E-Ticaret İçin Yapay Zeka

Bu rehber, online mağazasında yapay zeka kullanmayı düşünen işletme sahibinin sırayla vereceği kararları anlatır: hangi işle başlanacağı, ürün verisinin nasıl hazırlanacağı, hangi kanala ne gönderileceği, kimin neyi onaylayacağı ve etkinin nasıl ölçüleceği. Teknik terimleri ilk geçtikleri yerde kısaca açıklıyoruz.

E-ticaret için yapay zeka projelerinin çoğu modelin zayıflığından değil; eksik ürün verisinden, belirsiz yetkilerden ve ölçülmeyen sonuçlardan zarar görür. Aşağıdaki bölümler bu üç riski kurulumdan önce kapatmanız için kontrol listeleri, örnekler ve teklif aldığınız ekibe sorabileceğiniz sorular içerir.

01Önce darboğazı ölçün, sonra aracı seçin

Yapay zekaya hangi işi devredeceğinize, ekibinizin bir haftalık zaman kaydına bakarak karar verin. Katalog, destek ve pazaryeri işlerini yürüten herkes bir hafta boyunca hangi işe ne kadar süre ayırdığını basit bir tabloya yazsın; tahmin yerine gerçek kayıt, pilot seçimini tartışmaya kapatır.

Kayıt tamamlanınca her iş için şu dört soruyu sorun:

• Tekrar ediyor mu: Her yeni ürün ya da her yeni mesajda aynı adımlar mı izleniyor, yoksa her vaka ayrı bir yargı mı istiyor?
• Kaynağı yazılı mı: Doğru cevap ürün kaydında, sipariş sisteminde ya da iade politikasında duruyor mu, yoksa yalnız bir çalışanın aklında mı?
• Hatanın bedeli ne: Yanlış bir renk adı kolayca düzeltilir; yanlış bir iade onayı ya da ürüne eklenmiş hatalı bir sağlık iddiası ise para ve itibar kaybettirir.
• Hacim yeterli mi: Ayda birkaç ürün ekleyen bir mağazada kurulum emeği, kazanılan zamanı kolayca geçebilir.

Önermediğimiz durumlar da nettir. Ürünler tek tük ekleniyorsa, ödeme adımı mobilde takılıyorsa ya da ürün fotoğrafları zayıfsa önce bunlar düzeltilmelidir. Böyle bir mağazada e-ticaret için yapay zeka yatırımı beklemeye alınır; aynı emek site hızına, ödeme akışına ve fotoğraf çekimine ayrıldığında daha çok iş görür.

02Mağaza tipine göre ilk akış farklıdır

E-ticaret için yapay zeka her mağazada aynı işe yaramaz; ilk akışı satış modelinize göre seçin. Aşağıdaki eşleştirmeler pilot için bir başlangıç noktasıdır, kesin reçete değildir.

• Tek markalı moda ve tekstil: Beden ve kalıp kaynaklı iadeler baskındır; iade nedeni sınıflandırması ve beden tablosu tutarlılık kontrolü ilk sırada gelir.
• Çok kategorili genel mağaza: Yüzlerce tedarikçi ürünü kısa ve tekrarlı metinle gelir; kategori şablonlu ürün içeriği akışı en çok zamanı geri verir.
• Pazaryeri ağırlıklı satıcı: Aynı ürün farklı kanallarda farklı başlık kuralına uymak zorundadır; kanal bazlı sürüm üretimi ve karakter sınırı kontrolü öne çıkar.
• Teknik ürün ve yedek parça satıcısı: Müşteri ürünü adıyla değil, model numarası ya da uyumlu cihazla arar; uyumluluk verisine dayalı arama ve soru yanıtlama değer üretir.
• Yurt dışına satan mağaza: Çeviri, ölçü birimi dönüşümü ve ülkeye göre iade koşulları birlikte yönetilir; yerelleştirme akışı ile destek asistanı aynı terim sözlüğünü kullanmalıdır.

Kozmetik, gıda takviyesi ve bebek ürünü gibi kategorilerde yanlış iddia riski yüksektir; bu mağazalarda ilk akışa bile yasaklı ifade listesi ve uzman onayı eklenir. Kurumsal müşterilere satış yapan mağazalarda müşteriye özel fiyat listeleri bulunduğu için asistanın fiyat sorularına hiç girmemesi daha güvenlidir.

