Yapay zeka ile talep tahmini nasıl yapılır
Yapay zeka ile talep tahmini, satışı etkileyen etkenleri aynı modelde birlikte öğrenerek yapılır. Excel'deki hareketli ortalama yalnız geçmiş satışa bakar. Makine öğrenmesi modeli buna kampanya takvimini, fiyat değişimini, resmi tatilleri, hava durumunu ve stoksuz kalınan günleri ekler.
Stoksuz günler ayrı bir tuzaktır. Rafta ürün yokken satış sıfır görünür ama talep sıfır değildir. Bu günleri düzeltmeden kurulan model gelecekte de az sipariş önerir. Veri hazırlığında ilk baktığımız konu budur.
Tahmin tek bir sayı olarak verilmez. "Gelecek hafta 120 adet" yerine "büyük olasılıkla 100 ile 140 adet arası" gibi bir aralık üretilir. Stok kararı bu aralığın üst ucuna mı alt ucuna mı yakın verilecek, ona işletmenin hizmet düzeyi hedefi karar verir. Talep tahmini, yapay zeka veri analizi hizmetleri içinde geleceğe dönük kararları destekleyen kısımdır.
Hangi tahmin yöntemi ne zaman seçilir
Tahmin yöntemi veri miktarına, ürün sayısına ve açıklanabilirlik ihtiyacına göre seçilir. Her işe derin öğrenme gerekmez. Sağlıklı yol, birkaç yöntemi aynı geçmiş dönemde yarıştırıp kazananı seçmektir:
| Yöntem | Ne zaman uygun | Sınırı |
|---|---|---|
| İstatistiksel modeller (ETS, ARIMA) | Az ürün, düzenli mevsimsellik, kısa geçmiş | Kampanya ve fiyat etkisini zor öğrenir |
| Gradyan artırmalı ağaçlar (LightGBM, XGBoost) | Binlerce ürün, çok sayıda dış etken | Özellik mühendisliği emeği ister |
| Derin öğrenme modelleri | Çok uzun geçmiş, karmaşık ilişkiler | Daha çok veri ve hesaplama ister |
| Zaman serisi temel modelleri (Chronos, TimesFM) | Geçmişi kısa yeni ürünler, hızlı ilk deneme | Şirkete özel etkenleri sınırlı kullanır |
Yöntemi seçerken tek ölçüte bakmayız. Hata payı kadar modelin kararını planlama ekibinin anlayabilmesi de önemlidir. Planlamacı tahmine güvenmezse sistemi kullanmaz ve Excel'e geri döner.
Yeni ürün ve seyrek talep
Geçmişi olmayan yeni ürün ve ayda birkaç kez satan ürün ayrı ele alınır. Yeni üründe benzer ürünlerin ilk haftalarındaki satış eğrisi referans alınır. Kategori, fiyat bandı ve kanal benzerliği bu eşleştirmede kullanılır.
Seyrek talepte satışların çoğu gün sıfırdır. Croston gibi seyrek talep yöntemleri bu yapıya göre tasarlanmıştır. Böyle ürünlerde hedef tam adedi bilmek değil, stoksuz kalma olasılığını kabul edilen düzeyde tutmaktır.
Stok, fiyat ve rota optimizasyonu nasıl çalışır
Optimizasyon tahmini kısıtlar altında en uygun karara çeviren matematiksel modeldir. Tahmin "ne olacak" sorusunu cevaplar, optimizasyon "ne yapmalıyım" sorusunu.
Stok ve sipariş optimizasyonu
Model her ürün için güvenlik stoğunu ve sipariş miktarını önerir. Tedarik süresi, minimum sipariş adedi, depo kapasitesi ve raf ömrü kısıt olarak girer. Sonuç, satın alma ekibinin onayına sunulan bir sipariş önerisi listesidir.
Fiyat optimizasyonu
Fiyat esnekliği modeli, fiyat değiştiğinde talebin ne kadar değişeceğini tahmin eder. İndirim kararları marj hedefi ve stok eritme ihtiyacı birlikte düşünülerek verilir. Rakip fiyat verisi varsa modele eklenir. Online mağazanın katalog, arama ve müşteri hizmetleri tarafı için e-ticarette yapay zeka çözümleri ayrıca ele alınır.
