# Tedarikçi ve malzeme ana verilerini yapay zekayla güvenle temizlemek.

> Bu saha notunda veridive, tedarikçi ve malzeme ana verilerinin ERP’yi bozmadan yapay zekayla nasıl temizleneceğini anlatıyor. Yapay zeka vergi numaraları, IBAN’lar, adresler ve ad varyantlarıyla mükerrer kayıt adaylarını bulur, her malzeme sınıfı için Türkçe ve İngilizce standart tanımlar önerir ve birleştirmeleri kanıtıyla sunar. Onayı veri sahipleri verir; değişiklikler kayıt altında ve geri alınabilir kalır.

Mükerrer tedarikçiler ve tutarsız malzeme tanımları eşleştirmeyi, raporlamayı ve üzerine kurulan her yapay zeka iş akışını sessizce bozar. Yapay zeka kanıtıyla birleştirme ve standart tanım önerebilir; her değişikliği veri sahipleri onaylar, hiçbir şey otomatik birleştirilmez.

## Öne çıkanlar

- Mükerrer tedarikçiler ve tutarsız malzeme tanımları eşleştirmeyi ve raporlamayı bozar; yapay zeka iş akışlarında çoğu zaman model hatası gibi görünür.
- Yapay zeka kuralların kaçırdığı mükerrer kayıtları vergi numarası, IBAN, adres ve şirket türü varyantlarıyla bulur ve her birinin kanıtını gösterir.
- Tanımları her malzeme sınıfı için bir şablondan standartlaştırın; Türkçe ve İngilizceyi ayrı alanlarda tutun.
- Her birleştirmeyi veri sahipleri onaylar; değişiklikler kayıtlı ve geri alınabilir, geçmiş bozulmaz, kayıt açılışındaki kontroller yeni mükerrerleri önler.

Bir fatura eşleşmiyor, çünkü tedarikçisi ERP’de üç kez kayıtlı ve satın alma siparişi faturadakinden farklı bir cari karta açılmış. Harcama raporu tek bir tedarikçiyi üç küçük tedarikçi gibi gösteriyor. Bir planlamacı M8 cıvata arıyor ve “CIVATA M8X20 GALV” diye kaydedilmiş stoku gözden kaçırıyor. Ana verinin dağınık olmasına kimse karar vermedi. Dağınıklık, aceleyle açılan kayıtlarla tek tek birikti.

Mükerrer tedarikçiler ve tutarsız malzeme tanımları eşleştirmeyi, raporlamayı ve üzerine kurulan her yapay zeka iş akışını sessizce bozar. Yapay zeka ana veri temizliğine yardım edebilir; yeter ki yalnızca önersin: birleştirmeler ve standart tanımlar kanıtıyla gelir, her değişikliği veri sahipleri onaylar, hiçbir şey otomatik birleştirilmez. Nasıl yapılacağını aşağıda adım adım anlatıyoruz.

## Ana veri yapay zeka projeleri için neden önemli?

Operasyondaki hemen her yapay zeka iş akışı kayıtları birbirine bağlar: bir faturayı bir tedarikçiye, bir sipariş satırını bir stok kartına, bir soruyu doğru hesaba. Tek bir tedarikçinin üç kaydı varsa bir fatura ile ona ait satın alma siparişi farklı kayıtları gösterebilir; doğru bir eşleştirme bile hata gibi görünür. Değerlendirme setleri bu dağınıklığı devralır, raporlar da aynı şirketi üç kez sayar.

> Model hatası gibi görünen şey çoğu zaman aynı tedarikçinin üç ayrı kaydıdır.

Bu yüzden temizlik, ona bağlı ilk yapay zeka iş akışının başında yer alır; bazen başlı başına küçük bir veri projesi olarak. **İş bittiğinde:** iş akışının dokunduğu ana verilerin üzerinde anlaşılmış bir listesi vardır ve bu verilerin mükerrer kayıt oranı ölçülmüştür. **Sık yapılan hata:** bir ekibin verideki hataları düzeltmek için haftalarca promptlarla uğraşması.