03Ürün veri modelini yapay zekadan önce kurun

Model, ürün kaydında olmayan bilgiyi doğru yazamaz; bu yüzden ilk teslimat bir metin değil, bir öznitelik sözlüğüdür. Öznitelik, ürünü tanımlayan yapılandırılmış alandır: kumaş oranı, ayak numarası, voltaj ya da uyumlu model gibi. Sözlük şu parçalardan oluşur:

• Kategori başına zorunlu alanlar: Ayakkabıda taban malzemesi ve kalıp, elektronikte güç ve bağlantı tipi; listeyi ürün ekibiyle birlikte yazın.
• Sabit değer listeleri: "Lacivert", "navy" ve "koyu mavi" aynı renk için üç ayrı değer olmamalı; serbest metin yerine seçmeli değer kullanın.
• Birim ve biçim kuralları: Santimetre mi milimetre mi, ondalık ayracı virgül mü nokta mı; bu kural çeviride ve pazaryeri aktarımında hatayı önler.
• Varyant yapısı: Renk ve beden varyantları ana ürüne doğru bağlanmazsa her varyant için ayrı ve çelişkili metin üretilir.
• Tanımlayıcılar: GTIN (ürünün uluslararası barkod numarası), marka ve üretici parça numarası eksiksiz olmalıdır; Google ve pazaryerleri eşleştirmeyi bunlarla yapar.

Sözlük hazır olunca mevcut katalog için doluluk raporu çıkarın: hangi kategoride hangi alan boş, hangi değer sözlüğe uymuyor. Eksik alanları doldurmak için de yapay zeka kullanılabilir; ancak yalnız tedarikçi belgesi ya da ürün etiketi gibi bir kaynaktan çıkarım yaparak ve her öneriyi onaya düşürerek. Kaynağı olmayan alan boş kalır, çünkü boş alan uydurulmuş alandan daha az zarar verir.

04Ürün metni akışı adım adım nasıl çalışır

Ürün içeriği akışı tek bir "yaz" düğmesi değil, her biri ayrı denetlenebilen bir dizi adımdır. Adımları ayırmak, hata çıktığında sorunun veride mi, şablonda mı yoksa modelde mi olduğunu bulmayı kolaylaştırır.

1. Tetik: Yeni ürün eklendiğinde ya da bir alan değiştiğinde akış, mağaza platformunun webhook bildirimiyle başlar; webhook, bir olay olduğunda başka sisteme gönderilen otomatik çağrıdır.
2. Bağlam toplama: Ürün kaydı, kategori şablonu, marka sözlüğü ve aynı kategoride daha önce onaylanmış örnek metinler bir araya getirilir.
3. Taslak üretimi: Model başlık, açıklama, özellik maddeleri ve meta açıklama üretir; serbest paragraf yerine alan alan dönen yapılandırılmış çıktı tercih edilir.
4. Otomatik kontroller: Taslaktaki her ölçü ve malzeme ürün kaydıyla karşılaştırılır, yasaklı ifadeler ve karakter sınırları denetlenir, önceki ürünlerle aşırı benzerlik ölçülür.
5. Onay kuyruğu: Kontrolden geçen taslak, eski metinle farkı işaretlenmiş halde editörün önüne düşer; editör onaylar, düzeltir ya da gerekçesiyle reddeder.
6. Yayın ve kayıt: Onaylanan metin API ile yayına çıkar, eski sürüm saklanır, hangi model ve hangi şablon sürümüyle üretildiği not edilir.

Reddedilen taslakların gerekçeleri akışın en değerli verisidir. Aynı gerekçe tekrar ediyorsa sorun şablondadır ve şablon düzeltilir; editörün her seferinde aynı hatayı elle düzeltmesi akışın amacını boşa çıkarır. İçerik akışlarının genel kurgusunu yapay zeka ile içerik otomasyonu sayfamızda ayrıca anlatıyoruz.

