Yapay zekanın günlük iş kararlarınız üzerinde gerçekte ne gibi bir etkisi olduğunu hiç merak ettiniz mi? Birçok KOBİ, veri analizini teknik karmaşıklıklar ve aşırı maliyetlerle dolu, aşılmaz bir dağ olarak görür. Ancak gerçekte durum çok farklıdır. Günümüzde Electe gibi yapay zeka destekli veri analizi platformları, gelişmiş analizi erişilebilir Electe ham verileri somut bir rekabet avantajı haline dönüştürmektedir.

Bu makalede, size soyut teorilerden bahsetmeyeceğiz. Sizin gibi şirketlerin somut sorunları nasıl çözdüklerini gösteren pratik ve ayrıntılı vaka çalışmalarıyla sizi yönlendireceğiz. Her örnek, operasyonel bir zorluktan veri odaklı bir çözüme giden yolu ve ölçülebilir sonuçları gösteren ayrıntılı bir haritadır. Sadece başarı hikayelerini anlatmakla kalmayacağız; taktikleri, temel ölçütleri ve öğrenilen dersleri ayrıntılı olarak inceleyerek size bir operasyonel kılavuz sunacağız.

Tahminsel analiz ile stokları nasıl optimize edebileceğinizi, sağlam bir planlama için ciroyu nasıl tahmin edebileceğinizi ve çok geç olmadan risk altındaki müşterileri nasıl belirleyebileceğinizi keşfedeceğiz. Onların uyguladığı stratejileri ve benzer yaklaşımları nasıl uygulayabileceğinizi öğreneceksiniz. Bu vaka çalışmaları sadece örnekler değil, büyümeniz için gerçek modeller.

1. Tahminsel Analiz ile Perakende Sektöründe Stok Optimizasyonu

Sorun: ModaVeloce S.r.l.adlı bir moda e-ticaret şirketi, sezonluk stoklarını yönetmekte zorlanıyordu. Sezon sonunda, sermayesini bağlayan ve büyük indirimler gerektiren, kar marjlarını eriten bir stok fazlası (overstock) ile karşı karşıya kalıyordu.

Çözüm: Satış geçmişi verilerini, pazar eğilimlerini ve hatta hava koşullarını analiz etmek için yapay zeka destekli bir veri analizi platformu uyguladılar. Algoritma, her bir ürünün (SKU) talebini benzeri görülmemiş bir doğrulukla tahmin etmeye başladı ve her koleksiyon için optimum stok seviyelerini önerdi.

Sonuçlar:

• Altı ayda satılmayan ürünlerde %28 azalma.
• İlk yıl depolama maliyetlerinde 50.000 € tasarruf.
• Sezon sonu indirimlerinin azalması sayesinde kar marjı %7 arttı.

Bu yaklaşım, envanter yönetimini reaktiften proaktif hale getirir. Hedef iki yönlüdür: stok kırılmalarını (talep edilen ürünlerin eksikliği) ortadan kaldırmak ve fazla envanteri azaltmak. Büyük veri analizinin bu stratejileri nasıl güçlendirebileceğini öğrenmek için Büyük Veri Analitiği hakkındaki ayrıntılı incelememizi okuyun. Bu, yapay zekanın ölçülebilir bir ROI oluşturmasının çarpıcı bir örneğidir.

Uygulama önerileri:

• Küçükten başlayın: Projenin değerini göstermek için en yüksek ciroya sahip SKU'lara odaklanın.
• Verileri gerçek zamanlı olarak entegre edin: Satış noktası (POS) verilerini bağlayarak her zaman güncel bir tablo elde edin.
• Teslimat sürelerini dahil edin: Tedarikçilerin tedarik sürelerini daha doğru sipariş tahminlerine entegre edin.

2. Kara Para Aklama Risklerinin Tespiti (Anti-Money Laundering - AML) ve Uyumun İzlenmesi

Kara para aklamayla mücadele, finans sektörü için çok önemli bir sorundur. AI uygulamasında en önemli vaka çalışmaları arasında AML izleme yer almaktadır. Bu yaklaşım, makine öğrenimi modellerini kullanarak şüpheli işlem şemalarının tespitini otomatikleştirir ve bir insan analistin gözden kaçırabileceği karmaşık kalıpları belirler.

