B2B Satış ve Tahsilatta Yapay Zeka: Kapsamlı Rehber

B2B bağlamında yapay zeka, çoğu zaman makine öğrenmesi modellerinin geçmiş veriden örüntü çıkarıp gelecekteki bir olayı olasılıkla tahmin etmesi anlamına gelir. Örneğin Demir Ticaret adlı bayinin son 18 aydaki 240 faturasının ödeme gününe bakan bir model, yeni kesilen 45.000 TL'lik faturanın vadesinde mi yoksa ortalama 11 gün gecikmeyle mi kapanacağını tahmin edebilir. Bu, sabit bir kuralın ("vade geçince ara") yerine olasılığa dayalı bir öncelik üretir.

Bunu basit otomasyondan ayıran şey, kuralı insanın elle yazmaması, modelin veriden kendi çıkarmasıdır. Kural tabanlı bir sistemde "bakiye 50.000 TL'yi geçerse uyar" dersiniz. Öğrenen bir modelde ise sistem, geçmişte hangi bayilerin hangi davranış kombinasyonundan sonra ödemeyi geciktirdiğini bulur ve bunu yeni bayilere uygular. İkisi de değerlidir; çoğu sağlam kurulumda birlikte çalışır.

Önemli bir ayrım da şudur: üretici (generative) yapay zeka ile tahmine dayalı (predictive) yapay zeka farklı işlerdir. Sohbet eden bir satış asistanı metin üretir; gecikme tahmini ise bir sayı veya olasılık üretir. B2B satış ve tahsilatta asıl para kazandıran taraf çoğunlukla tahmine dayalı olandır, çünkü doğrudan nakit akışına ve risk yönetimine dokunur.

Yapay zeka iyi yaptığı işlerde tekrar eden, veri yoğun ve örüntü içeren görevleri ölçeklendirir. Binlerce cari hesabı tek tek inceleyip "bu hafta önce şu 12 bayiyi ara" demek, bir insanın saatlerini alır; model bunu saniyede yapar. Talep tahmininde geçmiş sezon verisini okuyup hangi üründe stok sıkışacağını işaret etmek de aynı kategoridedir. Bunlar yapay zekanın güçlü olduğu alanlardır.

Yapay zekanın yapmadığı veya yapmaması gereken şeyler de net olmalı. Model, eksik veya çarpık veriyle eğitilmişse yanlış öğrenir; örneğin geçmişte hiç riskli olmamış yeni bir bayi için anlamlı tahmin üretemez. Ayrıca model bir bayinin neden ödemediğini bilmez, sadece geçmiş davranışa benzerlik kurar. Pazarlık, ilişki yönetimi, istisnai vade kararı gibi konular insanın işidir.

Bu yüzden sağlıklı kurulumda yapay zeka karar verici değil, öneri vericidir. Sistem "Yıldız Bayi yüksek gecikme olasılığında, limiti gözden geçirin" der; limiti düşürme veya teslimatı durdurma kararını finans sorumlusu verir. Bu sınırı korumak, hem yanlış kararların önüne geçer hem de ekibin sisteme güvenini artırır. B2BPro'nun planlanan yapay zeka yetenekleri de bu "öneren makine, karar veren insan" çizgisinde tasarlanmaktadır ve şu an canlı değildir.

Tahsilatta en somut fayda gecikme tahminidir. Model, bir carinin ödeme geçmişine, vade alışkanlığına, sipariş sıklığına ve sektörel sezonsallığına bakarak yeni faturanın gecikme olasılığını skorlar. Tahsilat ekibi de günü, vadesi en kritik ve gecikme olasılığı en yüksek bayilerden başlatarak geçirir. Herkesi aynı anda aramak yerine, en çok nakit getirecek aramayı önce yapar.

