Tedarik zinciri krizlerini gerçekleşmeden önce çözün.
- Proje Hakkında
- Canlı Demo & Ekran Görüntüleri
- Özellikler
- Sistem Mimarisi
- Yapay Zeka Modelleri
- Teknoloji Yığını
- Proje Yapısı
- Kurulum
- API Referansı
- Veri Seti
- Ekip
Cognitive Logix, karmaşık tedarik zinciri verilerini gerçek zamanlı analiz ederek şirketlere lojistik gecikme riski, finansal dolandırıcılık tespiti ve talep tahmini sunan B2B SaaS platformudur.
Reaktif kriz yönetiminden proaktif karar almaya geçişi sağlar: bir sipariş riskli hale gelmeden önce sistem sizi uyarır, açıklar ve aksiyon önerir.
Geleneksel Yaklaşım: Sorun oluşur → Müşteri şikayet eder → Analiz yapılır → (geç kalınır)
Cognitive Logix: Model riski öngörür → Dashboard uyarır → Yönetici aksiyon alır → Kriz önlenir
Veri Kaynağı: DataCo Supply Chain Dataset — 180,000+ sipariş kaydı, Kaggle
Canlı KPI paneli — gecikme riski, fraud skoru, talep indeksi ve dünya geneli risk haritası.
Sipariş bazlı gecikme olasılığı, SHAP açıklamaları, karşıolgusal öneriler ve canlı rota görselleştirmesi.
Hibrit fraud skoru (0–100), anomali tespiti ve modelin gerekçelendirmesi.
LightGBM tabanlı talep tahmini, p10/p50/p90 güven aralıkları ve yeniden sipariş noktası önerileri.
"What-if" stres testi — liman kapanması, talep artışı gibi senaryoların operasyonel etkisi.
Otomatik uyarı ve aksiyon sırası — kritik/yüksek riskli sipariş ve olayların tek kuyrukta toplanması.
| Sayfa | Açıklama |
|---|---|
| 🏠 Landing Page | Pazarlama sayfası — Platform tanıtımı ve CTA |
| 📊 Dashboard | Canlı KPI paneli — Gecikme riski, fraud skoru, talep indeksi |
| 🚚 Logistics | Sipariş bazlı gecikme riski tahmini + SHAP açıklamaları |
| 🛡️ Fraud | Finansal risk skoru + anomali tespiti + önerilen aksiyonlar |
| 📦 Demand | LightGBM tabanlı talep tahmini + p10/p50/p90 güven aralıkları |
| 🗺️ Digital Twin Map | Dünya haritası üzerinde tedarik zinciri risk görselleştirmesi |
| 🧪 Scenario Lab | "What-if" stres testi arayüzü |
| 📤 Data Hub | Müşteri CSV yükleme ve kolon eşleştirme |
| 🔑 API Keys | ERP entegrasyonu için API anahtar yönetimi |
| 📈 Model Health | 3 ML modelinin gerçek zamanlı sağlık durumu |
| 🚨 Exception Inbox | Otomatik uyarı ve aksiyon sırası |
CatBoost + Isotonic Regression modeli, sipariş bölgesi, kargo modu, ürün kategorisi ve fiyat gibi 12 özelliği analiz eder. Milisaniyeler içinde:
- Kalibre edilmiş gecikme olasılığı (0–100%)
- SHAP tabanlı en kritik 5 gecikme faktörü
- "Kargo modunu değiştirirseniz risk %X düşer" karşıolgusal (counterfactual) öneriler
CatBoost + Isolation Forest hibrit modeli:
- Denetimli öğrenme (supervised): Geçmiş fraud örüntülerinden öğrenir
- Denetimsiz öğrenme (unsupervised): Daha önce görülmemiş anomalileri yakalar
- Birleşik risk skoru:
0.7 × fraud_prob + 0.3 × anomaly_score
LightGBM Quantile Regression (p10/p50/p90) + Croston Metodu:
- Aralıklı talep (intermittent demand) için otomatik Croston aktivasyonu
- Güven bantlı tahmin grafiği
- Yeniden sipariş noktası hesaplama:
lead_time_demand + safety_stock - Servis seviyesine göre emniyet stoğu (service_level parametresi)
Gerçek veri üzerinde what-if simülasyonları:
- "Ana liman kapanırsa ne olur?"