Sistem, meşru faaliyetleri, yapılandırma (büyük meblağları daha küçük mevduatlara bölmek) veya yüksek riskli yargı bölgelerine yapılan transferler gibi potansiyel olarak yasadışı faaliyetlerden ayırt etmeyi öğrenir. Amaç, tespitlerin doğruluğunu artırmak ve yanlış pozitiflerin sayısını azaltarak uyum ekiplerinin manuel iş yükünü azaltmaktır.

Stratejik Uygulamalar ve Sonuçlar

Büyük bankalar, AML inceleme sürelerini günlerden birkaç saate indirmek için bu sistemleri kullanıyor, ancak bu teknoloji Fintech ve KOBİ'ler tarafından da giderek daha fazla benimseniyor. Bir ödeme platformu, gerçek zamanlı izleme uygulayarak kara para aklama ağlarını zarar vermeden önce engelleyebilir. Benzer şekilde, bir kripto para borsası da AI'yı kullanarak müşteri durum tespiti (CDD) sürecini otomatikleştirebilir ve böylece uyumluluğu sağlayabilir.

Uygulama önerileri:

• Çok seviyeli uyarı sistemi: Soruşturmaları öncelik sırasına koymak için risk eşikleri (yüksek, orta, düşük) uygular.
• Hibrit yaklaşım: Sabit kuralları (kural tabanlı) makine öğrenimi modelleriyle birleştirir.
• Sürekli geri bildirim döngüsü: Analistlerin modele "öğretebileceği" bir mekanizma oluşturur.
• Kapsamlı dokümantasyon: Her kararı düzenleyici denetimler için kaydedin.

Bu vaka çalışması, yapay zekanın uyumluluğu nasıl güçlendirdiğini ve bir maliyet merkezini verimli bir operasyona nasıl dönüştürdüğünü göstermektedir. Veri yönetiminin neden bu kadar önemli olduğunu anlamak için Veri Yönetimi çözümlerimizi inceleyin.

3. Gelir Planlaması ve Boru Hattı Yönetimi için Satış Tahminleri

Sorun: SaaS sektöründe faaliyet gösteren bir KOBİ olan InnovaTech Solutions, satış tahminlerini satış ekibinin manuel tahminlerine dayandırıyordu. Bu durum, gerçek sonuçlarla %30'a varan sapmalarla güvenilmez tahminlere yol açarak bütçe planlaması ve kaynak tahsisinde sorunlara neden oluyordu.

Çözüm: CRM sistemleriyle entegre olan yapay zeka destekli bir platform benimsediler. Sistem, geçmiş verileri, satış sürecinin her aşamasındaki dönüşüm oranlarını ve mevsimselliği analiz etmeye başladı ve otomatik ve doğru satış tahminleri oluşturmaya başladı.

Sonuçlar:

• İlk çeyrekte tahminlerin doğruluğu %40 arttı.
• Satış ekibinin zamanını optimize ederek, daha önce manuel raporlamaya ayrılan haftada 10 saatlik zaman tasarrufu sağlandı.
• Güvenilir gelir tahminlerine dayalı daha iyi yatırım kararları.

Bu yaklaşım, gelir tahminini öznel bir uygulamadan veri odaklı bir sürece dönüştürür. Amaç, kaynakların tahsisini iyileştirmek ve en yüksek başarı olasılığına sahip fırsatlara odaklanarak boru hattı yönetimini optimize etmektir. Electe keşfederek bu modelleri nasıl uygulayabileceğinizi öğrenin.

Uygulama önerileri:

• CRM'de disiplin: Satış ekibinin boru hattının aşamalarını sürekli güncellediğinden emin olun.
• Son verileri değerlendirin: En son satış verilerine daha fazla ağırlık verin.
• Segmentlere ayrılmış modeller: Farklı ürün grupları veya müşteri segmentleri için ayrı tahminler oluşturun.

4. Müşteri Kaybı Tahmini ve Müşteri Sadakatini Optimize Etme

Müşteri kayıplarının tahmin edilmesi, abonelik tabanlı şirketler için en etkili vaka çalışmalarından biridir. Bu yaklaşım, makine öğrenimini kullanarak müşterilerin ayrılmaya karar vermeden önce risk altındaki müşterileri belirleyerek, müşteri sadakat stratejilerini reaktiften proaktif hale getirir.

