Yapay zeka ile talep tahmini nasıl yapılır? Zincir markette yöntem ve doğruluk

Talep tahmini hangi seviyede yapılır?

Tahmin, kararın verildiği seviyede yapılır. Depodan şubeye sevk ürün ve şube için verildiğine göre tahmin de ürün × şube seviyesinde olmalıdır; zincir toplamında doğru olan bir tahmin bir şubede yoğurt rafını boş bırakırken diğerinde arka depoyu doldurabilir. Zaman kırılımı da kararın sıklığından gelir: haftada üç sevkiyat alan şubede günlük, haftada bir alanda haftalık tahmin yeterlidir; taze ürün ve fırında saat kırılımına inilir.

Seviye inceldikçe seri gürültülü hale gelir. Tahmin literatürünün temel ders kitaplarından Forecasting: Principles and Practice, en alt seviyedeki serilerin oldukça gürültülü olabildiğini, modellenmesinin ve tahmin edilmesinin daha zor olduğunu yazar ve seviyeler arasında tutarlı tahmin ister: şube tahminlerinin toplamı bölge ve zincir tahminiyle çelişmemelidir. Bir şubede günde iki adet satan baharat bazı günler hiç satmaz, bazı günler beş satar; aynı ürünün zincir toplamı ise düzgün bir eğridir.

Seri sayısı da seviyeyle çarpılır. Aşağıdaki örnek orta ölçekli bir zincirin her gün kaç tahmin rakamı ürettiğini gösteriyor. Bu ölçekte planlamacının işi rakamları tek tek üretmek değil, sistemin ürettiği rakamlardan inceleme gerektirenleri ayırmaktır.

Günlük üretilen tahmin rakamı

Şube sayısı × Aktif ürün sayısı × Tahmin ufku (gün)

Hangi yöntem ne yapar: naif tahminden makine öğrenmesine

Tahmin yöntemleri basitten karmaşığa bir merdiven gibi okunur ve her basamak bir öncekini geçmek zorundadır. Forecasting: Principles and Practice ortalama, naif, mevsimsel naif ve sürüklenme yöntemlerini tercih edilecek yöntem olarak değil, karşılaştırma ölçütü olarak kullanır: yeni bir yöntem bu basit yöntemleri geçemiyorsa değer katmıyordur. Market için en anlamlı ölçüt mevsimsel naif tahmindir; yarının tahmini geçen haftanın aynı günündeki satıştır. Bu basit kural şaşırtıcı derecede zor geçilir: M5 yarışmasına katılan takımların yalnızca yüzde 35,8'i mevsimsel naif yöntemi geçebildi.

Hareketli ortalama son birkaç dönemin ortalamasını alır ve gürültüyü yumuşatır, ama her geçmiş güne eşit ağırlık verdiği için değişime geç tepki verir. Üstel düzeltme bu sorunu ağırlıklarla çözer: kitabın tanımıyla tahmin, gözlemler geçmişe gittikçe üstel olarak azalan ağırlıklarla alınmış bir ortalamadır. Düzeltme katsayısı α sıfıra yakınsa uzak geçmiş, bire yakınsa son gözlem ağır basar. M5 yarışmasını düzenleyenler de üstel düzeltme ailesini perakende satış tahmininde yıllardır standart olarak kullanılan yöntemler arasında sayar.

Bu yöntemlerin ortak sınırı yalnızca serinin kendi geçmişine bakmalarıdır. Kampanya haftası, fiyat değişikliği ya da bayram seride bir sıçrama olarak durur; yöntem nedenini bilmez ve sıçramayı ya mevsimsellik sanar ya da ortalamaya yayar. Açıklayıcı değişkenli regresyon ve makine öğrenmesi bu yüzden bir sonraki basamaktır: talebi geçmiş satışla birlikte kampanya, fiyat, takvim ve hava gibi değişkenlerden açıklar. Makine öğrenmesinin regresyondan farkı, değişkenler arasındaki etkileşimi (indirimin bayram haftasında farklı çalışması gibi) ve doğrusal olmayan ilişkileri elle tanımlanmadan öğrenebilmesi ve binlerce seriden tek bir modelle öğrenebilmesidir.