- "Talep %30 artarsa stok yeterli mi?"
- Karar etkisi analizi (Decision Impact)
- Multi-tenant mimari: Her müşteri kendi tenant ID'siyle izole
- API Key Yönetimi: Kapsam kısıtlı anahtarlar (predict-only, full-access)
- Data Hub: CSV yükle → akıllı kolon eşleştirme → model beslemesi
- Billing & Usage: API çağrı sayımı ve kullanım raporlama
- Audit Log: Tüm model kararlarının tam izi
graph TD
Client["🌐 Web Client<br/>(React 18 / Vite)"] -->|HTTP REST| GW["⚡ FastAPI Gateway<br/>:8000"]
ERP["🏭 Müşteri ERP<br/>(SAP, Oracle)"] -->|API Key Auth| GW
subgraph Backend["🖥️ Backend Sunucusu"]
GW --> ML["🤖 ML Karar Motoru"]
GW --> DB_SVC["📊 Metrik Servisi<br/>(CSV Cache)"]
GW --> ING["📤 Ingestion API<br/>(CSV Upload)"]
GW --> AUTH["🔑 API Key Servisi"]
subgraph Models["Yapay Zeka Modelleri (.pkl)"]
ML -.->|predict| LOG["CatBoost + Isotonic<br/>🚚 Lojistik (2.4 MB)"]
ML -.->|score| FRD["CatBoost + IsolationForest<br/>🛡️ Fraud (6.6 MB)"]
ML -.->|forecast| DEM["LightGBM + Croston<br/>📦 Demand (14 MB)"]
end
end
subgraph Storage["☁️ Supabase (PostgreSQL)"]
GW -->|SQL| SB[("PostgreSQL<br/>+ Row Level Security")]
SB --> T1["ingested_records"]
SB --> T2["usage_logs"]
SB --> T3["api_keys"]
end
subgraph DataLayer["💾 Lokal Veri"]
DB_SVC --> CSV1["analiz_veri.csv<br/>(72 MB)"]
DB_SVC --> CSV2["temiz_veri_final_latest.csv<br/>(91 MB)"]
end
classDef client fill:#61DAFB,stroke:#333,color:#000
classDef api fill:#009688,stroke:#333,color:#fff
classDef ml fill:#FF9800,stroke:#333,color:#fff
classDef db fill:#3ECF8E,stroke:#333,color:#000
class Client,ERP client
class GW,ML,DB_SVC,ING,AUTH api
class LOG,FRD,DEM ml
class SB,T1,T2,T3 db
Backend hem API hem frontend sunar — tek uvicorn süreci, tek port :8000:
GET / → React SPA (index.html)
GET /dashboard, /fraud → React Router (SPA fallback)
GET /predict → ML API
GET /metrics/overview → KPI verileri
GET /docs → Swagger UI (otomatik)
| Model | Algoritmalar | Dosya | Boyut | Görev |
|---|---|---|---|---|
| Lojistik Gecikme | CatBoost + Isotonic Regression | logistics_model.pkl |
2.4 MB | Sipariş bazlı gecikme olasılığı |
| Finansal Risk | CatBoost + Isolation Forest | fraud_model.pkl |
6.6 MB | Fraud skoru + anomali tespiti |
| Talep Tahmini | LightGBM (p10/p50/p90) + Croston | demand_model.pkl |
14 MB | Günlük talep tahmini + güven aralığı |
1. CatBoost → Kategorik veri (bölge, kargo modu) için gradient boosting
2. LightGBM → Quantile regression ile tahmin belirsizliği modellemesi
3. Isolation Forest → Denetimsiz anomali tespiti (görülmemiş fraud pattern)
4. Croston Metodu → Aralıklı/düzensiz talep için özel tahmin yöntemi
5. Isotonic Reg. → Model olasılıklarını gerçek frekanslarla kalibre etme
