Talep tahmini, geçmiş satış verisini mevsimsellik, kampanya, fiyat, resmî tatil ve gerekirse hava durumuyla birlikte işleyerek ürün, şube ya da müşteri bazında gelecek dönem satışını öngörmektir. Yapay zeka destekli model, tahmini emniyet stoğu ve sipariş noktasına bağlayıp gerekçeli bir sipariş önerisi verir. Değer, satın alma ve üretim kararını değiştirmesinden gelir.
Planlama hâlâ bir kişinin Excel'inde mi?
Birçok işletmede ne kadar sipariş verileceği sorusunun cevabı, deneyimli bir planlamacının Excel tablosunda ve sezgisindedir. Planlamacı geçen yılın aynı ayına bakar, "bu yıl biraz daha fazla satarız" der ve bir rakam yazar. Bu yöntem ürün sayısı az, müşteri kitlesi istikrarlıyken işe yarar. Ürün yelpazesi binlerce kaleme, şube sayısı onlara çıktığında ve kampanyalar sıklaştığında ise iki sorun çıkar:
- Ölçek sorunu: Bir kişi yüzlerce ürün ve şube kombinasyonunu her hafta tek tek değerlendiremez; dikkat çok satan ürünlere gider, geri kalanı geçen haftanın kopyasıyla planlanır.
- Süreklilik sorunu: Bilgi, kişinin kafasındadır. Planlamacı izne çıktığında ya da ayrıldığında plan da aksar. Bu, Excel ile iş takibinin sınırlarının tipik bir örneğidir.
Veri tarafında da durum çoğu zaman hazır değildir. TÜİK Girişimlerde Bilişim Teknolojileri Kullanım Araştırması 2025'e göre 10 ve üzeri çalışanı olan girişimlerin %28,3'ü ERP kullanırken iş zekası (BI) yazılımı kullananların oranı yalnızca %6,5. Satış verisi kaydediliyor, ama karar için analiz edilmiyor. Veriyi analize hazır hale getiren yapı veri ambarı ve ETL sürecidir.
Yanlış tahminin maliyeti iki yönlüdür
Talep tahminindeki hata her iki yönde de para kaybettirir:
- Fazla stok: Sermaye rafta bağlanır, depo alanı dolar. Raf ömrü olan üründe fazla stok fireye, modası geçen üründe indirime döner.
- Eksik stok: Satış kaçar, müşteri rakibe gider. Üretimde eksik hammadde hattı durdurur ya da acil ve pahalı tedariki zorunlu kılar.
Gıda ve taze ürün tarafında bu kayıp küresel ölçekte de görülüyor.
FAO'ya göre hasat sonrasında çiftlik, taşıma, depolama, toptan satış ve işleme aşamalarında (perakende öncesinde) kaybedilen gıdanın payı 2023'te %13,3 olarak tahmin ediliyor; meyve ve sebzede bu oran %25,4'e çıkıyor. (FAO SDG 12.3.1 Küresel Gıda Kaybı Göstergesi)
Zincirin tüketiciye yakın ucunda da tablo benzer: UNEP Gıda İsrafı Endeksi 2024'e göre 2022'de dünyada 1,05 milyar ton gıda israf edildi; bunun %28'i yemek hizmetlerinde, %12'si perakendede gerçekleşti. Kaybın tamamı tahmin hatasından kaynaklanmaz, ama ne kadar üretileceği ve sipariş edileceği kararı bu kaybın doğrudan belirleyicilerinden biridir. Tarımsal ham madde işleyen firmalarda talebin yanında arz da belirsizdir; hasattan önce ne kadar ürün geleceğini drone ile rekolte tahmini ile öngörmek, planın iki ucunu birlikte görmeyi sağlar. Tarladaki diğer kullanım alanlarını tarımda yapay zeka yazımızda topladık.
Bir de veri kalitesi var. Veri kalitesi uzmanı Thomas C. Redman, kötü verinin çoğu şirkete maliyetini gelirin %15-25'i olarak tahmin ediyor (MIT Sloan Management Review: Seizing Opportunity in Data Quality, 2017). Talep tahmininde bu, stoksuz kalınan günlerde "sıfır satış"ın gerçek talep sanılması ya da iadelerin satıştan düşülmemesi gibi hatalarla somutlaşır; bu tür sorunları veri kalitesi ve mükerrer kayıt yazısında ele aldık.
