9 Ayda Yaptığım Dönüşüm İçin Bugün Kendime 90 Gün Verirdim

İdealist bir endüstri mühendisi olarak iş hayatıma bir fabrikanın üretim planlama departmanında başladım.

Bugün geriye baktığımda, kariyerimi süreç yönetimi ve dönüşüm üzerine inşa etmemin temellerinin aslında tam da o yıllarda atıldığını daha iyi görüyorum.

Çünkü üretim planlama bir şeyi çok erken öğrenmemi sağladı: Bir süreci iyi yönetebilmek için yalnızca kendi işinizi değil, o işi mümkün kılan bütün sistemi anlamanız gerekir. (O zamanlar tam da bu yüzden Üretim Planlama Departmanı'na şirketin bel kemiği derdik.)

İyi bir planlamacı olmanın yolu yalnızca iyi plan yapmaktan geçmez. Elinizde doğru veri, doğru araçlar ve birbirine bağlı çalışan süreçler yoksa, en iyi plan bile çok kısa sürede geçerliliğini kaybedebilir.

Bir siparişin üretim planına girmesi, aslında uzun bir zincirin yalnızca başlangıcıdır. Sipariş bilgisine, ürün ağacına, hammadde ve yarı mamul stoklarına, yedek parçalara, tedarik ve termin sürelerine, ürünün hangi makinelerde ne kadar sürede üretilebildiğine, mevcut ürün stokuna, sevk edileceği ülkeye, taşımanın deniz yoluyla mı kara yoluyla mı yapılacağına ve lojistik süresine hâkim olmanız gerekir.

Üstelik süreç üretimle de bitmez. Ürünün hangi hatlardan geçeceğini, üretim sonrası kalite kontrolünü, paketlemeyi ve sevkiyatı da planın bir parçası olarak düşünmeniz gerekir.

Bu zincirin herhangi bir noktasını gözden kaçırırsanız, bir sipariş gecikebilir. Birkaç noktayı aynı anda kaçırırsanız yalnızca tek bir sipariş değil, bütün üretim hattı darboğaza girebilir. Bunun sonucu müşteri memnuniyetsizliği, teslimat gecikmeleri, kapasite kaybı ve kimi zaman cezai yükümlülüklerdir.

Ben süreç yönetimiyle ilk kez teorik olarak değil, tam olarak böyle bir problemin içinde tanıştım.

İlk problemim üretim planı değildi, doğru veriye ulaşmaktı

Planlama yapabilmek için en temel ihtiyaçlarımdan biri doğru stok bilgisiydi. Ancak sistemde görünen stokla fiziksel stok her zaman aynı şeyi söylemiyordu.

Dolayısıyla işe algoritmayla değil, sahayla başladım. Depo ve lojistik alanında fiziksel sayımı daha sağlıklı yapabilmek için alan düzenlemesi yaptık. Ürünleri ABC analizi ile sınıflandırdım. ERP üzerinde palet tanımlarını oluşturarak hangi alanda kaç paletin tutulabileceğini görünür hale getirdim.

Sonrasında emniyet stoklarını belirleyip sisteme tanımladım. SQL üzerinden raporlamalar oluşturdum ve kritik stok seviyeleri için uyarı mekanizmaları kurdum.

Bugün bu adımları düşündüğümde yaptığımız şey aslında oldukça netti: Önce fiziksel gerçeklikle sistemdeki veriyi birbirine yaklaştırdık. Çünkü yanlış veri üzerine kurulan otomasyon, yalnızca hatayı daha hızlı üretir. Bu prensibin aradan geçen yıllara rağmen hiç değişmediğini düşünüyorum.

Sonra sistemin içinde olmayan bilgiyi bulmak gerekiyordu

Üretim dünyasında çok önemli bir bilgi kaynağı vardır: insanların deneyimi. Bazı ürünler teorik olarak birden fazla makinede üretilebilir. Fakat sahaya indiğinizde belirli kalıpların belirli makinelerde çok daha iyi çalıştığını görürsünüz. Bu bilgi çoğu zaman ERP'de yazılmaz. Ustanın zihnindedir.

Tam da bu nedenle kolektif çalışarak üretim ekipleriyle ve ustalarla birlikte ürün kalıplarının hangi makinelerde daha verimli çalıştığını belirledik ve bu bilgiyi planlama modelinin bir parçası haline getirdik.

