Proje İçeriği

Mevcut süreçlerimizde Direkt Satış kanalımız için, sene başında bütçeye göre yıllık hedef belirlenmekteydi. Yıllık hedefler aylık hedeflere indirgendikten sonra unvan bazında saha ile paylaşılmaktaydı. Sonrasında piyasa koşulları ve şirket stratejisi çerçevesinde aylık hedefler tekrar değerlendirilip sahaya iletilmekteydi. Saha çalışanları bu hedefleri baz alıp hedefleri tutturmak için çalışmaktaydı. SATAI Projemiz ile saha çalışanlarının hedeflerini etkileyecek enflasyon verileri, bölgesel gelir dağılımı, kur bilgisi, nüfus gibi demografik Tüik verileri geliştirilen makine öğrenmesi ve yapay zeka modellerine dahil edilerek, optimize edilmiş şekilde aylık hedefleri oluşturulmuştur. Böylelikle manuel süreçler ortadan kaldırılarak, insan müdahalesine gerek kalmadan akıllı algoritmaların oluşturduğu hedefler otomatize edildi. Analitik model çıktısı olarak tahminlenen hedefler, tasarlanan dashboard ve raporlar ile hem günümüz hem de geçmiş hedef tahminleri iş birimleri tarafından takip edilebilir duruma gelmiştir.

Projenin Amacı

SATAI projemiz ile mevcut süreç iyileştirilmiştir

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

Bireysel emeklilik sektöründe direk satış kanalı yapılanmasında benzer nitelikte (analitik modeller ve yapay zeka algoritmaları kullanan) bir çözüm bulunmamaktadır. Projemiz ile ilk defa Direk Satış Kanalımız, insan hesaplamalarından bağımsız tahminlenen hedefleri kullanabilecektir.Direkt Satış kanalımızın bir çok parametreye bakarak ve parametler arasında da korelasyona da dikkat ederek oluşturduğu manuel satış hedefleri, SAT.IA Projemiz ile yapay zeka ve makine öğrenmesi algoritmaları ile modellenmiştir. Mevcutta kullanılmayan tüm dış parametrelerin (Tüik verileri) hedef belirleme modeline eklenmesi ve akıllı algoritmalarla analitik model süreçlerine dahil edilmesi sağlanmıştır. Analitik modelin yapay zeka algoritmaları ile oluşturduğu hedefler, İş Biriminin manuel hesaplamış olduğu hedeflere oranla reel gerçekleşmelere %80 oranla daha yakındır.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Direkt Satış kanalımıza fayda sağlamıştır.

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Evet. Üst yönetimimiz tüm süreçlerde SATAI projesinin geliştirilmesi ve yaygınlaştırılması için destek olmuştur.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

• Model kapsamında 64 Yönetici ve 700 'e yakın Birikim Güvence Danışmanı'na aylık olarak 3 KPI üzerinden hedefleme ve tahminleme yapılmıştır.
• 2024 yılı sonrasında Direkt Satış kanalının büyüme stratejisi ile beraber bin kişilik danışman kadrosunun hedeflemeside bu model kullanılarak yapılmaya devam edecektir.
• Her bir hedefleme sürecinde en az 4-6 saat süren raporların alınması, analizi, toplantılar ve kriterlere göre yeniden değerlendirme sürecini ortadan kaldırdık.
• En az 2-4 saat süren piyasa koşulları raporlarının oluşturulması ve analiz sürecini ortadan kaldırarak otomatize ettik.
• Her bir kampanya için 3-4 saat süren çalışmaları akıllı hedefleme sistemi ile ortadan kaldırdık.
• Birçok adımdan oluşan hedef belirleme sürecini ve karmaşasını yok ettik.
• Hem saha satışlarını arttırıp hem de daha rekabetçi hedeflerle birlikte optimum kazanç paylaşımı sağlanmaktadır.
• Mevcut altyapı kaynakları kullanılarak ve açık kaynak kodlu kütüphanelerle geliştirilerek minimum geliştirme ve altyapı maliyeti oluşturulmuştur.

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

6 kişi aktif rol oynamıştır

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Diaticks

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)

IBM Cognos, Hadoop, Sckit Learn, Pytorch, Python, Airflow