Ilyas Kurklu, Replenit’in Kurucu Ortağı ve CEO’su – Röportaj Serisi

Ilyas Kurklu, Replenit’in kurucu ortağı ve CEO’su, müşteri karar verme ve etkileşimine yapay zekâ uygulamaya odaklanan bir girişimci ve perakende teknoloji yöneticisidir. Replenit’te strateji, ürün geliştirme ve ortaklıkları yönlendirir; yaklaşık 10 milyon dolardan 2 milyar dolara kadar gelir elde eden kurumsal perakende etkileşim işletmelerini ölçeklendirme konusunda on yılı aşkın deneyimini temel alır ve 300’den fazla perakendeciyle çalışmıştır. Kariyeri ayrıca danışmanlık ve iş geliştirme görevlerini, ayrıca Türkiye Meteoroloji Genel Müdürlüğü’nde altı yıl boyunca ekip lideri ve hava durumu tahmincisi olarak çalışmayı da içerir; burada gerçek zamanlı veri, radar, uydu görüntüleri ve tahmin sistemleriyle çalışmıştır.

Replenit, perakende ve e-ticaret için tasarlanmış bir yapay zekâ karar verme platformudur ve perakendecinin veri altyapısı ile mevcut müşteri etkileşim sistemleri arasında bir katman sağlar. AI Decision Engine’i, müşteri, ürün, davranış ve diğer sinyalleri birleştirerek bireysel müşteriler için gerçek zamanlı olarak en iyi sonraki eylemi belirler; Maestro AI CRM Manager ise stok yenileme, çapraz satış, etkileşim, kayıp önleme ve geri kazanım gibi iş akışlarını otonom bir şekilde yönetebilir. Perakendecilerin mevcut teknoloji yığınlarını değiştirmesini gerektirmek yerine, Replenit mevcut ticaret, pazarlama ve veri platformlarıyla entegre olacak şekilde tasarlanmıştır ve kararlarını yürütmeye hazır iletişim ve eylemlere dönüştürür. Şirket, teknolojisinin L’Occitane, Mumzworld, e-bebek, Beko ve Faith In Nature gibi perakendeciler tarafından kullanıldığını belirtiyor.

Kurumsal perakende teknolojisini ölçeklendirmeye yıllar harcayarak Replenit’i beş kurucu ortakla kurmadan önce, perakendecilerin sürekli olarak zorlandığını gördüğünüz sorun neydi ve bu içgörü, teknoloji yığınında eksik bir karar verme katmanı olduğunu size nasıl gösterdi, bu da Replenit’in ortaya çıkmasına nasıl yol açtı?

Farklı pazarlarındaki yüzlerce perakendeciyle çalışırken aynı sorunu sürekli duyuyor ve görüyoruz: perakendeciler veri toplamada ve yürütmede çok iyi hale gelmişti, ancak aradaki zekâ hâlâ eksikti. CDP’ler, veri depoları, CRM platformları ve pazarlama otomasyon sistemleri vardı, ancak karar — bu bireysel müşteri için gerçekte bir sonraki adım ne olmalı? — hâlâ sabit kurallar, geniş segmentler, kampanya takvimleri ve insan yargısına dayalı bir tahmin işiydi. Yığın ve ekip, kimsenin her müşteriyi ölçekli bir şekilde bireysel olarak akıl yürütemediği gerçeği için etkili geçici çözümlerdi. Replenit, eksik olan bu akıl yürütme ve karar katmanıdır. Müşteri ve ürün bağlamını bireysel seviyede yorumlayabilen, uygun sonraki ticari eylemi belirleyebilen ve ardından perakendecinin mevcut sistemlerini kullanarak bunu hayata geçiren bir motor geliştirdik.

Replenit, perakendecilerin zaten çok fazla müşteri verisine ve kampanyaları yürütmek için birçok araca sahip olduğunu, ancak bir sonraki adımın ne olacağını belirleyebilecek zekâdan yoksun olduklarını savunuyor. Neden Müşteri Veri Platformları (CDP’ler), Müşteri İlişkileri Yönetimi (CRM) platformları ve pazarlama otomasyon sistemleri bu sorunu kendi başlarına çözemedi?

Bu sistemler farklı görevler için inşa edilmiştir. Bir CDP, müşteri verilerini birleştirebilir, ancak verileri birleştirmek, onlarla ne yapılacağını karar vermekle aynı şey değildir. CRM ve pazarlama otomasyon platformları çok iyi yürütme katmanlarıdır. Belirli bir hedef kitle, iş akışı veya kampanya tanımlandığında iletişimleri gönderebilir, düzenleyebilir ve optimize edebilirler.

