Yapay Zeka, Moda Şirketlerine Nasıl Destek Olabilir?

Modern moda endüstrisi, geleneksel tahmin modellerinin öngörülemeyen pazar gerçekleriyle sıkça çatıştığı, sürekli bir baskı altında faaliyet gösteriyor. Birbirinden kopuk iş akışları, parçalı planlama sistemleri ve manuel süreçlere olan yoğun bağımlılık, kritik bilgilerin genellikle bağlantısız e-tablolarda, teknik ürün dosyalarında ve istikrarsız iletişim kanallarında sıkışıp kalmasına neden oluyor.

Tedarik zincirinde yaşanan aksaklıklar, fabrika kapanmaları veya tüketici talebindeki ani değişimler meydana geldiğinde, markalar kâr marjlarını korumak için yeterince hızlı manevra yapamıyor ve reaktif kalmak zorunda kalıyor. Bu yapısal kopukluk, tüketici güvenini sarsan ve tam fiyatlı satış oranlarını baltalayan geç teslimatlara, parçalanmış çok kanallı ürün bilgilerine ve yıkıcı stok tükenmesi senaryolarına yol açıyor. Sektörün bu duruma daha iyi uyum sağlaması için, eski usul tahminlere dayalı sistemlerden ayrılarak yapay zeka (YZ) tarafından yönetilen, bağlantılı ve akıllı bir ekosisteme geçiş yapması büyük önem taşıyor.

Yazılım sağlayıcısı Aptean, kısa süre önce moda ve hazır giyim endüstrisi için tasarımdan teslimata kadar kararları otomatikleştiren ve iş akışlarını birleştiren yeni aracı Aptean Fashion & Apparel'ı tanıttı. Bu araç, ekiplere modeller, renkler ve bedenler genelinde gerçek zamanlı bir görünürlük sunuyor. 14 Mayıs'ta sektörün önde gelen isimlerinin katılımıyla gerçekleştirilen beş çevrimiçi oturumda, aracın tedarik zinciri ve farklı departmanlarda sektöre nasıl yardımcı olabileceğine ışık tutuldu. FashionUnited olarak biz de, sektör profesyonellerinin yapay zekayı tasarım aşamasında, fabrika sahasında, ürün metinleri yazarken, lansman yaparken ve akıllı envanter kontrolüyle talebi dengelerken nasıl kullandığını sizler için derledik.

Stil İkamesi ile Gelirleri Korumak

Sosyal medya influencer kampanyaları gibi modern dijital dinamiklerin etkisiyle tüketici talebinin aniden zirve yapabildiği moda gibi yüksek değişkenliğe sahip sektörlerde, genellikle 60, 90 veya 120 günü bulan geleneksel stok yenileme döngüleri bu hıza ayak uydurmakta yetersiz kalıyor.

Aptean'da çözüm mimarı olan Ken Weygand, durumu şöyle açıklıyor: 'Eğer bir müşterinin veya tüketicinin tercih ettiği bir model stokta yoksa ve kimse hızla benzer bir alternatif bulamıyorsa, o satışı büyük olasılıkla kaybettiniz demektir. Müşteri yoluna devam etmiş, rakibinize, başka bir giyim markasına gitmiş, beğendiği bir şeyi bulmuş ve siz o satışı kaybetmişsinizdir.' Weygand, moda, ayakkabı ve aksesuar markalarının iş operasyonlarını iyileştirmek ve geliştirmek için Kurumsal Kaynak Planlaması (ERP) ve Ürün Yaşam Döngüsü Yönetimi (PLM) çözümlerini uygulamalarına destek oluyor.

Tercih edilen bir ürün veya beden tükendiğinde, satış anında birebir aynı veya çok benzer bir alternatif sunulamazsa, markalar ve perakendeciler müşteriyi kalıcı olarak rakiplerine kaptırma riskiyle karşı karşıya kalır. İşte bu noktada otonom bir 'stil ikame ajanı' devreye giriyor. Weygand, 'Önemli olan, müşterilerimize hizmet sunabilmek için ikame edilebilecek bir modeli, yani benzer alternatifleri hızla bulmaktır. ... Bu sistem, bunu gerçek zamanlı olarak oldukça hızlı bir şekilde yapabilir ve aynı zamanda canlı envanterle karşılaştırarak doğrulama sağlar. Stokta olmayan alternatif modellere bakmanın hiçbir anlamı yok,' diye belirtiyor.

