Perakendede iki pahalı hata vardır: rafta ürün kalmaması ve depoda gereğinden fazla stok birikmesi. Talep tahmini, bu iki hata arasındaki dengeyi veriye dayanarak kurmanın yoludur. Peki işe nereden başlamalı?
Doğru veriyle başlayın
İyi bir tahmin modeli, iyi hazırlanmış veriyle başlar. Temel girdiler şunlardır:
- Ürün, mağaza ve gün bazında satış geçmişi
- Fiyat değişiklikleri ve kampanya takvimi
- Resmî tatiller, bayramlar, okul dönemleri gibi takvim etkileri
- Stok kesintisi (stoksuzluk) kayıtları; aksi halde satılamayan talep, “talep yoktu” gibi görünür
Basitten karmaşığa ilerleyin
Her projeye basit bir referans modelle başlamak gerekir: örneğin geçen yılın aynı haftası ya da hareketli ortalama. Ardından üstel düzeltme (ETS) ve ARIMA gibi istatistiksel yöntemler, binlerce ürün-mağaza serisinin olduğu durumlarda ise gradyan artırma (gradient boosting) gibi makine öğrenmesi modelleri denenir. Karmaşık bir model, ancak referans modeli anlamlı biçimde geçiyorsa değerlidir.
Doğrulamayı zaman sırasına göre yapın
Tahmin modelleri, geleceği bilmiyormuş gibi test edilmelidir: model geçmiş bir döneme kadar olan veriyle eğitilir, sonraki dönemde sınanır. Düşük satış adetli ürünlerde yüzde hata (MAPE) yanıltıcı olabileceğinden ağırlıklı hata ölçüleri (WAPE gibi) daha sağlıklı sonuç verir.
Modeli operasyona bağlayın
Bir tahmin, sipariş ve stok kararlarına yansımadıkça değer üretmez. Modelin düzenli olarak otomatik çalışması, sonuçların sipariş süreçlerine aktarılması ve tahmin başarısının bir Power BI raporuyla izlenmesi gerekir.
Sonuç
Talep tahmini tek seferlik bir model değil, sürekli iyileşen bir süreçtir. Küçük bir ürün grubuyla başlayıp sonuçları ölçmek, kapsamı genişletmeden önce en güvenli yoldur.