📋 İçindekiler
Talep Tahmini Neden Kritik?
Talep tahmini, üretim planlama, envanter yönetimi, kapasite planlama, satın alma ve finansal planlamanın ortak girdisidir. Kötü tahmin, ya fazla stok (nakit kaybı) ya da stoksuz kalma (satış kaybı) ile sonuçlanır.
• Tahmin hatasındaki her %1'lik iyileşme, envanter maliyetini %1.5-3 düşürür
• Firmaların %60'ı hâlâ Excel tabanlı tahmin yapıyor (McKinsey)
• AI tabanlı talep tahmini, geleneksel yöntemlere göre %20-50 daha doğru
• FMCG sektöründe SKU bazında ortalama tahmin hatası: %35-50
• Tahmin doğruluğu arttıkça müşteri hizmet seviyesi yükselir, stok düşer
Tahmin Yöntemleri Sınıflandırması
| Kategori | Yöntem | Avantaj | Dezavantaj |
|---|---|---|---|
| Nitel | Uzman Görüşü | Hızlı, esneklik | Subjektif, önyargılı |
| Delphi Yöntemi | Uzlaşı sağlar | Zaman alıcı | |
| Pazar Araştırması | Müşteri görüşü | Pahalı, yavaş | |
| Zaman Serisi | Hareketli Ortalama | Basit, anlaşılır | Gecikmeli tepki |
| Üstel Düzeltme | Ağırlıklı geçmiş | Tek parametre | |
| Holt-Winters | Trend + mevsimsellik | 3 parametre ayarlanmalı | |
| ARIMA | Güçlü, istatistiksel temel | Uzman bilgisi gerekir | |
| ML/DL | Random Forest / XGBoost | Feature engineering, çok değişkenli | Overfitting riski |
| LSTM / GRU | Uzun vadeli bağımlılık | Çok veri gerekli | |
| Prophet (Meta) | Tatil/olay etkisi, kolay kullanım | Sınırlı esneklik |
Nicel Tahmin Yöntemleri
Basit Hareketli Ortalama (SMA)
Son N dönemin ortalamasını tahmin olarak kullan. N küçükse trende duyarlı ama gürültülü, N büyükse stabil ama gecikmeli.
Basit Üstel Düzeltme (SES)
Son gözleme ağırlık ver. α (0-1) parametresi: α büyükse son veriye duyarlı, α küçükse geçmişe bağlı. Trend yok, düz seri için uygun.
Holt-Winters (Üçlü Üstel Düzeltme)
3 bileşeni ayrı ayrı modeller: Seviye (α), Trend (β), Mevsimsellik (γ). FMCG, perakende ve enerji sektörlerinin favorisi.
Çarpımsal: F_{t+m} = (L_t + m×T_t) × S_{t+m-s}
Makine Öğrenmesi Yöntemleri
XGBoost / LightGBM
Gradient boosting tabanlı ağaç modelleri. Feature engineering ile güçlü: lag değerleri, hareketli ortalama, tatil bayrakları, promosyon, hava durumu. Kaggle yarışmalarının favorisi.
LSTM (Long Short-Term Memory)
Derin öğrenme ile zaman serisi. Uzun vadeli bağımlılıkları öğrenir. Çok değişkenli ve çok adımlı tahmin için güçlü. Encoder-decoder mimarisi.
Prophet (Meta/Facebook)
Tatil etkisi, trend değişim noktaları ve mevsimselliği otomatik modeller. Non-expert kullanıcılar için tasarlanmış. Python/R kütüphanesi.