Naif

Tahmin(t+1) = Gerçek(t)

Mevsimsel naif (günlük veri)

Tahmin(t+h) = Gerçek(t+h−7)h en fazla 7 gün; geçen haftanın aynı günü.

Hareketli ortalama

Tahmin(t+1) = (Gerçek(t) + … + Gerçek(t−n+1)) ÷ n

Basit üstel düzeltme

Tahmin(t+1) = α × Gerçek(t) + (1 − α) × Tahmin(t)α, 0 ile 1 arasında düzeltme katsayısıdır.

Tahmine hangi değişkenler girer: kampanya, fiyat, bayram, hava, maaş günü

M5 yarışmasını düzenleyenler, yalnızca geçmiş veriye dayanan zaman serisi yöntemlerinin bayram, özel gün, kampanya, fiyat ve muhtemelen hava etkisini yeterince hesaba katamadığını yazar; bu etkenler geçmiş veriyi de bozar ve tahminden önce ayıklanmadıkça serinin desenini çarpıtır. Aynı çalışmada kampanya ve özel gün bilgisini değişken olarak alan üstel düzeltme modeli, aynı modelin değişkensiz biçiminden yüzde 6; değişkenli ARIMA modeli de değişkensiz ARIMA modelinden yüzde 13 daha doğru çıktı.

Türkiye'de takvimin en çok yanıltan kısmı dini bayramlardır, çünkü yerleri her yıl değişir. Diyanet'in dini günler takvimine göre Ramazan Bayramı 2025'te 30 Mart'ta, 2026'da 20 Mart'ta başladı, 2027'de 9 Mart'ta başlayacak; Kurban Bayramı 2025'te 6 Haziran'da, 2026'da 27 Mayıs'ta başladı, 2027'de 16 Mayıs'ta başlayacak. Bayram her yıl on-on bir gün erkene kaydığı için geçen yılın aynı haftası bu yılın aynı haftası değildir. Takvim haftasına bakan bir model bayram etkisini mevsimsellik sanır ve yanlış haftaya yerleştirir; modele verilmesi gereken değişken günün bayrama olan uzaklığıdır. Konunun planlama tarafı dini bayram takvimi perakende planlamasını neden bozar başlıklı blog yazısında ayrıca anlatılır.

Kampanya değişkeni tek bir evet-hayır bayrağıyla yetinmez: indirim oranı, broşürde yer alıp almadığı, raf sonu teşhiri ve kampanyanın kaçıncı günü olduğu ayrı değişkenlerdir. Kampanyadaki ürünün kardeş ürünlerden çaldığı satış ve kampanya bittikten sonraki düşüş modele girmezse kampanya haftası iyi, sonraki iki hafta kötü tahmin edilir. Ödeme günleri için M5 iyi bir benzerlik sunar: veri setinde ABD'de gıda yardımı kartlarıyla alışveriş yapılabilen günler ayrı bir değişken olarak verildi. Türkiye'de aynı rolü maaş ve emekli aylığı ödeme günleri oynar ve etkisi zincirin kendi verisinde, şube müşteri profiline göre ayrı ölçülür.

Bir değişkenin modele girebilmesi için tahmin anında bilinmesi gerekir. Gelecek haftanın kampanyası ve bayram takvimi bilinir; gelecek haftanın havası yalnızca tahmin olarak bilinir. Geçmişte gerçekleşen havayla eğitilip test edilen model, canlıda tahmini havayla çalışacağı için kağıt üzerinde olduğundan iyi görünür.

