Data Department; otomotiv distribütörlerinin, bayi gruplarının ve servis ağlarının parça ve atölye kararlarında makine öğrenmesi, optimizasyon ve yapay zekâ kullanmasına yardımcı olur: her yedek parçadan ne kadar tutulacağı, bir onarım işinin ne kadar süreceği ve işi hangi teknisyenin yapacağı. Otomotiv çalışmalarımız arasında 100.000'den fazla parça için kurduğumuz bir tahmin sistemi ve ortalama brüt atölye gelirini yaklaşık %15 artıran bir atölye planlama projesi var.
Otomotiv dağıtım ve serviste yapay zekâ nerede değer üretir?
Satış sonrası iş iki kıt kaynağa dayanır: raftaki parça ve atölyedeki teknisyen saati. İkisi de belirsizlik altında planlanır ve plan yanlış olduğunda ikisi de pahalıya mal olur.
| Karar | Makine öğrenmesi, yapay zekâ ya da optimizasyon ne yapar | Tipik veri |
|---|---|---|
| Her lokasyonda hangi parçadan ne kadar tutulacak | Sık satılan, seyrek satılan ve yüksek değerli parçalar için ayrı modellerle, kabul edilen riske göre stok belirleyen olasılıksal tahmin | Sipariş geçmişi, bölgelere göre araç parkı, parça uyumluluğu ve ikamesi, mevsimsellik, hava durumu |
| Parça stokta yoksa hangisi önerilecek | İkameyi hesaba katan tahmin ve öneriler | Muadil ve uyumluluk listeleri |
| Bir onarım işi ne kadar sürecek | İş türü, araç ve geçmişe dayalı iş süresi tahmini | İş emirleri, işçilik süreleri, araç verisi |
| Hangi iş, hangi teknisyene, hangi sırayla | Tahmin edilen süreleri kullanan bir atama optimizasyonu | Teknisyen yetkinlikleri, vardiyalar, lift ve bölmeler, randevular |
| Hangi müşteriler servise gelmeyi bırakabilir | Müşterileri servis hatırlatmaları ve teklifler için sıralayan müşteri kaybı (churn) modelleri | Servis ziyaretleri, araç yaşı, iletişim geçmişi |
| Teknik ve garanti belgelerinde aranan bilgi nerede | Kaynak göstererek yanıt veren RAG (bilgi getirme destekli üretim) tabanlı kurumsal yapay zekâ asistanı | Onarım kılavuzları, teknik bültenler, garanti kuralları |
İlgili projeler
- Araç yenileme ve marka kaybı tahmini: Bir otomotiv distribütörlük grubu. Müşterinin servis, şikâyet, satın alma ve diğer tüm etkileşim geçmişi üzerine kurulan birbirine bağlı iki model, seçilen bir süre içinde aracını yenileme olasılığını ve yenilerse başka markaya geçme olasılığını tahmin etti. Önceliklendirilen aramalar ve kişiye özel fiyat teklifleri yaklaşık %8 gelir artışı sağladı.
- Yedek parça stok tahmini: Birden fazla marka ve kanalda (yetkili servis, bayiler ve doğrudan satış) 100.000'den fazla aktif parçası olan büyük bir otomotiv distribütörlüğü grubu. AWS (Amazon Web Services) SageMaker üzerinde günlük güncellemelerle kurduğumuz olasılıksal tahmin ve segment bazlı modeller, eski yönteme göre ~%30 daha iyi tahmin doğruluğu ve ~%10 daha düşük stok taşıma maliyeti sağladı.
- Servis atölyesi iş planlama: Bir otomotiv servis ağı. Bir teknisyen atama optimizasyonunu besleyen iş süresi tahmini, ortalama brüt atölye gelirini yaklaşık %15 artırdı.
Bir otomotiv işletmesi için tipik ilk projeler nelerdir?
- Tek bir marka ya da kanal için parça tahmini: En çok sermaye bağlayan kalemlerden başlayarak. Yöntemi yedek parça stok optimizasyonunda olasılıksal tahmin yazımızda anlatıyoruz.
- İş süresi tahmini: Birkaç atölyede en sık yapılan onarım türleri için.
- Teknisyen ataması: Süre tahminleri güvenilir hâle geldiğinde; atölye geliri ve zamanında teslim üzerinden ölçülür.
- Teknik belge asistanı: Servis danışmanları ve teknisyenler için.
Her biri iki haftalık bir Keşif aşamasıyla başlar: sıralanmış kullanım alanları, veri kontrolü ve devam ya da dur kararı. Ücretsiz 30 dakikalık yapay zekâ fırsat değerlendirmesi, uygunluğu hızlıca görmenin bir yoludur. Depo, filo ve teslimat soruları için dağıtım ve lojistik sayfamıza bakabilirsiniz.
Veri ve entegrasyon notları
- DMS (bayi yönetim sistemi) ve ERP (kurumsal kaynak planlama); parça satışlarını, stokları, siparişleri ve iş emirlerini tutar. Tahminler ve planlar geri yazılır; planlamacılar ve servis müdürleri bunları zaten çalıştıkları ekranda kullanır.
- Ana veri; parça uyumluluk ve ikame listeleri çoğu zaman satış geçmişi kadar değerlidir.
- Bölgelere göre araç parkı verisi, eski ve az bulunan modellerin parça talebini tahmin etmeye yardımcı olur.
- Altyapı: AWS, Google Cloud, Azure ya da şirket içi sunucularda teslim ederiz.
Sık sorulan sorular
Parçalar için neden olasılıksal tahmin kullanılmalı?
Birçok parça seyrek ve düzensiz satılır. Tahmin aralığı, tek bir sayıya güvenmek yerine her parça için kabul ettiğiniz riske göre stok belirlemenizi sağlar.
Atölye planlama bir tahmin mi, optimizasyon problemi mi?
İkisi birden. Servis ağı projemizde tahmin edilen iş süreleri, işleri teknisyenlere atayan bir optimizasyon modelini besledi.
Önce bir veri ambarına ihtiyacımız var mı?
Hayır. İlk projelerin çoğu DMS ve ERP sistemlerinden alınan veri çıktılarıyla yürür.
Birden fazla marka ve satış kanalıyla aynı anda çalışabilir misiniz?
Evet. Parça tahmin sistemimiz yetkili servis, bayiler ve doğrudan satış dahil birden fazla marka ve kanalı kapsıyor.