Dropshipping nedir ?

 Dropshipping, stok gerektirmeksizin ürün satışı yapabileceğiniz bir ticaret şeklidir.

Aktif perakendecilerin yüzde 22-33’ünün birincil iş modeli olarak benimsediği dropshipping, Türkçede “direkt nakliye” olarak karşılık buluyor. Dropshipping geleneksel perakendeden farklı olarak stoksuz satış şeklinde işlediğinden, perakende icra yöntemi olarak da adlandırılıyor. Dropshipping nedir sorusunu şöyle yanıtlayabiliriz: Stok tutmayıp siparişleri tedarikçi firmaya yönlendirerek ürünlerin tedarikçinin deposundan müşteriye ulaşmasını sağlayan bir e-ticaret yöntemidir.

Türkiye’de dropshipping için yasal bir engelleme bulunmamakla birlikte, sunulan ürünlerin Türkiye’de satışı için engel bulunmaması gerekiyor. Dolayısıyla bu satış yöntemi için, “yasal şekilde başkasının ürünlerini satarak kârdan pay almak.

Basitleştirilmiş haliyle, sistem şu şekilde işler:

• Tedarikçi bulunur.
• Uygun ürün bulunur.
• Ürün, herhangi bir pazar yerinde listelenir.
• Sipariş geldiğinde, tedarikçiye ödeme yapılır.
• Tedarikçi, ürünü doğrudan alıcıya gönderir

Son yıllarda pek çok kişinin ek iş olarak başlattığı ve sonrasında ana işine dönüştürdüğü dropshipping, pasif gelir sağlamanın avantajlı bir yolu olarak yaygınlık kazanıyor. Ticaretin yeni formu olarak da nitelendirilen dropshipping, düşük sermayesi olan veya e-ticarete yeni girmiş olan girişimciler tarafından yoğun ilgi görüyor.Amazon Dropshipping gibi örneklerle ilgi giderek büyüyor. Sosyal medya kanallarında verilen dropshipping eğitimleri de yeni fikirleri hayata geçirecek girişimler üzerine çalışanların ilgisini artırıyor. 

Dropshipping yöntemi, “niş pazar” olarak adlandırılan bir sanal mağaza modeli ile spesifik bir hedef kitleye ulaşarak ürün siparişi alınması şeklinde gerçekleşiyor. Daha basit bir ifadeyle dropshipping sistemi şöyle işliyor: Müşteri çevrimiçi mağazanızdan ürünü satın alıyor. Siz de siparişi ve müşterinin teslimat bilgilerini toptancı veya tedarikçiye iletiyorsunuz. Tedarikçi siparişi müşteriye gönderiyor.Aşamalardan anlaşılabileceği gibi dropshipping çalışma prensibi basit görünüyor; fakat kâr garantisi olmadığından birkaç noktada dikkatli olmak gerekiyor. Dropshipping ile e-ticaret sektöründe işinizi büyütebilmek için dropshipping ne kadar kazandırır sorusunun yanıtından önce pazarı iyi araştırmalı ve pazara dair sorulara yanıt bulmalısınız. Bu yöntemde tahmini gelir ve masrafları hesaplamalı, vergileri ödemeli (yurt dışından yurt dışına dropshipping için KDV’den muaf olarak Gelir ve Kurumlar vergisi,  yurt dışından tedarik edip yurt içine satışta aracılık hizmet bedeli üzerinden KDV ve Gelir ve Kurumlar vergisi, yurt içinde tedarik edip yurt dışına satışta hizmet sözleşmesi varsa KDV ve Gelir Vergisi) güvenilir bir tedarikçi bulmalı ve müşteri bulmak için doğru stratejiler geliştirmelisiniz. Elbette başarılı olmak için SEO üzerinde verimli çalışmalar gerçekleştirmeniz, tedarikçilerle iyi ilişkiler geliştirmeniz, sosyal medyada aktif olmanız ve müşteri deneyimine önem vermeniz de büyük önem taşıyor

milli piyango yılbaşı çekilişi geçmiş yılların sonuçları

 Son 13 yılın büyük ikramiye kazanan numaraları (Yılın son günü baz alınmıştır)

