“Yapay zekâ destekli değerleme” ifadesi sektörde sık kullanılıyor ama nasıl çalıştığı nadiren açıklanıyor. Bu yazıda kutunun içini açıyoruz.
Klasik yöntem ile farkı
| Klasik yöntem | Model tabanlı yöntem | |
|---|---|---|
| Temel | Sabit tablolar, yüzdesel kurallar | Gerçekleşen işlemlerden öğrenme |
| Kilometre etkisi | Sabit oran | Model ve yaşa göre değişken |
| Hasar etkisi | Tutarın sabit yüzdesi | Segment ve araç değerine göre farklı |
| Güncelleme | Elle, periyodik | Veri geldikçe sürekli |
| Belirsizlik | Belirtilmez | Güven skoru olarak verilir |
Aradaki temel fark şu: klasik yöntem kural uygular, model tabanlı yöntem veriden kural çıkarır.
Modele giren veriler
Bir değerleme modelinin girdileri iki grupta toplanır:
Araca ait özellikler
- Marka, model, nesil (kasa), donanım paketi
- Üretim yılı
- Kilometre
- Motor hacmi ve gücü, yakıt türü, şanzıman
- Hasar kaydı tutarı ve türü
- Renk (bazı segmentlerde anlamlı)
Piyasaya ait özellikler
- Aynı model için aktif ilan sayısı ve fiyat dağılımı
- İlanların ortalama yayında kalma süresi
- Gerçekleşen satışların ilan fiyatından sapması
- Bölgesel fiyat farkları
- Mevsimsel talep eğilimi
- Segment bazlı genel fiyat hareketi
İkinci grup, modeli “sabit bir tablo” olmaktan çıkaran şeydir. Piyasa hareket ettiğinde model de hareket eder.
Veri temizliği: en kritik aşama
Model ne kadar iyi olursa olsun, kirli veriyle çalışırsa kötü sonuç üretir. Bu yüzden ham veri şu aşamalardan geçer:
- Normalizasyon: Aynı aracın farklı yazımları tek kayda bağlanır — marka model datası tam da bu işi yapar
- Uç değer temizliği: Yanlış girilmiş fiyat ve kilometre kayıtları elenir
- Mükerrer eleme: Aynı aracın birden çok platformdaki ilanı tekilleştirilir
- Tutarlılık kontrolü: Yıl–kilometre–fiyat üçlüsünde mantıksız kombinasyonlar işaretlenir
Değerleme sistemlerinin kalitesindeki farkın büyük kısmı, algoritmadan değil veri temizliğinden gelir. Doğru donanım eşlemesi yapılmayan bir sistem, en gelişmiş modeli kullansa bile hatalı sonuç üretir.
Çıktı: neden tek rakam değil?
İyi bir değerleme sistemi tek bir sayı vermez. Bunun sebebi, gerçek piyasada da tek bir fiyat olmamasıdır:
- Alım fiyatı: Galerinin ödeyebileceği üst sınır
- Piyasa fiyatı: Normal sürede satılabilecek fiyat
- Hızlı satış fiyatı: Kısa sürede satmak için gereken fiyat
- Aralık: Alt ve üst sınır
Güven skoru neyi anlatır?
Her tahminin belirsizliği vardır ve bu belirsizlik her araçta aynı değildir.
- Yüksek güven: Çok satan bir model, bol örneklem, dar fiyat dağılımı
- Düşük güven: Nadir model, az örneklem, geniş dağılım veya sıra dışı kombinasyon
Güven skorunu görmek, kullanıcıya “bu sonuca ne kadar yaslanabilirim?” sorusunun cevabını verir. Düşük güvenli sonuçlarda ek doğrulama yapmak gerekir.
Açıklanabilirlik
Modelin “kara kutu” olmaması, pratikte çok önemlidir. Fiyatı etkileyen faktörlerin katkısını ayrıştırmak:
"factors": [
{ "name": "km", "impact": -58000 },
{ "name": "damage_record", "impact": -37000 },
{ "name": "trim", "impact": +21000 }
]Bu döküm sayesinde galerici, müşteriyle konuşurken fiyatı savunabilir. Açıklanamayan bir rakam, pazarlıkta işe yaramaz.
Sınırları
Hiçbir model her şeyi bilemez. Bilinmesi gereken sınırlar:
- Aracın fiziksel durumunu görmez — model verisi girdi olarak alır
- Nadir modellerde örneklem yetersiz kalır
- Ani ve öngörülemeyen piyasa şoklarında gecikme olabilir
- Sıra dışı donanım veya modifikasyonları değerlendiremez
Bu yüzden değerleme, ekspertizin yerine geçmez — onunla birlikte kullanılır.
Özetle
Yapay zekâ destekli değerleme; araç özellikleri ile piyasa verisini birleştirip, gerçekleşen işlemlerden öğrenerek fiyat aralığı üreten bir sistemdir. Kalitesini belirleyen en büyük etken veri temizliğidir. İyi bir sistem tek rakam değil; aralık, güven skoru ve faktör dökümü verir.