Yapay Zeka ile Doğru Lokasyonu Bulmak: Telekomünikasyonda Akıllı Hizmet Noktası Konumlandırma

Yapay Zeka ile Doğru Lokasyonu Bulmak: Telekomünikasyonda Akıllı Hizmet Noktası Konumlandırma

Bir telekomünikasyon şirketi için yeni bir hizmet noktasının, mağazanın veya satış kanalının nerede konumlandırılacağı ilk bakışta basit bir lokasyon problemi gibi görünebilir.

Oysa doğru lokasyonu belirlemek; yalnızca nüfusun yoğun olduğu bir bölgeyi bulmaktan çok daha fazlasıdır.

Bir bölgedeki potansiyel müşteri kitlesi, mevcut hizmet noktalarının dağılımı, müşteri davranışları, ticari hareketlilik, erişilebilirlik, bölgesel demografi ve geçmiş satış performansı gibi çok sayıda değişken aynı anda değerlendirilmek zorundadır.

Üstelik bu değişkenlerin önemli bir bölümü konumla doğrudan ilişkilidir.

Tam da bu noktada yapay zeka ve coğrafi bilgi teknolojilerinin birlikte kullanılması, geleneksel lokasyon analizinin ötesine geçen yeni bir yaklaşım sunuyor.

Soru artık sadece “Nerede?” değil

Geleneksel lokasyon analizinde çoğunlukla mevcut durum incelenir.

• Hangi bölgede daha fazla müşteri var?
• Hangi bölgede mevcut hizmet noktaları bulunuyor?
• Hangi bölgelerde satış performansı daha yüksek?

Bu sorular önemli. Ancak geleceğe yönelik bir yatırım kararı için tek başlarına yeterli olmayabilir.

Asıl soru şuna dönüşüyor:

“Mevcut veriler bize gelecekte hangi bölgelerin daha yüksek potansiyele sahip olduğunu söylüyor?”

Bu değişim, lokasyon analizini bir raporlama probleminden çıkarıp bir tahmin ve karar destek problemine dönüştürüyor.

Çünkü amaç yalnızca mevcut durumu göstermek değil; henüz değerlendirilmemiş bölgeler için de veri odaklı bir öngörü oluşturabilmek.

Konum Verisi ile Yapay Zekayı Buluşturmak

Bir lokasyonun potansiyelini yalnızca bulunduğu koordinat belirlemez.

Örneğin bir bölgenin nüfus yoğunluğu, mevcut hizmet noktalarına uzaklığı, müşteri profili, ticari hareketliliği ve geçmiş performansı birlikte değerlendirildiğinde çok daha güçlü bir sinyal elde edilebilir.

Buradaki kritik adım, ham konum verisini makine öğrenmesi modelinin kullanabileceği anlamlı mekânsal özniteliklere dönüştürmektir.

Örneğin bir noktanın yalnızca koordinatını kullanmak yerine, belirli bir mesafe içerisindeki potansiyel müşteri yoğunluğu veya mevcut hizmet noktalarına olan uzaklığı modele birer feature olarak aktarılabilir.

Böylece coğrafi bilgi teknolojileri verinin mekânsal ilişkisini, machine learning ise bu ilişkilerin sonuç üzerindeki etkisini öğrenebilir.

Geçmişte başarılı olan lokasyonlardan geleceği tahmin etmek

Akıllı lokasyon konumlandırma yaklaşımının temelinde aslında oldukça basit bir fikir var:

Geçmişteki başarılı örneklerden gelecekteki fırsatları öğrenmek.

Bunun için mevcut noktaların konumları ile bu noktaların performansları birlikte ele alınabilir. Model, başarılı ve daha düşük performans gösteren lokasyonların ortak özelliklerini inceleyerek hangi değişkenlerin lokasyon performansı üzerinde daha fazla etkisi olduğunu öğrenebilir.

