TPM NEDİR?

 TPM (Total Productive Management/Maintenance) veya Türkçe adıyla Toplam Verimli Yönetim/Bakım), iş performansınızı maksimize etmek, güvenilirliğinizi, hızınızı ve esnekliğinizi artırmak için; herkesin katılımı ile işinde uzman bir iş gücü oluşturma, tedavi etmekten çok önlemeye (Proaktif yaklaşım) önem verme, sürekli iyileştirme ve öğrenme (Kaizen felsefesi) yaklaşımlarını benimseyen üretim yönetimini geliştirme metodudur. Japonlar tarafından geliştirilen bu metot merkezinde üretim operasyonları olmakla birlikte bir şirketin neredeyse tüm operasyonlarını kapsayan bir program haline gelmiştir. TPM sadece makine ağırlıklı sektörlerde değil tekstilden ambalaja, gıdadan mobilyaya, kimyadan enerjiye tüm üretim sektörlerinde uygulanabilir. Sektör ve proses ayrımı yapmaz. Önemli olan felsefesini anlayıp, işletmenizde metodu doğru bir şekilde uygulamaktır. Hatta çalışan operatörden üst yönetime kadar herkesin katılımı ile gerçekleşen sürekli iyileştirme, öğrenme ve önleme (kaizen) faaliyetleriyle kayıpları ortadan kaldırmak için çabalayan bir kurum kültürü yaratır. TPM doğru uygulandığında “Sıfır Arıza, Sıfır Hata, Sıfır Kaza” hedeflerine ulaşmak mümkündür.

Firmaların TPM'i seçme nedenlerinden birisi bir yol haritasına sahip olmasıdır. Hedefiniz dünya standartlarında bir fabrika olmak ve aynı zamanda "Award for World Class TPM Achievement" sertifikasını almak ise iyi bir performans ile 11 yıl sürecek bu yolculuğun yol haritası şimdiden bellidir. Bu yol haritası yöneticilere ve çalışanlara rehberlik eder.

TPM’in üst seviyedeki amacı firmaların amacı ile aynıdır, karlı ve sürdürülebilir bir organizasyon oluşturmak.

Amacına aşağıdaki araçları kullanarak ulaşmayı hedefler;

• Tedavi etmekten çok önlemeye önem verme (Proaktif yaklaşım)
• Herkesi dahil etme (Katılımcı yönetim uygulama)
• Genchi Genbutsu (Saha ve süreç odaklı yönetim) yaklaşımı
• Yaptığı işte sürekli uzmanlaşan bir iş yeri kültürü yaratma (Ekibi sürekli geliştirme)
• Sürekli iyileştirme ve öğrenme (Kaizen felsefesi)

TPM çalışmaları, TPM sponsoru ve dokuz alt komitenin liderlerlerinden oluşan Yürütme Komitesi dahil olmak üzere toplamda 10 komite ile yürütülür.

Bu komiteler;

• Yürütme Komitesi  (Steering Committee)
• Kaizen Komitesi  (Focused Improvement Committee)
• Otonom Bakım Komitesi  (Autonomous Maintenance Committee)
• Planlı Bakım Komitesi  (Planned Maintenance Committee)
• Kalite Bakım Komitesi  (Quality Maintenance Committee)
• Eğitim Komitesi  (Training & Education Committee)
• Erken Ekipman Komitesi  (Early Equipment Management Committee)
• Erken Ürün Komitesi  (Early Product Management Committee)
• Ofis TPM Komitesi  (Administrative & Office Committee)
• SHE (İş güvenliği, Sağlık ve Çevre) Komitesi  (SHE (Safety, Health & Environment) Committee)​

Hedefiniz dünya standartlarında bir fabrika olmak ve aynı zamanda "Award for World Class TPM Achievement" sertifikasını almak ise iyi bir performans ile 11 yıl sürecek bu yolculuğun adımları veya kilometre taşları aşağıdaki gibidir.

1.Adım: Award for TPM Excellence  (Süresi min. 3 yıl)

2.Adım: Award for Excellence in Consistent TPM Commitment (Süresi min. 2 yıl)

3.Adım: Special Award for TPM Achievement (Süresi min. 2 yıl)

4.Adım: Advanced Special Award for TPM Achievement (Süresi min. 2 yıl)

5.Adım: Award for World Class TPM Achievement (Süresi min. 2 yıl)​​

Adım atlayabilmek için her adımın son altı ayında JIPM tarafından ön ve final olmak üzere iki kez denetime tabi tutulursunuz. Denetimlerden başarı ile geçerseniz başarı sertifikanızı almak ve bir sonraki adıma geçmek için hak kazanırsınız. Bazı işletmeler TPM uygulamasını ödül (sertifika) için yapmıyoruz düşüncesiyle JIPM denetimlerine girmiyorlar. Doğru bir düşünce, ödül için yapılmamalı. Metodun felsefesini iyi anlayarak kendi işletme kültürünüz ve stratejileriniz ile uyumlu, kendi süreçleriniz için tasarlanmış  olan yönetim sisteminizi oluşturmak için uygulanmalı. Fakat JIPM denetimlerine katılmanın bir hedef ve disiplin oluşturduğu gerçeği de göz ardı edilemez.

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.