Bu platformlar tahmin puanları, üretken yapay zekâ ve gönderim zamanı optimizasyonu ekleseler bile, temel iş birimi genellikle hâlâ kampanya, yolculuk, kitle veya segmenttir. Yapay zekâ, pazarlamacının zaten seçtiği bir şeyi optimize edebilir. Ancak mutlaka bir şeyin gerçekleşip gerçekleşmeyeceğine, o belirli müşteri için hangi yaşam döngüsü hedefinin en önemli olduğuna, hangi ürünün ilgili olduğuna, neden şimdi, hangi tonla ve hangi ticari sonuca yöneltilmesi gerektiğine karar vermez. Bu, bir puan ile bir karar arasındaki farktır. Tahmin, olasılığı sıralayabilir. Karar, bağlam ve alternatifler üzerinde akıl yürütme gerektirir ve ardından bir eyleme bağlanır. Replenit, mevcut yığının üzerine oturarak bu katmanı sağlar; perakendecilerin zaten sahip oldukları sistemleri değiştirmelerini istemez.

Replenit’in yaklaşımının temel bir parçası, Theory of Mind uygulayarak bir müşterinin niyetini, bağlamını ve muhtemel gelecekteki davranışını ortaya çıkarmaktır. Bilişsel bilimden bir kavramı güvenilir ticari kararlar alabilen bir yapay zekâ sistemine nasıl dönüştürüyorsunuz ve sistemin müşterinin niyetini doğru yorumladığını nasıl doğruluyorsunuz?

Theory of Mind’i, bir müşterinin ne yaptığının ötesine bakıp bu davranışın neden gerçekleşmiş olabileceğini, niyet hakkında ne sinyal verdiğini ve bağlamda ne anlama geldiğini soran bir akıl yürütme katmanına dönüştürüyoruz. Yalnızca tarihsel kalıplara veya ürün benzerliğine dayanmak yerine, sistem her bireysel müşteri-ürün ilişkisi seviyesinde akıl yürütür ve bu bağlamı kullanarak bir sonraki adımın ne olması gerektiğini belirler.

Bu akıl yürütme, bir satın almanın olası motivasyonunu, ürünlerin birbirleriyle nasıl ilişkili olduğunu, müşterinin hangi ihtiyacını karşılamaya çalıştığını ve belirli bir eylem için zamanlamanın uygun olup olmadığını anlamayı içerebilir. Replenit, sadece bir seçenek önermekten öteye geçerek bir karar verir ve bu kararı perakendecinin mevcut sistemleri aracılığıyla yürütülmeye hazır hâle getirir.

Doğrulama sonuçlar aracılığıyla gerçekleşir. Bir karar verildiğinde, Replenit gerçekte ne olduğunu izler ve bu sonucu o müşterinin gelecekteki kararlarına geri besler. Ayrıca, becerileri ve karar‑verme yaklaşımlarının hangilerinin sonuç verdiğini sürekli olarak değerlendirir, iyi performans gösterenleri ölçeklendirir ve performans göstermeyenleri öncelik dışı bırakır. Bu anlamda sistem, aynı mantığı sürekli çalıştırmak yerine gerçek sonuçlardan öğrenerek doğru müşteriye, doğru zamanda doğru hamleyi bilme konusunda daha iyi hâle gelir.

Çoğu kişiselleştirme sistemi temelde bir tahmin motorudur; birinin neye tıklama veya satın alma ihtimali olduğunu tahmin eder. Replenit, tahminden karar‑almaya geçişi vurgular. Bir AI mimarisi perspektifinden bakıldığında, model yalnızca bir olasılık ya da öneri üretmek yerine gerçek bir sonraki eylemi seçmek zorunda olduğunda ne değişir?

Replenit’te bu mimarinin dört önemli parçası vardır. İlk olarak Golden Memory: müşterinin, ürünün ve markanın canlı kayıtları; sistemin tek bir işlem ötesinde bağlam kazanmasını sağlar. Bilgi eksik olduğunda, Replenit mevcut verileri zenginleştirebilir ve bu boşlukları kapatmaya yardımcı olmak için sentetik bağlam oluşturabilir.

İkincisi, 100’den fazla sektör becerisidir. Bunlar belirli kategoriler ve durumlar için özelleşmiş akıl yürütme yetenekleridir; örneğin güzellik perakendecileri için bir kozmetik rutin oluşturucu ya da mobilya ve DIY şirketleri için bir iç mimar. Bu becerilerin yanında, karar etrafında paralel olarak çalışabilen 15 destekleyici kontrol bulunur; bunlar arasında ikame, uyumluluk, kopya ve bastırma kontrolleri yer alır.