Algoritma, hizmet kullanım sıklığı, müşteri desteği ile etkileşimler ve satın alma alışkanlıkları gibi verileri inceler. Sonuç, ekiplerin hedefli bir şekilde müdahale etmelerini sağlayan bir "risk puanı"dır. Amaç, pahalı müşteri kazanımından daha karlı olan müşteri sadakatine odaklanarak her müşterinin yaşam boyu değerini en üst düzeye çıkarmaktır.

Stratejik Uygulamalar ve Sonuçlar

Netflix ve Amazon Prime gibi devler bu modeli ünlü hale getirdi, ancak bugün bu model tüm KOBİ'ler için erişilebilir durumda. Örneğin, bir SaaS şirketi, düşük kullanım gösteren kullanıcılara hedefli eğitim sunarak müşteri kaybını %15-20 oranında azaltabilir. Benzer şekilde, bir telekomünikasyon sağlayıcısı, risk altındaki müşterilere avantajlı bir yükseltme teklifi sunarak müdahale edebilir.

Uygulama önerileri:

• Farklı verileri birleştirin: Platform kullanım verilerini etkileşim metrikleriyle entegre edin.
• Stratejileri segmentlere ayırın: Müşteri değeri (CLV) temelinde farklı müşteri tutma önlemleri oluşturun.
• Etkiyi ölçün ve değerlendirin: Farklı müşteri tutma tekliflerinin etkinliğini değerlendirin.
• Churn faktörlerini belirleyin: Modeli kullanarak terk etmenin ana nedenlerini anlayın.

5. Promosyon Kampanyalarının Etkinliği ve ROI Analizi

Promosyon kampanyalarının etkinliğinin analizi, perakende ve e-ticaret şirketleri için en önemli vaka çalışmalarından biridir. Bu yaklaşım, pazarlamayı sezgilere dayalı bir harcama olmaktan çıkarıp stratejik ve ölçülebilir bir yatırıma dönüştürür. Veri analitiğinden yararlanarak, hangi promosyonların kimin için ve neden işe yaradığını anlayabilirsiniz.

Süreç, artan satışlar ve müşteri edinme maliyetleri (CAC) gibi kampanya performans verilerini analiz eder. Özel algoritmalar, tek bir promosyonun etkisini izole edebilir. Amaç, etkisiz girişimlere ayrılan bütçeyi ortadan kaldırmak ve başarılı stratejileri tekrarlamaktır.

Stratejik Uygulamalar ve Sonuçlar

Amazon ve Target gibi büyük isimler bu mantıkla imparatorluklar kurdular. Örneğin, bir kozmetik e-ticaret sitesi, belirli bir üründe %15 indirim yapmanın, genel olarak %10 indirim yapmaktan daha yüksek bir ROI sağladığını keşfedebilir. Benzer şekilde, bir süpermarket zinciri, kişiselleştirilmiş teklifler göndererek ve maliyetleri azaltarak kupon hedeflemesini optimize edebilir.

Uygulama önerileri:

• İzleme kodlarını uygulayın: Her kampanya için benzersiz kodlar (UTM, kupon kodları) kullanın.
• Kontrol gruplarını kullanın: Gerçek artışı ölçmek için küçük bir müşteri segmentini promosyondan hariç tutun.
• Analizi segmentlere ayırın: Sonuçları müşteri türüne göre (yeni müşteriler ve düzenli müşteriler) analiz edin.
• Uzun vadeli etkiyi ölçün: Müşteri sadakati ve gelecekteki satın alımlar üzerindeki etkisini değerlendirin.

Bu analiz, gelecekteki kampanyaları daha akıllı bir şekilde yönlendirir. 2025 yılında AI uygulamasının ROI'sini anlatan kılavuzumuzu okuyarak ekonomik faydaları nasıl hesaplayabileceğinizi öğrenin.

6. Fiyatlandırma Optimizasyonu ve Dinamik Fiyatlandırma

Fiyat optimizasyonu veya dinamik fiyatlandırma, AI'nın gelirler üzerindeki doğrudan etkisini gösteren en güçlü vaka çalışmalarından biridir. Bu yaklaşım, statik fiyat listelerini terk ederek, talep, rekabet ve stok seviyeleri gibi değişkenlere gerçek zamanlı olarak uyum sağlayan akıcı fiyatları benimser.

