Yapay zeka konuşulunca depolarda iki uç yaklaşım oluşuyor. Bir tarafta “her şeyi çözer” beklentisi var. Diğer tarafta “bizim işimiz sahada, yazılım ne anlar?” refleksi. Gerçek daha ortada duruyor: Yapay zeka bazı depo planlama problemlerinde ciddi fark yaratır, bazı konularda ise tek başına hiçbir şeyi düzeltmez.

Depo planlama; ürün verisi, operasyon alışkanlığı, ekipman kısıtı ve fiziksel gerçeklerle yürür. Bu nedenle yapay zeka, doğru veriyi alıp doğru hedefe bağlandığında değer üretir. Yanlış hedefe koşarsa, sadece karmaşıklık ekler.

Yapay Zeka Depo Planlama İçin Ne Anlama Gelir?

Depo planlama tarafında yapay zeka genellikle üç iş yapar:

• Çok sayıda yerleşim ve akış senaryosu dener.

• Senaryoları ölçülebilir metriklerle kıyaslar.

• Değişen sipariş/stok davranışına göre önerileri günceller.

Burada “yapay zeka” tek bir paket değildir. Bazı çözümler klasik optimizasyon algoritmaları + kurallarla çalışır. Bazıları makine öğrenmesi ile talep ve hareket tahmini yapar. Bazıları simülasyon motorunu besleyip darboğazları görselleştirir. Depo planlama açısından fark şu soruda çıkar: Sistem, sahadaki gerçek veriye dayanarak karar önerisi veriyor mu?

Depo Planlama Sürecinde Yapay Zeka Nerede Somut Fayda Üretir?

Somut fayda, depoda ölçülebilen şeylerde gelir. Ölçülebilen şeyler nettir: yürüyüş mesafesi, forklift rota süresi, toplama verimi, hatalı yerleştirme, kapasite kullanımı, tıkanan koridor sayısı.

Depo Slotlama ve Sku Yerleşimi

Ürünlerin doğru lokasyona yerleşmesi (slotlama) birçok depoda gizli maliyettir. Hızlı dönen ürünler uzakta kalınca hareket şişer. Yavaş dönen ürünler ana hatta kalınca trafik artar. Yapay zeka burada iki noktayı iyi yapar:

• Sipariş geçmişinden “birlikte satılan” ürünleri yakına çekebilir.

• ABC/XYZ gibi sınıflandırmayı dinamikleştirip sezonluk sapmaları yakalayabilir.

Bu yaklaşım, özellikle sırt sırta raf sistemi kullanılan depolarda “yanlış lokasyon” kaynaklı gereksiz hareketi daha görünür hale getirir. Çünkü erişim kolay gibi görünse de yanlış SKU yerleşimi, toplam yürüyüşü hızla büyütür.

Depo Akışı ve Trafik Dengesi

Depo planlamada en çok gözden kaçan konu trafik çakışmasıdır. Kağıt üzerinde geniş görünen koridor, vardiyada aynı anda 5 forklift çalışınca dar boğaza dönüşebilir. Yapay zeka destekli simülasyon, şu tip sorunları görünür kılar:

• Aynı noktaya yüklenen putaway + picking akışı

• Kapı önlerinde biriken paletler

• Tek yön/çift yön koridor kararının etkisi

• Toplama alanı ile sevkiyat alanı arasındaki gereksiz çapraz trafik

Bu tip iyileştirmeler “daha çok raf” gibi görünmez ama operasyonu rahatlatır. Dar alanda yüksek kapasite hedefleniyorsa dar koridor raf sistemi gibi çözümlerde simülasyonun değeri daha da artar; çünkü küçük bir trafik hatası bile gün boyunca tıkanıklık üretir.

Depo Kapasite ve Erişim Dengesi

Sadece kapasite artırmak kolay bir hedeftir. Zor olan, kapasiteyi artırırken erişimi ve güvenliği korumaktır. Yapay zeka burada farklı senaryoları aynı metrik setiyle kıyaslayabildiği için işe yarar. Örneğin:

• Aynı depoda daha yüksek seviye mi, daha geniş toplama alanı mı?