Üçüncüsü iş akışı sahipliğidir. Sadece bir öneri üretip durmak yerine, Maestro yenileme, çapraz satış, etkileşim, geri kazanım, kayıp, promosyon ve ikame gibi yaşam döngüsü iş akışları boyunca akıl yürütebilir. Bu iş akışları, bireysel bir müşteri için sürekli ve paralel olarak çalışabilir; Maestro o an için hangi eylemin uygun olduğunu belirler.

Son olarak, bunu Golden Decision Event (Altın Karar Olayı) olarak adlandırdığımız bir paket haline getiriyoruz: eylemi ve gerekçesini içeren, kaydedilmiş ve yürütmeye hazır bir karar; bu karar perakendecinin CRM, pazarlama otomasyonu, e-ticaret, uygulama veya veri sistemlerine 120’den fazla platform üzerinden doğrudan aktarılabilir.

Dolayısıyla fark, olası bir sonucu tahmin eden bir modelden, bağlamı hatırlayabilen, doğru uzmanlığı devreye sokabilen, mevcut eylemleri değerlendirebilen, tek bir karara bağlanabilen ve bunu yürütülebilir hâle getiren bir sisteme geçiş yapmamızdır.

Maestro, bireysel bir müşterinin yenileme hatırlatıcısı, çapraz satış, promosyon, etkileşim mesajı, geri kazanım denemesi alıp almayacağına ya da hiç müdahale edilmemesine otomatik olarak karar verebilir. Sistem bu rekabet eden eylemleri nasıl değerlendirir ve o an için müşteriye gerçekten en iyi kararı nasıl belirler?

Başlangıç noktası müşteri ve ticari hedeftir. Perakendeci stratejiyi, öncelikleri ve sınırları belirler. Maestro daha sonra mevcut müşteri, ürün ve iş akışı bağlamı üzerinden akıl yürüterek bir sonraki adımın ne olması gerektiğini belirler.
Bu, hangi ticari hedefin öncelikli olacağı, hangi iş akışının ilgili olduğu, hangi becerinin ya da beceri kombinasyonunun uygulanacağı, hangi ürünlerin anlamlı olduğu ve eylemin ne zaman gerçekleşeceği kararını içerebilir. Perakendeciler ayrıca gelir, satın alma sıklığı, ortalama sipariş değeri, marj koruması ya da kayıp önleme gibi metrikler etrafında öncelikler tanımlayabilir.

Theory-of-Mind akıl yürütmemiz, bireysel bağlamı ekler: davranışın ne anlama geldiği, müşterinin gerçekte neye ihtiyacı olabileceği ve bunun neden doğru ya da yanlış bir zaman olabileceği. Uzmanlaşmış becerilerimiz ve destekleyici kontroller bu akıl yürütmenin yanında çalışabilir. En iyi karar müdahale etmemek olduğunda, Maestro müdahale etmez. Maestro bir sonuca ulaştığında, kararı ve gerekçesini yürütmeye hazır bir olay olarak kaydeder; pazarlamacıya sadece bir öneri menüsü sunmak yerine.

Replenit, birden çok uzmanlaşmış AI ajanının paralel çalışabildiği bir sürüme (swarm) mimarisi kullanır. Aynı müşteri hakkında aynı anda birkaç ajan akıl yürüttüğünde ne olur ve çelişkili önerilerin ya da eylemlerin yürütülmesini nasıl önlersiniz?

Replenit’in sürü motoru ajan çatışması yaratmaz çünkü amaç müşteri kararlarını paralelleştirmek değil; tek bir kararın bileşenlerini paralel çalıştırmaktır. Maestro bir müşteri hakkında akıl yürüttüğünde, aynı anda birden çok uzmanlaşmış ajanı etkinleştirir: bir geçiş ağı kararı doğru modellere yönlendirir, bir akıl yürütme LLM’i müşteri bağlamını ve davranışını değerlendirir, zenginleştirme ajanları eksik müşteri ya da ürün verilerini gerçek zamanlı olarak sentezler ve uzmanlaşmış modeller ürün‑müşteri ilişkilerini ve uyumu değerlendirir.

Bunları sıralı çalıştırmak, daha yavaş ve maliyetli olacağı için yerine, aynı müşteri durumu üzerinde paralel çalışırlar ve ardından bir sonraki adımın ne olması gerektiği konusunda tek bir birleşik karara ulaşırlar. Çatışma yoktur çünkü farklı eylemler seçmek için rekabet etmezler; her biri aynı sonuca farklı bir boyut ekler.

