Google Fusion Tables ile Lojistik ve Tedarik Zinciri Veri Analizi ve Raporlama

Küreselleşen pazar dinamikleri, tedarik zinciri operasyonlarını daha karmaşık hâle getirirken lojistik süreçlerde milisaniyelerle ölçülen kararların kârlılığa doğrudan etki ettiği bir döneme girdik. Stok seviyeleri, rota optimizasyonu, taşıyıcı performansı, gümrük dökümleri, üretim terminleri ve müşteri talepleri artık birbirine sıkı sıkıya bağlı verilerle yönetiliyor. 2009-2019 yılları arasında ücretsiz sunulan Google Fusion Tables, kodlama bilmeyen operasyon ve analitik ekiplerine büyük CSV dosyalarını hızla yükleyip sorgulama, birleştirme ve görselleştirme imkânı sağlayarak “hafif BI” anlayışının öncülerindendi. Hizmet kapanmış olsa da “yükle-sorgula-görselleştir-paylaş” yaklaşımı bugün BigQuery-Looker Studio-Apps Script üçlüsünde petabayt ölçeğinde, güvenlik katmanlarıyla ve yapay zekâ destekli olarak yaşamaya devam ediyor.
Bu kapsamlı makalede, Fusion Tables ile lojistik ve tedarik zinciri verilerinin nasıl bütünleştirileceğini, kritik KPI’ların nasıl hesaplanacağını, gerçek zamanlı panoların nasıl kurgulanacağını ve modern Google Cloud mimarisine geçerken nelere dikkat edilmesi gerektiğini ayrıntılı biçimde ele alacağız.

2. Lojistik & Tedarik Zinciri Veri Ekosisteminin Kaynakları

• Taşıyıcı Yönetim Sistemi (TMS): sevkiyat numarası, rota, taşıyıcı, maliyet, teslim süresi

• Depo Yönetim Sistemi (WMS): stok kodu, konum, giriş/çıkış tarihi, FIFO/LIFO bilgisi

• Planlama (MRP/ERP): üretim emri, hammadde gereksinimi, termin tarihi

• Gümrük & Transit: beyanname numarası, GTİP, geçiş süresi, vergi

• Telemetri/IoT: sıcaklık, nem, titreşim, GPS koordinatları

• Müşteri Talep Tahmini: POS verisi, promosyon takvimi, sezonluk faktörler
  Her bir sistem farklı formattaki CSV/TSV dosyaları ürettiğinden, Fusion Tables’ın “eksiksiz sürükle-bırak” yükleme mekanizması veri entegrasyonunu birkaç dakikada gerçekleştirmeye olanak tanırdı.

3. Kurulum: Veri Toplama, Temizleme ve Birleştirme

1. CSV Aktarımı

   • shipments.csv (shipment_id, order_id, carrier, route, distance_km, ship_date, delivery_date, cost)

   • inventory.csv (sku, warehouse, qty_on_hand, last_in, last_out)

   • telemetry.csv (device_id, shipment_id, gps_lat, gps_lng, temp_c, humidity, timestamp)

   • demand.csv (sku, week, forecast_qty)

2. Alan Eşleştirme

   • Tarih alanlarını YYYY-MM-DD formatına dönüştürün, shipment_id ve sku değerlerini tüm dosyalarda büyük harfe ve sıfır dolgulu hâle getirin (örn. SHP-000345, SKU-000987).

3. Birleştirme (Merge)

   • shipments.csv ile telemetry.csv dosyalarını shipment_id üzerinden birleştirin → taşıma ve sensör verisi tek tabloda.

   • Elde edilen tabloyu inventory.csv ve demand.csv ile sırasıyla sku anahtarına göre ekleyin.

   • Sonuçta master_supplychain_table adında, ham­madde girişinden müşteriye teslimata kadar bütün süreci kapsayan merkezî bir tablo oluşur.

4. Kritik Tedarik Zinciri KPI’ları ve FTQL Örnekleri

• Teslimat Performansı (OTIF) — Zamanında & tam teslim / toplam sevkiyat

  sql

  KopyalaDüzenle

  SELECT COUNT(*) WHERE delivery_date<=promise_date AND delivered_qty=ordered_qty
/ COUNT(*)


• Taşıyıcı Başına Ortalama Teslim Süresi — AVG(DATEDIFF(delivery_date, ship_date))

• Stok Devir Günü (DOH) — AVG(qty_on_hand) / AVG(daily_sales)

• Tahmin Hata Oranı (MAPE) — AVG(ABS(forecast_qty-actual_sales)/actual_sales)

• Soğuk Zincir Uyuşmazlığı — Telemetri sensöründe sıcaklık > 8 °C geçen dakika sayısı

• Navlun Birim Maliyeti — SUM(cost) / SUM(distance_km)

FTQL’de OTIF örneği:

5. Görselleştirme Stratejisi

Fusion Tables’ın Visualize bölümüyle:

• Çizgi Grafiği: Haftalık OTIF trendi

• Sütun Grafiği: Taşıyıcı bazlı navlun birim maliyeti

• Isı Haritası (Heatmap): Depo-saat kırılımında stok giriş/çıkış yoğunluğu

• Harita Katmanı: GPS koordinatlarıyla canlı sevkiyat takibi (geofence ihlali anında kırmızı)

• Baloncuk Grafiği: MAPE (X), SKU satış hacmi (Y), brüt marj (balon çapı)

“Publish → Embed” ile alınan <iframe> kodunu intranet portalınıza yapıştırdığınızda, planlama, satın alma, depo ve satış ekipleri tek panelde ortak gerçeklik yakalar.