Sistem, talep esnekliğini tahmin etmek ve ideal fiyat noktasını belirlemek için veri akışlarını sürekli olarak analiz eder. Amaç, fiyatları basitçe artırmak değil, stratejik olarak ayarlamaktır. Örneğin, satışları teşvik etmek için trafiğin az olduğu saatlerde fiyatları düşürmek veya talep arzı aştığında fiyatları hafifçe artırmak gibi.

Stratejik Uygulamalar ve Sonuçlar

Uber ve Amazon gibi devler tarafından ünlü hale getirilen dinamik fiyatlandırma, bugün erişilebilir bir strateji haline gelmiştir. Havayolu şirketleri ve otel zincirleri bunu onlarca yıldır kullanmaktadır. E-ticarette, bir perakendeci yüksek talep gören ürünlerin marjını %5-10 artırabilirken, bir restoran menü fiyatlarını konuma ve saate göre optimize edebilir.

Uygulama önerileri:

• Net kurallarla başlayın: Yapay zekaya geçmeden önce şeffaf kurallara dayalı bir modelden başlayın.
• Rakipleri izleyin: Rakiplerin fiyatlarını sürekli izleyen bir sistemi entegre edin.
• Küçük segmentlere odaklanın: Yeni fiyatlandırma stratejilerini sınırlı sayıda müşteri veya ürün grubuna uygulayın.
• Marj ve müşteri sadakatini dengeleyin: Sadece anlık kâra odaklanmayın.

7. Nakit Akışı Tahmini ve Dönen Sermaye Yönetimi

Sorun: Bir dağıtım şirketi olan Logistica Efficiente S.p.A., nakit akışlarını haftalık olarak güncellenen manuel hesap tablolarıyla yönetiyordu. Bu uygulama yavaştı, hatalara açıktı ve öngörüsel bir bakış açısı sağlamıyordu, bu da şirketi ani likidite sıkıntısına maruz bırakıyordu.

Çözüm: Nakit akış tahminini otomatikleştirmek için yapay zeka destekli bir platform benimsediler. Sistem, müşterilerin ödeme döngülerini, tedarikçilerin vade tarihlerini ve gelecekteki siparişleri analiz ederek 30, 60 ve 90 günlük likidite tahminleri yapıyor.

Sonuçlar:

• Likidite eksikliklerini 3 hafta önceden tahmin ederek, daha iyi koşullarda kredi limitleri için pazarlık yapma imkanı sağlar.
• Yatırım yapılacak fazla nakit akışını belirleyerek, işletme sermayesini %15 oranında optimize etme.
• Manuel hazine analizine ayrılan sürenin %90 oranında azaltılması.

Bu yaklaşım, hazine yönetimini reaktiften proaktif hale getirir. Amaç, finansal gerilimler olmadan operasyonları desteklemek için işletme sermayesinin optimum dengesini korumaktır. Bu, veri analizinin şirketin finansal sağlığı üzerinde doğrudan kontrol sağladığının pratik bir örneğidir.

Uygulama önerileri:

• Muhasebe verilerini entegre edin: Aktif ve pasif faturalandırma verilerini gerçek zamanlı analiz için birbirine bağlayın.
• Birden fazla senaryo oluşturun: İyimser, gerçekçi ve kötümser tahminler geliştirin.
• Gelecekteki giderleri dahil edin: Modele planlanan kredi ödemelerini ve yatırımları (CapEx) ekleyin.

8. Müşteri Yaşam Boyu Değeri (CLV) Temelli Segmentasyon ve Hedefleme

Müşterileri Müşteri Yaşam Boyu Değeri (CLV) temelinde segmentlere ayırmak, pazarlama alanında en dönüştürücü vaka çalışmalarından biridir. Bu yaklaşım, odak noktasını tekil işlemlerden bir müşterinin yarattığı toplam değere kaydırır. Tahminsel modeller kullanarak, şirketler her bir müşteriden gelecekte elde edecekleri kârı tahmin edebilirler.

Model, satın alma geçmişini, sipariş sıklığını ve ortalama sipariş değerini (AOV) analiz eder. Sonuç, müşterilerin değer segmentlerine (ör. yüksek, orta, düşük) göre sınıflandırılmasıdır ve bu sınıflandırma, hangi müşterilere sadakat çabalarını yoğunlaştırmak ve satın alma bütçesini nereye ayırmak gibi önemli kararların alınmasında yol gösterici olur.