Örneğin, zenginleştirme eksik müşteri veya ürün sinyallerini ortaya çıkarabilir, akıl yürütme katmanı satın alma geçmişini ve ticari hedefi yorumlar, ürün‑ilişki modelleri temel ürünü ve geçerli ikameleri tanımlar ve puanlama potansiyel iş etkisini ölçer. Tüm bunlar paralel olarak gerçekleşir, ancak tek bir sonuç üretir. Bu paralelleştirme seviyesi önemli bir mimari avantajdır. Tek‑araç sarmalayıcılar olarak inşa edilmiş motorlara sonradan eklemek zordur; Replenit ise bunu baştan çekirdeğe yerleştirmiştir.

Kalıcı bellek, platformun bir diğer önemli parçası olup, her müşteride daha önce gerçekleşen olaylar üzerine kararların inşa edilmesini sağlar. Uzun vadeli bellek, gerçekten özerk AI ajanları için ne kadar önemlidir ve bu bellek potansiyel olarak hassas müşteri davranışlarını içerdiğinde hangi güvenlik önlemleri gerekir?

Bellek, bağlamın dinamik olması nedeniyle özerk karar‑vermenin temelidir. Maestro bir bebek ürününün ilk satın alımını gördüğünde, hanehalkı bağlamının değiştiğini hatırlar ve gelecekteki kararların ebeveyn yaşam döngüsünü yansıtması gerekir. İlk cilt bakım ürünlerini gördüğünde, bu müşterinin bir rutin oluşturduğunu hatırlar. Satın alma kalıpları fitness veya sağlık etrafında ortaya çıktığında, oluşan alışkanlığı yakalar.

Her satın alma, sistemin o müşteri hakkında ne anladığını günceller—sadece demografik bilgileri değil, onları neyin yönlendirdiğini, hangi davranışları benimsediklerini ve hangi yaşam anlarının gerçekleştiğini—böylece bir sonraki karar genel bir karar olmaz, müşterinin gerçek bağlamına dayanır. Bu birikimli bellek, kararları daha akıllı kılan şeydir.

Güvenlik önlemi basittir: satın alma olaylarını ve onlardan ortaya çıkan bağlamsal kalıpları—yaşam döngüsü sinyalleri, alışkanlık oluşumu, satın alma itici güçleri ve kategori eğilimini—katı saklama politikaları ve mümkün olduğunda takma adlandırma ile tutarız. Veri kapsamı sıkı kalır. Ne olduğunu ve hangi bağlamın değiştiğini izleriz, başka bir şey tutmayız. Bu koruyucu önlemler olmadan, kalıcı bellek bir varlık değil, bir sorumluluk haline gelir.

Replenit, perakendecilerin zaten kullandığı teknolojinin üzerine oturacak şekilde tasarlanmıştır; mevcut altyapıyı değiştirmeleri gerekmez. 30’dan fazla kurumsal perakendeciyle çalışarak AI’nın anlamlı karar yetkisi vermesindeki en büyük teknik ya da organizasyonel engeller hakkında ne öğrendiniz?

Karşılaştığımız en net teknik sorun veri eksikliği değil, verinin durumudur. Kurumsal perakendeciler genellikle sistemler arasında parçalanmış, tutarsız ya da eksik büyük veri setlerine sahiptir. Bu yüzden zenginleştirme, temel mimarinin önemli bir parçası haline gelmiştir. Sistem, temel veri seti kusurlu olsa bile akıl yürütme için yeterli anlamlı bağlam yaratmak zorundadır.

Organizasyonel açıdan daha zor soru güvendir. AI’ya anlamlı karar yetkisi vermek birden fazla fonksiyonu aynı anda etkiler. Veri ve BT ekipleri açıklanabilirlik, güvenlik ve düşük entegrasyon yükü ister. Pazarlama ekipleri, müşteri iletişiminin marka tutarlılığını koruyacağından emin olmak ister. CRM ekipleri ise stratejik kontrolü ellerinde tutmak ve AI sisteminin müşteri ilişkisini ellerinden almasını önlemek ister.

Bu nedenle yaklaşımımız stratejiyi yürütmeden ayırmak oldu. İnsanlar hedefleri, marka yönergelerini ve sınırları tanımlar, Maestro ise bu sınırlar içinde tekrarlanabilir bireysel kararları ve yürütmeyi üstlenir. Her taahhüt edilen karar izlenebilir şekilde tasarlanır ve sistem mevcut altyapının üzerine çalışır; bir platform geçişi zorlamaz.