Stok tükenmesinden kaynaklanan anlık gelir kayıplarını en aza indirmek amacıyla tasarlanan bu teknolojinin operasyonel entegrasyonu, genellikle farklı kumaş türleri, kategoriler ve kalıplarda yüz binlerce farklı Stok Kodu Birimi (SKU) barındıran geniş kurumsal veritabanlarını yönetmenin getirdiği yapısal zorluklara çözüm sunuyor. Müşteri hizmetleri temsilcilerinden e-ticaret ve showroom yöneticilerine kadar uzanan dağınık yapıdaki ekipler, alternatif ürünleri manuel olarak bulmak için genellikle birbiriyle bağlantısız yazılım sistemleri arasında gezinmek zorunda kalıyor. Bu veri parçalanması, kritik işlem gecikmelerine yol açarken, yanlışlıkla daha yüksek maliyetli bir alternatifi daha düşük bir fiyattan sunmak gibi kâr marjını tehlikeye atan riskler doğuruyor ve bu da sistemsel otomasyonun ne kadar hayati olduğunu bir kez daha gösteriyor.

Bir yapay zeka ajanının doğrudan temel ERP ve PLM mimarileri üzerine konuşlandırılması, katı bir kurumsal mantıkla yönetilen otomatik bir altyapı oluşturur. Sistem, potansiyel ikameleri değerlendirirken kumaş bileşimi, ürün hiyerarşisi, siluet ve perakende değeri gibi ürün niteliklerini mevcut güvenlik stoğu parametreleri ve geçmiş tasarım verileriyle sistematik olarak analiz eder. Aptean gibi merkezi sistemler aracılığıyla bu karmaşık arka uç verilerini basitleştirilmiş, düşük kodlu arayüzlere taşıyarak, kullanıcılar satış anında işlemleri kurtarmak için akıcı bir şekilde alternatif ürünlere geçiş yapabilir.

Hanesbrands'de Üretim Akışını Optimize Etmek: Fabrikadan Mağazaya Tam Görünürlük

Tasarımdan fiziksel üretime geçiş sürecinde, tedarik zincirindeki değişkenlikler sezon ortası üretimin operasyonel ritmini sıkça aksatır. Geleneksel ERP çerçeveleri, moda üretimine özgü çok katmanlı ve karmaşık kalıp sistemlerini yönetmekte zorlanır; bu da ölçümlerin parçalanmasına ve görünürlüğün gecikmesine neden olur. Yapay zeka sistemleri ise, gerçek zamanlı üretim sahası kontrolü kurarak ve hammadde tedarikini doğrudan makine çıktılarına bağlayarak bu açığı kapatır. Bu bütünsel ve entegre denetim, fiziksel verileri eyleme dönüştürülebilir içgörülere çevirerek üretim hatlarını tıkayan tipik darboğazları engeller.

Hanesbrands'in Dijital Dönüşümden Sorumlu Başkan Yardımcısı Hemant Ramaswami, küresel aksaklıklar sırasında bu değişimin zorunluluğunu açıklarken, ABD'li giyim devinin Covid pandemisi döneminde 'tedarik zincirindeki sorunları yalnızca tespit etme aşamasından, bu sorunlara neredeyse gerçek zamanlı olarak müdahale edebilme' aşamasına nasıl geçtiğini hatırlattı. Ramaswami, 'Küresel tedarik zincirleri veri eksikliğinden dolayı çökmez. Genellikle doğru verinin, doğru zamanda, doğru karar vericilere ulaşmaması nedeniyle çöker,' diyerek konunun altını çizdi.

Dağıtım merkezlerinin artık müşteri ihtiyaçlarını karşılamakta yetersiz kaldığını belirten Ramaswami, üç temel soruna dikkat çekti: uzayan tedarik süreleri ve görünürlük eksikliği, parçalı talep sinyalleri ve tahsis mekanizmasının bulunmaması. Ramaswami, 'Bir müşteri hizmetleri yetkilisinin tüm resmi bir araya getirerek bir ürünün ne zaman stokta olacağı gibi soruları yanıtlaması o dönemde çok büyük çaba gerektiriyordu,' diye anımsıyor.

