İçindekiler

  1. Neden Talep Tahmini
  2. Tahmin Hata Metrikleri
  3. Hareketli Ortalama (SMA/WMA)
  4. Üstel Düzleme (SES)
  5. Holt-Winters (Triple)
  6. ARIMA Modeli
  7. Yöntem Seçim Rehberi
  8. Makine Öğrenmesi ile Tahmin
  9. Senaryo Karşılaştırma
  10. Vaka 1: Perakende ML Tahmini
  11. Vaka 2: İlaç Sektörü ARIMA
  12. Sonuç

1. Neden Talep Tahmini

Tedarik zincirinin tüm kararları — üretim planlaması, envanter seviyeleri, satın alma miktarları, insan gücü planlaması — talep tahminine dayanır.

Hatalı Tahminin Maliyeti:

Aşırı tahmin › Fazla stok › Depolama maliyeti + bağlı sermaye + fire riski
Düşük tahmin › Stok-dışı › Kayıp satış + müşteri kaybı + acil tedarik maliyeti

Kural: MAPE'yi %1 iyileştirmek, tipik bir firmada ₺0.5-2M/yıl tasarruf sağlar.
Hedef MAPE: FMCG: <%15, Otomotiv: <%10, İlaç: <%8

2. Tahmin Hata Metrikleri

Metrik Formül Avantaj Dezavantaj
MAE |D-F| / n Yorumlaması kolay, birim cinsinden Ölçek bağımlı
MAPE |D-F|/D / n × 100 Ölçekten bağımsız, karşılaştırılabilir D=0 olduğunda tanımsız
RMSE ((D-F)² / n) Büyük hataları cezalandırır Aykırı değere hassas
Bias (F-D) / n Sistematik yanlılık tespiti + ve - hatalar birbirini götürür
TS (Tracking Signal) (D-F) / MAD Modelin hâlâ geçerli olup olmadığı TS > ±4 › model güncelle!

3. Hareketli Ortalama (SMA/WMA)

Basit Hareketli Ortalama (SMA):
Ft+1 = (Dt + Dt-1 + ... + Dt-n+1) / n

Ağırlıklı Hareketli Ortalama (WMA):
Ft+1 = w0·Dt + w²·Dt-1 + ... + wn·Dt-n+1
(w0 + w² + ... + wn = 1, w0 > w² > ... > wn)
Ay Gerçek SMA(3) Hata WMA(3) Hata
Oca 120 — — — —
Şub 135 — — — —
Mar 128 — — — —
Nis 142 127.7 +14.3 130.1 +11.9
May 155 135.0 +20.0 136.7 +18.3
Haz 148 141.7 +6.3 144.8 +3.2
Tem 162 148.3 +13.7 150.9 +11.1
MAE 13.6 11.1

4. Basit Üstel Düzleme (SES)

SES Formülü:

Ft+1 = ·Dt + (1-)·Ft

› 0'a yakın: Geçmiş ağırlıklı (kararlı talep)
› 1'e yakın: Son gözlem ağırlıklı (değişken talep)

Seçim Rehberi:
Kararlı talep (gıda temel ürün): = 0.1 - 0.2
Orta değişkenlik (FMCG): = 0.2 - 0.4
Yüksek değişkenlik (moda, elektronik): = 0.4 - 0.6

En iyi : MAPE'yi minimize eden değeri grid search ile bulunur.

5. Holt-Winters Üstel Düzleme (Triple Exponential Smoothing)

Holt-Winters (Additive) — 3 Bileşen:

Düzey: Lt = (Dt - St-m) + (1-)(Lt-1 + Tt-1)
Trend: Tt = ß(Lt - Lt-1) + (1-ß)Tt-1
Mevsimsel: St = (Dt - Lt) + (1-)St-m
Tahmin: Ft+h = Lt + h·Tt + St+h-m

, ß, : Düzleme katsayıları (0‹,ß,‹1)
m: Mevsimsel periyot (12=aylık, 4=çeyreklik, 7=günlük)

Multiplicative model: Mevsimsel genlik büyüyorsa (trend arttıkça)
Additive model: Mevsimsel genlik sabit kalıyorsa

6. ARIMA(p,d,q) Modeli

Parametre Adı Belirleme Yöntemi Açıklama
p AR mertebesi PACF grafiği Kaç gecikmeli gözlem kullanılıyor
d Fark alma ADF testi (durağanlık) Serinin durağanlaştırılması
q MA mertebesi ACF grafiği Gecikmeli hata terimleri
Box-Jenkins 4 Adımlı Süreç:

1. Tanımlama: ACF/PACF inceleyerek p, d, q tahmini
2. Tahmin: Parametreleri MLE ile tahmin et
3. Doğrulama: Residual analizi (Ljung-Box testi, Q-Q plot)
4. Tahmin: h adım ileriye tahmin + güven aralığı

SARIMA(p,d,q)(P,D,Q)m: Mevsimsel ARIMA
Örnek: SARIMA(1,1,1)(1,1,1)12 › Aylık mevsimsel veri

7. Yöntem Seçim Rehberi

Veri Durumu Önerilen Yöntem Neden
Trend yok, mevsimsellik yok SMA veya SES Basit, hızlı
Trend var, mevsimsellik yok Holt (Double Exp.) Trendi yakalar
Trend + Mevsimsellik Holt-Winters Her ikisini de yakalar
Karmaşık yapı, yeterli veri ARIMA/SARIMA İstatistiksel esneklik
Çok değişkenli, büyük veri XGBoost/LightGBM Dış değişkenler etkili
Hızlı prototip gerekli Prophet (Meta) Otomatik mevsimsellik
Çok karmaşık, uzun veri LSTM / N-BEATS Derin öğrenme gücü

8. Makine Öğrenmesi ile Talep Tahmini

Yöntem Güçlü Taraf Feature Örnekleri MAPE
XGBoost Yüksek doğruluk, hızlı Lag features, hava durumu, tatil %8-12
LightGBM Çok büyük veri setleri Fiyat, promosyon, rakip aksiyonu %7-11
LSTM Uzun vadeli bağımlılıklar Saf zaman serisi %9-14
Prophet Otomatik, açıklanabilir Tatil, mevsim, trend kırılma %10-15
Ensemble En yüksek doğruluk Birden fazla model birleşimi %6-10

9. Senaryo Karşılaştırma: 12 Aylık Tahmin

Yöntem MAPE (%) RMSE Bias Hesaplama Süresi
SMA(3) 18.2 24.5 +8.3 <1 sn
SES (=0.3) 15.7 21.0 +5.1 <1 sn
Holt-Winters 11.3 15.2 -1.2 2 sn
ARIMA(1,1,1) 10.8 14.5 +0.8 5 sn
XGBoost 8.4 11.2 -0.3 30 sn
Ensemble (HW+XGB) 7.1 9.8 +0.1 45 sn

10. Vaka Çalışması 1: Perakende ML Tahmini

Perakende Zinciri — ML Destekli Talep Tahmini
Metrik ARIMA (Eski) XGBoost + HW (Yeni) İyileşme
MAPE (genel) %18 %11 -7 puan
MAPE (promosyon) %32 %16 -16 puan
Stok-dışı oranı %6.2 %3.8 %39 azalma
Bozulan ürün oranı %2.1 %1.4 %33 azalma
Yıllık tasarruf — — ₺45M/yıl

Uygulama: 3.000+ mağaza, 100.000+ SKU. Promosyon takvimi, hava durumu, tatil günleri feature olarak eklendi. Model her hafta otomatik yeniden eğitilir.

11. Vaka Çalışması 2: İlaç Sektörü SARIMA

İlaç Firması — SARIMA ile Üretim Planlaması
Metrik Öncesi (Manuel) Sonrası (SARIMA)
Tahmin yöntemi Uzman sezgisi + Excel SARIMA(1,1,1)(1,1,1)0²
MAPE %22 %9
Üretim planı sapması %28 %11
Hammadde israfı %8.5 %3.2
Stok-dışı (kritik ilaç) %4.1 %0.8

Sonuç: 48 aylık geçmiş veri ile SARIMA modeli kuruldu. Grip sezonu mevsimselliği doğru yakalandı. Kritik ilaçlarda stok-dışı oranı %4.1›%0.8!

12. Sonuç

Talep Tahmini Uygulama Yol Haritası:

Veriyi analiz et › Trend + Mevsimsellik var mı
Baseline kur › SMA veya SES ile başla
İleri model › Holt-Winters veya ARIMA/SARIMA
ML dene › XGBoost, dış değişkenler ekle
Backtesting › Son 12 ayı test seti olarak ayır
MAPE + Bias izle › Tracking Signal kontrol
Otomatik güncelle › Model drift'e karşı haftalık yeniden eğitim