Bugün “kurumsal hafıza”, “knowledge management” ya da “second brain” dediğimiz kavramların benim için ilk gerçek karşılığı buydu. Bir organizasyonun sahip olduğu en değerli bilgilerden bazıları veritabanlarında değil, insanların yıllar içinde geliştirdiği deneyimlerde saklıdır. Dönüşümün önemli parçalarından biri de bu bilgiyi kaybetmeden sisteme aktarabilmektir.

Siparişten üretime kadar veri akışını birbirine bağladım

Bir sonraki aşamada müşteri tarafındaki sipariş bilgilerinin üretim planına mümkün olduğunca az manuel müdahaleyle taşınmasını hedefledim. Müşteri CRM sistemlerinden gelen siparişleri ERP ile entegre ettim. Sipariş, stok ve üretim bilgilerini bir araya getirerek MRP çalışmalarını bu veri yapısı üzerinden yürütmeye başladım.

Ortada küçük bir planlama problemi de yoktu. Yaklaşık 32 makinenin ve 200'ün üzerinde ürünün üretim planından söz ediyoruz. Ürün, makine, kalıp, stok, tedarik ve termin ilişkilerinin tamamının birlikte düşünülmesi gerekiyordu.

Fakat benim kendime koyduğum başarı kriteri yalnızca doğru bir üretim planı çıkarabilmek değildi. Daha farklı bir hedefim vardı: Bu işi yeni mezun bir endüstri mühendisine aktarabilecek kadar sistematik hale getirmek. Başka bir ifadeyle, sistemin başarısını bana olan bağımlılığının azalmasıyla ölçüyordum.

Yaklaşık dokuz ayın sonunda bunu büyük ölçüde başardık. Bugün dönüp baktığımda, süreç yönetimi yaklaşımımın en temel taşlarından birinin tam olarak burada oluştuğunu düşünüyorum: İyi bir süreç, işi bilen kişinin kahramanlığına ihtiyaç duymayacak şekilde kendi kendine çalışan süreçtir.

Aynı fabrikaya bugün girseydim ne yapardım?

Aradan yıllar geçti. ERP sistemleri gelişti, entegrasyon araçları çoğaldı, veri altyapıları değişti ve bugün elimizde o dönemde hayal bile edemeyeceğimiz generative AI araçları var.

ChatGPT, Claude ve benzeri modeller yalnızca metin üretmiyor; doğru mimari kurulduğunda farklı sistemlerden gelen verilerle çalışabiliyor, sorgular oluşturabiliyor, dokümanları analiz edebiliyor ve karar süreçlerinde kullanıcıya yardımcı olabiliyor.

Dolayısıyla kendime bugün aynı problemi yeniden çözme görevi verilseydi, hedefimi şöyle koyardım: Dokuz ayda yaptığım dönüşüm için bugün kendime 90 günlük bir hedef verirdim.

Bu, AI'ın dokuz aylık işi sihirli biçimde üç aya indireceği anlamına gelmiyor. Asıl fark, bugün elimizde olan araçların dönüşüm sürecindeki birçok manuel işi ciddi biçimde hızlandırabilmesi.

Ben de 90 günü üç ayrı problem üzerinden tasarlardım.

İlk 30 gün: Sistemi anlamak ve veriyi birbirine bağlamak

Yine ilk işim AI modeli seçmek olmazdı. Önce veriye bakardım. ERP, CRM, stok, üretim, kalite, bakım, tedarik ve lojistik sistemlerinin hangi verileri tuttuğunu çıkarırdım. Ancak bu kez veri tablolarını, ilişkileri ve süreçleri haftalar boyunca manuel olarak analiz etmek zorunda kalmazdım.

AI araçlarını şunlar için kullanırdım:

veri sözlüğü oluşturmak
veri modelleri arasındaki ilişkileri analiz etmek
SQL sorguları geliştirmek
eksik ve tutarsız verileri tespit etmek
süreç dokümantasyonunu hızlandırmak
toplantı ve saha görüşmelerinden yapılandırılmış bilgi çıkarmak

En büyük farklardan biri de ustaların zihnindeki bilgiye erişme biçimimiz olurdu. O dönem üretimde çalışanlarla tek tek görüşerek hangi kalıbın hangi makinede daha iyi sonuç verdiğini öğreniyor ve bunu kendim yapılandırıyordum. Bugün bu görüşmelerden elde edilen bilgiyi AI ile analiz edip ürün–kalıp–makine ilişkilerine dönüştürmek çok daha hızlı mümkün olurdu. Yani geçmişte manuel olarak yaptığım “insandaki bilgiyi sisteme taşıma” süreci bugün ciddi biçimde hızlanabilirdi.