## Yapay zeka kuralların kaçırdığı mükerrer kayıtları nasıl bulur?

Kurallar tam eşleşmeleri yakalar; örneğin vergi numarası aynı olan iki kaydı. Gerisini kaçırır: bir kayıtta eksik vergi numarası, firma adında bir yazım hatası, aynı şirket türü için “Ltd. Şti.”, “LTD. STİ.” ve “Limited Şirketi”, bir diğeri için “A.Ş.”, “AŞ” ve “Anonim Şirketi”, adreste “Mahallesi” yerine “Mah.” ya da Türkçe karakter kullanılmadan büyük harfle girilmiş bir kayıtta kaybolan harfler.

Yöntemin üç katmanı var. Birincisi, basit kurallarla normalleştirin: I ile ı’yı, İ ile i’yi doğru ele alan, Türkçeye uygun büyük-küçük harf dönüşümü; kendi alanına taşınmış şirket türleri; açılmış kısaltmalar. İkincisi, yalnızca ortak bir şeyi olan kayıtları karşılaştırın (vergi numarası, IBAN, şehir ya da benzer bir ad gibi); böylece karşılaştırılacak çift sayısı yönetilebilir kalır. Üçüncüsü, her aday çifti yapay zekaya değerlendirtin ve kanıtı yazdırın: hangi alanlar tutuyor, hangileri farklı ve buna rağmen neden aynı şirket olabilirler.

Bazı kanıtlar ise tersini gösterir. Bir kayıtta “A.Ş.”, diğerinde “Ltd. Şti.” olan aynı ticari ad, aynı gruptaki iki ayrı tüzel kişi olabilir; buna vergi numaraları karar verir. Ortak bir banka hesabı bir grup şirketine ya da bir tahsilat aracısına ait olabilir. Asla yalnızca ada bakarak birleştirmeyin.

Temsili bir örnek: üç kez kaydedilmiş kurgusal bir tedarikçi.

| Kayıt | Girildiği haliyle ad | Kanıt |
|---|---|---|
| **1** | Örnek Ambalaj Sanayi ve Ticaret Ltd. Şti. | Vergi bilgileri eksiksiz, açık siparişleri var: korunması önerilen kayıt |
| **2** | ORNEK AMBALAJ SAN. TIC. LTD. STI. | 1 numaralı kayıtla aynı vergi numarası ve IBAN |
| **3** | Örnek Ambalaj San. ve Tic. Limited Şirketi | Vergi numarası yok; aynı IBAN ve normalleştirildiğinde aynı adres |

Öneri tek bir birleştirmedir: 2 ve 3 numaralı kayıtlar 1 numaralı kayda. Her kanıt listelenmiştir ve çelişen hiçbir alan yoktur. Veri sahibi öneriyi onaylar ya da kayıtları farklı şirketler olarak işaretler; böylece tekrar önerilmezler.

## Türkçe ve İngilizce malzeme tanımları nasıl standartlaştırılır?

“CIVATA M8X20 GALV”, “Cıvata M8 x 20 galvanizli” ve “Hex bolt M8x20 zinc plated” gibi tanımların hepsi aynı kalemi anlatıyor olabilir. Standartlaştırmayı iki adımda yapın. Önce nitelikleri alanlara ayırın: tür, ölçü, malzeme, yüzey işlemi. Sonra tanımı o malzeme sınıfının şablonundan üretin; böylece her cıvata aynı biçimde okunur ve arama onu bulur. Bu sırada farklı kodlarla açılmış ama nitelikleri aynı olan kalemler de mükerrer kayıt adayı olarak ortaya çıkar.

Hiçbir şey üretmeden önce dil politikasına karar verin. Her alan için tek bir standart dil belirleyin; Türkçe ve İngilizceyi tek alanda karıştırmak yerine ayrı alanlarda tutun ve arama da noktalı ve noktasız i’li iki yazımı da tanısın. Her malzeme sınıfının, şablonunu onaylayan bir sahibi olur; örneğin yedek parçalar için bakım, bileşenler için mühendislik.

## Değişiklikleri kim onaylar?

Verinin sahipleri: tedarikçiler için genellikle satın almada ya da finansta bir ana veri ekibi, kalemler için her malzeme sınıfının sahibi. Sistem önerir; sahibi onaylar, reddeder ya da çiftin farklı olduğunu işaretler. Güven düzeyi yüksek gruplar toplu olarak, geri kalanlar tek tek incelenebilir. Banka bilgileri bu iş akışının tamamen dışındadır: bunlardaki her değişiklik bir temizlik önerisiyle değil, ödeme bilgisi değişiklikleri için uyguladığınız doğrulama süreciyle yapılır.