Hanesbrands, işe ilk olarak yüksek hacimli ve oldukça kârlı bir segment olan erkek iç giyimiyle başlayarak operasyonel yapay zeka yazılımını pilot olarak denedi; elde ettiği değeri ve potansiyeli gördükten sonra ise daha karmaşık kategorilere yayıldı. Tahmine dayalı mantık, üreticilerin ani fabrika aksaklıklarına karşı sadece reaktif kalmak yerine son derece proaktif olmalarını sağlıyor. Operasyon ekipleri, haftalık veri günlüklerine veya sezgilere dayalı tahminlere bel bağlamak yerine, yapısal sorunları anında tespit etmek için canlı veri akışlarından faydalanıyor. Yapay zeka, alternatif üretim rotalarını otomatik olarak belirleyerek ve aktif fabrikalar arasındaki iş yükünü yeniden dengeleyerek kritik teslimat takvimlerini koruyor ve kâr marjı kaybını en aza indiriyor. Ramaswami, 'Bu durum, reaktif bir modda çalışmaktan çıkıp adeta bir yangın önleme moduna geçmemizi sağladı,' diyor.

Özellikle konteyner önceliklendirme mantığının çok faydalı olduğunu belirten Ramaswami, şöyle devam etti: 'Bazı dağıtım merkezlerimize günde 30 ila 40 konteyner geliyor. Bu nedenle, boşaltma ekibinin en değerli konteynerlere odaklanması kritik önem taşıyor. ... Doğru konteyneri boşaltmak, çeyrek dönem hedeflerini yakalamakla kaçırmak arasındaki farkı yaratabilir.' Her konteynere bir parasal değer atanmasının inanılmaz yardımcı olduğunu ekleyen Ramaswami, 'Bu, arka planda çalışan soyut bir yapay zeka değil. Bu, hangi konteynerin önce boşaltılması gerektiğini ve içinde ne olduğunu gösteren bir ekrana bakan bir rıhtım şefinin ta kendisi,' diyerek durumu özetledi.

Gerçek Zamanlı Koruma: Ürün Lansmanında Değişkenliği Yönetmek

Üretim bandından perakende pazarına geçiş, özellikle de tüketici talebinin beklenmedik şekilde yön değiştirdiği anlarda, perakende yaşam döngüsünün en istikrarsız evrelerinden biridir. Bir ürün lansmanı, dağınık ticari sinyallerin baskısı altında kolayca başarısızlığa uğrayabilir; bu durum, bazı dağıtım merkezlerinde stok fazlası oluşurken diğerlerinde anında stokların tükenmesi gibi envanter uyumsuzluklarına neden olur. Yapay zeka algoritmaları, lansman anında bu perakende sinyallerini dinamik olarak yakalayarak bölgesel satış trendlerini canlı envanter verileriyle sürekli olarak karşılaştırır.

Müdahale edilmediği takdirde bir sezonun ne kadar kolay kaybedilebileceğine dikkat çeken Aptean Kıdemli Ürün Müdürü Aly Breeman, şu gözlemini paylaşıyor: 'Her sezon bir marka bir yerlerde her şeyi doğru yapar. Koleksiyon güçlü, tasarımlar çarpıcı ve pazarlama stratejisi hazırdır. Sonra yavaş yavaş işler yolundan çıkmaya başlar. Bir teslimat gecikir, sıcak geçen bir ekim ayı kışlık kaban satışlarını durdurur. Toptan satış ortakları, online mağazadan farklı bir hızda ilerler. Başta bunların hiçbiri büyük bir sorun gibi görünmez, ancak rakamlar gerçeği ortaya koyduğunda kâr marjı çoktan erimiş ve geriye kalan tek seçenek indirim yapmak olmuştur. Bu kötü şans değil, bir örüntüdür ve çoğu örüntü gibi, onu net bir şekilde gördüğünüzde ilerisi için plan yapabilirsiniz.'

'Modada zamanlama her şeydir. Sezonlar üç öngörülebilir güç etrafında şekillenir,' diye devam ediyor Breeman. Bu güçler; tedarikteki değişkenlik, talepteki değişimler ve kanallardaki parçalanmadır. Breeman'a göre kâr marjı elde etmek, koleksiyonlar mağaza vitrinine çıkmadan çok önce, planlama aşamasında başlar. 'Üretim sırasını doğru planlamalısınız, çünkü her gecikmenin ürün bulunurluğu ve koleksiyon bütünlüğü üzerinde doğrudan bir dalga etkisi olur. Koleksiyonlar rafa çıkana kadar beklerseniz, tek seçeneğiniz indirim yapmak olur. Unutmayın, indirim kâr marjının en büyük düşmanıdır,' diye uyarıyor.