• 2008 büyük ikramiye: 1121383, 25 milyon TL
• 2009 büyük ikramiye: 9025160, 25 milyon TL
• 2010 büyük ikramiye: 8821270, 35 milyon TL
• 2011 büyük ikramiye: 4336149, 40 milyon TL
• 2012 büyük ikramiye: 6718374, 45 milyon TL
• 2013 büyük ikramiye: 2174451, 50 milyon TL
• 2014 büyük ikramiye: 2692160, 50 milyon TL
• 2015 büyük ikramiye: 0556013, 55 milyon TL
• 2016 büyük ikramiye: 2796288, 60 milyon TL
• 2017 büyük ikramiye: 9794035, 61 milyon TL
• 2018 büyük ikramiye: 7615536, 70 milyon TL
• 2019 büyük ikramiye: 1358490, 80 milyon TL
• 2020 büyük ikramiye: 9884757, 100 milyon TL

Son 13 yılın Amorti sayıları;

• 2020: 0, 5
• 2019: 4, 8
• 2018: 4, 6
• 2017: 0, 5
• 2016: 2, 8
• 2015: 2, 6
• 2014: 0, 8
• 2013: 4, 5
• 2012: 3, 9
• 2011: 2, 8
• 2010: 1, 7
• 2009: 2, 8
• 2008: 0, 8

29 Ekim Cumhuriyet Bayramımız kutlu olsun

 

Makina zekası nedir ?

Bir makinanın bir insan gibi genel seviyeye benzer aktiviteleri gerçekleştirme veya çözme becerisidir.

Geçmişte birçok filme konu olan makine ve yapay zekâ algoritması günümüz dünyasında hızla gelişmeye devam ediyor. Son günlerde “Akıllı telefonlar, akıllı evler, akıllı fabrikalar, akıllı otomobiller” gibi sıklıkla duyduğumuz ön sıfatlar makine zekâsının ve yapay zekânın gelişimiyle hayatımıza girmiş olan kavramlardır.

Makineler genel olarak kendi kendine eğitme algoritması ile öğrenim sağlıyor. Gelişimi tetikleyen unsur ise hatalardan çıkarılan sonuçlarla bağlantılı oluyor. Bilgisayarla aktarılan verilerin işlenmesi sonucu, girdileri ve çıktıkları bünyesinde taratan, bu verilerin olasılıklarını hesaplayan ve çalıştıkça öğrenen bir yapıya sahip olan makine bu sayede öğrenmeye başlıyor. Girdilerin değerlendirmesini yaparak bir yol haritası çizen makine, çıktıkları sunuyor ve sonuçlarına göre bunu veri tabanına kaydediyor. Farklı ya da yeni girdilerde ise belirli parametrelerle öğrenmiş olan makine öğrenimlerinden ve hatalarından ders çıkararak “en iyi olan” yolu seçiyor. Analiz yeteneğini sürekli çalışarak geliştiren makine, bir bebeğin öğrenmesi gibi davranarak gelişimini sürdürüyor.

1959 yılında Arthur Samuel makine öğrenimini: “makinelerin bilhassa programlanmadığı sonuçları öğrenebilme kabiliyeti” olarak tanımlamıştır. Arthur Samuel, bilgisayar ortamında çalışabilen, kendi hatalarından ders alan ve böylece kendini geliştiren bir dama oyunu yapmıştır.

Makine öğrenimi de yapay zeka gibi yıllarca atıl durumda kalmıştır. 1990’lı yıllarda veri madenciliği kullanılmaya başlandığı döneme dek popüler olamamıştır. Veri madenciliği, elinde bulundurduğu verilerde benzer dizilere sahip, benzer motifleri açığa çıkarmak için kullanılan algoritmaların uygulamasıdır. Makine öğrenimi de aynısını yapmaktadır ancak veri madenciliği bir adım daha ileriye giderek, öğrendiği bilgiler ile ilgili programın davranışını değiştirir.