Pratikte bu, tahsilat takvimini değiştirir. Örneğin 600 açık faturanın olduğu bir portföyde model, 38 faturanın bu hafta gecikme riskinin yüksek olduğunu söyleyebilir. Ekip bu 38'i öne alır, vadesi gelmeden hatırlatma yapar, gerekirse ödeme linki ile tahsilatı kolaylaştırır. Erken müdahale, gecikmeyi gerçekleşmeden önler. Bu konuda daha ayrıntılı süreç için tahsilat yönetimi ve ödeme linki başlıklarına bakılabilir.

Burada dürüst bir uyarı gerekir: tahmin olasılıktır, kesinlik değil. Model bir bayiyi yüksek riskli işaretleyebilir ama o bayi vadesinde öder. Bu yüzden tahmin, tahsilat sorumlusunun yargısını besler, yerine geçmez. B2BPro'da gecikme tahmini özelliği halen geliştirme aşamasındadır; canlıya alındığında da nihai aksiyonu (arama, vade revizyonu, teslimat kararı) insan onaylar.

Cari risk, bir bayinin ödememe veya geç ödeme ihtimalinin bütüncül değerlendirmesidir. Yapay zeka burada bakiye, ortalama gecikme günü, karşılıksız çek geçmişi, sipariş trendi ve ödeme düzenliliği gibi sinyalleri tek bir risk skorunda toplar. Böylece "Demir Ticaret düşük risk, limiti 250.000 TL'ye çıkarılabilir", "Yıldız Bayi artan risk, limiti 80.000 TL'de tutun" gibi öneriler oluşur.

Bu skorlama, risk limiti belirleme işini sezgiden veriye taşır. Klasik yöntemde limit çoğu zaman bir kez konur ve unutulur. Öğrenen bir model ise davranış değiştikçe skoru günceller; bir bayinin son üç ayda ödeme düzeni bozulduysa bunu erkenden işaret eder. Satış ile finans arasındaki "bu siparişi geçelim mi" gerilimi de daha az tartışmayla, ortak bir veriyle çözülür.

Yine de limit kararı ticari bir karardır. Stratejik bir bayiyle ilişkiyi büyütmek için finans, modelin önerdiğinden daha yüksek bir limiti bilinçli olarak verebilir. Yapay zeka bu kararın gerekçesini ve riskini görünür kılar, kararı dayatmaz. B2BPro'nun cari risk ve limit önerisi yeteneği erken erişim kapsamındadır; öneri üretir, onayı yetkili kullanıcı verir.

Talep tahmini, hangi üründen hangi bayinin ne zaman ne kadar sipariş vereceğini geçmiş veriyle öngörmektir. Model, sezonsallığı (örneğin yaz öncesi artan bir kategori), bayinin sipariş ritmini ve genel trendi okuyarak hem üreticiye stok planlamasında hem de saha ekibine satış fırsatında yön verir. "Demir Ticaret genelde her ay başı 600 koli alır, bu ay henüz sipariş geçmedi" gibi bir uyarı, kaçan satışı yakalar.

Bu, saha satış ve teklif süreçlerini besler. Saha temsilcisi ziyaret rotasını, modelin işaret ettiği "siparişi gecikmiş" veya "çapraz satışa açık" bayilere göre kurabilir. Üretici tarafında ise talep tahmini, üretim ve tedarik planını gerçeğe yaklaştırır; ne ölü stok ne de raf boşluğu. Konunun satış tarafıyla ilişkisi için saha satış modülü başlığına bakılabilir.

Talep tahmininin sınırı veri derinliğidir. Yeni bir ürün veya yeni açılan bir bayi için geçmiş olmadığından tahmin zayıf kalır; bu durumlarda benzer ürün veya bölge verisiyle yaklaşık bir öngörü kurulur ama belirsizlik yüksektir. B2BPro'da talep tahmini henüz canlı değildir; tasarımı, tahmini bir öneri olarak sunup planlama kararını insana bırakacak şekildedir.

Mutabakat, iki tarafın cari hesap bakiyesini karşılaştırıp farkları kapatma sürecidir ve elle yapıldığında hem yavaş hem hata açıktır. Yapay zeka burada anomali tespitiyle devreye girer: binlerce satırı tarayıp "bu fatura iki kez işlenmiş", "şu mahsup ters yöne kayıtlı", "bu tutar mutat aralığın çok dışında" gibi sıra dışı kayıtları öne çıkarır. İnsan, tüm listeyi değil, sadece işaretlenen şüpheli satırları inceler.