Adaptasyon yeteneği kazanmak için şirketlerin öncelikle kâr marjı riskini olabildiğince erken tespit etmesi gerekiyor. Breeman, 'Markalar için en büyük zorluklardan biri, düşük performansı kârlılığı etkilemeye başlamadan ve müdahale edilebilecek kadar erken bir aşamada belirlemektir,' diye ekliyor. İşte yapay zeka tam da bu noktada büyük bir değer yaratabilir: Potansiyel üretim gecikmelerini, kapasite sorunlarını ve diğer riskleri çok daha erken bir aşamada işaretleyerek markaya müdahale etmesi ve düzeltici önlemler alması için zaman kazandırır.

Koleksiyon pazara sunulduktan sonra yapay zeka, performansı yalnızca genel düzeyde değil, model, renk, sezon ve lokasyon ayrıntısına kadar inerek gerçek zamanlı olarak izleyebilir. Bu sayede markalar, hangi ürünlerin başarılı olduğunu, hangilerinin olmadığını ve stokları nerede yeniden dengelemeleri gerektiğini çok daha net bir şekilde görebilir. Sistem ayrıca, doğru zamanda doğru mağazaya doğru modeli önererek daha akıllı stok tamamlama süreçlerini de destekler.

'Sonuç olarak yapay zeka, markaların tüm ürün yaşam döngüsü boyunca çok daha iyi bir görünürlük ve kontrol sağlayarak geç reaksiyon vermekten erken harekete geçmeye evrilmesine yardımcı oluyor,' diyor Breeman. Ancak bir uyarıda bulunuyor: 'Yapay zekanın gücü, ona sağlanan verinin kalitesiyle başlar. Jenerik ERP çözümleri modanın dilini konuşmaz. Sezonlar, çok renkli modeller, beden serileri ve teslimat ölçüleri modanın işleyişinin temel yapı taşlarıdır. Fakat jenerik bir sistemde bu ayrıntılar arada kaybolur.'

Ürün uzmanı, 'Yapay zekayı düşük kaliteli verilerin veya parçalanmış sistemlerin üzerine inşa etmek, sorunu daha da büyütmekten başka bir işe yaramaz. Eğer farklı ekipler gerçeğin farklı versiyonları üzerinden çalışıyorsa, ürün verileri düzgün yönetilmiyorsa, yapay zeka işleri iyileştirmek yerine daha da kötüleştirir,' diyerek konunun önemini vurguluyor. 'Bu nedenle çözüm, sadece yapay zeka eklemek değil, işletmelerin onu doğru kullanmaya hazır olmasını sağlamaktır. Bu da öncelikle veri kalitesine, yönetişimine ve tutarlılığına odaklanmak anlamına gelir. Sistemleriniz sektör dinamikleriyle ne kadar uyumlu ve veri yönetiminiz ne kadar disiplinli olursa, yaratacağı etki de o kadar güçlü olur.'

İçerik Otomasyonu: Doğru, Hedef Odaklı ve Etkileyici Metinler Oluşturma

Ürünler dijital raflarda yerini aldıkça, satışa dönüşüm için zengin ve doğru ürün verilerine duyulan ihtiyaç kritik hale geliyor. Salsify'nin 2024/2025 Tüketici Araştırması'na göre, tüketicilerin yüzde 88'i ürün içeriğinin satın alma kararlarında 'son derece önemli' veya 'çok önemli' olduğunu belirtiyor. Buna rağmen, moda markaları eksik ürün bilgileri nedeniyle düzenli olarak gelir kaybı yaşıyor ve tüketicilerin yarısı yetersiz ürün açıklamaları yüzünden online alışveriş sepetlerini terk ettiklerini kabul ediyor.

