E-postadan Otomatik Veri Çıkarma: Yapay Zekâ ile Operasyon Yükünü Azaltmak

Bir lojistik firmasının gelen kutusunu düşünün. Gün boyunca navlun talepleri, sevkiyat güncellemeleri, müşteri mesajları, rezervasyon onayları ve operasyon belgeleri e-posta üzerinden iletiliyor.

Her mesaj farklı bir bilgi taşıyor. Bir e-postada konteyner tipi, diğerinde yükleme limanı, başka birinde teslimat tarihi veya yükün ağırlığı bulunuyor.

Çalışanlar bu mesajları okuyarak gerekli bilgileri belirliyor, ardından CRM, Excel veya operasyon yazılımına manuel olarak aktarıyor.

Bu süreç her gün tekrarlandığında önemli bir operasyonel iş yükü oluşturabiliyor.

Yapay zekâ destekli e-posta otomasyonu, gelen mesajların analiz edilmesini, önemli bilgilerin ayıklanmasını ve yapılandırılmış verilere dönüştürülmesini mümkün kılıyor.

Peki yapay zekâ ile e-postadan otomatik veri çıkarma nasıl çalışır? Hangi süreçlerde kullanılabilir ve işletmelere nasıl fayda sağlayabilir?

Bu rehberde, e-posta otomasyonunun çalışma mantığını, lojistik sektöründeki kullanım örneklerini ve işletmelerin bu teknolojiye nasıl başlayabileceğini ele alıyoruz.

E-Posta Otomasyonu Nedir?

E-posta otomasyonu, gelen veya gönderilen e-postalar üzerinde belirli kurallara ya da akıllı analiz yöntemlerine göre işlemler gerçekleştirilmesidir.

Geleneksel e-posta otomasyonları genellikle sabit kurallarla çalışır.

Örneğin:

• Belirli bir göndericiden gelen e-postayı ilgili klasöre taşımak.

• Konu satırında “teklif” geçen mesajları satış ekibine yönlendirmek.

• Gelen müşteri taleplerine otomatik yanıt göndermek.

• Belirli mesajları başka bir e-posta adresine iletmek.

Bu yöntemler basit işlemlerde faydalı olabilir. Ancak müşteriler aynı talebi farklı kelimelerle ifade ettiğinde sabit kurallar yetersiz kalabilir.

Yapay Zekâ Destekli E-Posta Otomasyonu Nedir?

Yapay zekâ destekli e-posta otomasyonu, mesajların yalnızca konu satırına veya belirli kelimelere göre değil, içeriklerine göre de analiz edilmesini sağlar.

Doğal dil işleme (NLP) ve büyük dil modelleri (LLM) gibi teknolojiler, e-postanın hangi amaçla gönderildiğini ve hangi bilgileri içerdiğini belirlemek için kullanılabilir.

Örneğin aşağıdaki iki mesajı düşünelim:

Mesaj 1: “İzmir–Hamburg 40 HC konteyner için navlun teklifinizi rica ederiz.”

Mesaj 2: “Hamburg'a göndereceğimiz 40' High Cube yükümüz için fiyat çalışabilir misiniz?”

İki mesaj farklı biçimlerde yazılmış olsa da aynı türde bir fiyat talebi içeriyor.

Yapay zekâ destekli bir sistem, bu mesajları navlun teklifi talebi olarak sınıflandırabilir ve içlerindeki taşıma bilgilerini çıkarmaya çalışabilir.

Böylece e-postalar yalnızca okunacak mesajlar olmaktan çıkarak operasyon süreçlerinde kullanılabilecek veri kaynaklarına dönüşebilir.

Yapay Zekâ ile E-Postadan Otomatik Veri Çıkarma Nasıl Çalışır?

E-postadan veri çıkarma süreci, gelen mesajın analiz edilmesi ve ilgili bilgilerin belirli veri alanlarına dönüştürülmesi üzerine kuruludur.

1. Gelen E-Posta Sisteme Alınır

İlk aşamada yetkilendirilmiş e-posta hesabına gelen mesajlar, uygun teknik entegrasyonlarla işlenebilir.

Microsoft Outlook veya Gmail gibi e-posta hizmetlerinin desteklediği API'ler, gerekli izinler sağlandığında mesajlara erişim için kullanılabilir.

