Çoğu işletmede talep tahmini hâlâ iki adımdan oluşur: geçen yılın aynı ayına bak, üzerine büyüme hedefini ekle. Bu yöntem sakin dönemlerde idare eder — ta ki bir kampanya, bir tedarik krizi ya da beklenmedik bir trend tabloyu bozana kadar.
Hareketli ortalamanın üç kör noktası
Hareketli ortalama ve benzeri klasik yöntemler geçmişin ortalamasını taşır; geleceğin örüntüsünü değil. Sahada en sık karşılaştığımız üç kör nokta şunlar:
- Kayan sezonsallık: Ramazan, okul dönemi ve kampanya takvimleri her yıl farklı haftalara denk gelir. Ay bazlı ortalamalar bu kaymayı yakalayamaz.
- Kampanya etkisi: İndirim dönemindeki satış zirvesi, sonraki ayın “normal” tahminine sızar ve sistematik fazla stok üretir.
- Ürünler arası etkileşim: Bir ürünün stoksuz kalması, muadilinin satışını şişirir. Model bunu bilmezse, iki ürünün tahmini de bozulur.
Tahmin hatasının maliyeti simetrik değildir: fazla tahmin depoda ölü stok, eksik tahmin rafta kayıp satış demektir. İyi bir model yalnızca isabetli değil, bu dengesizliğin farkında olmalıdır.
Modern yaklaşım ne yapıyor?
Makine öğrenmesi tabanlı modeller; fiyat, kampanya, tatil takvimi ve hava durumu gibi dış sinyalleri geçmiş satışla birlikte öğrenir. Daha da önemlisi, tek bir sayı yerine olasılık aralığı üretir — böylece stok kararı, işletmenin risk iştahına göre ayarlanabilir. Modelin isabeti de ay ay ölçülür: her dönem için model tahmini ile klasik yöntemin hatası yan yana raporlanır, fark tabloda görünür.
Geçiş nasıl görünür?
İyi haber: geçiş bir devrim gerektirmiyor. Tahmin modeli mevcut planlama sürecinin yanına kurulur; birkaç ay boyunca ikisi paralel çalışır. Model güveni backtest tablolarıyla kurduktan sonra, sipariş önerileri kademeli olarak modele bağlanır. Ekip hiçbir gün “kör uçuş” yaşamaz.
Ravelos'ta talep tahmini modülünü tam da bu geçişi kolaylaştıracak şekilde tasarladık: her tahminin yanında geçmiş isabet oranı ve “neden” açıklaması yer alır. Böylece planlama toplantısındaki tartışma “rakama güveniyor muyuz?”dan “rakamla ne yapacağız?”a taşınır.