Aptean Ürün Yönetimi Direktörü Alain Tessier, 'İçerik eksik olduğunda veya marka kimliğiyle uyuşmadığında, bu sadece ek iş yükü yaratmakla kalmaz, aynı zamanda satış kaybına da neden olur,' diyerek durumu doğruluyor. Tessier, yapay zekanın bu sorunu dört temel adımda çözdüğünü açıklıyor: Birinci adım kaynağı okumak, ikinci adım önemli olanı ayıklamak, üçüncü adım içeriği yazmak ve dördüncü adım ise gözden geçirip yayınlamak.

Tessier, 'Yapay zeka, sisteminizdeki PDF'ler, e-tablolar, görseller gibi elinizdeki tüm verileri alır ve okur. Normalde bir metin yazarının tek bir kelime yazmadan önce sadece bu kaynakları incelemesi ürün başına 30 ila 60 dakika sürerken, yapay zeka bunu saniyeler içinde yapar,' diye vurguluyor. İçerik oluşturma aşamasında ise yapay zeka, metnin yayınlanacağı kanala göre hangi bilgilerin öne çıkarılacağını belirleyip her kitleye özel olarak uyarlıyor: 'Aynı ürün verisi, web sitesi için bir ürün açıklamasına, satın almacılar için bir özete, bir dergi için bir tanıtım yazısına veya sosyal medya için bir gönderi metnine dönüşebilir. Her biri, ilgili kanal için doğru uzunlukta ve doğru tonda olur,' diye belirtiyor Tessier.

Ancak bu, ekibin süreçten dışlandığı anlamına gelmiyor. Ekip üyeleri, metinleri sıfırdan yazmak yerine, yapay zekanın ürettiği içeriği gözden geçiriyor, düzenliyor ve onaylıyor. Tessier, durumu 'Karar verme yetkisi insanda kalırken, yazma işini yapay zeka üstleniyor. Eskiden üç ila beş gün süren bir süreç, şimdi muhtemelen 30 dakikadan daha kısa sürüyor,' diye özetliyor.

Bu otomatik yaklaşım, yüksek hacimli ürün girişlerinde sıkça karşılaşılan manuel hataları ortadan kaldırırken küresel ölçekte katı bir tutarlılık sağlar. Yapay zeka, ürün verilerinin farklı perakende kanallarında kontrolsüz bir şekilde dağılmasına izin vermez; bunun yerine kurumsal stil rehberlerini, yerelleştirilmiş terminolojiyi ve net marka tanımlarını sistematik olarak uygular. Örneğin, teknik özelliklerde sentetik dolgulu olduğu belirtilen bir ceketin kuş tüyü yalıtımlı olarak listelenmesi gibi kritik yapısal tutarsızlıkları otomatik olarak tespit eder ve markayı maliyetli iadelerden ve yasal cezalardan korur. İçerik üretim sürelerini günlerden saniyelere indirerek, markaların pazara çıkış hızını artırır ve ürün listelemelerinin tüm dijital kanallarda kusursuz bir şekilde doğru kalmasını temin eder.

NSA'da Üretim Kararlarını Hızlandırmak

Dayanıklı bir moda ekosisteminin son temel direği, sofistike ve otomatikleştirilmiş üretim ortamları ile envanter kontrolüne dayanır.

ABD'li giyim üreticisi National Safety Affair'in (NSA) Chicago Operasyonları Kıdemli Direktörü Kelly Deady, yapay zekanın şirketin dört farklı üretim tesisindeki (Kaliforniya, Illinois, Kansas ve Ohio) veri akışını nasıl kolaylaştırdığını anlattı. Deady, 'Her tesisimizin farklı bir verimlilik sistemi vardı ve hiçbiri birbiriyle entegre değildi. Sonunda hepimiz aynı ERP sistemine geçtik, ancak bu sistem bile verimliliği derinlemesine analiz etmek ve operasyonlarımızı optimize etmek için ihtiyaç duyduğumuz ayrıntılı verileri sunmuyordu,' diye anımsıyor. 'Ayrıca, verileri birebir karşılaştırılabilir hale getirmek için aynı kişiye gönderdiğimiz raporları sürekli düzenlemek zorunda kalıyorduk. Bu nedenle Aptean ile çalışmaya başlamak, NSA için oyunun kurallarını değiştiren bir adım oldu,' diyen Deady, gecikebilecek siparişleri öngörmenin ve maliyet veya verimlilik bazında tesisler arası denge kurmanın en büyük kazanımları olduğunu ekledi.