Bu aşamada hangi e-postaların işleneceği, erişim yetkileri ve veri güvenliği kuralları belirlenmelidir.

2. E-Postanın İçeriği Analiz Edilir

Yapay zekâ modeli mesajın konusunu ve gövdesini analiz eder.

Örneğin gelen e-postanın şu kategorilerden hangisine ait olduğu belirlenmeye çalışılabilir:

• Yeni navlun teklifi talebi

• Mevcut sevkiyat hakkında bilgi talebi

• Rezervasyon veya booking onayı

• Fatura ve ödeme bildirimi

• Operasyon güncellemesi

• Müşteri şikâyeti

• Genel bilgilendirme

Bu sınıflandırma sayesinde mesajların ilgili ekip veya iş akışına yönlendirilmesi kolaylaşabilir.

3. Önemli Bilgiler Otomatik Çıkarılır

E-postanın amacı belirlendikten sonra ilgili veri alanları çıkarılır.

Bir lojistik firmasında navlun talepleri için şu bilgiler önemli olabilir:

• Müşteri adı

• Çıkış noktası

• Varış noktası

• Taşıma modu

• Konteyner tipi

• Yük türü

• Brüt ağırlık

• Hacim

• Yükleme tarihi

• Özel taşıma gereksinimleri

Bu bilgiler, teklif hazırlama sürecinde kullanılabilecek yapılandırılmış bir kayıt hâline getirilebilir.

4. Eksik ve Hatalı Bilgiler Kontrol Edilir

Her e-posta eksiksiz bilgi içermez.

Örneğin müşteri yükleme tarihini belirtmiş ancak konteyner tipini yazmamış olabilir.

Sistem, zorunlu alanları kontrol ederek eksik bilgileri işaretleyebilir.

Burada önemli bir kural vardır: Yapay zekâ, e-postada bulunmayan bilgileri kesin bilgiymiş gibi üretmemelidir.

Eksik veya belirsiz alanlar için müşteriden ek bilgi istenmesi gerekebilir.

5. Veriler İlgili Yazılıma Aktarılır

Çıkarılan ve doğrulanan bilgiler, uygun entegrasyon altyapısı bulunduğunda CRM, teklif yönetimi veya operasyon yazılımına aktarılabilir.

Böylece çalışanların aynı bilgileri birden fazla sisteme manuel olarak girmesi ihtiyacı azaltılabilir.

Ancak veri çıkarma ile sistem entegrasyonu farklı teknik aşamalardır. Bir yapay zekâ aracının e-postadan bilgi çıkarabilmesi, bu bilgileri her yazılıma doğrudan aktarabildiği anlamına gelmez.

Lojistik Sektöründe E-Postadan Veri Çıkarma: Somut Örnek

Bir freight forwarder firmasına aşağıdaki e-postanın geldiğini varsayalım.

Konu: İzmir–Hamburg Deniz Yolu Navlun Talebi

“Merhaba,

İzmir Alsancak çıkışlı, Hamburg varışlı 1x40' HC konteyner için navlun teklifinizi rica ederiz.

Yükümüz 18.500 kg makine parçasıdır. Tahmini yükleme tarihimiz 20 Ekim.

Uygun fiyat ve transit süre bilgisini paylaşabilir misiniz?

İyi çalışmalar.”

Geleneksel iş akışında satış temsilcisi mesajı okuyarak teklif hazırlamak için gereken bilgileri manuel olarak kaydeder.

Yapay zekâ destekli bir veri çıkarma sisteminde ise örnek çıktı şu şekilde olabilir:

Talep türü: Deniz yolu navlun teklifi

Çıkış: İzmir Alsancak

Varış: Hamburg

Taşıma modu: Deniz yolu

Taşıma tipi: FCL

Konteyner: 1 × 40' HC

Yük: Makine parçası

Ağırlık: 18.500 kg

Tahmini yükleme tarihi: 20 Ekim

Talep edilen bilgiler: Navlun fiyatı ve transit süre

Kontrol gerektiren alanlar: Yükleme yılının doğrulanması ve teklif için gerekli diğer yük detayları

Bu kayıt, çalışan tarafından kontrol edilerek teklif hazırlama sürecine aktarılabilir.

