Ay sonu geldiğinde kaç KOBİ finans yöneticisi elindeki Excel tablosuna bakıp “bu ay tahsilat gecikirse ne olur?” sorusunu soruyor? Çoğu zaman cevap tahminden ibaret — geçen ayın ortalamasına bakılıyor, biraz iyimserlik eklenip banka bakiyesi projekte ediliyor. Oysa aynı işletmenin ERP sisteminde bu sorunun cevabını verecek veri zaten duruyor: açık faturalar, geçmiş tahsilat gecikmeleri, stok devir hızı, tedarikçi ödeme vadeleri. Sorun veri eksikliği değil, o verinin ileriye dönük bir tahmine dönüştürülmemesi.
Yapay zekâ destekli nakit akışı tahmini tam olarak bu boşluğu dolduruyor. Bu yazıda yöntemin nasıl çalıştığını, hangi veri noktalarının işe koşulduğunu ve — daha önemlisi — nerede durup insan kararına bırakılması gerektiğini ele alıyoruz.
KOBİ’de nakit akışı tahmini neden hâlâ manuel
Büyük şirketlerin hazine departmanları onlarca yıldır nakit akışı modelleri kullanıyor. KOBİ’de tablo farklı: finans işini genellikle bir veya iki kişi yürütüyor, tahmin haftalık ya da aylık Excel güncellemesiyle yapılıyor, ve tahmin genelde “geçen dönem ne olduysa bu dönem de öyle olur” mantığından öteye geçmiyor.
Bunun üç somut sonucu var:
- Sürpriz kasa açıkları — büyük bir tahsilat geciktiğinde işletme haberi son anda alıyor.
- Gereksiz kredi kullanımı — nakit durumu belirsizken işletmeler “olur da” diye ihtiyaçtan fazla kredi çekiyor, faiz maliyeti büyüyor.
- Yatırım kararlarının gecikmesi — makine alımı, stok büyütme gibi kararlar “nakit yeter mi” sorusuna net cevap bulunamadığı için ertelendiği.
Bu üç sonucun ortak kaynağı aynı: veri ERP’de var ama tahmine dönüşmüyor.
ERP verisiyle yapay zekâ destekli tahmin nasıl çalışır
Mantık aslında basit. Geçmiş dönemlerde müşterilerin faturalarını ortalama kaç günde ödediği, hangi müşteri segmentinin gecikme eğiliminde olduğu, stok devir hızının nakde dönüşüm süresini nasıl etkilediği — bunların hepsi ERP’nin satış, tahsilat ve stok modüllerinde kayıtlı. Makine öğrenmesi modeli bu geçmiş örüntüyü öğrenip açık faturalara, planlanan siparişlere ve mevcut stok pozisyonuna uygular; sonuç, “3 hafta sonra kasada muhtemelen bu aralıkta nakit olacak” şeklinde bir aralık tahmini olur.
Bunu somut örnekle görmek için Microsoft’un Dynamics 365 Finance ürününe bakılabilir: sistemin nakit akışı tahmin modülü, genel muhasebe, alıcı/satıcı hesapları, bütçe ve stok yönetimi verilerini birleştirip makine öğrenmesiyle ileriye dönük tahmin üretiyor; hangi müşterilerin geç ödeme yapma olasılığının yüksek olduğunu da ayrıca işaretliyor (kaynak: Microsoft Learn — Nakit akışı tahmini). Bu, tek bir ürünün özelliği; farklı ERP’lerde benzer modüller farklı isim ve kapsamda sunuluyor — kendi sisteminizde bu yeteneğin olup olmadığını üreticinizin resmi dokümantasyonundan teyit etmeniz gerekir.
Önemli bir nüans: çıktı genelde tek bir kesin rakam değil, bir aralık ve bir güven düzeyi olarak sunulur — “önümüzdeki 30 gün içinde kasa bakiyesi X ile Y arasında kalır, gecikme riski taşıyan Z tutarında alacak var” gibi. Bu, tahminin doğası itibariyle belirsizlik taşıdığını gösterir; finans yöneticisinin işi bu aralığı tek bir aksiyon planına çevirmektir.
Tahmine giren veri noktaları
Modelin isabetli çalışması için genellikle şu veri kategorileri kullanılır:
| Veri kaynağı | Neyi gösterir | Tahmine katkısı |
|---|---|---|
| Açık satış faturaları | Beklenen gelir, vade tarihleri | Yakın dönem giriş nakit tahmini |
| Geçmiş tahsilat gecikmeleri | Müşteri bazında ödeme davranışı | Gerçekçi tahsilat tarihi ayarlaması |
| Açık satın alma/tedarikçi faturaları | Planlanan çıkış nakit | Yakın dönem çıkış nakit tahmini |
| Stok devir hızı | Nakde dönüşüm süresi | Orta vadeli likidite baskısı sinyali |
| Kredi/kredi kartı vade takvimi | Sabit ödeme yükümlülükleri | Taban çıkış tahmini |
| Mevsimsellik (geçmiş dönem verisi) | Tekrar eden talep dalgalanmaları | Aylık/çeyreklik düzeltme katsayısı |
Bu tablodaki her satır ERP’de zaten kayıtlı — ayrı bir veri toplama projesi gerekmiyor, gereken şey bu verinin bir tahmin motoruna bağlanması.
