Operasyonel Zekâ: E-posta, Sohbet ve Doküman Verisinden Eyleme
Şirketlerin en büyük veri kaynağı muhasebe sistemi değil. CRM değil. ERP değil. Günlük iletişim.
E-postalar, Slack/Teams mesajları, dokümanlar, ticket'lar, toplantı notları. Her gün binlerce, on binlerce parça veri üretiliyor. Ve bu verinin tamamına yakını ölü: bir kez gönderildi, okundu, unutuldu, arşivlendi.
Bu yazıda "operasyonel zekâ" derken ne kastettiğimizi, neden bu verinin canlı bir sinyale dönüştürülmesi gerektiğini ve bunun pratikte nasıl olduğunu anlatıyorum.
Şirketin "Kafasında" Ne Var?
Bir şirket bir organizma gibi düşünülürse: çalışanlar nöronlar, iletişim sinapsisler. Her gün:
- Müşteri x ürün hakkında sorular soruyor (e-posta)
- Operasyon ekibi bir darboğazı tartışıyor (Slack)
- Hukuk bir sözleşmenin maddesini tartışıyor (Teams)
- Satış bir teklifi gözden geçiriyor (doküman)
- Destek ekibi bir hatayı çözüyor (ticket)
Bu konuşmaların tamamında kurumsal bilgi üretiliyor. Ama bireysel kafalarda kalıyor, kurumsal bir "beyne" akmıyor.
Şirket büyüdükçe paradoks katlanıyor: ne kadar çok insan, ne kadar çok iletişim, o kadar fazla parçalanmış bilgi.
Operasyonel Zekâ Ne Demek?
Operasyonel zekâ (operational intelligence), bu günlük iletişim ve operasyon verisinin canlı bir sinyal kaynağına dönüştürülmesi demek.
Pratik örnekler:
- Yanıt süreleri: müşteri sorularına ortalama kaç saatte cevap veriliyor? Hangi ekip ne kadar gecikiyor? Hangi tür sorular daha yavaş?
- Darboğazlar: hangi süreç adımı sürekli takılıyor? Ticket'ları kim üstüne alıyor ama günlerce çözmeden bekliyor?
- SLA performansı: müşteriye verilen taahhüt sürelerinin gerçek tarafı nasıl? İhlal öncesi uyarı alabiliyor muyuz?
- Müşteri risk skorlama: hangi müşteriler son haftada beklenmedik şekilde aktivite arttırdı veya azalttı? Churn sinyali mi?
- Önceliklendirme: bu sabah ekibe gelen 47 ticket'tan, gerçekten bugün ele alınması gereken 5'i hangisi?
Bunların hepsi, var olan iletişim ve operasyon verisinden çıkarılabilir. Ama bunun için verinin işlenmesi ve canlı tutulması gerekiyor.
Geleneksel BI vs Operasyonel Zekâ
Burada bir kavram netleştirelim:
| Geleneksel BI | Operasyonel Zekâ | |
|---|---|---|
| Veri | Tarihsel, yapılandırılmış | Canlı, çoğu yapılandırılmamış |
| Çıktı | Rapor, dashboard | Uyarı, öncelik, öneri |
| Hedef kullanıcı | Yönetici (geriye bakış) | Çalışan + yönetici (ileriye bakış) |
| Karar verme zamanı | Gün / hafta | Dakika / saat |
İki yaklaşım birbirini dışlamıyor — birbirini tamamlıyor. Ama operasyonel zekâ olmadan, BI bir "geç müdahale aracı"dır.
Veri Gizliliği ve Güvenlik
E-posta ve sohbet verisini işlemek doğal olarak hassas bir konu. İşin gerekleri:
- Veri şirket sınırları içinde tutulmalı. Cloud evet, ama kontrol edilen, izole bir alanda.
- Erişim katmanlı: kim hangi seviyede sinyal görebilir? Yöneticiler özet, çalışanlar yalnızca kendi metrikleri.