Yapay zeka en çok nerede fark yaratır: M5 yarışmasından çıkan ders

Makine öğrenmesinin perakende tahminindeki yerini en iyi gösteren çalışma, 2020'de yapılan ve sonuçları 2022'de International Journal of Forecasting'de yayımlanan M5 yarışmasıdır. Görev, ABD'de üç eyaletteki 10 mağazada satılan 3.049 ürünün günlük satışından türetilen ve hiyerarşik olarak birbirine bağlı 42.840 seriyi 28 gün ileriye tahmin etmekti. Veri setinde fiyat, kampanya ve özel gün değişkenleri de vardı; yarışmaya 5.507 takım katıldı.

Sonuç iki yönlüdür. Bir yandan kazanan yöntem, yarışmanın genel doğruluk ölçüsünde en iyi istatistiksel karşılaştırma yönteminden (alt seviyeden toplanan üstel düzeltme) yüzde 22,4 daha doğru çıktı ve ilk beş yöntemin hepsi yüzde 20'nin üzerinde iyileşme sağladı. Düzenleyenlere göre M5, en iyi yöntemlerin hepsinin saf makine öğrenmesi yöntemi olduğu ve bütün istatistiksel karşılaştırma yöntemlerini belirgin biçimde geçtiği ilk yarışmaydı. İlk 50 yöntemin neredeyse tamamı serileri tek tek değil, birlikte öğrenen modeller kullandı; düzenleyenler bunun kısa geçmişli serilerin sorununu da hafiflettiğini yazar.

Öte yandan kazanç her seviyede aynı değildir. Aşağıdaki tabloda toplam seviyede kazanan yöntemin hatası karşılaştırma yönteminin yarısından az; ürün × mağaza seviyesinde ise fark yüzde 3 civarında kalıyor. Katılan takımların yalnızca yüzde 7,5'i en iyi karşılaştırma yöntemini geçebildi. Yani makine öğrenmesi kendiliğinden doğruluk getirmez: doğru kurulduğunda toplam ve orta seviyelerde büyük, sevk kararının verildiği en alt seviyede sınırlı bir iyileşme sağlar. En alt seviyedeki belirsizliği emniyet stoğu, koli ve kapasite kuralları karşılamaya devam eder.

Zincir market için ders şudur: makine öğrenmesi en çok, binlerce ilişkili ürün-şube serisinin aynı değişkenlerden (kampanya, fiyat, bayram) etkilendiği ve bu değişkenlerin düzenli kayıt altında olduğu yerde fark yaratır. Seri sayısı az, geçmiş kısa ya da kampanya kaydı dağınıksa iyi kurulmuş bir üstel düzeltme ve düzgün işaretlenmiş bir takvim çoğu zaman yeter.

• Çok sayıda ilişkili seri: binlerce ürün-şube serisi birlikte öğrenilir, kısa geçmişli seri komşularından yararlanır
• Sık kampanya ve fiyat değişikliği: etkiler değişken olarak girer, seriyi bozmak yerine açıklar
• Kayan takvim: bayrama uzaklık ve arife değişkenleri her yıl aynı kuralla işler
• Sınırlı fayda: seyrek satan ürün × şube serisinde kazanç küçüktür; karar kuralları belirleyici kalır

Stoksuz günler talebi nasıl gizler ve başlamadan hangi veri gerekir?

Satış verisi talebi değil, talebin karşılanan kısmını gösterir. Raf boşaldığı gün satış düşer ama talep düşmemiştir; model bu günü olduğu gibi öğrenirse tahmini düşürür, sevk azalır, raf ertesi hafta daha erken boşalır ve hata kendini besler. Ters yönlü bir etki de vardır. GMA, FMI ve CIES'in 2002'de açıkladığı küresel araştırmaya göre stoksuzlukla karşılaşan tüketicinin yüzde 31'i başka mağazaya gider, yüzde 26'sı başka marka alır, yüzde 9'u hiç satın almaz. Yani stoksuz günde eksik ürünün talebi düşük, ikame ürünün talebi olduğundan yüksek görünür.

