Mağaza Stok ve Sipariş Tahmini
Küçük e-ticaret satıcısı satış geçmişini yükle, AI 30 gün sonrasının stok ihtiyacını tahmin ediyor.
Kimin derdi bu?
Gerçek bir insan, gerçek bir acı. Kafanda canlandır.
- Kim
- Trendyol/Hepsiburada/Shopify satıcıları (50-500 SKU)
- Canı yanan yer
- Stok tükenirse ciro kaybı, fazla stok para bağlar
- Şu an nasıl yapıyor
- Excel takip veya sezgisel
6 saate sığar mı?
Bootcamp modunda sıkıştırılmış senaryo.
M — 8-16 saat. CSV + zaman serisi + AI yorum.
Ne ile inşa edeceksin?
Sıfırdan yazmayacaksın — bu parçaları birleştireceksin.
Hangi parçalar?
Her parça ayrı bir commit. Sırayla yakala.
- 1CSV satış geçmişi upload
- 2Basit trend + mevsimsellik
- 3Claude ile SKU başına tahmin yorum
- 4Uyarılar (stock-out riski)
- 5Sipariş planı export
- 6WhatsApp uyarı (opsiyonel)
Piyasada kimler var?
Rakip değil, referans. Sen onlardan küçük, hızlı ve yakın olacaksın.
Neden evet, neden hayır?
Kısa bir gerçeklik testi.
Net ROI (stok-out önleme = gelir koruma)
Küçük örneklemlerde tahmin doğruluğu sorun, güven inşası
Para nereden gelir?
Bir çerçeve, değil kesin plan. İlk 100 kullanıcıya odaklan.
- Fiyat
- ₺499/ay
- Hedef ARR
- 80 × ₺499 = ₺40k MRR
- Model
- Subscription
Claude Code'a ver
Aşağıdaki prompt'u olduğu gibi kopyala, Claude Code'a yapıştır. Stack, veri modeli, 6 saatlik inşa sırası ve başarı kriterleri içinde.
# Mağaza Stok ve Sipariş Tahmini **Ne inşa ediyoruz:** Satış geçmişi CSV'si alınca her SKU için 30 gün sonrası tahmin + ne zaman sipariş vermeli uyarısı. **Kullanıcının işi (JTBD):** Stokum bittiğinde ciro kaybediyorum, fazla yığdığımda para bağlıyor; her Pazar 10 dakikada "neyi ne zaman sipariş vereceğim" net olsun istiyorum. --- ## Stack - Next.js 15 + TS strict, Tailwind + shadcn/ui + Recharts - Supabase (magic link + Postgres) - Claude Sonnet 4.6 - Deploy: Vercel ## Veri modeli ```sql create table skus ( id uuid primary key default gen_random_uuid(), user_id uuid, sku text, name text, current_stock int, lead_time_days int default 7, unit_cost numeric, created_at timestamptz default now() ); create table sales ( id bigserial primary key, sku_id uuid references skus on delete cascade, date date, quantity int ); create table forecasts ( id uuid primary key default gen_random_uuid(), sku_id uuid references skus, horizon_days int, predicted_sales int, reorder_on date, risk int, rationale text, created_at timestamptz default now() ); ``` ## Ana akışlar 1. SKU seed: CSV (sku, name, current_stock, lead_time). 2. Satış geçmişi CSV upload. 3. Her SKU için: 7-günlük moving average + mevsimsellik (basit). 4. Claude: her SKU'nun istatistiği + "son 90 gün: mevsim var mı, trend nasıl, 30 gün tahmin, mevcut stok ile ne zaman tükenir, ne zaman sipariş vermeli, risk skoru 0-10". 5. /dashboard: risk ≥7 olanlar kırmızı, sipariş tarihi listede. ## 6 saatlik inşa sırası - 0:00–1:00 — Scaffold + auth + CSV parse - 1:00–2:30 — Moving average + Recharts chart - 2:30–4:00 — Claude prompt + forecasts insert - 4:00–5:00 — Dashboard + filtreleme - 5:00–6:00 — Deploy ## Başarı kriteri - [ ] 50 SKU ve 6 ay veri ile çalışıyor - [ ] Risk skoru gözle mantıklı - [ ] Sipariş önerisi lead_time'ı hesaba katıyor - [ ] Canlı URL ## Dikkat - Küçük örneklemde tahmin zayıf — prompt'a "yetersiz veri ise belirt" ekle. - Tahmini garantileme, "öneri" dili.
Bu sana uymadı mı?
Hepsini görTürkçe, WhatsApp ile randevu onayı gönderen, müşteri geçmişini takip eden niche CRM.
Online PT'ler müşteri hedeflerini giriyor, AI 4 haftalık egzersiz programı + beslenme planı üretiyor, PDF export.
Airbnb hostları için check-in/check-out/review otomatik mesaj şablonları + AI cevap önerileri.