AI/ML Talep Tahmini Nedir? (Yapay Zekâ / Makine Öğrenmesi ile Talep Tahmini)
AI/ML talep tahmini, geçmiş satış, sipariş, stok, fiyat, kampanya, sezon, müşteri, kanal, hava durumu, ekonomik gösterge ve benzeri verileri kullanarak gelecekteki ürün veya hizmet talebini tahmin eden yapay zekâ ve makine öğrenmesi yaklaşımıdır. Dijital dönüşüm haritasındaki 90 çözümden biri olarak talep tahmini, KOBİ’lerde stok fazlası, stok yokluğu, plansız üretim, acil satınalma ve yanlış kapasite kararlarını azaltmak için kullanılır.
Talep tahmini, belirli bir zaman ufku için müşteri talebini öngörme işidir. Klasik yöntemler hareketli ortalama, üstel düzeltme veya regresyon gibi istatistiksel yaklaşımları kullanırken; AI/ML modelleri daha fazla değişkeni, doğrusal olmayan ilişkileri ve kanal/ürün bazlı karmaşık desenleri yakalamaya çalışır.
AI/ML Talep Tahmini Ne İşe Yarar?
- Ürün, müşteri, kanal, bölge veya depo bazında gelecek talebi tahmin eder.
- Stok seviyeleri, güvenlik stoğu, satınalma ve üretim planlarına girdi sağlar.
- Kampanya, fiyat değişimi, sezon ve özel gün etkilerini analiz eder.
- Stok yokluğu ve fazla stok riskini erken gösterir.
- MRP, S&OP, bütçe, kapasite ve nakit akışı planlarını besler.
- Planlamacıya sadece tek sayı değil, belirsizlik ve senaryo görünürlüğü sağlayabilir.
Hangi Problemi Çözer?
KOBİ’lerde talep planı çoğu zaman geçen yıl satışına, satış ekibi sezgisine veya büyük müşterinin sözlü beklentisine göre yapılır. Talep beklenenden düşük çıkarsa stok şişer; yüksek çıkarsa ürün bulunmaz, acil satınalma ve üretim baskısı oluşur. Daha kötüsü, tahmin hatası MRP ve satınalma kararlarına zincirleme yansır.
AI/ML talep tahmini bu süreci veriyle destekler. Geçmiş satış desenlerini, sezon etkisini, kanal farklılığını, kampanya etkisini ve ürün yaşam döngüsünü birlikte değerlendirerek daha tutarlı tahmin üretir. Ancak model tek başına karar vermez; planlamacı, satış ve operasyon ekipleri tahmini iş bilgisiyle değerlendirir.
Klasik Tahmin ile AI/ML Farkı
Klasik tahmin yöntemleri düzenli ve açıklanabilir talep desenlerinde güçlüdür. AI/ML yöntemleri ise çok sayıda değişkenin etkili olduğu, ürün/kanal sayısının yüksek olduğu, promosyon, fiyat, hava durumu veya dijital davranış verisinin modele dahil edildiği durumlarda değer yaratabilir. Fakat daha karmaşık model her zaman daha iyi sonuç demek değildir. Veri kalitesi düşükse veya süreç tahmini kullanmıyorsa en iyi model bile iş sonucuna dönüşmez.
Talep Tahmini İçin Gerekli Veriler
- Geçmiş satış/sipariş: Ürün, müşteri, kanal, tarih ve miktar bazında temiz kayıt gerekir.
- Stok yokluğu bilgisi: Satışın sıfır olması talep yokluğu mu, stok yokluğu mu ayırt edilmelidir.
- Fiyat ve kampanya: İskonto, promosyon, liste fiyatı ve kanal kampanyaları modele eklenmelidir.
- Sezon ve takvim: Bayram, tatil, ay sonu, okul dönemi, hava durumu ve sektör döngüleri dikkate alınabilir.
- Ürün yaşam döngüsü: Yeni ürün, büyüyen ürün, olgun ürün ve biten ürün farklı modellenir.
- Müşteri/kanal bilgisi: Bayi, e-ticaret, ihracat, kurumsal müşteri ve perakende talebi farklı davranabilir.