Yapay zekâ burada navlun fiyatını kendiliğinden hesaplamak zorunda değildir. Öncelikli görevi, mesajdaki bilgileri doğru ve düzenli biçimde sunmaktır.

E-Posta Otomasyonunun Lojistik Firmalarında 5 Kullanım Alanı

1. Navlun Taleplerinin Sınıflandırılması

Gelen fiyat talepleri deniz yolu, hava yolu, kara yolu veya multimodal taşımacılık gibi kategorilere ayrılabilir.

Bu sayede taleplerin doğru satış ekibine yönlendirilmesi için otomatik iş akışları oluşturulabilir.

2. Teklif Bilgilerinin Otomatik Hazırlanması

Müşterinin e-postasında bulunan çıkış, varış, yük türü ve konteyner bilgileri yapılandırılabilir.

Bu bilgiler, satış temsilcisinin kontrol edebileceği bir teklif taslağının hazırlanmasına yardımcı olabilir.

3. Sevkiyat Güncellemelerinin İşlenmesi

Taşıyıcılardan gelen e-postalarda ETD, ETA, sefer bilgileri veya rezervasyon referansları bulunabilir.

Uygun kontrollerle bu bilgilerin operasyon kayıtlarıyla eşleştirilmesi ve güncelleme önerileri oluşturulması mümkün olabilir.

4. E-Posta Eklerinin Sınıflandırılması

Faturalar, konşimentolar, paketleme listeleri ve rezervasyon belgeleri farklı formatlarda gönderilebilir.

OCR ve yapay zekâ destekli belge işleme teknolojileri, desteklenen belgelerin türünü belirlemek ve belirli bilgileri çıkarmak için kullanılabilir.

5. Eksik Bilgi Taleplerinin Hazırlanması

Bir müşterinin gönderdiği navlun talebinde gerekli bilgiler eksikse sistem bu alanları tespit edebilir.

Ardından müşteriye gönderilmek üzere bir yanıt taslağı oluşturulabilir.

Örneğin:

“Teklifinizi hazırlayabilmemiz için yükün brüt ağırlığını ve tahmini yükleme tarihini paylaşabilir misiniz?”

Bu tür yanıtların, özellikle başlangıç aşamasında çalışan kontrolünden geçirilmesi önerilir.

Yapay Zekâ ile E-Posta Otomasyonu İşletmelere Ne Kazandırır?

Manuel Veri Girişi Azalabilir

Çalışanların her mesajı okuyup bilgileri tek tek kopyalaması yerine, sistem ilk veri çıkarma işlemini gerçekleştirebilir.

Bu durum çalışanların doğrulama, müşteri iletişimi ve operasyonel kararlar için daha fazla zaman ayırmasına yardımcı olabilir.

Veri Girişinde Tutarlılık Artabilir

Müşteriler aynı bilgileri farklı biçimlerde ifade edebilir.

Örneğin “40 HC”, “40HQ” ve “40' High Cube” ifadeleri uygun kurallarla aynı konteyner tipine karşılık gelecek şekilde standartlaştırılabilir.

Bu da kayıtların daha düzenli tutulmasını destekleyebilir.

Teklif Hazırlama Süreci Hızlanabilir

Teklif için gerekli bilgiler daha erken aşamada belirlenebilir.

Ancak toplam teklif hazırlama süresi; fiyat araştırması, kapasite kontrolü, müşteri onayı ve diğer operasyonel adımlara da bağlıdır.

Eksik Bilgiler Daha Erken Fark Edilebilir

Sistem, zorunlu alanların eksik olduğu talepleri işaretleyerek müşteriden ek bilgi istenmesini kolaylaştırabilir.

Operasyonel Görünürlük Artabilir

E-postalardaki bilgilerin merkezi bir sisteme aktarılması, müşteri taleplerinin ve operasyon kayıtlarının daha düzenli takip edilmesine yardımcı olabilir.

Bu faydanın gerçekleşmesi için uygun entegrasyonların ve süreç yönetiminin bulunması gerekir.

E-Posta Otomasyonu Ne Kadar Zaman Kazandırabilir?

Yapay zekâ projelerinin değerlendirilmesinde somut ölçümler yapmak önemlidir.

Örnek bir hesaplama üzerinden ilerleyelim.

Bir lojistik firmasının günlük 50 navlun talebi aldığını varsayalım.

