Yapay Zekâ ile Talep Tahmini: Stok Maliyetlerini Belirgin Biçimde Düşürmenin Yolu

Stok yönetimi; nakit akışı, müşteri memnuniyeti ve operasyonel verimliliğin kesiştiği noktada durur ve çoğu şirketin kötü çözdüğü en pahalı sorunlardan biridir. Pek çok üretici, tahmin belirsizliğine karşı tampon oluşturmak için gerekenden çok daha fazla stok tutar. Yapay zekâ ile talep tahmini doğrudan bu tamponu hedef alır: daha iyi tahmin, daha az emniyet stoku, daha az stoksuz kalma ve daha düşük stok taşıma maliyeti demektir.

Tahmin Hatasının Gerçek Maliyeti

Tahmin doğruluğunda küçük bir iyileşme kulağa çarpıcı gelmez. Finansal etkisi ise çarpıcı olabilir.

Ortalama stoku yüksek, orta ölçekli bir distribütörü düşünün. Doğruluktaki mütevazı bir iyileşme bile çoğu zaman stokta hissedilir bir azalmaya, dolayısıyla kayda değer miktarda serbest kalan işletme sermayesine dönüşür. Buna stok taşıma maliyetlerindeki tasarruf (taşıma maliyetleri her yıl stok değerinin önemli bir bölümünü oluşturur) ve stoksuz kalma vakalarının azalmasının gelire etkisi de eklenir.

Tersi de geçerlidir. Kötü tahminler zincirleme bir etki yaratır: fazla stok depo alanını ve sermayeyi bağlar; stoksuz kalma ise pahalı navlunla aceleye getirilmiş yeniden siparişlere, kaçan satışlara ve müşteri kaybına yol açar. Hasar her planlama döngüsünde katlanarak büyür.

Geleneksel Tahmin Yöntemleri Neden Yetersiz Kalır?

Çoğu kurum iki yaklaşımdan biriyle tahmin yapar: elektronik tablo tabanlı modeller (geçen yıl artı bir büyüme katsayısı) ya da ERP'nin yerleşik istatistiksel tahmini (hareketli ortalamalar, Holt-Winters). İkisinin de temel sınırı aynıdır: geçmişi, gelecek de aynı olacakmış gibi modellerler.

Gözden kaçırdıkları sinyaller:

• Kampanya etkisi. Tek bir SKU'daki (stok kalemi) derin bir fiyat indirimi o haftanın talebini katlayabilir ve sonraki ayın tahminini bozan sahte bir taban oluşturabilir.
• Rakip olayları. Büyük bir rakibin stoğu tükenirse sizin talebiniz sıçrar, ardından eski seviyesine döner.
• Makroekonomik koşullar. Tüketici harcama kategorileri faiz oranları, akaryakıt fiyatları ve istihdam verileriyle ilişkilidir; bu verileri hiçbir iç sistem yakalamaz.
• Hava durumu. İçeceklerden bahçe ürünlerine, inşaat malzemelerine kadar pek çok kategoride hava durumu, elektronik tabloların tamamen göz ardı ettiği birincil bir belirleyicidir.
• Yamyamlık (cannibalization) ve hale etkisi. Yeni bir SKU eklemek mevcut ürünlerin talebini çeker; kategorinin yıldız ürününü öne çıkarmak ise tüm kategoriyi yukarı taşır.

Makine öğrenmesi modelleri bu sinyallerin tümünü aynı anda işleyebilir ve aralarındaki etkileşimleri öğrenebilir.

Veri Ön Koşulları

Herhangi bir yapay zekâ tahmin modeli kurmadan önce veri temelinin sağlam olması gerekir. Bu, beklenenden hep daha uzun süren ve ekiplerin hep yeterince yatırım yapmadığı aşamadır.