İkinci 30 gün: Optimizasyon

Burada özellikle bir ayrım yapmak gerekiyor. Üretim planlama gibi matematiksel kısıtları yoğun olan bir problemde bugün olsaydım da üretim planını doğrudan bir LLM'e yaptırmazdım. Çünkü her probleme generative AI uygulamak doğru çözüm değildir.

Üretim planının merkezinde yine matematiksel optimizasyon olurdu. Makine kapasitesi, çevrim süresi, ürün–makine uygunluğu, stok seviyesi, tedarik süresi, setup süreleri, sipariş terminleri ve lojistik süreleri optimizasyon modelinin girdilerini oluştururdu. AI ise bu modelin çevresinde çalışan bir katman olurdu.

Örneğin planlamacı sisteme “Almanya'ya gidecek siparişler içinde gecikme riski en yüksek olanları göster.” diye sorabilirdi. Ya da: “12 numaralı makinenin bugün dört saat durması hangi siparişlerin terminini etkiliyor?” Sistem gerekli verileri toplar, optimizasyon modelini çalıştırır ve sonucu planlamacının anlayabileceği şekilde açıklar.

AI burada optimizasyonun yerine geçmez. Optimizasyona erişimi kolaylaştırır. Bence bugünün en önemli farklarından biri tam olarak bu.

Son 30 gün: Planlamadan karar sistemine

Üçüncü ayda hedefim sistemi yalnızca plan üreten bir yapı olmaktan çıkarmak olurdu. Çünkü iyi bir planlama sistemi yalnızca “ne üretmeliyim?” sorusuna cevap vermemeli. Aynı zamanda yaklaşan problemi de görebilmeli.

Örneğin;

“Bu hammadde üç gün içinde emniyet stokunun altına düşecek.”
“Mevcut tedarik gecikmesi beş siparişin teslimat tarihini riske atıyor.”
“Makine arızası nedeniyle üretim sırası yeniden optimize edilmeli.”
“Bu müşterinin siparişini öne çekersek üç farklı müşterinin termin performansı etkileniyor.”

gibi sinyalleri proaktif biçimde üreten bir yapı kurardım. Böylece planlama sistemi yalnızca kayıt tutan ya da rapor veren bir uygulama olmaktan çıkar, bir karar destek sistemine dönüşürdü. Ve planlamacı sistemle doğal dil üzerinden konuşabilirdi.

Değişmeyen şey teknoloji değil, dönüşüm mantığı

Bugün aynı projeyi çok daha hızlı yapabileceğimi düşünüyorum. Ama bunun nedeni yalnızca ChatGPT ya da Claude gibi araçların hayatımıza girmiş olması değil. Teknoloji değişti. Dönüşümün mantığı ise büyük ölçüde aynı kaldı.

Önce süreci anlamak gerekiyor. Sonra veriyi doğrulamak. Bilgiyi standardize etmek. Sistemleri birbirine bağlamak. Karar kurallarını tanımlamak. Ve ancak bundan sonra otomasyon.

Ben yıllar önce farkında olmadan tam olarak bu sırayı izlemişim: Süreci anla → veriyi düzelt → bilgiyi standardize et → sistemleri entegre et → otomatikleştir.

Bugün AI bu metodolojinin yerine geçmiyor. Onu hızlandırıyor. Bu nedenle belki de AI dönüşümünün en büyük vaadi bütün işleri insanların elinden almak değil. İnsanların bir sistemi anlaması, iyileştirmesi ve yeniden tasarlaması için gereken zamanı dramatik biçimde azaltmak.

Yıllar önce üretim planlama sistemindeki temel hedefim, bir planlamacının sahip olduğu bilgiyi mümkün olduğunca sisteme aktarmaktı. Bugün aynı fabrikaya girseydim hedefimi biraz farklı tanımlardım: Planlamacıyı sistemden çıkarmaya değil, planlamacının karar verme kapasitesini büyütmeye çalışırdım.

Ve sanırım benim için “AI ile dönüşüm” tam olarak burada başlıyor.