6. SHAP (CatBoost) → catboost.get_feature_importance(type="ShapValues")
ile açıklanabilir AI (XAI) — dış kütüphane gerekmez
Lojistik Gecikme: Brier Score < 0.18 | AUC-ROC > 0.82
Fraud Tespiti: Precision@0.5 > 0.78 | Recall > 0.71
Talep (p50): MAPE < 22% | Coverage(p10-p90) > 88%
|
|
|
|
cognitive-logix/
│
├── 📂 backend/ # FastAPI uygulaması
│ ├── 📂 app/
│ │ ├── 🐍 main.py # Uygulama girişi + SPA routing
│ │ ├── 📂 routers/ # API uç noktaları
│ │ │ ├── predict.py # POST /predict (gecikme riski)
│ │ │ ├── fraud.py # POST /fraud (finansal risk)
│ │ │ ├── forecast.py # POST /forecast (talep tahmini)
│ │ │ ├── metrics.py # GET /metrics/overview, /risk-map ...
│ │ │ ├── ops.py # GET /ops/audit-log, /incidents
│ │ │ ├── api_keys.py # CRUD /api-keys
│ │ │ └── billing.py # GET /billing/usage
│ │ ├── 📂 ml/ # Model yükleme & çıkarım
│ │ │ ├── logistics_model.py
│ │ │ ├── fraud_model.py
│ │ │ ├── demand_model.py
│ │ │ └── model_contract.py # Artifact versiyonlama
│ │ ├── 📂 services/ # İş mantığı servisleri
│ │ │ ├── supabase_ops.py # DB CRUD işlemleri
│ │ │ ├── api_key_service.py # Anahtar doğrulama
│ │ │ └── mapping_engine.py # Fuzzy CSV kolon eşleştirme
│ │ ├── 📂 middleware/
│ │ │ └── tenant_context.py # Multi-tenant kimlik doğrulama
│ │ ├── 📂 models/ # Pydantic şemaları
│ │ └── 📂 api/
│ │ └── ingestion.py # CSV yükleme API
│ ├── 📂 trained_models/ # Eğitilmiş ML modelleri
│ │ ├── logistics_model.pkl # 2.4 MB
│ │ ├── fraud_model.pkl # 6.6 MB
│ │ └── demand_model.pkl # 14 MB
│ ├── requirements.txt
│ └── env.example
│
├── 📂 frontend/ # React/Vite arayüzü
│ ├── 📂 src/
│ │ ├── 📂 pages/ # 24 sayfa
│ │ │ ├── Dashboard.jsx # Ana KPI paneli
│ │ │ ├── Logistics.jsx # Gecikme tahmin formu
│ │ │ ├── Fraud.jsx # Risk skoru ekranı
│ │ │ ├── Demand.jsx # Talep tahmin grafiği
│ │ │ ├── ScenarioLab.jsx # Stres testi
│ │ │ ├── DataHub.jsx # CSV yükleme
│ │ │ ├── DigitalTwinMap.jsx # Dünya haritası
│ │ │ ├── ModelHealth.jsx # Model sağlık durumu
│ │ │ └── ... # +15 sayfa daha
│ │ ├── 📂 components/ # Yeniden kullanılabilir bileşenler
│ │ └── 📂 lib/
│ │ ├── api.js # Axios istemcisi
│ │ └── supabaseClient.js # Supabase bağlantısı
│ ├── 📂 dist/ # Production build (pre-built)
│ └── package.json
│
├── 📂 data/ # Analiz veri setleri
│ ├── temiz_veri_final_latest.csv # 91 MB — tam veri seti
│ └── processed/
│ └── analiz_veri.csv # 72 MB — analiz için işlenmiş
│
├── 📂 notebooks/ # Jupyter eğitim notebook'ları
├── 📂 docs/ # Teknik dokümantasyon
│ ├── architecture.md
│ ├── api-integration.md
│ ├── setup.md
│ └── product.md
│
├── BASLAT.bat # ← Tek tıkla çalıştır (Windows)
└── README.md
GitHub deposunu klonladıktan sonra kullanın. Frontend değiştirmek isteyenler için.
