Problem → Çözüm
Problem
Her gün yüz binlerce arama yapılıyor; “oat milk”, “tahin pekmez”, “glutensiz lavaş” gibi aramaların bir kısmı sıfır sonuç dönüyor ya da stoksuz ürüne gidiyor. Bu kayıp talep hiçbir raporda görünmüyor, asortiman kararları sadece satış verisiyle alınıyor.
Çözüm
Kayıp Talep Radarı; sıfır sonuçlu, stoksuz ve “arama sonrası sepetsiz çıkış” olaylarını toplar, LLM ile normalize edip ürün ihtiyacı kümelerine ayırır. Her küme için tahmini kayıp ciro, hangi depolarda yoğunlaştığı ve önerilen SKU/tedarikçi listesiyle asortiman ekibine öneri sunar.
Temel özellikler
Yapay zeka nerede devreye giriyor?
Arama sorguları embedding ile kümelenir, LLM her kümeye kanonik ihtiyaç adı verir ve tedarikçi kataloğunda eşleşen SKU’ları RAG ile bulur.
- multilingual-e5 embedding + HDBSCAN ile günlük 180 bin sorgudan ~2.400 ihtiyaç kümesi; yazım hatası ve EN/TR karışımı aynı kümede
- GPT-4o-mini ile küme etiketleme ve “gerçekten ürün ihtiyacı mı” sınıflandırması (structured output)
- Tedarikçi kataloğunda OpenSearch hibrit arama ile aday SKU eşleme; kayıp ciro tahmini için benzer kategori dönüşüm oranları
Nasıl çalışır?
Stack
Arayüz
Backend
AI / ML
Veri
Altyapı & DevOps
Pazarlama & lansman
Başarı metrikleri (hedef)
MVP yol haritası
Bir fikri production’a taşırken ilk sorum şu: ölçülebilir mi ve mevcut sistemi bozmadan nasıl açılır? Yaklaşık 4 yıl, ayda yüz milyonlarca CDN isteği alan bir embed script üzerinde çalıştım. Kademeli geçiş ve gerçek test kapsamı benim için vazgeçilmez. Remote çalışmaya hazırım.