Stratejik Uygulamalar ve Sonuçlar

Bankalar uzun süredir benzer modeller kullanıyor, ancak bugün bu strateji e-ticaret ve SaaS şirketleri için çok önemli hale geldi. Bir e-ticaret sitesi, yüksek CLV'ye sahip müşteriler için özel yeniden hedefleme kampanyaları oluşturabilir. Bir SaaS şirketi, müşteri başarı ekibinin kaynaklarını harcama potansiyeli en yüksek müşterilere ayırabilir.

Uygulama önerileri:

• Farklı zaman dilimlerinde CLV'yi hesaplayın: 1, 3 ve 5 yıllık değeri değerlendirin.
• Puanları düzenli olarak güncelleyin: CLV'yi en az üç ayda bir yeniden hesaplayın.
• Farklı stratejiler oluşturun: Her segment için iletişim planları ve teklifler geliştirin.
• Referansların değerini dahil edin: Mümkünse, CLV puanına referansların değerini de dahil edin.

9. Risk Değerlendirmesi ve Tedarikçilerin Performansının İzlenmesi

Tedarik zincirindeki risk değerlendirmesi ve tedarikçilerin performansının izlenmesi, operasyonel sürekliliği sağlamak için en kritik vaka çalışmalarından biridir. Bu yaklaşım, tahmine dayalı analizi kullanarak tedarikçi yönetimini reaktif bir süreçten proaktif ve önleyici bir sürece dönüştürür.

Algoritmalar, tedarikçilerin geçmiş performansları (teslimat süreleri, kalite), finansal istikrar ve jeopolitik risk faktörleri dahil olmak üzere karmaşık verileri analiz eder. Sistem, her tedarikçi için dinamik bir "risk puanı" oluşturur. Amaç, tedarik zincirinin dayanıklılığını sağlamak ve ortaklıkları optimize etmektir.

Stratejik Uygulamalar ve Sonuçlar

Bir elektronik üreticisi, kaynaklarını proaktif olarak çeşitlendirerek bileşen kıtlığıyla ilgili riskleri azaltmak için bunu kullanabilir. Bir imalat şirketi, anahtar tedarikçilerinin metriklerini gerçek zamanlı olarak izleyerek üretim gecikmelerini %15-25 oranında azaltabilir.

Uygulama önerileri:

• Net KPI'lar belirleyin: Tedarikçiler için objektif ölçütler belirleyin (On-Time In-Full, kusur oranı).
• Bir uyarı sistemi oluşturun: Metrikler kritik eşikleri aştığında otomatik bildirimler ayarlayın.
• Kritik tedarikçileri çeşitlendirin: Temel bileşenler için tek bir tedarikçiye bağımlı olmayın.
• Verileri paylaşın: Tedarikçilere performanslarına ilişkin gösterge tabloları sağlayarak işbirliğine dayalı iyileştirmeyi teşvik edin.

Bu analiz, şirketi dış şoklardan korumakla kalmaz, aynı zamanda verimliliği ve nihai ürünün kalitesini de artırır.

10. Ödeme Sistemlerinde Dolandırıcılığın Tespiti ve Önlenmesi

Dolandırıcılığın tespiti ve önlenmesi, yapay zeka uygulamasında en kritik vaka çalışmalarından biridir. Bu yaklaşım, işlem güvenliğini reaktif bir sistemden proaktif bir savunmaya dönüştürür. Makine öğrenimi modellerini kullanarak, şirketler milyonlarca işlemi gerçek zamanlı olarak analiz ederek şüpheli faaliyetleri engelleyebilir.

Sistem, işlem bilgileri, kullanıcı davranış verileri ve etkinlik geçmişi dahil olmak üzere karmaşık kalıpları analiz eder. Amaç, müşterileri ve şirketi finansal kayıplardan korumak ve "yanlış pozitif" sonuçları en aza indirerek sorunsuz bir kullanıcı deneyimi sunmaktır.

Stratejik Uygulamalar ve Sonuçlar

Visa ve PayPal gibi devler bu modeli sektör standardı haline getirmiştir. Bir çevrimiçi mağaza, hesap ele geçirme girişimlerini veya çalınan kredi kartlarının kullanımını engellemek için bir AI sistemi uygulayabilir ve bu sayede ters ibraz kayıplarını %40'a kadar azaltabilir. Bankalar da benzer modelleri kullanarak sofistike dolandırıcılık girişimlerini tespit etmektedir.