Talep tahmininde hangi yöntem ne zaman?
| Yöntem | Nasıl çalışır | Uygun olduğu durum | Sınırı |
|---|---|---|---|
| Hareketli ortalama / geçen yılın aynı dönemi | Geçmiş dönemlerin ortalaması | Az ürün, istikrarlı talep | Kampanya ve trendi görmez |
| İstatistiksel zaman serisi (üstel düzeltme vb.) | Trend ve mevsimselliği ayrıştırır | Düzenli sezonu olan ürünler | Dış etkenleri (fiyat, tatil, hava) sınırlı işler |
| Makine öğrenmesi modelleri | Satış geçmişini fiyat, kampanya, tatil, hava gibi değişkenlerle birlikte öğrenir | Çok ürün, çok şube, sık kampanya | Temiz ve yeterli uzunlukta veri ister |
| Hiyerarşik yaklaşım | Toplam, kategori ve ürün seviyesinde tahmini tutarlı hâle getirir | Az satan ürün sayısı yüksek portföyler | Kurulumu daha fazla tasarım gerektirir |
Pratikte iyi bir sistem tek bir yönteme bağlı kalmaz; her ürün grubu için geçmiş veride hangi yöntemin daha iyi sonuç verdiğini test eder. Satış geçmişi zaten ERP'de durduğu için talep tahmini, şirketlerde yapay zekaya başlarken seçilebilecek, verisi hazır ilk projelerden biridir.
Uygulanabilir çerçeve: yedi adımda talep tahmini
- Kararı tanımlayın. Tahmin hangi kararı besleyecek: haftalık şube siparişi mi, aylık hammadde alımı mı, üretim kapasitesi mi? Kararın ufku ve sıklığı, tahminin seviyesini (ürün-şube-hafta ya da kategori-ay) belirler.
- Veriyi toplayın ve temizleyin. En az iki yıllık satış geçmişi, iadeler, stoksuz kalınan günler, fiyat ve kampanya takvimi. Stok olmadığı için satılamayan günler "talep yok" olarak işaretlenmemelidir. Tek seferlik toplu siparişler ya da hatalı girişler gibi olağan dışı noktaları ayıklamak için anomali tespiti yöntemlerinden yararlanılabilir.
- Dış etkenleri ekleyin. Resmî ve dinî tatiller, okul dönemleri, kampanyalar, rakip hareketleri ve gerekiyorsa hava durumu. Türkiye'de her yıl kayan dinî bayramlar, sabit takvimli modellerin sık atladığı bir etkendir. Tahminden yola çıkıp fiyatın kendisini ayarlamak ise yapay zeka ile dinamik fiyatlandırmanın konusudur.
- Geriye dönük test yapın. Modeli geçmişin bir bölümüyle eğitip sonraki dönemi tahmin ettirin ve gerçekleşenle karşılaştırın. Bugünkü yönteminizle (planlamacının rakamı dahil) aynı dönemde yarıştırın.
- Doğru ölçütü seçin. Ürün bazında hata oranının yanında toplam hacme göre ağırlıklı hata ve sistematik sapma (tahminin sürekli yüksek ya da düşük kalması) izlenmelidir. Az satan ürünlerde yüzdesel hata yanıltıcı olabilir.
- Tahmini stok kuralına bağlayın. Tahmin ve tahmin belirsizliği, emniyet stoğu ve sipariş noktası hesabına girer; çıktı bir sipariş önerisidir. Raf ömrü olan ürünlerde bu kural FIFO ve FEFO stok yöntemleri ile birlikte çalışmalıdır.
- Planlamacıyı döngüde tutun. Model başlangıç rakamını verir, planlamacı bildiği bir bilgiye (yeni müşteri, tedarik sorunu) göre düzeltir. Düzeltmeler kaydedilir ve bir sonraki dönemde düzeltmenin tahmini iyileştirip iyileştirmediği ölçülür.
Aynı yöntem farklı sorulara da uygulanır. Zincir mağazalarda tahminin sipariş ve şubeler arası transfer kararına nasıl dönüştüğünü mağaza stok optimizasyonu yazımızda, tesislerin saatlik enerji ihtiyacını öngörmeyi ise elektrik tüketim tahmini rehberimizde anlattık.
Digital Bridge'de yapay zeka ile talep tahminini nasıl kuruyoruz?