05Site, pazaryeri ve ürün akışı için tek kaynak

Her kanal için ayrı ayrı metin yazdırmak yerine tek bir ana ürün kaydı tutun ve kanal sürümlerini ondan türetin. Ana kayıt değiştiğinde site, pazaryeri ilanı ve Google ürün akışı birlikte güncellenir; kanallar arasında çelişkili bilgi kalmaz. Kanal sürümlerinde değişen noktalar bellidir:

• Başlık kalıbı: Pazaryerleri marka, ürün tipi ve ayırt edici özellik sırası için kendi kurallarını uygular; bu kurallar kanal şablonuna yazılır.
• Karakter sınırları: Kanalın kabul ettiği uzunluğu aşan başlık reddedilir ya da kesilir; kontrol yayından önce yapılır.
• Yasaklı ifadeler: Bazı kanallar dış bağlantıya, promosyon ifadesine ya da tamamı büyük harfle yazılmış kelimelere izin vermez.
• Dil ve birim: Yurt dışı mağaza için çeviri, beden dönüşümü ve yerel yazım kuralları ayrı bir onay adımından geçer.

Google Merchant Center'a giden akışta yapay zekayla üretilen başlık ve açıklamaların ayrı alanlarla bildirilmesi gerekir; bu alanları akışı kuran araçta baştan tanımlamak, sonradan bütün kataloğu yeniden göndermekten kolaydır.

Ürün sayfalarındaki yapılandırılmış veriyi ürün şeması oluşturucu ile hazırlayıp akıştaki değerlerle aynı olduğundan emin olun. Sayfa ile akış arasında fiyat ya da stok farkı, ürünün reklam ve ücretsiz listelemelerden çıkarılmasına yol açabilir.

06Sipariş ve iade asistanında yetki sınırları

Sipariş asistanının güvenliği modelin zekasına değil, hangi veriye hangi koşulla erişebildiğine bağlıdır. Asistan sipariş sistemine kendi sorgusunu yazmaz; yalnız önceden tanımlanmış birkaç işlevi çağırabilir. Buna araç çağırma denir: model "sipariş durumunu getir" gibi dar bir işlevi ister, işlevi sizin yazılımınız çalıştırır.

Kurulumda şu kuralları yazılı hale getirin:

• Kimlik doğrulama: Sipariş bilgisi, sipariş numarası ile siparişteki e-posta ya da telefon eşleşmeden paylaşılmaz.
• Okuma ve yazma ayrımı: Kargo durumu okunur; iade kaydı açmak, adres değiştirmek ya da iptal etmek ya hiç yapılmaz ya da insan onayına düşer.
• Politika kaynağı: İade süresi ve koşulları modelin hafızasından değil, güncel iade politikası belgesinden okunur; politika değişince yanıt da kendiliğinden değişir.
• Devir anı: Hasarlı ürün, eksik teslimat, ödeme itirazı ve öfkeli müşteri mesajı konuşmanın kısa bir dökümüyle birlikte doğrudan ekibe aktarılır.

Kampanya dönemlerinde mesaj hacmi artar; asistan kargo firmasının sistemine bağlıysa o sistemdeki yavaşlık asistanı da yavaşlatır. Zaman aşımı olduğunda asistan bilgi uydurmak yerine takip bağlantısını vermeli ve gecikmeyi açıkça söylemelidir. Birden çok kanaldan gelen destek trafiğinin kurgusunu müşteri hizmetlerinde yapay zeka sayfamızda ele alıyoruz.

07Mağaza içi aramaya anlam katmanı eklemek

Anlamsal arama, mevcut aramanızı söküp atmak yerine onun yanına eklenen bir katman olarak kurulmalıdır. Anlamsal arama, sorgu ile ürünü kelime eşleşmesine değil anlam yakınlığına göre bulur; bunun için ürün metinleri ve sorgular embedding denen sayısal vektörlere çevrilir.

Pratikte sağlam yapı karma aramadır: model numarası, marka ve stok kodu gibi kesin sorgularda klasik kelime eşleşmesi, "kışlık su geçirmez bot" gibi tarif eden sorgularda anlamsal sonuç kullanılır ve iki liste birleştirilir. Yalnız anlamsal aramaya geçen mağazalarda, müşterinin harfi harfine yazdığı model numarası bazen ikinci sayfaya düşer. Kurulum şu sırayla ilerler:

• Sıfır sonuç kaydı: Son aylarda sonuç vermeyen sorguları mağaza panelinden ya da GA4 site içi arama raporundan çıkarın; ilk test seti budur.
• Eş anlamlı ve yazım hatası sözlüğü: "Sweatshirt" ile "svetşört", "spor ayakkabı" ile "sneaker" gibi kullanımları birbirine bağlayın.
• Filtre çıkarımı: "42 numara siyah" gibi sorgulardan beden ve renk filtresi otomatik uygulanır.
• Stok farkındalığı: Tükenen ürünler sıralamada aşağı iner ama tamamen gizlenmez; müşteri ürünün yeniden geleceğini görebilir.