## Geçmiş kayıtları ve entegrasyonları bozmamak için ne yapılmalı?

- **Silmeyin, bloke edin.** Mükerrer kayıt yeni işlemlere kapatılır ve korunan kaydı gösterir. Geçmiş faturalar, siparişler ve ödemeler yerinde kalır; raporlar bu eşleme üzerinden toplanır.
- **ERP’nin kendi işlevlerini kullanın:** varsa birleştirme ya da bloke etme işlevlerini; tablolarda asla doğrudan düzenleme yapmayın. Nedenini [ERP entegrasyon yöntemleri](https://veridive.com/tr/saha-notlari/erp-yapay-zeka-entegrasyon-yontemleri/) notumuz açıklıyor.
- **Eski kodların başka nerelerde saklandığını kontrol edin:** depo ve e-ticaret sistemleri, iş zekası modelleri, banka ödeme dosyaları, pazaryeri ilanları.
- **Geri alınabilir tutun.** Her değişiklikten önce kaydın eski halini, kimin ne zaman onayladığıyla birlikte saklayın ve test edilmiş bir geri alma yolunuz olsun.
- **Önce test ortamı (sandbox), sonra küçük gruplar.** İlk birleştirmeleri bir test kopyasında, ardından küçük ve incelenmiş gruplar halinde yapın.

**İş bittiğinde:** birleştirilmiş bir tedarikçinin geçmişi, bu veriyi kullanan her raporda doğru okunur. **Sık yapılan hata:** açık siparişleri sahipsiz bırakan bir birleştirme ya da bloke edilmiş bir kaydı hâlâ gösteren bir ödeme dosyası.

## Veri sonrasında nasıl temiz tutulur?

Önlemek, bir temizlik daha yapmaktan iyidir. Biri yeni bir tedarikçi açtığında form vergi numarasını, IBAN’ı ve normalleştirilmiş adı mevcut kayıtlarla karşılaştırır ve kayıt tamamlanmadan önce olası mükerrerleri gösterir. Zorunlu alanlar boş bırakılamaz; yeni malzeme tanımları giriş sırasında sınıf şablonundan üretilir. Periyodik bir tarama gözden kaçanları yakalar; sahiplere giden kısa bir rapor da açık önerileri ve yeni oluşan mükerrer kayıtları gösterir. Temiz tedarikçi verisi, [satın almada yapay zeka](https://veridive.com/tr/saha-notlari/satin-almada-yapay-zeka/) notumuzda anlatılan harcama sınıflandırmasını da mümkün kılar.

## Nereden başlamalı?

Tek bir iş akışının arkasındaki ana veriyi seçin, mükerrer kayıt oranını ölçün ve önerileri o verinin sahibine onaylatın. Bu bir [veri ve yapay zeka altyapısı](https://veridive.com/tr/hizmetler/veri-ve-yapay-zeka-altyapisi/) işidir ve genellikle [ERP ve kurumsal iş akışları](https://veridive.com/tr/cozumler/erp-ve-kurumsal-is-akislari/) sayfasında anlatılan eşleştirme ve taslak hazırlama işlerine giden ilk adımdır.

## Sık sorulan sorular

### Yapay zeka ERP ana verisini otomatik olarak temizleyebilir mi?

Kayıtları kendi başına birleştirmemeli ya da değiştirmemeli. Yapay zeka, kuralların kaçırdığı olası mükerrer kayıtları ve tutarsız tanımları bulmada ve kanıtı göstermede iyidir: ortak bir vergi numarası, banka hesabı ya da adres gibi. Her değişikliği bir veri sahibi onaylar; eski kayıt silinmez, bloke edilir ve her değişiklik kayıt altında tutulur, geri alınabilir.

### ERP’de mükerrer tedarikçi kayıtları nasıl bulunur?

Önce adları, şirket türlerini, adresleri ve Türkçe karakterleri normalleştirin; sonra kayıtları vergi numaraları, banka hesap numaraları, adresler ve ad varyantları üzerinden karşılaştırın. Kurallar tam eşleşmeleri yakalar. Geri kalanında yapay zeka yardımcı olur (eksik bir vergi numarası ya da üç farklı biçimde yazılmış bir şirket türü gibi) ve iki kaydın neden aynı şirket gibi göründüğünü açıklar. Her birleştirmeyi bir kişi onaylar.