Tahmin Doğruluğu Metrikleri
| Metrik | Formül | Yorumu | İdeal |
|---|---|---|---|
| MAD | Σ|D_t − F_t| / n | Ortalama mutlak hata (birim bazında) | → 0 |
| MAPE | Σ(|D_t − F_t|/D_t) / n × 100 | Ortalama mutlak yüzde hata | <%10 mükemmel, <%20 iyi |
| MSE | Σ(D_t − F_t)² / n | Büyük hataları daha çok cezalandırır | → 0 |
| RMSE | √MSE | MSE'nin orijinal birimde yorumlanması | → 0 |
| Tracking Signal | RSFE / MAD | Tahmin sapma yönü (±4 sınırı) | −4 ile +4 arası |
Uygulama: Mevsimsel Talep Tahmini
Firma: NOP Klimatizasyon A.Ş. — Antalya
Ürün: Ev tipi split klima
Veri: 2 yıllık (8 çeyrek) satış verisi
Hedef: 2026 Q3 ve Q4 tahmini
| Dönem | Çeyrek | Satış (adet) | Mevsim İndeksi |
|---|---|---|---|
| 2024 Q1 | Kış | 2.200 | 0.55 |
| 2025 Q1 | Kış | 2.600 | |
| 2024 Q2 | İlkbahar | 5.800 | 1.35 |
| 2025 Q2 | İlkbahar | 6.400 | |
| 2024 Q3 | Yaz | 8.500 | 1.90 |
| 2025 Q3 | Yaz | 9.200 | |
| 2024 Q4 | Sonbahar | 1.200 | 0.28 |
| 2025 Q4 | Sonbahar | 1.400 |
Adım 1: Yıllık toplam ve trend
2024 toplam: 2.200 + 5.800 + 8.500 + 1.200 = 17.700
2025 toplam: 2.600 + 6.400 + 9.200 + 1.400 = 19.600
Yıllık büyüme: (19.600−17.700)/17.700 = %10.7
2026 tahmini toplam: 19.600 × 1.107 = 21.697
Çeyreklik baz: 21.697 / 4 = 5.424
Adım 2: Mevsim indekslerini hesapla
2024 çeyrek ortalaması: 17.700/4 = 4.425
Q1 indeksi: (2.200/4.425 + 2.600/4.900)/2 = (0.497+0.531)/2 = 0.514
Q2 indeksi: (5.800/4.425 + 6.400/4.900)/2 = (1.311+1.306)/2 = 1.308
Q3 indeksi: (8.500/4.425 + 9.200/4.900)/2 = (1.921+1.878)/2 = 1.900
Q4 indeksi: (1.200/4.425 + 1.400/4.900)/2 = (0.271+0.286)/2 = 0.278
Adım 3: 2026 Tahminleri
| Çeyrek | Baz | Mevsim İndeksi | Tahmin |
|---|---|---|---|
| 2026 Q1 | 5.424 | 0.514 | 2.788 |
| 2026 Q2 | 5.424 | 1.308 | 7.095 |
| 2026 Q3 | 5.424 | 1.900 | 10.306 |
| 2026 Q4 | 5.424 | 0.278 | 1.508 |
2026 yıllık tahmin: ~21.697 adet (2025'e göre +%10.7)
💡 Pik sezon (Q3) üretimi, Q1-Q2'de stok biriktirmeyle desteklenmeli. Q4'te yeni model lansmanı ile talep artırılabilir.
Gerçek Dünya Vaka Çalışmaları
Büyük bir Türk FMCG şirketi, 5.000+ SKU için geleneksel Excel tabanlı tahminden XGBoost + LSTM hibrit modeline geçti. Feature olarak: geçmiş satış, kampanya takvimi, hava durumu, rakip aksiyonları ve makroekonomik göstergeler kullanıldı. MAPE %38'den %19'a düştü, stok devir hızı %25 arttı.
Bir Türk perakende zinciri, 500+ mağaza × 20.000+ SKU kombinasyonu için Prophet tabanlı tahmin sistemi kurdu. Her gece otomatik tahmin güncelleniyor, anomaliler (ani kampanya etkisi, stok kırılımı) otomatik tespit ediliyor. Fire oranı %30 azaldı, raf boşalma oranı %40 iyileşti.
Demand Sensing
- Gerçek Zamanlı Talep Algılama: POS verileri, web trafiği, sosyal medya trendleri ile haftalık/günlük tahmin güncellemesi
- Probabilistic Forecasting: Tek nokta tahmin yerine olasılık dağılımı — "%90 olasılıkla talep 8.000-12.000 arası" şeklinde güven aralığı
- Causal AI: Korelasyon değil, nedensellik modelleme — "Fiyatı %10 artırırsak talep ne olur?" sorusuna cevap
- Unified Planning: Talep tahmini, üretim planı ve envanter optimizasyonu tek bir AI platformunda entegre
"Tüm tahminler yanlıştır, ama bazıları faydalıdır" — George Box'un ünlü sözü hâlâ geçerli. Önemli olan sıfır hata değil, sistematik iyileştirme ve hata yönetimi. Tahmin hatasına rağmen doğru kararlar vermek (güvenlik stoğu, esnek kapasite) endüstri mühendisinin asıl becerisidir.