| Bileşen | Sürüm | İndirme |
|---|---|---|
| Python | 3.11 veya 3.12 | https://www.python.org/downloads/ |
| Node.js | 18 LTS+ | https://nodejs.org/ |
| Git | herhangi | https://git-scm.com/ |
| Supabase | ücretsiz hesap (opsiyonel — test için zorunlu değil) | https://supabase.com/ |
git clone https://github.com/Erkan3034/cognitive-logix.git
cd cognitive-logix🪟 Windows (PowerShell)
cd backend
# Sanal ortam
python -m venv venv
.\venv\Scripts\Activate.ps1
# Bağımlılıklar (~3-8 dk, ilk seferde — hızlandırmak için --prefer-binary kullanıyoruz)
pip install --upgrade pip
pip install --prefer-binary -r requirements.txt
# Ortam değişkenleri (test için Supabase olmadan da çalışır)
Copy-Item env.example .env
notepad .env
# Sunucuyu başlat
uvicorn app.main:app --reload --host 127.0.0.1 --port 8000🐧 macOS / Linux (bash)
cd backend
python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip
pip install --prefer-binary -r requirements.txt
cp env.example .env
nano .env
uvicorn app.main:app --reload --host 127.0.0.1 --port 8000✅ Doğrulama:
http://127.0.0.1:8000/health→{"status":"ok",...}dönmeli 📚 İnteraktif API:http://127.0.0.1:8000/docs(Swagger UI) 💡 Not: Supabase değişkenleri yalnızca veri yükleme / multi-tenant özellikleri için gereklidir; ML tahmin/forecast/fraud uç noktaları onlarsız da çalışır.
cd frontend
# Bağımlılıklar
npm install
# Ortam değişkenleri (opsiyonel — test için boş bırakılabilir)
cp env.example .env.local
# .env.local içeriği:
# VITE_SUPABASE_URL=https://xxx.supabase.co
# VITE_SUPABASE_ANON_KEY=eyJ...
# VITE_API_URL=http://localhost:8000
# Geliştirme modu (hot reload, ayrı port)
npm run dev # → http://localhost:5173
# VEYA production build (backend ile aynı portta servis edilir)
npm run build # → frontend/dist/Frontend'i derledikten sonra backend her ikisini de :8000'den sunar — teslim paketinin kullandığı mod:
# Frontend build (bir kez)
cd frontend && npm run build && cd ..