Bu yaklaşımın konumsal optimizasyon alanındaki akademik bir örneği, İstanbul Teknik Üniversitesi'nde Erkan Atabey tarafından gerçekleştirilen “Coğrafi Bilgi Sistemi Tabanlı Banka Şubesi ve ATM Lokasyon Optimizasyonu: İstanbul Örneği” başlıklı yüksek lisans tezinde görülebilir. Çalışmada coğrafi bilgi teknolojileri ve konumsal değişkenler, lokasyon optimizasyonuna yönelik veri odaklı bir modelleme yaklaşımı içerisinde ele alınmıştır.

Telekomünikasyon tarafında ise aynı temel yaklaşım; müşteri potansiyeli, mevcut hizmet ağı, bölgesel özellikler ve operasyonel performans gibi telekomünikasyona özgü değişkenlerle yeniden ele alınabilir.

Böylece sistem yalnızca geçmişi açıklayan bir rapor üretmek yerine, henüz hizmet noktası bulunmayan aday bölgeler için bir uygunluk skoru oluşturabilir.

Örneğin yüzlerce aday bölge içerisinde:

Lokasyon A → yüksek potansiyel

Lokasyon B → orta potansiyel

Lokasyon C → düşük potansiyel

gibi bir sıralama elde edilebilir.

Burada yapay zekanın rolü “şu adrese kesinlikle yatırım yapın” demek değildir.

Asıl değer, çok sayıda değişkeni aynı anda değerlendirerek karar vericinin incelemesi gereken alanları daraltmasıdır.

Aslında Model Bir Haritayı Değil, Bir Örüntüyü Öğreniyor

Makine öğrenmesinin gücü burada ortaya çıkıyor.

Model doğrudan “İstanbul'un şu noktasına yeni bir mağaza aç” şeklinde çalışmak zorunda değil. Bunun yerine geçmiş verilerden konum ile performans arasındaki örüntüleri öğreniyor.

Örneğin model;

• nüfus yoğunluğunun,
• mevcut müşteri potansiyelinin,
• ulaşılabilirliğin,
• ticari yoğunluğun,
• mevcut hizmet noktalarına olan mesafenin,
• bölgesel özelliklerin

sonuç üzerindeki etkilerini birlikte değerlendirebilir.

Bu değişkenler, modele doğrudan verilebileceği gibi coğrafi analizler sonucunda yeni özelliklere de dönüştürülebilir.

Burada feature engineering, yani veriden modele anlamlı öznitelikler üretme süreci kritik hale geliyor.

Örneğin “mevcut hizmet noktalarına uzaklık” tek başına bir koordinat bilgisinden çok daha anlamlı bir değişken olabilir.

Aynı şekilde bir noktanın yalnızca nüfusunun değil, belirli bir mesafe içerisindeki nüfusun da hesaba katılması farklı bir bakış açısı sağlayabilir.

Bu nedenle mekânsal problemlerde yalnızca “verinin ne olduğu” değil, verinin nerede olduğu da önem kazanıyor.

Mekânsal Yapay Zeka Neden Farklı?

Makine öğrenmesi çoğu zaman tablo şeklindeki veriler üzerinden düşünülüyor.

Ancak mekânsal problemlerde verinin bir de konum boyutu bulunuyor.

MIT araştırmacılarının “Machine Learning Meets Big Spatial Data” çalışmasında da makine öğrenmesi ile büyük ölçekli mekânsal verinin birlikte ele alınmasının; rota optimizasyonu, trafik tahmini, insan hareketliliği, konumlandırma, mekânsal sınıflandırma ve mekânsal kümeleme gibi çok farklı problemlerde kullanılabileceği ortaya konuyor.

Bu yaklaşım telekomünikasyon sektörü açısından da oldukça anlamlı.

Çünkü telekomünikasyon, doğası gereği mekânla ilişkili bir sektör.

Müşteriler belirli bölgelerde bulunuyor, hizmet noktaları belirli konumlarda yer alıyor, şebeke belirli bir coğrafyada çalışıyor ve kullanım davranışları zamanla ve mekâna göre değişebiliyor.