- AI işleme, mümkünse veriyi dışarı çıkarmadan (on-prem ya da private cloud LLM).
- Yasal uyum: KVKK ve sektör spesifik regülasyonlar.
Operasyonel zekâ ürünü tasarlarken bu kısıtlar tasarımın merkezinde olmalı — sonradan eklenen bir özellik değil.
BCortex: BenefitCodes'un Yaklaşımı
BenefitCodes olarak operasyonel zekâ konusunda kendi platformumuzu inşa ettik: BCortex — şirketin iletişimini, bilgisini ve sistemlerini sürekli anlayan, bu bağlamdan karar ve aksiyon üreten bir Company Brain + Execution Platform.
BCortex üç katmanda çalışıyor:
- Knowledge: Şirketin iletişimini, dokümanlarını ve sistemlerini yaşayan bir hafızada topluyor
- Intelligence: Mesajları iş sinyaline çeviriyor — talep, taahhüt, risk, fırsat
- Execution: Politika ve insan onayı altında gerçek işi yapıyor. Bu katmanın yazılım ucu BCortex Engineer: bir e-posta ya da Teams yazışmasında yakalanan geliştirme talebi PRD'ye, oradan test edilmiş ve canlıya alınmış yazılıma dönüşüyor — her kritik adımda onay kapısıyla.
Yani BI'a alternatif değil. Çalışanın günlük akışına AI tabanlı sinyal enjekte eden bir katman — ve Engineer ile döngüyü, işi kendisi yayına alarak kapatıyor.
Nereden Başlanır? İlk 90 Gün
Operasyonel zekâ projesi büyük bir efsane gibi görünüyor. Ama doğru yaklaşımla ilk 90 günde somut çıktı alınabilir:
- Hafta 1–2: Discovery. Hangi iletişim kanalları aktif? Hangi süreçlerde tıkanma yaşanıyor? Hangi 2–3 metrik en kıymetli olur?
- Hafta 3–6: Veri katmanı. Seçili kanalların güvenli bir şekilde toplanması, normalize edilmesi, ilk işleme.
- Hafta 7–10: İlk sinyaller. Yanıt süreleri, darboğaz tespiti gibi temel metrikler canlı dashboard'a giriyor.
- Hafta 11–13: Eyleme bağlama. Sinyallerin günlük akışa entegrasyonu — Slack uyarısı, sabah özeti, öncelik listesi.
90 gün sonra, ekip ölçüm yaparak nereye yatırım yapacağını biliyor olmalı.
Sonuç
Operasyonel zekâ, "BI'ın yeni adı" değil. Şirketin canlı veri akışına bakıp eylem üretmenin yeni katmanı. AI hazır, veri zaten var — eksik olan yapıştırıcı.
Şirketinizin günlük iletişim ve operasyon verisinden ne tür sinyaller çıkarabileceğini birlikte konuşmak isterseniz, 30 dakikalık bir tanışma görüşmesi planlayalım. Hangi 2–3 metrikten başlanması gerektiğine birlikte karar verelim.
AI Pilotundan Üretime: Şirketlerin Yapay Zekâda Takıldığı 5 Engel
Çoğu kurumsal AI pilotu slaytta kalıyor, üretime geçemiyor. Mesele teknoloji değil; pilot ile production arasındaki köprünün sistematik kurulmaması. Beş gerçek engel ve nasıl aşılır.
Venture Builder (Venture Studio) Nedir? Şirketler İçin Yeni Bir Büyüme Modeli
Yeni bir ürün ya da iş kolu hayata geçirmek isteyen şirketler için venture builder (venture studio) modeli; hız, ekip ve riski birlikte yöneten yapısıyla son yılların en güçlü alternatifi. Bu yazıda modeli, klasik yapılarla farkını ve BenefitCodes'un teknoloji ve ürün ortağı olarak rolünü anlatıyorum.