Talep tahmini ve öngörücü analitik hizmetimizde işe modelden değil, tahminin değiştireceği karardan başlıyoruz. Doğruluğu ne kadar yüksek olursa olsun, satın alma ya da üretim kararını değiştirmeyen bir tahmin rapor olarak kalır.
- Veri incelemesi: ERP, POS, e-ticaret ve depo kayıtlarınızı birlikte inceliyor, eksik ve tutarsız veriyi çıkarıyoruz. Veri dağınıksa önce veri ambarı ve veri yönetişimi ve kalite adımlarıyla temeli kuruyoruz.
- Model ve geriye dönük test: Satış geçmişinizi mevsimsellik, kampanya etkisi, resmî tatiller ve gerekiyorsa hava durumuyla birlikte işleyen modeller kuruyor, geçmiş dönemde bugünkü yönteminizle karşılaştırıyoruz. Sonucu sizinle birlikte değerlendiriyoruz.
- Karara bağlama: Tahmini emniyet stoğu ve sipariş noktası hesabına bağlıyor, sipariş önerisini ERP sisteminize aktarıyoruz. Planlama ekibi yeni bir programa geçmek zorunda kalmaz; öneriyi ve gerekçesini BI panolarında görür.
- Depo tarafı: Tahmin, rafta ne olduğunu doğru bilen bir sistemle anlam kazanır. Stok kaydınız gerçeği yansıtmıyorsa depo ve stok yönetimi (WMS) ile hareketleri barkodla, olduğu anda kaydettiriyoruz; tahmin de gerçek stok üzerinden çalışır. Konunun ayrıntısı depo yönetim sistemi (WMS) yazımızda. Depodaki diğer yapay zeka kullanımları için lojistik ve depoda yapay zeka yazımıza bakın.
- Üretim tarafı: Üreten işletmelerde tahminin plana dönüşmesi için üretim planlama (APS) ile kapasite ve vardiya planına bağlıyoruz. Tahminin çizelgeye nasıl dönüştüğünü üretim planlamada yapay zeka yazısında anlattık.
Zincir mağazalarda şube bazlı sipariş, gıda üretiminde taze ürün ve fire, toptan dağıtımda bayi sevkiyatı, e-ticarette kampanya öncesi stok hazırlığı, servis işlerinde yedek parça ihtiyacı en sık karşılaştığımız senaryolardır. Perakende ve zincir mağazalar sayfamızda şube bazlı planlamanın özelliklerini ayrıca anlatıyoruz.
Değeri nasıl ölçeceksiniz?
Talep tahmini projesinin başarısı modelin hata oranıyla değil, doğru seçilmiş KPI'larla ölçülmelidir: stok devir hızı, stoksuz kalınan gün sayısı, fire ve imha tutarı, acil sipariş sayısı, planlamacının haftalık planlamaya harcadığı süre. Bu göstergelerin başlangıç değerlerini proje başlamadan kaydedin; aksi hâlde kazancı kanıtlamak zorlaşır. Yöntem için yapay zeka projesinde ROI ölçümü yazımıza bakabilirsiniz.
Bir de "tahmine katkı" ölçümünü öneriyoruz: her adımın (istatistiksel model, yapay zeka modeli, planlamacı düzeltmesi) tahmini bir önceki adıma göre iyileştirip iyileştirmediğine bakmak. Bazı ürün gruplarında basit bir yöntemin karmaşık modelden daha iyi sonuç verdiği, bazı düzeltmelerin ise tahmini bozduğu görülür. Bu ölçüm, emeği gerçekten değer üreten yere yönlendirir ve modele duyulan güveni kanıta dayandırır.
Perakendede satış verisine mağaza trafiğini eklemek tahmini güçlendirebilir; ziyaretçi verisinin nasıl toplanacağını mağaza ziyaretçi sayma sistemi yazımızda anlattık.
Sonraki adım
Başlamak için en çok sorun yaşadığınız bir ürün grubunu seçin: en çok fire veren ya da en sık stoksuz kalan. Son iki yılın satış, iade ve kampanya kayıtlarını dışa aktarın. Bizimle iletişime geçin; verinizi birlikte inceleyip bu ürün grubunda geriye dönük bir test yapalım ve modelin sizin bugünkü yönteminizi geçip geçmediğini rakamla görelim. Tahmin dışındaki kullanım alanları için Yapay Zeka rehberimizin tamamına göz atabilirsiniz.