Sıralamada marj ya da tedarikçi önceliği uygulanacaksa bunu açıkça kararlaştırın. Anlam katmanı müşterinin aradığını bulması için kurulur; gizli bir yönlendirme aracına dönüştüğünde arama sonrası dönüşüm de güven de zayıflar.

08İade ve yorum verisini ürün düzeltmesine bağlamak

İade analizi, sonunda bir ürün sayfası, beden tablosu ya da tedarikçi kararı değişmiyorsa yalnız bir rapordur; bu yüzden her sınıfa bir sorumlu atanır. Yapay zeka burada serbest metinleri okuyup sabit bir sınıf listesine yerleştirir, sınıf listesini ise siz belirlersiniz. Başlangıç için şu liste iş görür:

• Kalıp ve beden: Dar, bol, kısa ya da uzun geldi; beden tablosu veya ürün açıklaması düzeltilir.
• Görsel ile ürün farkı: Renk, doku ya da boyut fotoğraftan farklı göründü; fotoğraf ve renk adı gözden geçirilir.
• Kalite ve kusur: Sökük dikiş, kırık parça, eksik aksesuar; tedarikçi ve depo kontrolü devreye girer.
• Lojistik: Geç teslimat ya da hasarlı paket; kargo firması ve paketleme incelenir.
• Fikir değiştirme: Üründe sorun yok; bu sınıf ürün düzeltmesi gerektirmez, ama ürün sayfasındaki beklenti yönetimi için yine de izlenir.

Model her iade için sınıfın yanında müşterinin cümlesinden kısa bir alıntı verir; ekip ilk haftalarda örneklem üzerinden sınıflandırmanın doğruluğunu elle kontrol eder. Yorumlar için de aynı yöntem kullanılır, ürün bazında olumlu ve olumsuz temalar ayrı listelenir.

Haftalık raporda yalnız yeni çıkan ya da belirgin biçimde artan temalar öne alınmalıdır. Her hafta aynı uzun listeyi gören ekip, raporu bir süre sonra açmayı bırakır.

09Model seçimi, barındırma ve maliyet sürücüleri

Her görev için ayrı model seçin; tek bir büyük modeli her işte kullanmak gereksiz maliyet ve gecikme yaratır. Ürün metni yazımında dil kalitesi ve talimata uyum öne çıkar, iade sınıflandırmasında küçük ve hızlı bir model çoğu zaman yeterlidir, arama için ise ayrı bir embedding modeli kullanılır. Seçimde şu ölçütlere bakın:

• Türkçe ve hedef dillerdeki kalite: Aynı ürün setiyle birkaç modeli deneyin; editörünüz hangi metnin hangi modelden geldiğini bilmeden puanlasın.
• Veri koşulları: Sağlayıcının API verisini eğitimde kullanıp kullanmadığı ve veriyi hangi bölgede işlediği sözleşmede yazılı olmalıdır.
• Toplu işlem desteği: Birçok sağlayıcı, anlık yanıt gerekmeyen işler için indirimli bir toplu işlem arayüzü sunar; gece çalışan katalog işleri buraya taşınır.
• Yapılandırılmış çıktı: Modelin belirlediğiniz alan şemasına uyması, otomatik kontrol adımını güvenilir kılar.

Maliyeti belirleyen kalemler ürün sayısı, metin uzunluğu, dil sayısı, yeniden üretim sıklığı ve sohbet hacmidir. Kendi sunucunuzda çalışan yerel model, müşteri verisinin hiç dışarı çıkmaması gereken durumlarda düşünülür; çoğu mağaza için bakım yükü sağladığı faydadan büyüktür.

E-ticaret için yapay zeka kurulumunda model değişikliğini kolaylaştırmak da bir tasarım kararıdır: şablonlar ve kontroller modelden bağımsız tutulursa sağlayıcı değişse bile akışın büyük kısmı aynen kalır. Kurulum ve bakım sorumluluğunun kimde olacağı yapay zeka otomasyonu hizmetimizin kapsamında yazılı olarak belirlenir.