Sınırları: yapay zekâ büyücülük değil
Burada dürüst olmak gerekiyor: yapay zekâ destekli tahmin, geçmiş örüntüden öğrenir — beklenmedik bir olayı (büyük bir müşterinin iflası, ani bir talep sıçraması, döviz kurunda sert hareket) öngöremez. Model ne kadar iyi olursa olsun üç koşula bağlı kalır:
- Veri kalitesi. Faturalar zamanında ve doğru girilmiyorsa, tahmin de o kadar hatalı olur. KOBİ’lerde en sık karşılaşılan engel budur.
- Veri bütünlüğü. Satış, tahsilat ve stok verisi farklı sistemlerde (ayrı bir muhasebe programı, ayrı bir Excel, ayrı bir e-ticaret paneli) dağınıksa, model eksik resimle çalışır — bu da genelde ERP entegrasyonu ihtiyacına işaret eder.
- İnsan gözden geçirmesi. Tahmin bir karar destek aracıdır, otomatik karar mekanizması değil. Nihai kredi/yatırım kararı finans yöneticisinde kalmalı.
Bu üç koşuldan biri sağlanmıyorsa yapılacak ilk iş yapay zekâ modeli kurmak değil, veri düzenini oturtmaktır.
Uygulamaya nasıl başlanır
Sıfırdan bir yapay zekâ projesi başlatmadan önce izlenebilecek adımlar:
- Mevcut ERP’de (varsa) nakit akışı tahmin modülünün olup olmadığını ve hangi verilerle çalıştığını üreticinizin dokümantasyonundan kontrol edin.
- Satış, tahsilat, stok ve tedarikçi verisinin tek bir sistemde mi yoksa dağınık mı olduğunu haritalayın.
- Geçmiş 12-24 aylık tahsilat gecikme verisinin (müşteri bazında ortalama gecikme günü) elinizde olup olmadığını kontrol edin — model bu veriyle beslenir.
- Küçük ölçekte pilot başlatın: tüm portföy değil, en büyük 20-30 müşterinin ödeme davranışı üzerinden başlayın.
- Tahmini üç ay boyunca gerçekleşen sonuçla karşılaştırıp modelin sapmasını ölçün, ardından kapsamı genişletin.
İkiz Eksen’in bu süreçteki rolü
İkiz Eksen’de bu tür bir çalışma tek bir yazılım kurulumu değil, bir zincir: önce mevcut ERP ve veri düzeninin ölçümü, ardından eksik entegrasyonların yazılıma taşınması, sonunda tahmin ve raporlama katmanının devreye alınması. Bu yaklaşım dijital dönüşüm danışmanlığı hizmetimizin çıkış noktası; metodolojimizde keşif-pilot-yaygınlaştırma sırasıyla ilerliyor.
Bu çalışmayı Qera’dan gelen birikimle yürütüyoruz — 550’den fazla kurumsal müşteri, 15’in üzerinde sektör ve 100’den fazla ERP projesi deneyimi, yaklaşık 35 kişilik uzman ekip. Altyapı tarafında Microsoft Azure kullanıyoruz; proje anahtar teslim yürütülüyor ve Türkiye genelinde hizmet veriyoruz. Nakit akışı tahmini gibi bir katmanı mevcut ERP’nize eklemeyi değerlendiriyorsanız, kurum profilinize göre net bir tablo için dijital dönüşüm veya çözümler sayfalarımıza bakabilir, doğrudan iletişim formundan bir değerlendirme görüşmesi talep edebilirsiniz.
Sıkça Sorulan Sorular
Nakit akışı tahmini için hangi ERP modülleri gerekli?
Genelde satış/sipariş, alıcı-satıcı hesapları (cari), stok ve muhasebe modüllerinin veri paylaşabilmesi yeterli. Modülün “yapay zekâ destekli tahmin” adıyla ayrıca satılıp satılmadığı üreticiden üreticiye değişir; bazı sistemlerde bu bir eklenti, bazılarında temel paketin parçasıdır.
Küçük bir işletme için bu yatırıma değer mi?
Nakit döngüsü dar olan, alacak tahsilatında düzenli gecikme yaşayan ve kredi kullanımı yüksek işletmelerde geri dönüş görece hızlı olur. Nakit pozisyonu istikrarlı, tahsilat vadesi kısa işletmelerde öncelik başka alanlarda (örneğin stok yönetimi) olabilir — bu, işletmeye göre değişen bir önceliklendirme kararıdır.
Model ne kadar geçmiş veriye ihtiyaç duyar?
Genel uygulamada en az 12 aylık, tercihen 24 aylık işlem geçmişi tahmin isabetini artırır. Daha kısa geçmişte model çalışır ama mevsimsellik ve döngüsel örüntüleri yakalama gücü sınırlı kalır.
Veri farklı sistemlerde dağınıksa ne yapılmalı?
Önce entegrasyon ihtiyacı değerlendirilmeli. Satış e-ticaret panelinde, muhasebe ayrı bir programda, stok Excel’de tutuluyorsa yapay zekâ modeli kurmadan önce bu veri kaynaklarının tek bir sisteme (ya da entegre çalışan sistemlere) bağlanması gerekir.
Tahmin hatalı çıkarsa sorumluluk kimde?
Model bir karar destek aracıdır; nihai finansal kararı (kredi kullanımı, yatırım zamanlaması) veren kişi finans yöneticisidir. Tahminin güvenilirliği düzenli olarak gerçekleşen sonuçla karşılaştırılarak izlenmeli, sapma büyükse veri kalitesi ve model parametreleri gözden geçirilmelidir.