- Operasyon kısıtları: Tedarik süresi, minimum sipariş, üretim lotu ve kapasite planı tahmin sonrası kararı etkiler.
Araştırmalar Ne Söylüyor?
Talep tahmininde doğruluk önemlidir, ancak üretim sistemlerinde kararlılık da en az doğruluk kadar kritiktir. Tahmin kararlılığı üzerine yapılan çalışma, planlamacıların her çevrimde büyük değişen tahminlere güvenmekte zorlandığını ve kararlı modellerin üretim kullanımında daha değerli olabileceğini vurgular.
Makine öğrenmesi ve optimizasyonun birlikte kullanılması daha güçlü sonuç verebilir. Tekstil ve PPE tedarik zincirleri için hibrit AI çalışması, LSTM tabanlı talep tahminini optimizasyon katmanıyla birleştirerek hata metriklerinde ve stok yokluğu maliyetlerinde iyileşme raporlar. Bu, KOBİ’ler için şu anlama gelir: tahmin tek başına değil, satınalma ve stok kararına bağlanınca değer üretir.
Demand sensing yaklaşımı, geçmiş satışa ek olarak güncel tedarik zinciri ve piyasa sinyallerini kullanarak daha yakın vadeli talep değişimlerine tepki vermeyi hedefler. Özellikle volatil talep, kampanya ve ani piyasa değişimlerinde sadece geçmiş satışa bakmak yetersiz kalabilir.
Gerçek Durumdan Çözüm Örnekleri
1. Stok Yokluğu Talep Yokluğu Sanılıyor
Bir ürün iki hafta satmamıştır. Sistem bunu düşük talep olarak görür, sonraki tahmini düşürür. Oysa ürün stokta olmadığı için satış gerçekleşmemiştir. Model yanlış veriyle gelecekte daha da düşük stok önerir.
Çözüm: Talep tahmini verisine stokta bulunurluk bilgisi eklenir. Stok yokluğu günleri ayrı işaretlenir, satış sıfırı gerçek talep sıfırı gibi değerlendirilmez.
2. Kampanya Etkisi Normal Talep Sanılıyor
İskontolu kampanya döneminde satış artar. Kampanya bilgisi modele girilmezse sistem bu artışı normal talep kabul eder ve kampanya sonrası fazla stok önerir.
Çözüm: Kampanya, fiyat indirimi, kanal ve dönem bilgisi modele eklenir. Kampanya sonrası baz talep ile promosyon etkisi ayrıştırılır.
3. Tahmin Doğru Ama Satınalma Kararı Yanlış
Model doğru talep tahmini üretir, ancak tedarik süresi, minimum sipariş miktarı ve güvenlik stoğu yanlış tanımlandığı için satınalma yine geç veya fazla yapılır.
Çözüm: Tahmin çıktısı MRP, stok optimizasyonu ve satınalma parametreleriyle birlikte ele alınır. Model performansı sadece MAPE ile değil, stok yokluğu, fazla stok ve servis seviyesiyle ölçülür.
KOBİ’lerde Uygulama Sırası
- Tahmin seviyesini belirleyin: Ürün, ürün grubu, müşteri, kanal, depo veya bölge bazında hangi karar verilecek netleşmelidir.
- Veri temizliği yapın: Stok yokluğu, kampanya, iade, anormal sipariş, yeni ürün ve kapanan ürün işaretlenmelidir.
- Basit modelle başlayın: Naive, hareketli ortalama veya üstel düzeltme gibi baz modeller olmadan AI modelinin faydası ölçülemez.
- Hata metriğini doğru seçin: MAPE her ürün için uygun değildir; düşük hacimli veya kesikli talepte WAPE, bias ve servis seviyesi de izlenmelidir.
- Planlamacı geri bildirimi alın: Modelin neden farklı tahmin verdiği açıklanmalı ve iş bilgisiyle düzeltme yapılabilmelidir.
- Karara bağlayın: Tahmin MRP, satınalma, stok ve kapasite kararlarına bağlanmadıkça iş değeri sınırlı kalır.
