1. 2026’da Yapay Zekâ PMS Entegrasyonlarında Hangi Alanlarda Rol Oynayacak?
AI’nin PMS tarafındaki rolü “tek bir model” değil; çoğu otelde üç katmandan oluşur: tahminleme, otomasyon ve anomali tespiti. PMS, channel manager ve web/call center/BI gibi uçlardan gelen veriler birleştiğinde AI’nin “okuyabileceği” bir sinyal havuzu oluşur. Ancak bu havuz kirliyse veya metrik tanımları net değilse AI, hatayı hızlandırabilir.
AI katmanının “nerede durduğu” (mimari)
- •Veri katmanı: PMS + OTA/Channel Manager + web + call center + BI
- •AI katmanı: forecasting + anomaly + öneri motoru
- •Aksiyon katmanı: rule engine + approval workflow + audit log
Bu model, “AI karar verdi” değil; “AI önerdi, kural tetikledi, insan onayladı / sistem uyguladı” düzenidir.
Mini Check
- • Veriler aynı metrik sözlüğüyle tanımlı mı (doluluk, ADR, RevPAR)?
- • AI aksiyonları için onay eşiği var mı?
- • Override (geri alma) yetkisi tanımlı mı?
- • Log ve audit trail kişisel veri içermeyecek şekilde tasarlı mı?
- • Sezon farklılıkları (Antalya/Belek vs şehir oteli) modele yansıyor mu?
Ne yapmalıyım?
- • AI’yi “öneri + erken uyarı” diye konumlandırın.
- • Metrik sözlüğünü (KPI dictionary) yazılı hale getirin.
- • Onay eşiği ve rollback prosedürü olmadan otomasyona gitmeyin.
- • İlk fazda sadece 1–2 use-case ile başlayın (Varsayım).
2. Talep Tahmini ve Doluluk/RevPAR Projeksiyonları: AI Nerede Kazandırır?
Tahminlemenin oteldeki değeri “doğru sayı”dan çok “doğru yön” ve “erken sinyal”dir. AI; tarih/pazar bazlı pattern’leri, pickup hızını ve kampanya etkilerini daha hızlı okuyabilir; ama sezon anomalileri, event günleri ve kanal karması doğru işlenmezse yanıltabilir.
Tahmin için minimum sinyal seti (otelci diliyle)
- •tarih bazlı doluluk ve pickup
- •pazar/segment kırılımı (Varsayım: leisure, corporate, group)
- •kanal bazlı pace (OTA, web, call center)
- •fiyat değişim geçmişi ve reaksiyon (Varsayım)
- •event/özel gün işaretleri (Bodrum festivali, Antalya kongre gibi) (Varsayım)
Mini örnek
Side’da bayram haftası pickup hızlanır; AI bunu erken yakalayıp “doluluk hedef üstünde” sinyali üretir. Ancak Kemer’de aynı hafta farklı pazar mix’i varsa, modelin pazar/segment bilgisini doğru alması gerekir; aksi halde yanlış projeksiyon çıkar.
Mini Check
- • Tahmin çıktısı “hangi pazar/segment” diye açıklanıyor mu?
- • Pickup hızı kanallara göre ayrışıyor mu?
- • Tahmin “güven aralığı” veya risk seviyesi veriyor mu? (Varsayım)
- • Tahmin sapmasında RCA yapılabiliyor mu (neden şaştı)?
- • Tahmin raporu Looker/BI paneline akıyor mu? (Varsayım; ilgili: https://dgtlface.com/tr/raporlama)
Ne yapmalıyım?
- • Tahmini “erken uyarı” olarak kullanın; tek kaynak gerçek yapmayın.
- • Sezon/event işaretlerini veri setine dahil edin.
- • Tahmin sapmasını düzenli ölçüp modeli/kuralları iyileştirin.
- • Tahmin çıktısını revenue+marketing+call center ile ortak okuyun.
3. Otomatik Kural ve Aksiyonlar: Fiyat, Kota ve Kampanya Tetikleyicileri
Otomasyon, “AI fiyatı değiştirdi” demek değildir. Doğru model; kural motoru ile çalışır: AI sinyal üretir (ör. “pickup olağandışı hızlı”), kural tetikler (eşik aşımı), aksiyon önerilir ve onay/uygulama aşaması işletilir. Bu sayede hem hız kazanılır hem de kontrol kaybedilmez.
Kural motoru şablonu (Rule → Trigger → Action)
- •Kural: Pickup hızı X üstünde + doluluk hedefin üstünde (Varsayım)
- •Tetikleyici: 2 gün üst üste eşik aşımı
- •Aksiyon: fiyatı %Y artır önerisi (Varsayım) / stop-sale önerisi / kampanyayı kapat önerisi
- •Onay: Revenue Manager onayı gerekli (kritik eşikler)
- •Log: kim onayladı, ne zaman uygulandı, geri alındı mı?