Dolayısıyla müşteri davranışını yalnızca “kim?” sorusuyla değil, “nerede?” ve “çevresinde ne var?” sorularıyla birlikte değerlendirmek önemli bir avantaj sağlayabilir.

Bankacılıktan Telekomünikasyona: Aynı Problem, Farklı Bir Alan

Konum optimizasyonu yalnızca telekomünikasyona özgü bir problem değil.

Örneğin bankacılıkta yeni bir şube veya ATM'nin nerede konumlandırılacağı uzun süredir analiz edilen bir konu. Burada da nüfus, müşteri yoğunluğu, mevcut noktalar ve erişilebilirlik gibi değişkenler karar sürecinde önemli rol oynuyor.

Benzer bir yaklaşım telekomünikasyona uyarlandığında ise problem farklı bir boyut kazanıyor.

Çünkü burada yalnızca fiziksel erişilebilirlik değil, müşteri davranışı, hizmet ihtiyacı, satış potansiyeli ve mevcut kanal yapısı gibi telekomünikasyona özgü değişkenler de devreye girebiliyor.

Böylece daha önce bankacılık veya perakende sektöründe kullanılan lokasyon analitiği yaklaşımları, telekomünikasyon sektörünün ihtiyaçlarına göre yeniden yorumlanabilir.

Peki Yapay Zeka Bize Tam Olarak Ne Söylüyor?

Burada önemli bir ayrım yapmak gerekiyor.

Yapay zekanın amacı insanın kararını tamamen ortadan kaldırmak değil.

Daha doğru ifade etmek gerekirse, insanın daha fazla veriyi daha kısa sürede değerlendirebilmesini sağlamak.

Bir model, yüzlerce veya binlerce aday bölgeyi aynı anda analiz ederek her birine bir uygunluk skoru üretebilir.

Örneğin:

Bölge A → 0,87

Bölge B → 0,72

Bölge C → 0,54

gibi bir sonuç elde edilebilir.

Bu skorlar tek başına “kesinlikle burada yatırım yapılmalı” anlamına gelmez. Ancak karar vericinin hangi bölgeleri daha ayrıntılı incelemesi gerektiği konusunda önemli bir filtre oluşturabilir.

Böylece yapay zeka, karar vericinin yerine geçen bir sistem olmaktan çok, veriye dayalı bir karar destek mekanizmasına dönüşür.

Bir Sonraki Adım: Birden Fazla Lokasyonu Birlikte Optimize Etmek

Lokasyon tahmini yapıldığında problem henüz tamamen çözülmüş olmayabilir.

Çünkü gerçek hayatta tek bir yeni hizmet noktası açılmıyor.

Birden fazla aday bölge arasından seçim yapmak gerekebilir.

Bu noktada yeni bir soru ortaya çıkıyor:

“En iyi lokasyonlar hangileri?”

değil,

“Birlikte değerlendirildiğinde en iyi lokasyon kombinasyonu hangisi?”

Bu iki soru birbirinden farklı.

Örneğin model tek tek değerlendirildiğinde birbirinden bağımsız olarak yüksek skor alan beş bölge bulabilir. Ancak bu bölgeler birbirine çok yakınsa aynı müşteri potansiyeline hitap ediyor olabilir.

Dolayısıyla lokasyon problemini yalnızca tahmin problemi olarak değil, aynı zamanda optimizasyon problemi olarak ele almak daha güçlü bir yaklaşım sunabilir.

Bu noktada yapay zeka tarafından üretilen uygunluk skorları; mesafe, kapsama alanı, mevcut noktaların dağılımı ve yatırım kısıtları gibi farklı kriterlerle birlikte değerlendirilebilir.

Sonuçta amaç yalnızca “iyi noktaları” bulmak değil, birbirini tamamlayan en iyi lokasyon ağını oluşturmak olabilir.

Gelecekte Bizi Ne Bekliyor?

Mekânsal yapay zeka yaklaşımının kullanım alanı yalnızca yeni hizmet noktalarının belirlenmesiyle sınırlı değil.