Her e-postanın okunması, gerekli bilgilerin belirlenmesi ve sisteme girilmesi ortalama 4 dakika sürsün.

Mevcut günlük iş yükü:

50 e-posta × 4 dakika = 200 dakika

Bu, günlük 3 saat 20 dakikalık manuel veri işleme süresidir.

Yapay zekâ destekli bir süreç sonrasında veri çıkarma ve çalışan kontrolünün e-posta başına ortalama 1,5 dakika sürdüğünü varsayalım.

Yeni günlük iş yükü:

50 e-posta × 1,5 dakika = 75 dakika

Örnek günlük zaman kazanımı: 125 dakika.

22 iş günü üzerinden hesaplandığında yaklaşık 45,8 saatlik aylık potansiyel zaman kazanımı ortaya çıkar.

Bu rakamlar yalnızca yöntemi açıklamak için oluşturulmuş varsayımsal değerlerdir. Gerçek sonuçlar işletmenin e-posta hacmine, belge çeşitliliğine, kullanılan araçlara ve doğrulama gereksinimlerine göre değişebilir.

Ayrıca yazılım lisansı, entegrasyon, bakım ve hata düzeltme maliyetleri de değerlendirilmelidir.

E-Postadan Otomatik Veri Çıkarma İçin Hangi Teknolojiler Kullanılır?

Doğal Dil İşleme (NLP)

Doğal dil işleme, bilgisayar sistemlerinin insan dilindeki metinleri analiz etmesine yardımcı olan yapay zekâ alanıdır.

E-postaların sınıflandırılması, önemli ifadelerin belirlenmesi ve bilgi çıkarma işlemlerinde kullanılabilir.

Büyük Dil Modelleri (LLM)

Büyük dil modelleri, serbest biçimde yazılmış mesajlardan belirli bilgileri çıkarmak ve yapılandırılmış çıktı üretmek için kullanılabilir.

Ancak üretilen sonuçların doğrulanması gerekir.

OCR Teknolojisi

Optik karakter tanıma (OCR), taranmış belge veya görüntülerdeki metinlerin makine tarafından işlenebilir hâle getirilmesini sağlar.

E-posta eklerinde bulunan taranmış belgeler için kullanılabilir.

API ve Sistem Entegrasyonları

API'ler, farklı yazılım sistemlerinin belirli kurallar ve yetkiler çerçevesinde veri alışverişi yapmasını sağlar.

E-posta hizmeti, yapay zekâ bileşeni ve operasyon yazılımının birlikte çalışabilmesi için uygun entegrasyon mimarisi gerekebilir.

API teknolojisinin temel prensipleri hakkında daha fazla bilgi için MDN Web Docs – API kaynağı incelenebilir.

E-Posta Otomasyonunda Veri Güvenliği Neden Önemlidir?

İşletmelerin e-posta kutuları müşteri bilgileri, ticari teklifler, fiyatlar, sözleşmeler ve kişisel veriler içerebilir.

Bu nedenle e-posta otomasyonu projelerinde veri güvenliği ilk aşamadan itibaren değerlendirilmelidir.

Dikkat edilmesi gereken konular şunlardır:

• E-posta hesaplarına erişim yetkilerinin sınırlandırılması.

• İşlenen verilerin hangi sistemlerde saklandığının belirlenmesi.

• Kullanılan yapay zekâ hizmetinin veri işleme koşullarının incelenmesi.

• Gereksiz kişisel verilerin işlenmesinden kaçınılması.

• Kritik işlemlerde insan onayının korunması.

• Erişim ve işlem kayıtlarının uygun biçimde tutulması.

• Hatalı veri çıkarma durumunda düzeltme süreçlerinin tanımlanması.

Türkiye'de kişisel verilerin işlenmesine ilişkin yükümlülükler açısından Kişisel Verileri Koruma Kurumu tarafından yayımlanan mevzuat ve rehberlerden yararlanılabilir.

KOBİ'ler Yapay Zekâ Destekli E-Posta Otomasyonuna Nasıl Başlamalı?

Her işletmenin ilk günden kapsamlı bir otomasyon sistemi kurması gerekmez.

Küçük bir pilot uygulamayla başlamak, hem maliyetleri hem de uygulama risklerini değerlendirmeyi kolaylaştırabilir.