“Güvenli otomasyon” için 3 seviye
- Bilgi (notify): sadece uyar, aksiyon yok
- Öneri (recommend): aksiyon öner, insan onayı şart
- Otomatik (auto): düşük riskli aksiyonları otomatik uygula (Varsayım: belirli küçük ayarlar)
Mini Check
- • Hangi aksiyonlar “insan onayı” gerektiriyor?
- • Onay eşiği ve limitleri yazılı mı?
- • Rollback/override düğmesi var mı?
- • Aksiyon sonrası KPI etkisi ölçülüyor mu?
- • Kanal tutarlılığı kontrolü var mı (OTA/web/call center)?
Ne yapmalıyım?
- • Önce “notify → recommend” ile başlayın, sonra auto’ya geçin.
- • Kuralları küçük ve izlenebilir tutun; her şeye kural yazmayın.
- • Aksiyon sonrası etki ölçümünü (before/after) standartlaştırın.
- • Kritik kararlar için iki aşamalı onay düşünebilirsiniz (Varsayım).
4. Anomali Tespiti: Hatalı Fiyat, Olağandışı Rezervasyon Akışı ve Mapping Sorunları
Anomali tespiti, otel için “gelir sızıntısı” ve “operasyon krizi” önleyicidir. Özellikle open API/marketplace döneminde (app sayısı arttıkça) hatalı mapping veya yanlış fiyat yayılımı daha hızlı büyüyebilir. AI burada polisiye değil; erken uyarı rolündedir.
Otellerde sık görülen 6 anomali sınıfı
- •hatalı fiyat: 1 gecede ani düşüş/çıkış (Varsayım)
- •mapping bozulması: oda tipi OTA’da görünmüyor
- •“0 envanter push” anomali (Varsayım)
- •olağandışı iptal/no-show artışı (Varsayım)
- •beklenmedik kanal kayması (web payı düşerken OTA artması)
- •anormal conversion düşüşü (web funnel) (Varsayım)
| Anomali | Erken Sinyal | Muhtemel Kök Neden | İlk Aksiyon |
|---|---|---|---|
| Hatalı fiyat spike/dip | fiyat dağılımı aşırı sapma | yanlış kural / manuel giriş | onayı durdur + rollback |
| Oda tipi görünmüyor | OTA listede kayıp | mapping bozuldu | mapping kontrol + yeniden push |
| 0 envanter | satış aniden durur | limit/stop-sale hatası | kural seti kontrol |
| İptal artışı | iptal oranı sapar | kampanya/koşul yanlış | koşul gözden geçir |
| Kanal kayması | web payı düşer | hız/UX/ödeme sorunu | web log + ödeme kontrol |
| Conversion düşüşü | funnel drop | tracking/GA4 bozuldu | event doğrula + düzelt |
Mini Check
- • Anomali uyarıları “kim”e gidiyor (revenue/IT/ops)?
- • Uyarı şiddet seviyesi var mı (low/med/high)? (Varsayım)
- • Uyarı sonrası “runbook” var mı?
- • Uyarılar kişisel veri içermeyecek şekilde loglanıyor mu?
- • Uyarı–aksiyon–sonuç kaydı tutuluyor mu?
Ne yapmalıyım?
- • Anomaliyi “erken uyarı + runbook” ile paketleyin.
- • İlk ay sadece 5–10 kritik anomali kuralı yazın.
- • Yanlış alarm oranını izleyip eşikleri ayarlayın (Varsayım).
- • Uyarıları BI paneline taşıyın (ilgili: https://dgtlface.com/tr/raporlama/satis-donusum).
5. İnsan + AI İşbirliği Modeli: “Asistan”ı Yönetmek
AI katmanı en iyi; ekip içi rol dağılımı net olduğunda çalışır. “AI önerdi, kim onayladı, kim uyguladı, kim geri aldı?” soruları cevaplanmıyorsa, AI güven kaybeder. Bu nedenle, governance olmadan otomasyon yapılmaz.
Rol ve yetki modeli (pratik)
- •AI: sinyal üretir, öneri sunar, uyarı gönderir
- •Revenue Manager: fiyat/kota/stop-sale onayı
- •IT/Entegrasyon: mapping/servis sağlığı ve log
- •Operasyon: istisna süreçleri (HK, front office)
- •Yönetim: KPI ve risk görünürlüğü (tek panel)
Teknik not (sheet ile uyumlu):
AI sistemleri yanlış veriden kolayca etkilenebilir. Bu yüzden veri kalitesi, override hakları, loglama net tanımlanmalı; kritik kararlarda insan onayı gerektiren eşikler konulmalıdır. Ayrıca marketplace/app’lerle veri paylaşıyorsanız, KVKK/GDPR kapsamında veri sınıflandırması ve erişim kontrolleri zorunlu hale gelir (ilgili: https://dgtlface.com/tr/raporlama/kvkk-veri-guvenligi).