İhtiyacınız olanlar:

• Geçmiş talep: SKU-lokasyon düzeyinde, 24 aydan uzun, temiz ve zaman damgalı satış verisi. Verinizde boşluklar, ikame ürün satışları ya da talep rakamlarını şişiren iade düzeltmeleri varsa, eğitimden önce bunları temizleyin.
• Kampanya takvimi: Başlangıç ve bitiş tarihleriyle birlikte her kampanya, indirim derinliği ve kanal. Bu olmadan model taban talebi kampanyalı talepten ayıramaz ve gelecekteki her dönemi kampanya seviyesinde tahmin eder.
• Stok pozisyonları: Stoksuz kalınan dönemler sansürlenmiş talep demektir; stokta hiç ürün olmadığı için sıfır adet sattıysanız bu bir talep sinyali değil, bir kısıttır. Kaçan satışları mümkün olan her yerde işaretleyin.
• Dış sinyaller: Kategorinizle ilgili hava durumu, makroekonomik göstergeler, tatiller ve yerel etkinlikler. Çoğuna ücretsiz ya da düşük maliyetli API'ler üzerinden erişilebilir.
• Ürün üst verisi: Kategori, alt kategori, marka, yaşam döngüsü aşaması (yeni, olgun, ömrünün sonu), ikame edilebilirlik. Bir ürünün üretimden kaldırılacağını bilmeyen bir model, son güne kadar istikrarlı talep tahmin eder.

Model Seçimi: Tabandan Üretime

Doğru model, mevcut tabanınızı anlamlı bir farkla geçen en basit modeldir. Karmaşıklığın bir bedeli vardır (yorumlanabilirlik, bakım, yeniden eğitim sıklığı) ve bu bedel ancak doğruluk kazancı bunu haklı çıkarıyorsa ödenmeye değer.

Adım 1: Tabanı Belirleyin

Mevcut tahmininiz, nasıl üretiliyor olursa olsun, tabandır. SKU düzeyinde MAPE'sini (Ortalama Mutlak Yüzde Hata) ve yanlılığını (bias) hesaplayın. Geçmeniz gereken çıta bu sayıdır.

Adım 2: İstatistiksel Modeller

Makine öğrenmesine geçmeden önce basit istatistiksel modelleri deneyin: Holt-Winters üstel düzeltme, mevsimsel SKU'lar için SARIMA. Bunlar yorumlanabilir, hızlı eğitilir ve düzenli, mevsimsel kategorilerde şaşırtıcı derecede rekabetçidir. Aynı zamanda bir sağlama işlevi görürler: makine öğrenmesi modeliniz Holt-Winters'ı geçemiyorsa, bir veri ya da öznitelik mühendisliği (feature engineering) sorununuz var demektir.

Adım 3: Gradient Boosting Ağaçları

XGBoost ve LightGBM, tablo verisiyle talep tahmininin iş atlarıdır. Karma öznitelik türlerini (sayısal, kategorik, zamansal) işler, aykırı değerlere ve eksik verilere karşı dayanıklıdır ve öznitelikler arasındaki karmaşık doğrusal olmayan ilişkileri öğrenebilir.

Bu adım için temel öznitelik mühendisliği:

• Gecikme öznitelikleri (1 hafta önceki, 4 hafta önceki, 52 hafta önceki talep)
• Kayan istatistikler (4 haftalık ortalama, 12 haftalık standart sapma)
• Takvim öznitelikleri (yılın haftası, ay, haftanın günü, bir sonraki tatile kalan gün)
• Kampanya bayrakları ve indirim derinliği
• SKU'lar arası öznitelikler (kategori düzeyinde eğilim, marka etkisi)

Adım 4: Karmaşık Örüntüler için Derin Öğrenme

Çok büyük SKU katalogları, son derece kesintili talep ya da karmaşık çok değişkenli örüntüler söz konusu olduğunda N-BEATS, Temporal Fusion Transformer ve DeepAR gibi derin öğrenme modelleri ağaç modellerini geride bırakabilir. Bu modeller, çok sayıda SKU'ya aynı anda yayılan küresel örüntüleri (tüm SKU'ları etkileyen bir mağaza kapanışı, bütün bir kategoriyi yukarı taşıyan bir rakibin pazardan çekilmesi) yakalamada da daha başarılıdır.

Bedeli: belirgin biçimde daha yüksek hesaplama maliyeti, daha uzun eğitim döngüleri ve daha düşük yorumlanabilirlik.