1. Tekrarlanan E-Posta Türünü Belirleyin

Öncelikle hangi mesajların en fazla zaman kaybına neden olduğunu tespit edin.

Örneğin lojistik firmalarında navlun talepleri, operasyon güncellemeleri veya rezervasyon onayları değerlendirilebilir.

2. Çıkarılacak Bilgileri Tanımlayın

Seçilen e-posta türü için gerekli veri alanlarını belirleyin.

Örneğin navlun taleplerinde çıkış noktası, varış noktası, taşıma modu ve yük bilgileri standart alanlar olarak tanımlanabilir.

3. Örnek E-Postalarla Test Yapın

Uygun şekilde anonimleştirilmiş veya yetkili kullanım kapsamındaki örnek mesajlarla veri çıkarma testleri gerçekleştirin.

Hangi bilgilerin doğru çıkarıldığını, hangi alanlarda hata yapıldığını inceleyin.

4. İnsan Kontrolünü Sürece Ekleyin

İlk aşamada çıkarılan bilgilerin çalışan tarafından kontrol edilmesini sağlayın.

Bu yaklaşım, otomasyonun hangi durumlarda güvenilir çalıştığını belirlemeye yardımcı olur.

5. Sonuçları Ölçün

Pilot uygulama öncesinde ve sonrasında veri işleme süresi, hata oranı ve çalışan müdahalesi ihtiyacını karşılaştırın.

Yalnızca işlem hızına değil, veri kalitesine de odaklanın.

6. Entegrasyon İhtiyacını Değerlendirin

Pilot uygulama yeterli sonuç veriyorsa CRM veya operasyon yazılımıyla entegrasyon seçeneklerini araştırın.

Her yazılımın API desteği ve veri aktarım imkânları farklı olabileceği için teknik değerlendirme yapılmalıdır.

PekVera ile Lojistikte Dijital Dönüşüm

Lojistik firmalarında operasyonel verimlilik yalnızca e-postaların daha hızlı okunmasıyla sınırlı değildir.

Müşteri bilgilerinin merkezi biçimde yönetilmesi, teklif süreçlerinin izlenmesi ve operasyon kayıtlarının düzenli tutulması da dijital dönüşümün önemli parçalarıdır.

PekVera, lojistik ve e-ticaret gibi sektörlerin iş ihtiyaçlarına odaklanan dikey SaaS ve yazılım çözümleri geliştirir.

Freight forwarder firmalarının müşteri ilişkileri ve teklif yönetimi süreçlerine yönelik Quotarix de bu sektörel yaklaşımın örneklerinden biridir.

Yapay zekâ ile e-postadan otomatik veri çıkarma gibi uygulamalar, işletmenin mevcut altyapısına, kullanılan yazılımların entegrasyon yeteneklerine ve veri güvenliği gereksinimlerine göre değerlendirilebilir.

Bu yazıda anlatılan yapay zekâ destekli e-posta otomasyonu, PekVera veya Quotarix'in mevcut bir ürün özelliği olarak sunulmamaktadır. İçerik, teknolojinin nasıl uygulanabileceğini açıklamaktadır.

Sonuç: E-Postalarınızı Operasyonel Veriye Dönüştürün

Birçok işletmede e-posta, günlük iş süreçlerinin en yoğun kullanılan iletişim kanallarından biridir.

Ancak e-postalarda bulunan bilgilerin sürekli manuel olarak işlenmesi, zaman kaybına ve veri girişinde tutarsızlıklara neden olabilir.

Yapay zekâ destekli e-posta otomasyonu; gelen mesajların sınıflandırılması, önemli bilgilerin çıkarılması, eksik alanların belirlenmesi ve yapılandırılmış veri oluşturulması gibi görevlerde kullanılabilir.

Bu teknolojiden fayda sağlamak için öncelikle doğru iş sürecinin seçilmesi, verilerin güvenli biçimde işlenmesi ve sonuçların insan kontrolüyle doğrulanması gerekir.

İlk adım olarak işletmenize gelen 20 operasyon e-postasını inceleyin. Her mesajdan hangi bilgilerin manuel çıkarıldığını ve bu işlemlerin ne kadar sürdüğünü ölçün.

Bu basit çalışma, e-posta otomasyonunun işletmenizde hangi noktada gerçek değer oluşturabileceğini belirlemenize yardımcı olacaktır.