Geçmiş projelerden elde edilen operasyonel ve finansal veriler (maliyet sapmaları, süre gecikmeleri, kalite sorunları) ile dış piyasa dinamikleri, gelecekteki projelerin risklerini ve potansiyel kârlılığını öngörmek için yapay zeka ve makine öğrenimi tabanlı tahmin modelleriyle neden etkin bir şekilde analiz edilemiyor?

Türkiye inşaat/taahhüt sektöründe, geçmiş projelerden elde edilen değerli verilerin gelecekteki öngörüler için etkin kullanılamamasının temel nedenleri şunlardır:

• Veri Dağınıklığı ve Tutarsızlığı: Metraj, hakediş, puantaj, poz/birim fiyat gibi kritik veriler genellikle farklı sistemlerde, Excel dosyalarında veya manuel olarak tutulur. Bu da verinin bütünlüğünü ve analiz edilebilirliğini bozar.
• Entegrasyon Eksikliği: Proje yönetimi, finans, tedarik ve insan kaynakları gibi departmanlar arası veri akışının kesintili olması, operasyonel ve finansal verilerin birbiriyle ilişkilendirilmesini zorlaştırır. Örneğin, bir pozun gerçekleşen birim maliyeti ile o pozla ilişkili taşeron hakedişleri veya malzeme siparişleri arasındaki bağlantı net görülemez.
• Standartlaşmış Veri Yapısının Yokluğu: Özellikle sektörde sıkça kullanılan Çevre ve Şehircilik Bakanlığı pozları gibi standartlara rağmen, proje bazında veya şirket içi farklı veri giriş alışkanlıkları nedeniyle analiz için gerekli tek tip veri yapısı oluşturulamaz. Bu durum, KDV tevkifatı gibi spesifik finansal kalemlerin etkisinin doğru analizini de engeller.
• İş Zekası ve Analitik Araçların Yetersiz Kullanımı: Mevcut verilerin görselleştirilmesi ve basit raporlama dışında, sapma analizi veya ileriye dönük tahminler için gerekli gelişmiş iş zekası (BI) ve analitik araçların ya bulunmaması ya da etkin kullanılamaması.
• Yapay Zeka/Makine Öğrenimi Entegrasyonunun Yokluğu: Temiz, yapılandırılmış ve entegre verinin olmaması nedeniyle, yapay zeka ve makine öğrenimi modellerinin kurulması ve eğitilmesi için gerekli altyapı sağlanamaz. Dış piyasa dinamikleriyle (örneğin malzeme fiyatları, kur hareketleri) entegrasyon kurulamaması da tahmin modellerinin gücünü azaltır.

PARSEK ERP, inşaat/taahhüt sektörünün özgün ihtiyaçlarını karşılayan modülleri sayesinde, geçmiş proje verileri ve dış piyasa dinamiklerinin yapay zeka ile etkin analiz edilerek gelecekteki projelerin risk ve kârlılığını öngörme problemini sistematik bir yaklaşımla çözer:

• Veri Toplama ve Standartlaşma (Proje Yönetimi, Finans):
  PARSEK'in Proje Yönetimi modülü, metraj, puantaj, iş programı, kaynak tahsisi ve gerçekleşme verilerini merkezi bir yapıda tutar. Her poz için birim fiyatlar ve gerçekleşen miktarlar bu modülde takip edilir. Finans modülü ise hakedişler, maliyet sapmaları, ödemeler, KDV tevkifatı bilgileri ve teminat mektupları gibi tüm finansal verileri standardize edilmiş bir şekilde kaydeder. Bu sayede, dağınık ve tutarsız veri sorunu temelden çözülür.
• Entegrasyon ve Bütünsel Görünüm (Finans, İş Zekası):
  PARSEK, tüm operasyonel ve finansal veriyi tek bir platformda birleştirir. İş Zekası (BI) modülü, bu entegre veriler üzerinden geçmiş projelerin operasyonel ve finansal performansını (maliyet sapmaları, süre gecikmeleri, hakediş süreçleri, taşeron ödemeleri) detaylı raporlar, etkileşimli panolar ve grafikler aracılığıyla görselleştirir. Yöneticiler, belirli bir pozun geçmiş projelerdeki birim fiyat değişimlerini veya taşeron performanslarını kolayca analiz edebilir.
• Risk Tespiti ve Yönetimi için Veri Hazırlığı (Risk Yönetimi):
  Risk Yönetimi modülü, geçmiş projelerdeki kalite sorunları, iş güvenliği ihlalleri, taşeron kaynaklı gecikmeler veya teminat mektubu süreçlerindeki olası pürüzler gibi risk faktörlerini sistematik olarak kaydeder. Bu veriler, gelecekteki projeler için potansiyel risk alanlarını ve bunların olası etkilerini belirlemede temel bir veri havuzu oluşturur.
• Yapay Zeka Destekli Tahmin ve Optimizasyon (Yapay Zeka/Makine Öğrenimi Entegrasyonu):
  PARSEK'in Yapay Zeka/Makine Öğrenimi Entegrasyonu modülü, diğer modüllerden gelen standardize edilmiş ve entegre verileri (geçmiş metraj verileri, poz/birim fiyat gerçekleşmeleri, hakediş sapmaları, puantaj verimlilikleri, taşeron performans verileri, dış piyasa ekonomik göstergeleri) alır. Bu veriler üzerinde makine öğrenimi modelleri çalıştırarak şunları öngörebilir:
  
  • Gelecekteki projelerin olası maliyet sapmaları.
  • Süre gecikme olasılıkları ve bu gecikmelerin maliyeti.
  • Yeni projeler için optimal poz/birim fiyat tahminleri.
  • Proje kârlılık potansiyeli ve nakit akışı tahminleri (KDV tevkifatı gibi finansal süreçlerin geçmiş etkilerini de modele dahil ederek).
• Karar Destek Sistemi (Proje Yönetimi, Finans):
  Yapay zeka modellerinden elde edilen tahminler, Proje Yönetimi ve Finans modüllerine geri beslenerek yeni proje tekliflerinin hazırlanmasında, bütçelemede, risk azaltma stratejilerinin belirlenmesinde ve kaynak planlamasında kullanılır. Bu sayede, inşaat firmaları daha bilinçli, veri odaklı ve proaktif kararlar alabilir, olası kıdem/ihbar tazminatı risklerini bile çalışan puantaj verilerinden tahminleyebilir.