Hızlı ve verimli çalışma, olası darboğazları önceden tespit etme gibi konulardaki vaatleri destekleyecek verilere sahip olmanın, 'Made in USA' etiketli bir markayı ayakta tutmanın anahtarı olduğunu belirtiyor. Deady, 'Beklenmeyeni öngörebilen her teknoloji muhteşem, çünkü üretimde her gün beklenmedik bir durumla karşılaşırsınız,' diye ekliyor.

Geleneksel envanter yönetimi, geçmiş sezon verilerine dayandığı için markaları öngörülemeyen pazar değişimlerine, lojistik gecikmelerine ve ani bölgesel talep düşüşlerine karşı oldukça savunmasız bırakır. Yapay zeka ise, sürekli olarak karmaşık tahmin senaryoları yürüterek bu katı döngüyü kırar; bölgesel stok seviyeleri, nakliye maliyetleri ve promosyon indirimleri arasındaki hassas dengeyi titizlikle hesaplar.

Bu sistemik denetim, farklı doğrudan tüketiciye (DTC) ve toptan satış ağları arasında otomatik ve gerçek zamanlı envanter dengelemesi anlamına gelir. Bölge ekiplerini eksik beden serilerini bulmak için devasa e-tabloları manuel olarak incelemeye zorlamak yerine, yapay zeka, hassas ve hesaplanmış stok tamamlama için gereken metrikleri otonom olarak belirler. Düşük performans gösteren fiziksel mağazalardaki yavaş hareket eden stokların, yüksek satış hacmine sahip e-ticaret merkezlerine ne zaman aktarılması gerektiğini tam olarak dikte ederek tam fiyatlı satış oranını en üst düzeye çıkarır. Ürün yaşam döngüsü boyunca yapılan bu küçük ama sürekli operasyonel ayarlamalar sayesinde, moda işletmeleri satılmayan ürünlerin stokta kalma süresini önemli ölçüde azaltabilir ve son derece yalın ve yüksek kârlı tedarik zincirleri oluşturabilir.

Deady, sözlerini şöyle tamamlıyor: 'Bir yapay zeka ajanına sahip olmak, sürekli olarak verileri izleyen ve sizin onu tespit etmesi için eğittiğiniz durumu bekleyen ikinci bir çift göze sahip olmak gibidir. Dolayısıyla, sadece veri çeken bir raporun veya size panolar gösteren bir aracın çok ötesine geçiyorsunuz. Elinizde, bilgiyi adeta insan beyni gibi bir yaklaşımla analiz eden bir sistem oluyor.'

Sonuç: Otomatikleştirilmiş Moda İşletmesini Sentezlemek

Moda yaşam döngüsünün tamamında yapay zekayı benimsemek artık fütüristik bir deney olmaktan çıkmış, bu acımasız pazarda kâr marjlarını korumak isteyen markalar için temel bir ticari zorunluluk haline gelmiştir. Tasarım, üretim, lansman, içerik oluşturma ve envanter kontrolünü tek ve bütünsel bir akıllı ekosistemde birleştiren moda işletmeleri, geçmişte büyümeyi engelleyen birbirinden kopuk veri silolarını ortadan kaldırır. Sonuçlar ise oldukça etkilidir: çarpıcı biçimde kısalan ürün geliştirme döngüleri, minimum stok tükenmesi riski, kusursuz veri bütünlüğü ve son derece optimize edilmiş stok tahsisi. Bu entegre yapay zeka çözümlerini uygulayan paydaşlar, eski usul tahmine dayalı operasyonel yöntemleri, pazarın değişken koşullarında gelişmek üzere tasarlanmış hassas ve son derece duyarlı bir mimariyle değiştirerek operasyonlarını etkin bir şekilde geleceğe hazırlamış olurlar.

Bu makale, bir yapay zeka aracı kullanılarak Türkçeye çevrilmiştir.

FashionUnited, dünya çapındaki moda profesyonellerinin haberlere ve bilgilere daha geniş erişimini sağlamak amacıyla yapay zeka dil teknolojisinden faydalanmaktadır. Doğruluğa özen gösterilse de, yapay zeka çevirileri sürekli olarak gelişmektedir ve şu an için tamamen kusursuz olmayabilir. Bu süreçle ilgili herhangi bir sorunuz ya da yorumunuz varsa, bize info@fashionunited.com adresinden ulaşabilirsiniz.