Adım 5: Topluluk ve Hiyerarşi

Üretimdeki tahmin sistemleri genellikle birden çok modeli bir topluluk (ensemble) olarak birleştirir: ağaç ve derin öğrenme çıktılarını harmanlar ya da kısa ve uzun vadeli modelleri bir araya getirir. Hiyerarşik tahmin (ürün, kategori ve toplam portföy düzeyindeki tahminlerin uzlaştırılması) her düzeydeki bilgiyi kullanarak doğruluğu daha da artırır.

Geçişten Önce Gölge Modda Çalıştırma

En önemli devreye alma disiplini şudur: Yeni model tam bir talep döngüsü boyunca gölge modda çalışmadan, mevcut tahmininizi üretimde asla değiştirmeyin.

Gölge mod; yapay zekâ modelinin tahmin ürettiği, ikmal kararlarını ise insanların (ya da mevcut sistemin) verdiği ve model doğruluğunun geriye dönük izlendiği düzendir. Böylece şunları öğrenirsiniz:

• Modelin hangi SKU sınıflarında iyi, hangilerinde zayıf olduğunu
• Modelin hatalarının yanlı olup olmadığını (sürekli fazla ya da eksik tahmin)
• Kampanyalar, tatil dönemleri ve talep şokları sırasında nasıl davrandığını

Gölge dönem genellikle en az 8–12 haftadır. Mevsimsel işletmelerde tam bir mevsim döngüsünü kapsamak beklemeye değer.

Başarıyı Ölçmek

Başarı metriklerinizi devreye almadan önce tanımlayın, sonra değil:

Bunları devreye almadan sonraki 6–12 ay boyunca izleyin. Mevsimsel işletmelerin sonuç ilan etmeden önce en az bir tam döngüyü görmesi gerekir.

Öngörülmesi Gereken Tuzaklar

Model kayması (drift). Tüketici davranışı, rekabet dinamikleri ve tedarik koşulları değişir. Pandemi öncesi veriyle eğitilip pandemi sonrasında uygulanan bir model kötü performans gösterir. Otomatik doğruluk izleme kurun ve doğruluk belirli bir eşiğin altına düştüğünde yeniden eğitimi tetikleyin.

Geçmişe aşırı uyum (overfitting). Geçmişi kusursuz tahmin eden bir model çoğu zaman gelecekte başarısız olur. Ayrılmış (held-out) veriyle doğrulayın. Zaman dönemlerini karıştıran rastgele bölmeler yerine zamana dayalı bölmeler kullanın (1. ve 2. yılla eğitin, 3. yılla doğrulayın).

Planlamacıyı yok saymak. Yapay zekâ tahminleri planlamacıları atlamaz, onları besler. Planlamacılar modele güvenmez ya da çıktılarını anlamazsa tahminleri elle ezerler ve kazanımı kaybedersiniz. Açıklanabilirliğe (SHAP değerleri, öznitelik katkı dökümleri) ve planlamacıların aracı kullanmayı öğrenmesine yatırım yapın.

Kapsamı çok geniş, çok hızlı tutmak. Ciroya göre en üstteki %20'lik SKU diliminizle başlayın. Modeli önce orada kanıtlayın. Sonra genişletin. İlk günden 50.000 SKU'yu tahmin etmeye çalışmak, proje yönetimi ve veri kalitesi açısından bir kâbustur.

Sonuç

Yapay zekâ ile talep tahmini, 2026'da yapılabilecek yatırım getirisi en yüksek kurumsal yapay zekâ yatırımlarından biridir: ölçülebilirdir, doğrudan işletme sermayesine ve müşteri hizmeti metriklerine bağlıdır ve çoğu şirketin zaten sahip olduğu veriler üzerine kurulur. Engel teknoloji değildir; veri hazırlığı, gölge mod disiplini ve model planlamacının sezgisiyle çeliştiğinde modele güvenme yönündeki kurumsal kararlılıktır.

Temiz veriyle, net bir tabanla, yönetilebilir bir SKU kapsamıyla ve en az bir talep döngüsü boyunca doğrulama yapmaya yetecek uzunlukta bir gölge dönemle başlayın. Stoktaki azalma ve karşılama oranındaki (fill rate) iyileşme güvenilir biçimde ardından gelir.

• Yapay Zekâ
• Tahminleme
• Tedarik Zinciri
• Stok Yönetimi