- Sürekli ölçün: Tahmin doğruluğu, kararlılık, bias, stok yokluğu, fazla stok ve plan uyumu düzenli takip edilmelidir.
Çözüm Seçerken Sorulması Gereken Sorular
- Model geçmiş satış dışında fiyat, kampanya, stok yokluğu ve takvim verisini kullanabiliyor mu?
- Ürün grubu, kanal, müşteri ve depo bazında farklı tahmin seviyeleri destekleniyor mu?
- Tahminin neden değiştiği açıklanabiliyor mu?
- Yeni ürün, kesikli talep ve sezonluk ürünler için yöntem var mı?
- MRP, ERP, WMS ve BI sistemleriyle entegre çalışıyor mu?
- Sadece doğruluk değil, stok yokluğu, fazla stok ve servis seviyesi etkisi ölçülüyor mu?
- Planlamacı düzeltmesi ve onay süreci destekleniyor mu?
Başarı Göstergeleri
- Tahmin doğruluğunun ve tahmin kararlılığının artması
- Stok yokluğu oranının düşmesi
- Fazla ve yavaş dönen stokların azalması
- Servis seviyesinin yükselmesi
- Acil satınalma ve üretim değişikliklerinin azalması
- MRP ve satınalma planlarının daha güvenilir hale gelmesi
- Planlamacıların manuel Excel tahminine bağımlılığının azalması
Sık Yapılan Hatalar
- Veri temizliği yapmadan AI modeli kurmak
- Stok yokluğu dönemlerini talep yokluğu sanmak
- Kampanya ve fiyat etkisini modele dahil etmemek
- Sadece MAPE’ye bakıp iş sonucunu ölçmemek
- Tahmin kararlılığını dikkate almamak
- Planlamacı geri bildirimini ve satış bilgisini dışlamak
Sıkça Sorulan Sorular
AI talep tahmini küçük işletmeler için gerekli mi?
Ürün çeşitliliği, kanal sayısı, sezonluk dalgalanma veya stok maliyeti yüksekse değerlidir. Ancak ilk adım her zaman veri temizliği ve temel tahmin disiplini olmalıdır.
Makine öğrenmesi klasik yöntemlerden her zaman daha iyi midir?
Hayır. Düzenli ve basit talep desenlerinde klasik yöntemler yeterli olabilir. ML, daha çok çok değişkenli, yüksek SKU’lu, kampanya ve kanal etkisi olan ortamlarda fayda sağlar.
Talep tahmini stokları otomatik azaltır mı?
Tek başına azaltmaz. Tahminin satınalma, MRP, güvenlik stoğu, üretim ve servis seviyesi kararlarına bağlanması gerekir.
AI/ML talep tahmini yatırımı KOSGEB desteği kapsamında mı?
AI/ML talep tahmini; yapay zeka, veri analitiği, stok optimizasyonu, üretim planlama ve karar destek kapsamında değerlendirilebilecek dijital dönüşüm yatırımlarındandır. Uygunluk, işletmenin ihtiyacı ve DDX raporundaki yol haritasıyla birlikte değerlendirilmelidir.
Sonuç
AI/ML talep tahmini, doğru veri ve doğru süreçle birleştiğinde planlama kalitesini artırır. Asıl hedef en karmaşık modeli kurmak değil; stok yokluğu, fazla stok, acil satınalma ve plan sapmasını azaltacak güvenilir, açıklanabilir ve kullanılabilir tahmin sistemi oluşturmaktır.
İlgili Çözümler
Tüm çözümleri Dijital Dönüşüm sayfasındaki interaktif haritada inceleyebilirsiniz.
Bu Yatırımı KOSGEB Desteğiyle Planlayın
AI/ML Talep Tahmini yatırımınız, KOSGEB KOBİ Dijital Dönüşüm Destek Programı kapsamında 20 milyon TL’ye kadar faiz destekli krediyle finanse edilebilir. Ön şart, TÜBİTAK TÜSSİDE belgeli (yetkili) bir danışman tarafından hazırlanan geçerli bir DDX raporudur — bu raporu doğrudan ben hazırlıyorum ve başvuru sürecinizi uçtan uca yönetiyorum.