10Onay, kayıt ve geri alma düzeni

Kimin neyi onaylayacağını kurulumdan önce rol bazında yazın; onay kuralı belirsiz kalırsa ya her şey bekler ya da her şey kontrolsüz yayına çıkar. Ürün metni için katalog editörü, iade kararları için müşteri hizmetleri sorumlusu, kategori şablonu değişiklikleri için marka sorumlusu onay verir. Geçiş aşamalı yapılır:

1. Gölge çalışma: Akış taslak üretir ama hiçbir şey yayına çıkmaz; ekip taslakları kendi yazdığı metinlerle yan yana okur.
2. Tam onaylı pilot: Seçilen kategoride her taslak tek tek onaydan geçer ve ret gerekçeleri toplanır.
3. Örneklemli onay: Ret oranı düşen ve kararlı hale gelen kategorilerde editör taslakların yalnız bir bölümünü okur; riskli kategoriler tam onayda kalır.
4. Genişleme: Yeni kategori ya da yeni dil eklendiğinde süreç gölge çalışmadan yeniden başlar.

Her yayın için kimin onayladığı, hangi şablon ve model sürümünün kullanıldığı ve önceki metnin ne olduğu saklanır. Bir şablon hatası fark edildiğinde etkilenen ürünler bu kayıttan bulunur ve tek işlemle önceki sürüme döndürülür.

Hata alarmı da kurulmalıdır: API bağlantısı koptuğunda ya da kontrol adımındaki ret oranı birden yükseldiğinde ilgili kişiye bildirim gider. Alarmsız bir akış, sorunu müşteri şikayetiyle öğrenir.

11KVKK, reklam yönetmeliği ve platform kuralları

E-ticaret için yapay zeka kurulumunda üretilen her çıktı tüketiciye ulaştığı için hukuki çerçeve kurulumun ilk haftasında konuşulur. Bu bölüm hukuki görüş değildir, son kararı hukukçunuz verir; ama teknik tasarım şu başlıklara göre yapılır:

• Veri envanteri: Hangi akışın hangi kişisel veriyi kullandığı, nereye gönderildiği ve ne kadar saklandığı bir veri akışı haritasına yazılır; ürün içeriği akışı kişisel veri kullanmaz.
• Yurt dışına aktarım: Model sağlayıcı yurt dışındaysa KVKK'nın 9. maddesindeki aktarım koşullarından birine dayanılır; aydınlatma metni de buna göre güncellenir.
• Tüketici değerlendirmeleri: Ticari reklam yönetmeliğine 2026'da eklenen hükme göre internetteki değerlendirmeleri yalnız ürünü satın alanlar yapabilir; yapay zeka yorum üretmez, mevcut yorumları sınıflandırır.
• Yapay zeka karakterleri: Reklamda insandan ayırt edilemeyen yapay zeka karakteri kullanılıyorsa bu açıkça belirtilir; gerçek bir kişinin yapay zekayla üretilmiş kopyası ürünü kullanmış gibi gösterilmez.
• Merchant Center etiketleri: Yapay zekayla üretilen başlıklar structured_title, açıklamalar structured_description alanıyla bildirilir.

AB'deki tüketicilere satış yapıyorsanız iki konu eklenir: otomatik kararla kişiselleştirilen fiyat için bilgilendirme yükümlülüğü ve AB Yapay Zeka Tüzüğü'nün insanlarla etkileşen sistemler için öngördüğü şeffaflık kuralları. Asistanın konuşmanın başında kendini yapay zeka olarak tanıtması, iki pazarda da güveni koruyan basit bir adımdır.

12Değeri kontrol grubuyla ölçmenin pratik yolu

Ölçüm planı kurulumdan önce yazılır; akış canlıya çıktıktan sonra seçilen ölçüt, işe yaradığını göstermek için seçilmiş gibi durur. Her akış için bir ana ölçüt, birkaç yardımcı ölçüt ve bir koruma ölçütü belirleyin. Koruma ölçütü, iyileşme olurken bozulmaması gereken değerdir; örneğin yeni ürün metinleri dönüşümü artırırken iade oranını yükseltmemelidir.

• Ürün içeriği: Ana ölçüt ürün sayfası dönüşümü; yardımcılar sayfada kalma ve sepete ekleme; koruma ölçütü iade oranı.
• Sipariş asistanı: Ana ölçüt insana devredilmeden çözülen konuşma payı; koruma ölçütü aynı konu için yeniden yazan müşteri sayısı.
• Arama: Ana ölçüt arama sonrası sepete ekleme; yardımcı ölçüt sıfır sonuç oranı; koruma ölçütü arama yapan ziyaretçinin dönüşümü.
• İade analizi: Ana ölçüt, düzeltme yapılan ürünlerde sonraki dönemin iade oranı.

