem de unicorn bir ata binmektedir. (Unicorn zaten tek boynuzlu efsanevi at demektir. Bir daha at yazmana gerek yoktu)

is_analitigi

Analitik kelimesinin bir kaç anlamı bulunmaktadır. İlk anlamı, parça ile bütün arasındaki ilişkiyi çözmek ve özüne inmektir. Diğer anlamı ise verinin içindeki anlamlı deseni keşfetme sanatıdır.
Peki İş analitiği nedir?
Deloitte’ye göre; İş Analitiği, veri yönetimi ve ticari bilgi ve performans raporlaması (BI) gibi temel konuların yanı sıra tahminsel modelleme, optimizasyon ve simülasyon gibi sofistike konuları kapsamaktadır. Somut verilere ve bilgiye dayalı bir şekilde karar verilebilmesini sağlayan İş Analitiği, firmanızın performansını detaylı bir şekilde anlamanızı ve geleceğe yönelik neler yapılabileceğini belirlemenizi sağlayarak rekabet avantajı elde etmenize yardımcı olacaktır.
İş Analitiği, en uygun yöntem biliminden yola çıkarak son teknolojileri kullanan akıllı sistemler kurarak, iş süreçlerini en etkin ve en verimli hale getirmeyi amaçlamaktadır. Bunu yaparken, Optimizasyon, simülasyon gibi mühendislik çözümlerini kullanırken, veri analitiği ve veri madenciliği kullanarak verinin içindeki anlamlı deseni keşfetmektedir. Sektör hakkındaki bilgi ve tecrübesi sayesinde entegre ve iş hedeflerine uygun çözümler üretmektedirler.
Ve işte bulmacamızın son parçası da eklendiğine göre yazımızı da bitirebiliriz.

İş Tanımları

Tüm sorularınızı İletişim linkine tıklayarak tarafıma ulaştırabilirsiniz. Kalın sağlıcakla.