• Koridoru daraltmak mı, raf blok sayısını azaltmak mı?

• Yoğun depolama mı, hızlı erişim mi?

Bu tartışma doğrudan depo raf sistemi seçimine dayanır.

Depo Raf Sistemi Seçiminde Yapay Zeka Neyi İyi Yapar, Neyi Yapamaz?

Yapay zeka, raf sistemini “senin yerine” seçmez. Ama hangi düzenin daha uygun olabileceğini senaryolarla gösterir. En iyi yaptığı şey, seçenekleri “metriklerle” konuşturmaktır.

İyi Yaptığı Taraflar

• Ürün ölçülerine göre seviye aralığı ve raf yüksekliği senaryosu çıkarmak

• Palet pozisyonu, doluluk oranı, erişim süresi gibi metrikleri kıyaslamak

• Koridor genişliği kararının kapasiteye ve trafiğe etkisini göstermek

Yapamadığı Taraflar

• Sahada zemin, ankraj, çarpma riski, yük güvenliği gibi mühendislik sınırlarını tek başına doğrulamak

• Depo disiplinini “kendiliğinden” oluşturmak

• Eksik/yanlış veriyle güvenilir sonuç vermek

Örneğin yoğunluk hedefiyle mobil raf sistemi düşünülüyorsa, yazılım “alan kazanımı” tarafını iyi gösterir; fakat bakım rutini, hareket kısıtları ve acil durum erişimi gibi sahaya bağlı konular ayrıca netleştirilmelidir.

Yapay Zeka Depo Planlama İçin Hangi Veriler Gerekir?

Girdi ne kadar gerçekse çıktı o kadar sahaya benzer.

En sık kullanılan veri grupları:

• SKU ölçüleri (en, boy, yükseklik), ağırlık, ambalaj tipi

• Sipariş verisi (satır sayısı, sepet büyüklüğü, pik saatler)

• Stok hareketi (giriş-çıkış frekansı, replenishment ihtiyacı)

• Palet ve koli standardı (palet tipi, max istif, taşıma kuralı)

• Depo çizimi (kolonlar, kapılar, yükleme alanı, net yükseklik)

• Ekipman bilgisi (forklift tipi, dönüş yarıçapı, kaldırma yüksekliği)

• Operasyon kısıtları (vardiya, güvenlik alanları, yangın boşlukları)

Veri eksikse genelde iki sorun çıkar: Sistem “ideal” bir depo varsayar veya önerileri fazla geneller. İkisi de sahada zayıf karşılık verir.

Yapay Zeka Depo Planlama Tarafında Beklenti Nerelerde Şişer?

Bazı beklentiler depoya uygun değildir, çünkü depo yaşayan bir sistemdir.

En sık şişen beklentiler:

• “Bir kez kurulur, yıllarca aynı plan gider” düşüncesi

• “Veri yok ama sistem akıllı, bir şeyler çıkarır” yaklaşımı

• “Yazılım dedi, o zaman depo raf sistemi budur” gibi tek otoriteye bağlama

• “Kapasite artınca operasyon da hızlanır” varsayımı

• “Sadece lisans alalım, süreçler zaten oturur” beklentisi

Yapay zeka, süreci doğru yönlendirir. Süreci tek başına kurmaz.

Depo Planlama İçin Gerçek Hayatta En İyi Çalışan Senaryolar

Aşağıdaki senaryolarda yapay zeka çoğu depoda daha hızlı değer üretir:

• SKU sayısı yüksek ve sipariş yapısı dalgalıysa slotlama iyileşmesi net görünür.

• Aynı alanda hem depolama hem hazırlama sıkışıyorsa yerleşim optimizasyonu rahatlatır.

• Forklift trafiği yoğun ve koridor çakışması varsa simülasyonla tıkanıklıklar yakalanır.