# Backend başlat
cd backend && uvicorn app.main:app --port 8000
# → http://localhost:8000 (React arayüzü)
# → http://localhost:8000/docs (Swagger UI)
# → http://localhost:8000/predict (ML API)| Belirti | Çözüm |
|---|---|
Python bulunamadi |
Python kurulumunda “Add Python to PATH” işaretleyin, terminali yeniden başlatın |
Microsoft Visual C++ 14.0 required |
Requirements güncel mi kontrol edin; shap artık dependency değil |
MIME type text/html (JS) |
frontend/dist/ boş; cd frontend && npm run build ile yeniden derleyin |
| Port 8000 dolu | Çakışan uygulamayı kapatın veya --port 8001 ile başlatın |
| Modeller yüklenemiyor | backend/trained_models/*.pkl dosyalarının mevcut olduğunu kontrol edin |
supabase_configured: false |
Normal — yalnızca veri yükleme özellikleri devre dışı kalır, ML uç noktaları çalışır |
pip install çok yavaş |
--prefer-binary --no-cache-dir ekleyin |
| Değişken | Açıklama | Gerekli |
|---|---|---|
SUPABASE_URL |
Supabase proje URL'si | ✅ |
SUPABASE_SERVICE_ROLE_KEY |
Service role JWT (backend) | ✅ |
CORS_ALLOW_ORIGINS |
İzin verilen origin'ler | Opsiyonel |
TENANT_AUTH_REQUIRED |
Multi-tenant auth (varsayılan: false) | Opsiyonel |
VITE_SUPABASE_ANON_KEY |
Anon JWT (frontend) | ✅ |
VITE_API_URL |
Backend URL | ✅ |
Tam interaktif dokümantasyon:
http://localhost:8000/docs(Swagger UI)
POST /predict
Content-Type: application/json
{
"shipping_mode": "Standard Class",
"order_region": "Western Europe",
"market": "Europe",
"days_scheduled": 4,
"sales": 199.99,
"benefit_per_order": 45.0,
"quantity": 2
}{
"delay_risk": 0.71,
"calibrated_delay_risk": 0.68,
"risk_level": "high",
"confidence": "high",
"top_factors": [
{"feature": "Order Region", "impact": 0.42, "direction": "raises_risk"},
{"feature": "Shipping Mode", "impact": -0.28, "direction": "lowers_risk"}
],
"recommendations": [...],
"counterfactuals": [
{"change": "shipping_mode -> First Class", "new_risk": 0.41, "risk_reduction": 0.27}
]
}POST /fraud
{
"sales": 850.0,
"benefit_per_order": -120.0,
"discount_rate": 0.45,
"market": "LATAM",
"payment_type": "Debit"
}POST /forecast
{
"horizon": 30,
"market": "Europe",
"category": "Sporting Goods",
"current_inventory": 500,
"lead_time_days": 7,
"service_level": 0.95
}GET /metrics/overview # Dashboard KPI verileri
GET /metrics/risk-map # Harita için bölge risk skorları
GET /metrics/drift # Model drift analizi
GET /health # Sistem sağlık durumu
GET /ready # 3 modelin hazır olup olmadığı| Özellik | Değer |
|---|---|
| Kaynak | DataCo Smart Supply Chain Dataset (Kaggle) |
| Kayıt Sayısı | ~180,000 sipariş |
| Zaman Aralığı | 2015–2018 |
| Ham Veri | 95 MB (DataCoSupplyChainDataset.csv) |
| İşlenmiş (Analiz) | 72 MB (analiz_veri.csv) |
| İşlenmiş (Tam) | 91 MB (temiz_veri_final_latest.csv) |
| Özellik Sayısı | 53 orijinal → 12 mühendislik özelliği |
Veri Ön İşleme:
- Winsorization ile aykırı değer yumuşatma (
Sales_winsor,Benefit_winsor) - Negatif kâr bayrağı mühendisliği (
negative_profit_flag) - Kargo gecikmesi türetme (
shipping_delay = real - scheduled) - Kategorik encoding (CatBoost'a ham string geçildi)
| Belge | İçerik |
|---|---|
| Sistem Mimarisi | Veri akışı, servis sınırları, deployment |
| API Entegrasyonu | Webhook, auto-mapping, ERP bağlantısı |
| Kurulum Rehberi | Frontend & backend detaylı kurulum |
| Ürün Modülleri | Her sayfanın kullanım kılavuzu |
| Ad Soyad | Sorumluluk |
|---|---|
| Erkan TURGUT | Backend, ML Modelleri, Sistem Mimarisi |
| Aslı AYDIN | Frontend, UI/UX |
| Ismail NAIT OUCHEN | Veri Mühendisliği |
🔗 GitHub: github.com/Erkan3034/cognitive-logix
Tedarik zinciri krizlerini gerçekleşmeden önce çözün.
Cognitive Logix © 2026 — AI-Powered Supply Chain Intelligence