Kontrol grubunu kurarken ürünleri kategori, fiyat seviyesi ve satış geçmişi benzer çiftler halinde eşleştirin; çiftin birine yeni metin, diğerine eski metin verin. Test süresi en az bir tam satış döngüsünü kapsamalı, büyük indirim dönemleri dışarıda bırakılmalıdır.

Sonucun şans eseri olup olmadığını A/B testi hesaplayıcısı ile kontrol edebilirsiniz. E-ticaret için yapay zeka yatırımının devamına, bu sonuç ve zaman kayıtları birlikte okunarak karar verilir.

13Sık yapılan hatalar ve daha iyi yolu

Bu hataların çoğu teknik değil, karar ve sıralama hatasıdır; her birinin daha az riskli bir alternatifi vardır.

• Tüm kataloğu tek seferde yeniden yazdırmak: Fark edilmeyen bir şablon hatası yüzlerce sayfaya yayılır; bunun yerine tek kategoride pilot yapıp ret gerekçelerini toplayın.
• Tedarikçi metnini tek kaynak saymak: Tedarikçi açıklaması çoğu zaman eksik ya da abartılıdır; modele yapılandırılmış öznitelik verin, tedarikçi metnini yalnız yardımcı kaynak olarak kullanın.
• Asistana geniş yetkili API anahtarı vermek: Böyle bir anahtar sızarsa sipariş ve müşteri verisi açığa çıkar; yalnız gereken uç noktalara izinli, ayrı bir anahtar oluşturun.
• Arama değişikliğini kampanya haftasında açmak: Trafik olağan değilken sonuç okunamaz, sorun çıkarsa kayıp büyür; değişikliği sakin bir haftada, kontrol grubuyla açın.
• Metni anahtar kelimeyle doldurmak: Okunması zor, birbirine benzeyen sayfalar arama görünürlüğüne de zarar verebilir; müşterinin sorduğu sorulara yanıt veren, ürüne özgü bilgiyi öne çıkarın.
• Başarıyı üretilen metin sayısıyla ölçmek: "Bu ay şu kadar açıklama yazıldı" verisi değer göstermez; dönüşüm, süre ve iade etkisini kontrol grubuyla izleyin.

Ürün bilgisinin ChatGPT ya da Google'ın yapay zeka yanıtlarında nasıl alıntılandığı da artık mağaza görünürlüğünün parçası. Bu tarafı yapay zeka aramalarında görünürlük hizmetimiz ele alır; ürün sayfalarının doğru ve tutarlı veri taşıması, iki kanalda da aynı işe yarar.

14Doğru ekibi seçmek ve ilk adımı atmak

E-ticaret için yapay zeka kuracak ekibi demo kalitesine göre değil, veriniz ve yetkileriniz hakkında sorduğu sorulara göre değerlendirin. İyi bir teklif, model adından önce hangi alanların okunacağını, hangilerine yazılacağını ve neyin nasıl ölçüleceğini anlatır. Görüşmede şu soruları sorun:

• Pilot hangi kategoriyle, hangi ana ölçütle ve hangi kontrol grubuyla yapılacak?
• Model sağlayıcı ve otomasyon hesapları kimin adına açılacak, proje bitince şablonlar ve promptlar kime kalacak?
• Bir şablon hatasında etkilenen ürünler nasıl bulunacak ve önceki sürüme nasıl dönülecek?
• Mağaza platformu ya da model sağlayıcı değişirse akışın hangi parçaları yeniden yazılacak?
• Kampanya dönemlerinde akış nasıl izlenecek ve sorun çıkarsa kim müdahale edecek?

Mağaza altyapınız henüz netleşmediyse ya da platform değişikliği gündemdeyse yapay zekadan önce e-ticaret danışmanlığı ile veri yapısını oturtmak daha mantıklıdır. Altyapı hazırsa ekibinizin her hafta elle yaptığı işleri, ürün sayınızı ve satış kanallarınızı iletişim formundan paylaşın; pilot kapsamını birlikte netleştirelim. Keşif ve ilk akış için sabit kapsamlı seçenekleri fiyatlar bölümünde inceleyebilirsiniz.