Aynı yaklaşım;

• mevcut ağın performansının analiz edilmesi,
• hizmet noktalarının yeniden konumlandırılması,
• müşteri erişilebilirliğinin artırılması,
• yatırım önceliklerinin belirlenmesi,
• bölgesel talebin tahmin edilmesi,
• kaynakların daha verimli dağıtılması

gibi birçok farklı problemde kullanılabilir.

MIT Media Lab tarafından gerçekleştirilen bir çalışmada da makine öğrenmesinin gerçek zamanlı kentsel metrikler ve tasarım önerileri üretmek amacıyla kullanılabileceği gösteriliyor. Çalışmanın temel yaklaşımı, karmaşık kentsel veriler üzerinden daha kanıta dayalı kararlar ve optimize edilmiş öneriler üretmek.

Bu yaklaşım, yapay zekanın fiziksel dünyaya dokunduğu noktayı da gösteriyor.

Çünkü yapay zeka yalnızca ekranlarımızın içinde çalışan bir teknoloji olmak zorunda değil.

Doğru lokasyonu seçmek, kaynakları doğru yere yönlendirmek ve fiziksel dünyadaki yatırımları daha verimli hale getirmek için de kullanılabilir.

Sonuç: Geleceğin Haritası Veriden Oluşuyor

Bir zamanlar lokasyon seçimi büyük ölçüde deneyim, saha bilgisi ve geçmiş performans üzerinden şekilleniyordu.

Bugün ise elimizde çok daha fazla veri var.

Coğrafi Bilgi Sistemleri bize bu verinin nerede olduğunu gösteriyor.

Makine öğrenmesi bu veriler arasındaki örüntüleri ortaya çıkarıyor.

Optimizasyon yöntemleri ise bu bilgiyi karara dönüştürüyor.

Bu üç yaklaşım bir araya geldiğinde ortaya yalnızca bir harita çıkmıyor.

Veriye dayalı, dinamik ve geleceği öngörmeye çalışan bir karar destek sistemi ortaya çıkıyor.

Telekomünikasyon gibi hem büyük miktarda verinin hem de güçlü bir mekânsal boyutun bulunduğu sektörlerde bu yaklaşımın önemi daha da artıyor.

Belki de gelecekte “Yeni hizmet noktasını nereye açmalıyız?” sorusunun cevabı artık yalnızca bir haritada işaretlenen nokta olmayacak.

O noktanın neden seçildiğini açıklayan veriler, model ve yapay zekanın ürettiği öngörü de kararın bir parçası olacak.

Çünkü geleceğin akıllı haritası, yalnızca nerede olduğumuzu değil, nerede olmamız gerektiğini de söyleyebilir.

Kaynakça

1. Massachusetts Institute of Technology (MIT) – Machine Learning Meets Big Spatial Data. Büyük mekânsal veriler ile makine öğrenmesinin birlikte kullanım alanları. MIT – Machine Learning Meets Big Spatial Data
2. GSMA – Navigating AI Transformation: A Blueprint for Telcos. Telekomünikasyonda yapay zekânın ağ optimizasyonu, müşteri deneyimi ve yeni iş alanlarına uygulanması. GSMA – Navigating AI Transformation
3. McKinsey & Company – Telcos’ AI Inflection Point: What Leaders Do to Capture Value. AI ve machine learning kullanılarak müşteri deneyiminin ve yatırım kararlarının desteklenmesi. McKinsey & Company – Telcos’ AI Inflection Point
4. Esri – Expanding Telecommunications with Machine Learning. Telekomünikasyonda müşteri talebinin konum bazlı tahmin edilmesi ve GIS ile machine learning'in birlikte kullanılması. Esri – Expanding Telecommunications with Machine Learning
5. Atabey, E. (2025). Coğrafi Bilgi Sistemi Tabanlı Banka Şubesi ve ATM Lokasyon Optimizasyonu: İstanbul Örneği. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü. İTÜ Akademik Kayıt – Erkan Atabey