Key Statistics / Data Point (sheet – senaryo):
Veri kalitesi yüksek ve doğru kurallar tanımlayan otellerde, AI tabanlı tahminleme ve otomasyonun hem gelir hem ekip verimliliğine anlamlı katkı sağlayabildiği senaryo bazlı gözlemlenir; farkı yaratan “kural + onay + log” disiplinidir.
Mini Check
- • AI önerileri için onay yetkisi tanımlı mı?
- • Override/rollback prosedürü yazılı mı?
- • Audit log ve change log birlikte tutuluyor mu?
- • Veri kalitesi kontrolleri otomatik mi? (Varsayım)
- • 365 gün refresh planı var mı?
Ne yapmalıyım?
- • “Asistan” rolünü netleştirin: öneri + uyarı.
- • Onay eşiği ve override’ı standartlaştırın.
- • İlk 90 gün (Varsayım) sadece sınırlı otomasyonla ilerleyin.
- • KPI etkisini ölçüp kural setini iteratif geliştirin.
6. AI Temelli Tahmin & Anomali Kural Seti Tasarım Şablonunu İndir — Otel / AI Automation
AI Temelli Tahmin & Anomali Kural Seti Tasarım Şablonunu İndir — Otel / AI Automation (v1.0)
Bu şablon, PMS entegrasyon verisi üzerinde çalışan AI use-case’lerini (tahmin, otomasyon, anomali) tek formatta tasarlamanızı sağlar. Kuralların tetikleyici–aksiyon–onay–override–log katmanlarını standardize ederek “hızlı ama kontrollü” bir AI işletim modeli kurar. Yanlış veri ve yanlış alarm riskini azaltmak için veri kalite kontrolü ve kritik eşiklerde insan onayı tasarımın parçasıdır.
Kim Kullanır?
Revenue + IT/entegrasyon + operasyon owner’ı birlikte (yönetim görünürlüğüyle).
Nasıl Kullanılır?
- Use-case’i seçin (forecast / automation / anomaly) ve KPI’ı yazın.
- Kural-tetikleyici-aksiyon-onay-override alanlarını doldurun.
- 30–90 gün (Varsayım) pilot ölçümle eşikleri ayarlayıp canlıya alın.
Ölçüm & Önceliklendirme (Kısa sürüm)
- ▢ ✅ KPI yazıldı mı?
- ▢ ✅ Onay eşiği var mı?
- ▢ ✅ Override/rollback tanımlı mı?
- ▢ ✅ Yanlış alarm oranı ölçülecek mi?
- ▢ ✅ Pilot süresi ve raporu var mı?
PDF içinde: Problem→Kök Neden→Çözüm tablosu + 14 gün sprint planı + önce/sonra KPI tablosu
1 Örnek (kısa)
- •Tip: Anomaly
- •Kural: “Rate plan X, 24 saatte %30’dan fazla düşerse” (Varsayım)
- •Aksiyon: “Onay bekle, dağıtımı durdur, rollback öner”
- •Onay: Revenue Manager
- •Log: incident id + değişiklik kaydı
7. Sonuç: AI, otel için otomatik pilot değil; kontrollü bir yardımcı katmandır
2026’da PMS + AI yaklaşımının gerçek değeri, AI’nin tek başına karar vermesinde değil; tahmin, öneri ve erken uyarı üretip ekipleri daha hızlı ve daha güvenli aksiyona taşımasında ortaya çıkar. Özellikle tahminleme, kural bazlı otomasyon ve anomali tespitinde doğru kurulmuş bir AI katmanı; gelir sızıntısını azaltabilir, reaksiyon süresini kısaltabilir ve ekiplerin odağını iyileştirebilir.
Ama bunun ön şartı nettir: veri kalitesi, metrik sözlüğü, onay eşikleri, override/rollback ve audit log birlikte tasarlanmalıdır. En iyi model; AI’nin önerdiği, insanın kritik eşiklerde onay verdiği ve her aksiyonun izlenebilir olduğu hibrit operasyondur.
Bir Sonraki Adım
Tahmin, otomasyon ve anomali kurallarını güvenli eşiklerle kurmak isteyen oteller için
Sık Sorulan Sorular
Yapay zekâ PMS entegrasyonlarında hangi alanlarda kullanılabilir?▾
Talep tahmini ve otomatik aksiyonlar otel gelirini nasıl etkiler?▾
Anomali tespiti ile hangi hatalar erken yakalanabilir?▾
AI + insan işbirliği modeli nasıl kurgulanmalı?▾
Otomatik fiyat ve kota ayarlamak güvenli mi?▾
İlgili İçerikler
İlgili Yazılar