Uygulama önerileri:

• Çok katmanlı bir savunma sistemi uygulayın: Sabit kurallar, makine öğrenimi ve davranış analizi yöntemlerini bir araya getirin.
• Geri bildirim döngüsü kullanın: Müşterilerin bir engellemeyi hızlı bir şekilde onaylamasına veya reddetmesine izin verin.
• Yeni kalıpları sürekli izleyin: Modelleri sürekli güncelleyin ve yeniden eğitin.
• Güvenlik ve deneyim arasında denge kurun: Meşru işlemleri engellememek için sistemin hassasiyetini ayarlayın.

Bu yaklaşım, kayıpları azaltmakla kalmaz, aynı zamanda müşterilerin güvenini de güçlendirir. AI'nın finans yönetimini nasıl dönüştürebileceğini öğrenmek için AI ile Nakit Akışı Tahmini hakkındaki ayrıntılı makalemizi okuyun.

Önemli Noktalar: Sonraki Adımlarınız

Bu vaka çalışmaları koleksiyonu, güçlü bir gerçeği ortaya koymaktadır: Veriler, doğru şekilde sorgulandığında, sürdürülebilir büyüme için cevaplar sağlar. Bunlar, çok uluslu şirketlere özgü soyut kavramlar değil, KOBİ'ler için gerçek ve erişilebilir stratejilerdir.

• Sorun, çözümü belirler: Başarı, envanter maliyetlerini düşürmek veya pazarlama ROI'sini iyileştirmek gibi belirli ve ölçülebilir bir iş sorununu çözmek için AI'yı uygulamaktan gelir.
• Görselleştirme, anlayışı hızlandırır: Kontrol panelleri, karmaşık verileri anında içgörülere dönüştürerek tüm ekibin karar verme sürecine katılmasını sağlar.
• Küçük iyileştirmeler bile büyük bir etki yaratır: Satış tahminleri gibi önemli bir alanda %5-10'luk bir iyileştirme, kâr ve verimlilik üzerinde zincirleme bir etki yaratabilir.

Analizi eyleme dönüştürün:

Eyleme geçmeyen ilham, sadece bir teori olarak kalır. Şimdi bu dersleri gerçek hayata uygulamak için doğru zaman.

1. "Vaka Çalışması No. 1"inizi belirleyin: Şu anda şirketinizdeki en acil sorun veya en belirgin fırsat nedir? Belirli bir alan seçin.
2. İlgili verileri toplayın: Zaten sahip olduğunuz verileri haritalamaya başlayın. Çoğu zaman, en değerli bilgiler zaten yönetim sistemlerinizde veya CRM'nizde mevcuttur.
3. Erişilebilir bir platformla deneyimleyin: Başlamak için veri bilimci ekibine ihtiyacınız yok. Verilerinizi birkaç tıklamayla tahmine dayalı raporlara dönüştürmek için tasarlanmış Electe gibi AI destekli platformlardan yararlanın.
4. Ölçün ve tekrarlayın: Başlamadan önce bir referans ölçütü (KPI) belirleyin ve ilerlemeyi izleyin. Analiz, sürekli bir öğrenme ve iyileştirme döngüsüdür.

Bu vaka çalışmalarının değeri, veriye dayalı bir geleceğin sizin için çok yakın olduğunu göstermesidir. Şirketinizin ürettiği her veri, potansiyel bir rekabet avantajıdır. Daha akıllı kararlar almak için verilerinizi gün ışığına çıkarma zamanı geldi.

Kendi başarı hikayenizi yazmaya hazır mısınız? Electe , teknik bilgi gerektirmeden şirket verilerinizi öngörüsel içgörülere ve net raporlara dönüştüren AI destekli veri analizi platformudur. Sizinle benzer şirketlerin nasıl daha hızlı ve bilinçli kararlar aldığını öğrenmek için web sitemizi ziyaret edin Electe ziyaret ederek ve ücretsiz deneme sürenizi başlatarak, sizin gibi şirketlerin nasıl daha hızlı ve bilinçli kararlar aldığını keşfedin.