Pratik kazanç zamandır. 4.000 satırlık bir mutabakat dosyasında gözle fark bulmak günler alabilirken, anomali tespiti incelenecek alanı belki 30 satıra indirir. Bu, ay sonu kapanışını hızlandırır ve gözden kaçan tutar farklarının cari hesaba yük olmasını engeller. Sürecin temeli için mutabakat ve mahsup başlıklarına bakılabilir.

Anomali tespitinin doğası gereği bazı işaretlemeleri yanlış pozitif olur; sıra dışı görünen kayıt aslında doğru olabilir. Bu yüzden sistem kaydı silmez veya düzeltmez, sadece dikkat çeker. Düzeltme kararı muhasebe sorumlusundadır. B2BPro'nun mutabakat anomali tespiti yeteneği geliştirme aşamasındadır ve canlıya alındığında da yalnızca uyaran, karar vermeyen bir araç olarak çalışacaktır.

Satış Asistanı, kullanıcının sade Türkçe ile soru sorup veriden cevap aldığı bir arayüzdür. "Bu ay vadesi geçmiş en yüksek beş bayi kim?" veya "Yıldız Bayi'nin son üç aylık bakiyesi nasıl seyretti?" gibi soruları, rapor menülerinde gezmeden yanıtlamayı amaçlar. Amaç, veriye erişimi sahadaki temsilciden finanstaki uzmana kadar herkes için kolaylaştırmaktır.

Bu tür üretici yapay zekanın en bilinen riski, kendinden emin biçimde yanlış cevap üretmesidir. Bu yüzden sağlıklı bir asistan, cevabını her zaman gerçek kayıtlara dayandırmalı ve hangi veriye bakıp o sonuca vardığını gösterebilmelidir. Kullanıcı, asistanın söylediğini değil, dayandığı bakiyeyi ve hareketi esas alır. Asistan kısa yol açar, sorumluluğu üstlenmez.

B2BPro Satış Asistanı henüz canlı değildir, erken erişim kapsamında planlanmaktadır. Tasarım ilkesi, asistanın yalnızca kullanıcının zaten görme yetkisi olan veriyi sorgulaması ve hiçbir işlemi (tahsilat kaydı, limit değişikliği, sipariş onayı) kendi başına yapmamasıdır. Her aksiyon, kullanıcı onayından geçer.

İyi bir başlangıç, yapay zekayı sıfırdan kurmak değil, mevcut temiz veri üzerine bir karar destek katmanı eklemektir. Cari hareketler, ödeme geçmişi ve sipariş kayıtları düzenli ve tutarlıysa model anlamlı çalışır; veri dağınıksa en gelişmiş model bile yanıltır. Bu yüzden ilk yatırım çoğu zaman yapay zekaya değil, veri disiplinine yapılır.

İkinci ilke, dar bir alanda başlamaktır. Aynı anda beş yeteneği açmak yerine, en çok nakit etkisi olan tek bir alandan (genelde gecikme tahmini veya cari risk) başlamak, ekibin güven kurmasını sağlar. Model birkaç hafta gerçek kararlarla yan yana çalıştırılır; önerileri tutarlı çıktıkça kapsamı genişletilir. Bu yaklaşım, yanlış bir otomasyonun zarar vermesini de engeller.

Üçüncü ilke şeffaflıktır. Ekip, modelin neden bir bayiyi riskli işaretlediğini görebilmeli; "kara kutu" bir skor güven kazanmaz. Ayrıca KVKK ve PCI DSS uyumu gözetilmeli, kişisel ve kart verisi modele gereksiz açılmamalıdır. B2BPro yetenekleri bu çerçevede, henüz canlı olmayan ve insan onayını merkeze alan bir tasarımla geliştirilmektedir.