6. Gerçek Zamanlı Pano: Apps Script ile Otomasyon

Fusion Tables streaming desteklemese de Google Apps Script + Google Sheets köprüsü dakikalık veri güncellemesi sağlar:

Time-Driven tetikleyici (ör. her 10 dk) ile çalıştırılır; sevkiyat sensörü sıcaklık sapması 8 °C’yi aşarsa Slack’e otomatik uyarı gönderilir.

7. Uygulamalı Senaryo: Kara Sınırı Gecikme Analizi

Hedef: Bulgaristan sınır geçişinde kamyon kuyrukları nedeniyle oluşan gecikmeleri veriyle belgelemek.

1. route sütununda sınır kodu=BG olan sevkiyatları FTQL ile filtreleyin.

2. delivery_delay = delivery_date - expected_delivery_date sanal sütunu oluşturun.

3. Ortalama gecikme 2.4 gün, OTIF %62 çıkıyor; baloncuk grafiğinde kırmızı alarm.

4. Aksiyon: Alternatif Ro-Ro hattı maliyet karşılaştırması, taşıyıcı sözleşmesine SLA maddesi ekleme.

8. Fusion Tables’tan Google Cloud’a Geçiş Yol Haritası

Adımlar: Fusion Tables’taki CSV’leri dışa aktarın → bq load ile BigQuery’ye atın → FTQL sorgularını Standard SQL’e dönüştürün → Looker’da yeni pano şablonu oluşturun → Apps Script tetikleyicilerini Cloud Functions’a port ederek hata toleransını ve ölçeklenebilirliği artırın.

9. Yapay Zekâ ve İleri Analitik Ufku

• BigQuery ML: OTIF tahmin modeli → riskli sevkiyatlar yola çıkmadan uyarı

• Vertex AI Forecast: Talep & stok senkronizasyonu için çok değişkenli tahmin

• Stream Analytics (Pub/Sub + Dataflow): GPS verisi dakikalık akarken hız, sıcaklık, fren sertliği anomalisi tespiti

• Generative BI: “Önümüzdeki haftaya kadar en yüksek gecikme riski hangi SKU’da?” sorusuna grafik + doğal dil yanıt

• Digital Twin: BigQuery’deki geçmiş rota ve depo verisiyle simülasyon; “rota kapandı” senaryosunun maliyet-zaman etkisi

• Federated Learning: Taşıyıcı filolar arasında veri gizliliğini koruyarak ortak ETA model eğitimi

10. Sonuç

Google Fusion Tables, lojistik ve tedarik zinciri ekiplerine “kod yazmadan analitik” kapısını aralayarak stok, sevkiyat ve tahmin verilerini tek bakışta görünür kıldı. Hizmet kapanmış olsa da, BigQuery-Looker Studio-Apps Script ekosistemi bu mirası petabayt ölçeği, yapay zekâ gücü ve kurumsal güvenlikle harmanlayarak sürdürüyor. Teslimat performansından stok devir hızına, tahmin doğruluğundan soğuk zincir takibine kadar tüm metrikleri gerçek zamanlı izleyen ve veriye göre aksiyon alan işletmeler; maliyetlerini düşürüp müşteri memnuniyetini yükselterek rekabette fark yaratıyor. Veri odaklı tedarik zinciri yönetimi artık tercihten öte bir zorunluluk; Google Cloud araç seti ise bu yolculukta kod yazmaya gerek kalmadan ileri analitiğin kapılarını sonuna kadar açıyor.

Veri, modern dünyanın en değerli varlıklarından biri haline gelmiştir ve iş dünyasında, araştırmada ve karar verme süreçlerinde kritik bir rol oynamaktadır. Biz, veri analizi konusundaki tutkulu bir topluluk olarak, veri biliminin ve analizinin gücünü vurguluyoruz. Web sitemiz, işletmelerden akademisyenlere ve veri meraklılarına kadar herkesin veri analizi becerilerini geliştirmesine yardımcı olmayı amaçlayan bir kaynaktır. Misyonumuz, veri analizi sürecini anlaşılır ve erişilebilir hale getirmek, verilerin içinde gizlenen değeri açığa çıkarmak ve daha bilinçli kararlar almalarını desteklemektir.

Web sitemiz, geniş bir veri analizi yelpazesi sunmaktadır. Hangi sektörde olursanız olun veya hangi veri analizi aracını kullanıyorsanız kullanın, ihtiyaçlarınıza uygun hizmetler sunuyoruz. SPSS, R, Python, Excel veya diğer analiz araçlarını kullanarak veri madenciliği, hipotez testleri, regresyon analizi, zaman serisi tahmini, segmentasyon ve daha fazlasını içeren çeşitli analiz türlerini kapsarız. Ayrıca, öğrenmeyi kolaylaştırmak için zengin kaynaklar, öğreticiler ve interaktif araçlar sunuyoruz.

Veri İçerik Analizi Editörü

Biyografinin Tamamını Gör