Makine öğrenimin popüler olmasını sağlayan uygulamalardan bir tanesi resim tanımadır. Bu uygulama ilk önce eğitilmesi gerekiyor. Başka bir değişle, ilgili resmin ne olduğunu makinenin öğrenebilmesi için binlerce kez benzer resimler gösterilmesi gerekiyor. Böylece makine benzer dizileri, benzer motifleri, benzer pikselleri tanıyarak artık o resimlerin ne olduğunu tanımlayabiliyor. Köpek, kedi, ağaç, ev gibi farklı resimleri ayırt edip aynı tip resimlerin birbirinin ortak noktalarını tespit ederek artık tanımlayabilir hale geliyor.

Online çalışan birçok uygulama makine öğrenimini şuan kullanmaktadır. Örneğin; Facebook size zaman tünelinde ne göstereceğini bu algoritma ile karar veriyor, Amazon hangi ürünlerini tavsiye edeceğini, Netflix hangi fimleri önereceğini yine makine öğrenimi ile karar veriyor. Ellerindeki mevcut verilere göre sizin nelerden hoşlanacağınızı tahmin edip ona göre karar veriyor.

Makine zekâsı ve yapay zekâ geliştikçe hayatımızın her alanında olan finans, güvenlik, sağlık, tarım, otomotiv, reklam, perakende gibi sektörlerde de yaygınlaşma devam ediyor. Birçok marka ve şirkete çoktan girmiş olan “makine zekâsı”, kişiselleştirilmiş deneyimlere ek olarak birçok alanda da fayda sağlayacak gibi görünüyor. Gün geçtikçe öğrenerek gelişen makine, esneklik ve çok yönlülük de kazanıyor. Farklı alanlarda karmaşık algoritmalarla taradıkları verileri analiz ederek o alana yönelik durumları öğrenen makine zekâsı, finans alanındaki dolandırıcılığın tespit edilmesinden tarım alanındaki sevilmeyen yabani otları tanıyıp yok etmesine kadar her alanda yaygınlaşmaya devam ediyor. 

Aslında, makine öğrenimi istatistik, veri madenciliği ve tahmin analitikleri ile o kadar içi içe olmuştur ki birçok uzman onu yapay zeka kavramından ayırmak gerektiğine inanmaktadır. Gerçekçi olmak gerekirse, makine öğreniminin yapay zekada kullanılan özelliklere bilhassa ihtiyacı yok. Ancak diğer bir açıdan bakacak olursak birçok kişi makine öğrenimi kavramını daha çok kullanıyorlar zira yapay zeka kavramı kadar korkutucu değil. Makine öğrenimi, yapay zekaya göre aktif bir şekilde çalışıyor ve günlük hayatımızda kullanmaya başladık bile.

Neticede, yapay zeka ile makine öğrenimi kavramı o kadar iç içe geçti ki günümüzde piyasaya çıkan birçok uygulamada kombine şekilde sunulmaya başlandı. Örneğin, kişisel asistanlık uygulamaları ve botlar birçok yapay zeka özellikleri ile makine öğrenimi özelliklerini aynı anda barındırıyorlar.

Yapay zeka dilleri

 Yapay zekâ, bir bilgisayarın veya bilgisayar kontrollü robotun, genellikle akıllı varlıklarla ilişkili görevleri yerine getirme yeteneğidir. Terim sıklıkla akıl yürütme, anlam keşfetme, genelleme veya geçmiş deneyimlerden öğrenme gibi insanlara özgü entelektüel süreçlerle donatılmış sistemler geliştirmek amacıyla kullanılmaktadır. 

Yapay zekâ uygulamaları genellikle açık kaynak ekosisteminde sürdürülmektedir. Bundan dolayı birçok programlama dili, kütüphane ve uygulama ortamları mevcuttur. Bunlardan bazıları;

Programlama Dilleri

• Python
• R
• C++
• Java
• Lisp
• Prolog
• Julia
• C vb.

Kütüphaneler

• TensorFlow
• Keras
• PyTorch
• Knet
• Apache Spark
• Scikit-learn
• PyCaret
• OpenCV
• H2O vb.