Açıklanabilir Yapay Zeka ile desteklenen bilgi grafiği kullanarak perakendeci segmentasyonu

Neden daha akıllı perakendeci grupları önemli

Büyük bir marka binlerce perakende ortağı ile çalıştığında, hangi mağazaları daha güçlü destekleyeceğine karar vermek kârı belirleyebilir. Bu makale, kararlarına nasıl ulaşıldığını da açıklayabilen bir yapay zeka biçimi kullanarak perakendecileri anlamlı gruplara ayırmanın yeni bir yolunu inceliyor. Bu, yöneticilerin yalnızca hangi ortakların “stratejik” veya “riskli” olduğuna dair bir cevap almasıyla kalmayıp, her bir değerlendirme için nedenleri de görmeleri anlamına geliyor; bu da sisteme güvenmeyi ve tavsiyelerine göre hareket etmeyi kolaylaştırıyor.

Perakendecilerin marka başarısını nasıl şekillendirdiği

Perakendeciler bir marka ile müşterileri arasındaki ön saftır. Nike örneğinde görüldüğü gibi, bir şirket doğrudan çevrimiçi satışı teşvik etse bile gelirlerin büyük kısmı bağımsız mağazalardan gelebilir. Bu nedenle markalar zamanlarını, kredilerini ve desteklerini daha küçük bir yüksek performanslı perakendeci setine odaklamaya çalışır. Bu sıralama süreci, perakendeci segmentasyonu olarak bilinir; maliyetleri düşürmeye, hizmeti keskinleştirmeye ve tüm ağ boyunca satışları artırmaya yardımcı olur. Ancak doğru yapmak zordur çünkü performans teslimat güvenilirliğinden teknoloji kullanımına, finansal sağlıktan talep planlamaya kadar birçok faktöre bağlıdır.

Geleneksel skor kartlarının sınırlamaları

Birçok firma hâlâ perakendecileri gruplamak için portföy matrisleri veya çok kriterli skor kartlar gibi basit araçlara güveniyor. Bu yöntemler tanıdık olabilir, ancak kriterler çok sayıda olduğunda ve veriler karmaşıklaştığında zorlanırlar. Genellikle performansın farklı yönleri arasındaki bağlantıları gizlerler ve yöneticileri hikâyeyi anlamadan skorları güvenmek zorunda bırakabilirler. Yazarlar, operasyon, teknoloji ve finans gibi daha geniş boyutlara ayrılmış ayrıntılı kontrollerin netliği artırabileceğini gösteren geçmiş araştırmaları gözden geçiriyor, ancak modern yapay zeka araçlarıyla şimdi daha akıllı ve şeffaf bir yaklaşımın mümkün olduğunu da savunuyorlar.

Açıklanabilir yapay zeka ve bilgi grafikleri devreye giriyor

Çalışma, perakendeciler hakkındaki gerçekleri bilgisayarların üzerinde akıl yürütebileceği şekilde bağlayan yapılandırılmış bir harita olan bilgi grafiği üzerine kurulu bir perakendeci segmentasyonu yöntemi tanıtıyor. Uzman görüşmeleri ve önceki çalışmalar, teslimat performansı, toplam sahip olma maliyeti, talep yönetimi yetenekleri, iletişim biçimi, veri işleme ve ödeme riski dahil olmak üzere ana kontrollerin seçilmesinde kullanıldı. Zamanında teslimat ve maliyet gibi bazı kontroller sayısaldır; iletişim tarzı veya kullanılan veri araçları gibi diğerleri niteliktir. Bunlar operasyon, teknoloji ve finans olmak üzere üç boyuta düzenlenir. Ondokuz perakendeciden alınmış gerçek fakat anonimleştirilmiş veriler grafiği besler; her bir ortak hakkında hem katı rakamları hem de uzman değerlendirmelerini yakalar.

Ham veriden net perakendeci kategorilerine

Yazarlar, uzman yazılımlar kullanarak iş kurallarını grafikte mantıksal ifadeler olarak kodladı. Örneğin, yüksek iade oranına sahip ama yönetilebilir risk, güçlü dijital iletişim, güvenilir veri sistemleri, makul maliyetler, sağlam teslimat ve iyi talep yönetimi gösteren bir perakendeci “stratejik” ortak olarak ele alınır. Daha düşük getiri ama güvenli davranış ve zayıf yeteneklere sahip perakendeciler “temel” olarak sınıflandırılırken; zayıf veya negatif getiri, yüksek risk, yüksek maliyet ve zayıf teslimat gösterenler “darboğaz” grubuna girer. Otomatik bir akıl yürütme motoru bu kuralları verilere uygular ve her perakendecinin hangi segmente ait olduğunu tümler. Her karar açık koşullara bağlandığı için yöneticiler, belirli bir mağazanın neden belirli bir şekilde etiketlendiğini tam olarak izleyebilir ve sonucun kendi anlayışlarıyla örtüşüp örtüşmediğini kontrol edebilirler.

Sistemin mantığını test etmek

Yazarlar, örneğin hangi perakendecilerin stratejik sayıldığını soran sorgular çalıştırarak ve ardından temel verilerin gerçekten belirtilen tüm koşulları karşılayıp karşılamadığını kontrol ederek sistemi doğrularlar. Vaka örnekleri, yüksek getiri, kabul edilebilir düzeyde yüksek risk, güçlü dijital araçlar ve iyi teslimat gösteren bir perakendecinin stratejik segmente yerleştirilişini; negatif getiri ve yüksek maliyet gösteren diğer bir perakendecinin ise darboğaz grubuna düştüğünü gösterir. Bu prototipte segmentler net, örtüşmeyen kurallarla tanımlandığından çakışmalar ortaya çıkmaz, ancak yazarlar gerçek dünya kullanımında daha fazla segment ve daha belirsiz sınırların olabileceğini ve bunun daha ileri iyileştirme gerektirebileceğini not ederler.

Günlük iş kararları için bunun anlamı

Açıkça söylemek gerekirse, makale markaların sezgi ve opak skorlarla çalışmaktan şeffaf, veri açısından zengin bir perakendeci ağ haritasına nasıl geçebileceklerini gösteriyor. Birçok farklı bilgi parçasını tek, açıklanabilir bir modele birleştirerek bilgi grafiği yaklaşımı karar vericilerin en iyi ve en riskli ortaklarının kim olduğunu değil, aynı zamanda nedenini görmelerine yardımcı oluyor. Mevcut çalışma basitleştirilmiş bir kavramsal kanıt olsa da, daha fazla kriter ve gelişmiş akıl yürütme yöntemlerini işleyebilecek gelecekteki araçlara işaret ediyor; bu da firmalara nereye yatırım yapacakları, nereleri geliştirmeye destek verecekleri ve nerelerde maruziyeti sınırlayacakları konusunda daha net rehberlik sağlayabilir.

Atıf: Shiralkar, K., Bongale, A., Kumar, S. et al. Explainable AI augmented retailer segmentation using knowledge graph. Sci Rep 16, 15783 (2026). https://doi.org/10.1038/s41598-026-44928-0

Anahtar kelimeler: perakendeci segmentasyonu, açıklanabilir yapay zeka, bilgi grafiği, tedarik zinciri, ödeme riski