Düzeltme için önce stoksuz gün bilinmelidir. Gün sonu stok bakiyesi sıfırsa ya da gün içinde sıfıra düştüyse o gün işaretlenir; işaretli gün ya eğitim verisinden çıkarılır ya da talebi tahmin edilerek yerine konur. Makine öğrenmesi modelinde stoksuz gün ayrı bir değişken olarak verilir; M5'in en iyi yöntemleri de satışın sıfır olduğu dönemleri ayrı bir bilgi olarak kullandı. Bu işin dayanağı stok bakiyesinin doğruluğudur: kayıtta var görünen ama rafta olmayan hayalet stok, stoksuz günü normal gün gibi gösterir.

Başlamadan önce gereken veri aşağıdaki adımlarda sıralanıyor. Ortak kural, her verinin ürün × şube × gün kırılımında ve tahmin anında bilinen haliyle saklanmasıdır; sonradan düzeltilmiş bir kampanya takvimi geçmişteki tahmin hatasını açıklayamaz.

1. Günlük satış, ürün × şubeEn az iki yıl; iki yıl her bayramdan iki örnek verir. İade ve iptal satıştan ayrılmış, aynı ürünün farklı barkodları tek ürün kartında toplanmış olmalı.
2. Günlük stok bakiyesiGün sonu bakiyesi ve mümkünse gün içinde sıfıra düşüş saati. Stoksuz gün işareti buradan çıkar.
3. Kampanya takvimiÜrün, şube, başlangıç ve bitiş, indirim oranı, broşür ve teşhir bilgisiyle; planlanan ve gerçekleşen ayrı tutulur.
4. Fiyat geçmişiRaf fiyatı değişiklikleri tarihleriyle; gramaj değişikliği ayrı işaretli.
5. Olay takvimiDini bayramlar, resmi tatiller, okul tatilleri ve köprü günler; geriye dönük dolu ve en az bir yıl ileriye girilmiş.
6. Ürün ve şube ana verisiÜrün hiyerarşisi, koli ve birim tanımı, şube açılış ve kapanış tarihi, metrekare ve tadilat dönemleri.

Kaydın tutarlılığı modelden önce gelir. Aynı ürünün iki barkodla satıldığı, transferin satış gibi işlendiği ya da kampanyanın takvime girilmediği bir veriden hiçbir yöntem doğru öğrenemez; makine öğrenmesi bu hatayı yalnızca daha hızlı tekrarlar.

Tahmin doğruluğu nasıl ölçülür: MAPE, WAPE ve bias

Doğruluk ölçüsünün seçimi hangi modelin iyi görüneceğini belirler. MAPE, yani ortalama mutlak yüzde hata, her satırın yüzde hatasının ortalamasıdır ve en yaygın ölçüdür. Forecasting: Principles and Practice yüzde hataların zayıflıklarını sayar: gerçek değer sıfırsa tanımsızdır, sıfıra yakın değerlerde aşırı büyür ve fazla tahmini eksik tahminden ağır cezalandırır. Markette bu, seyrek satan ürünlerin bütün tabloyu yönetmesi demektir: haftada dört adet satan baharattaki dört adetlik hata yüzde 100 sayılır ve haftada 900 satan ekmeğin iyi tahminini örter.

WAPE, yani ağırlıklı mutlak yüzde hata, mutlak hataları toplayıp toplam satışa böler; her ürün satış hacmi kadar ağırlık alır. Sevk ve stok kararı adetle verildiği için market için daha anlamlı bir özet ölçüdür. Bias ise hatanın yönünü ölçer: toplam tahmin toplam satıştan ne kadar fazla ya da eksik. MAPE ve WAPE büyüklüğü, bias yönü gösterir; hataları büyük ama dağınık bir tahmin emniyet stoğuyla karşılanır, küçük ama hep aynı yöne kayan bir tahmin karşılanamaz. Bu sitede pozitif bias fazla, negatif bias eksik tahmindir; KPI kütüphanesindeki tahmin doğruluğu (MAPE) ve tahmin sapması (bias) sayfaları aynı tanımı kullanır.