• Raf seviyeleri ürün yüksekliğine oturmuyorsa “boş hacim” tespit edilir ve kapasite artar.

Katlı alan kullanımı olan depolarda (mezanin sistemler gibi) bu senaryoların etkisi daha belirgin hissedilir. Çünkü yerleşimdeki küçük bir hata, iki seviye arasında gereksiz iniş-çıkışa ve darboğaza dönüşebilir.

Yapay Zeka Depo Planlama İçin Basit Bir Geri Dönüş Hesabı

Karmaşık ROI modellerine girmeden de karar verilebilir. Basit bir zaman hesabı bile yeterli olur.

Örnek çerçeve:

• Günlük 1.000 sipariş

• Sipariş başı toplama süresi 6 dakika

• Slotlama iyileşmesiyle süre %10 düşüyor → 5,4 dakika

Günlük kazanım:

• 1.000 × (6 - 5,4) = 600 dakika = 10 saat

10 saat; vardiya baskısını azaltabilir, aynı ekiple daha fazla sipariş çıkarabilir veya pik dönemde gecikmeyi düşürebilir. Karar noktası şudur: Bu kazanımın parasal karşılığı, lisans + entegrasyon + eğitim toplam maliyetini kaç ayda karşılıyor?

Depo Raf Sistemlerinde Yapay Zeka Hangi Yapılarda Daha Uyumlu Olur?

Yapay zeka, karar değişkeni arttıkça daha değerli hale gelir. Bazı depo raf sistemleri bu açıdan daha “veri hassastır”.

• dar koridor raf sistemi gibi çözümlerde trafik ve ekipman uyumu kritik olduğu için simülasyon değeri yüksektir.

• mezanin sistemler planlanırken akış iki seviyeye çıktığı için yerleşim hatası maliyetli olur.

• Yoğun depolama hedefleniyorsa mobil raf sistemi gibi seçeneklerde erişim planı ve kullanım disiplini belirleyicidir.

• Otomasyona yakın yapılarda otomatik depolama AS/RS rafları için veri kalitesi ve süreç standardı daha da önemli hale gelir.

Depo Raf Sistemlerinde Sahada En Sık Yapılan Hatalar

Yapay zeka devrede olsa bile bu hatalar düzelmezse sonuç zayıflar:

• Veri güncellenmez; sistem eski SKU ölçüleriyle öneri üretir.

• Lokasyon disiplinine uyulmaz; plan ile saha ayrışır.

• Slotlama “öneri” olarak kalır; uygulama standardı oluşmaz.

• Depolama kapasitesi artırılır, hazırlama/sevkiyat alanı boğulur.

• depo raf sistemi yük ve güvenlik sınırları, yazılım çıktısıyla karıştırılır.

Depo Planlama İçin Kararı Netleştiren Kontrol Listesi

Satın alma kararı verirken şu sorular net cevap istemelidir:

• İyileştirmek istediğin ana metrik ne? (süre, kapasite, hata, maliyet)

• Veri setin güncel mi, ölçüler doğru mu?

• Depo süreçlerin net mi? (putaway, picking, replenishment)

• Önerileri sahada uygulayacak disiplin var mı?

• Yerleşim değişirse operasyon kesintisini yönetebilir misin?

• Lisans + entegrasyon + eğitim toplam maliyetini biliyor musun?

Yapay Zeka Depo Planlamada Ne Zaman Değer Katar?

Yapay zeka; verisi düzenli olan, hareketi yoğun olan ve karar değişkeni fazla olan depolarda belirgin değer katar. Slotlama, akış optimizasyonu ve simülasyon gibi alanlarda hız ve doğruluk getirir. Veri zayıfsa veya saha disiplini yoksa, çıktı ne kadar parlak görünse de operasyon etkisi sınırlı kalır.

Bir sonraki adım olarak, en çok hareket eden ilk 50 SKU’yu çıkarıp mevcut lokasyonlarla karşılaştırmalı bir slotlama taslağı oluşturmak iyi bir başlangıç olur.