Rota optimizasyonu
Araç rotalama problemi, teslimat noktalarını araç kapasitesi ve zaman pencereleriyle en kısa toplam yola dağıtır. Google OR-Tools gibi çözücüler bu iş için kullanılır.
Tahminin doğruluğu nasıl ölçülür
Tahmin doğruluğu modelin hiç görmediği geçmiş bir dönemde test edilerek ölçülür. Model örneğin 2025'in ilk dokuz ayıyla eğitilir, son üç ayı tahmin eder ve gerçek satışla karşılaştırılır. Bu teste geriye dönük test (backtest) denir.
- WAPE (ağırlıklı mutlak yüzde hata) toplam hata payını satış hacmine göre gösterir.
- MASE, modeli "geçen haftanın aynısı" gibi basit bir tahminle kıyaslar. Değer 1'in altındaysa model basit yöntemden iyidir.
- Sapma (bias) modelin sürekli fazla mı az mı tahmin ettiğini gösterir. Sürekli fazla tahmin stok şişirir.
Rakamla doğruluk vaadi vermiyoruz. Hata payı ürünün satış düzenine bağlıdır. Haftada iki adet satan bir yedek parçanın tahmini, her gün yüzlerce satan bir ürününki kadar isabetli olmaz. Gerçekçi beklentiyi geriye dönük testten sonra sizinle birlikte koyarız.
Veri güvenliği ve KVKK boyutu
Talep tahmini çoğunlukla kişisel veri gerektirmez. Ürün, mağaza ve gün bazında toplanmış satış verisi yeterlidir. Müşteri düzeyinde segment tahmini yapılacaksa KVKK (Kişisel Verilerin Korunması Kanunu) kapsamında amaç, hukuki sebep ve saklama süresi baştan belirlenir.
Modeller sizin sunucunuzda ya da tercih ettiğiniz bulut ortamında çalışabilir. Ticari sır niteliğindeki fiyat ve marj verisi üçüncü taraf bir dil modeline gönderilmez.
Maliyeti neye bağlı
Tahminleme projesinin maliyeti ürün sayısına, veri kaynaklarının dağınıklığına ve kararın yazılacağı sisteme bağlıdır. Paket fiyatı yerine kapsama göre teklif hazırlarız:
- Tahmin edilecek ürün, mağaza ve depo kırılımı.
- Geçmiş verinin uzunluğu ve kalitesi, stoksuz gün kaydı olup olmadığı.
- Dış veri ihtiyacı (hava durumu, kampanya takvimi, rakip fiyatı).
- Optimizasyonun kapsamı. Yalnız tahmin mi, sipariş önerisi de mi, rota da mı?
- Kurumsal kaynak planlama (ERP) ya da depo yönetim sistemine otomatik aktarım. Bu akış için onaylı iş akışı otomasyonu kurulabilir.
- Planlama ekranı ve raporlama ihtiyacı.
Tahminleri izlemek için çoğu zaman bir gösterge paneli de isteniyor. Bu kısım iş zekası ve gösterge paneli çalışması ile birlikte planlanabilir. İlk adım olarak son iki yılın satış dökümünü konuşmak için talep tahmini projesi için bize yazın.
Sektörlere göre kullanım alanları
- kullanım alanı 01
Perakende mağaza siparişi
Örneğin 40 mağazalı bir market zinciri her mağaza ve ürün için haftalık sipariş önerisi alır. Mağaza müdürü öneriyi onaylar ya da gerekçesiyle değiştirir.
- kullanım alanı 02
E-ticaret kampanya planı
Bir e-ticaret şirketi büyük indirim dönemlerinden önce hangi ürünün ne kadar satacağını görür. Depo ve kargo kapasitesi buna göre planlanır.
- kullanım alanı 03
Üretim planlaması
Bir gıda üreticisi raf ömrü kısa ürünlerde üretim miktarını günlük talep tahminine göre ayarlar. Fire ile stoksuz kalma arasındaki denge görünür hale gelir.
- kullanım alanı 04
Dağıtım rotası
Bir dağıtım firması günlük teslimat listesini araç kapasitesi ve müşteri saat aralıklarına göre rotalara böler. Sürücü rotayı mobil ekranda görür.
- kullanım alanı 05
Yedek parça stoğu
Seyrek satan binlerce yedek parça için seyrek talep yöntemleri kullanılır. Hangi parçanın merkez depoda tutulacağı bu tahmine göre belirlenir.