Ölçüm üç kurala uyar. Birincisi, siparişin verildiği anda geçerli olan tahmin ölçülür, sonradan güncellenen değil. İkincisi, sevk kararının verildiği seviyede ölçülür; zincir toplamında artı ve eksi hatalar birbirini götürür. Üçüncüsü, model naif tahminle karşılaştırılır: geçen haftanın aynı gününü geçemeyen model değer katmıyordur. Planlamacının düzelttiği tahmin de aynı yolla ölçülür; düzeltilmiş tahmin modelin tahmininden daha doğru değilse düzeltme emeği boşa gidiyordur.

MAPE

Σ (|Gerçek − Tahmin| ÷ Gerçek) ÷ n × 100

WAPE

Σ |Gerçek − Tahmin| ÷ Σ Gerçek × 100

Bias

Σ (Tahmin − Gerçek) ÷ Σ Gerçek × 100Pozitif değer fazla, negatif değer eksik tahmindir.

Planlamacı hangi tahmini inceler ve tahmin sevkiyata nasıl bağlanır?

Yapay zeka tahmini planlamacının yerini almaz, işini değiştirir: rakamı üretmek yerine istisnayı inceler. İnceleme listesi kurallarla seçilir ve her kural bir gerekçe taşır. Aşağıdaki tablo tipik istisnaları ve planlamacının her birinde ne yapacağını gösteriyor; eşikler örnektir ve zincirin kendi verisiyle ayarlanır.

İncelemenin de kuralı vardır. Dört tedarik zinciri şirketinde 60 binden fazla tahmini inceleyen ve 2009'da International Journal of Forecasting'de yayımlanan çalışma, büyük düzeltmelerin genellikle doğruluğu artırdığını, küçük düzeltmelerin ise sık sık bozduğunu buldu; tahmini yukarı çeken düzeltmelerin doğruluğu artırma ihtimali aşağı çekenlere göre çok daha düşüktü ve bu düzeltmeler daha sık yanlış yönde yapılmıştı. Forecasting: Principles and Practice de düzeltmenin seyrek ve yalnızca modelin bilmediği önemli bir bilgi olduğunda yapılmasını, her düzeltmenin gerekçesiyle kayda geçirilmesini önerir. Pratikte bu, planlamacının 'biraz artıralım' demesi yerine 'şubenin yanındaki okul eylülde açıldı' bilgisini sisteme girmesi demektir.

Tahmin son karar değildir; sevk miktarı tahminden emniyet stoğu, eldeki ve yoldaki stok, koli ve raf kapasitesi kurallarıyla türetilir. Bu adım, yani tahminin sevk önerisine nasıl dönüştüğü ve yapay zekanın orada ne yaptığı, yapay zeka sevkiyatta ne yapar rehberinde anlatılır. Mindpera'da tahmin Mind Send'e talep sinyali olarak girer: son satış hızı, benzer ürün geçmişi ve şube kümesi katsayıları birlikte okunur; depo mevcudu, şube raf ve arka depo kapasitesi ve minimum sevk paketi kısıt olarak uygulanır ve ilk dağıtım, ikmal ve transfer önerisi her çalıştırmada kendiliğinden üretilir. Talep tahmini raporu ürün ve şube kırılımında tahmini, gerçekleşmeyi ve sapmayı bir arada gösterir.

Planlamacı düzeltmesi modelin tahmininden ayrı bir alanda saklanmadıkça düzeltmenin değeri ölçülemez. Model tahmini, düzeltilmiş tahmin ve gerçekleşen satış yan yana tutulduğunda hangi düzeltme türünün doğruluğu artırdığı birkaç ay içinde görülür. Mind Send'de planlamacı öneriyi satır satır onaylar, reddeder ya da değiştirir; her değişiklik kimin, ne zaman ve hangi gerekçeyle yaptığıyla kayıtlıdır. Kurulumu ekibimiz yapar.