AI, gelir ve tutmayı optimize etmekten sorumlu hale geldikçe, otonom bir sistemin kısa vadeli metrikleri—gereksiz promosyonları veya satın alımları zorlamayı—müşteri güveni ve uzun vadeli marka değeri pahasına aşırı optimize etmesini nasıl önlersiniz?

Maestro, insanlar tarafından tanımlanan KPI’lara göre optimize eder, kendisinin seçtiği metriklere göre değil. Hedefleri müşteri yaşam boyu değeri ve tutma oranı olarak belirlerseniz, sistem bunu optimize eder; işlem hızı ya da promosyon hacmi gibi metrikleri değil. Agresif kısa vadeli taktikler tutmayı zedelerse, gerçek KPI’ya göre başarısız olur. Sistem bu takaslamayı doğrudan öğrenir, çünkü her sonuç belleğe geri beslenir; uzun vadeli tutmayı zarar veren stratejiler, belirlenen iş hedefi açısından açıkça daha kötü olur.

Kısıtlama yapısaldır. Maestro, belirlediğiniz sınırlar içinde çalışır. Bu sınırların etrafında optimize edemez; içinde hareket eder. Her karar izlenebilir olduğundan, Maestro’nun gönderme ya da geri tutma kararının nedenini, hangi KPI’nın bu seçimi ağırlıklandırdığını ve beklenen sonucun ne olduğunu denetleyebilirsiniz. Net KPI tanımı, sınırlandırma ve karar şeffaflığı olmadan bir AI sistemi aşırı agresif davranabilir. Ancak Replenit’in modeli şeffaftır ve bunu önleyecek şekilde tasarlanmıştır. İş, neyin önemli olduğunu tanımlar, Maestro bu hedeflere tam denetlenebilirlikle yönelir ve her sonuç stratejinin gerçekten işe yarayıp yaramadığını belirlemeye yardımcı olur.

Temel modeller hızla gelişiyor ve giderek daha yetenekli ajanlar neredeyse her perakendeciye ulaşacak. Uzun vadede, AI karar‑vermede savunulabilir avantajın kaynağı sizce nereden gelecektir: özel modeller, müşteri‑seviyesi bellek, alan‑spesifik akıl yürütme, geri bildirim döngüleri, altyapı ya da tamamen başka bir şey?

Temel modeller metalaşacak, böylece herkes giderek daha yetenekli akıl yürütme motorlarına erişebilecek. Savunulabilirlik modelde değil, her müşteri hakkında ne bildiğinizde ve bu bilgiyi ne kadar hızlı birikimli hâle getirdiğinizde yatıyor. Maestro’nun avantajı, her satın alma ve her sonuçla derinleşen müşteri düzeyinde hafızadır. Altı ay süren sonuçların ardından sistem, müşterinizi genel bir modelin asla ulaşamayacağı kadar iyi tanır. Sadece demografik bilgiler değil, onları neyin yönlendirdiği, ne zaman alıcı oldukları ve neyin terk etmeyi tetiklediği de dahildir.

Bu hafıza aynı zamanda süreklilik yaratır. Başka bir sisteme geçmek, iki yıllık öğrenilmiş bağlamı kaybetmek anlamına gelir. Bunun yanında, Replenit perakende için kodlanmış alan‑spesifik becerilere sahiptir; yaşam döngüsü aşamalarını, satın alma hızı kalıplarını, yeniden stoklama tetikleyicilerini, güzellik ya da marketteki kategori eğilimlerini anlar. Ancak beceriler kopyalanabilir. Gerçek avantaj, geri bildirim döngüsüdür: Maestro bir karar verir, sonucu yakalar, hafızayı günceller ve bu öğrenmeyi bir sonraki kararı daha akıllıca vermek için kullanır. Bu döngü sürekli ve birikimlidir. Zamanla, verileriniz üzerinde çalışan bir sistem, genel modellerle yeni bir sistemden daha iyi hâle gelir.

Altyapı da önemlidir. Swarm eşzamanlılığı ve sahip olunan modeller birim ekonomisini daha iyi tutar, ancak bu temel gereklilik, savunma duvarı değildir. Savunulabilir avantaj, müşteri veri çekimi (geçiş maliyetleri), sürekli öğrenme (sonuçların gelecekteki kararlara geri beslenmesi) ve alan‑spesifik akıl yürütme (perakende bağlamı) kombinasyonudur; hepsi birlikte çalışır. Tek başına her biri kopyalanabilir. Birlikte ise, yakalanıp yetişmek için yeterince hızlı kopyalanması zor olur.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Replenit adresini ziyaret etmelidir.