Kazanimlar:
- Talep tahmini yöntemlerini (hareketli ortalama, üstel düzeltme, mevsimsellik) ayırt edebilme
- AI ile tahmin senaryoları kurup MAPE/MAE gibi metriklerle doğruluğu değerlendirebilme
- Tahmin çıktısını iş bağlamı ve promosyon/mevsim etkileriyle çapraz kontrol edebilme
Talep tahmini, üretim planlamanın, stok yönetiminin ve tedarik zincirinin tamamının üzerine oturduğu temeldir. Yanlış tahmin iki yönde de pahalıdır: fazla tahmin stok maliyeti ve fire yaratır, düşük tahmin ise kayıp satış ve müşteri memnuniyetsizliği. Yapay zeka, tahmin sürecinde yöntem seçmekten, geçmiş veriyi yorumlamaya ve senaryo üretmeye kadar birçok yerde yardımcı olur; ama tahmini "sihirli bir kristal küre" gibi görmek en büyük hatadır. Bu ünitede klasik tahmin yöntemlerini, AI ile nasıl doğru kurgulanacağını ve doğruluğu nasıl ölçeceğinizi işleyeceğiz.
Tahmin Yöntemlerinin Kısa Haritası
Her talep serisi aynı davranmaz; bazıları düz seyreder, bazıları trend içerir, bazıları mevsimseldir. Yöntemi seriye göre seçmek gerekir.
Yöntem
Ne zaman uygun
Dikkat
Naive (son değer)
Kıyas (benchmark) için
Trend/mevsimi yakalamaz
Hareketli ortalama
Durağan, gürültülü seri
Trende geç tepki verir
Üstel düzeltme (SES)
Durağan seri, yakın veriye ağırlık
Trend yoksa iyi
Holt (çift üstel)
Trendli seri
Mevsimi yakalamaz
Holt-Winters
Trend + mevsimsellik
Yeterli geçmiş veri ister
Regresyon/ML
Çok değişkenli, promosyon etkili
Aşırı uyum (overfit) riski
İpucu: Her zaman bir "naive" tahminle başlayın. Eğer karmaşık modeliniz naive tahminden daha iyi değilse, karmaşıklığı taşımaya değmez. Naive, doğruluğu ölçmek için ücretsiz bir kıyas noktasıdır.
Doğruluğu Nasıl Ölçeriz? (Metrikler)
Tahmin doğruluğu ölçülmeden iyileştirilemez. En yaygın metrikler:
- MAE (Ortalama Mutlak Hata): Hataların mutlak değerinin ortalaması. Birim, talep birimiyle aynıdır.
- RMSE (Kök Ortalama Kare Hata): Büyük hataları daha çok cezalandırır.
- MAPE (Ortalama Mutlak Yüzde Hata): Yüzde cinsinden; kalemler arası karşılaştırma için iyi ama talep sıfıra yakınken bozulur.
- Bias (Yanlılık): Ortalama hata; sürekli fazla/az tahmin edip etmediğinizi gösterir.
Küçük bir örnek hesap. Gerçek talep [100, 120, 90], tahmin [110, 115, 100] olsun:
Hatalar (gerçek - tahmin): -10, +5, -10Mutlak hatalar: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Yüzde hatalar: 10/100, 5/120, 10/90 = %10, %4,17, %11,11MAPE = (10 + 4,17 + 11,11) / 3 ≈ %8,43Bias = (-10 + 5 - 10) / 3 = -5 → ortalama olarak fazla tahmin (tahmin > gerçek)
Bias'ın negatif olması (gerçek eksi tahmin) tahminin sürekli yüksek olduğunu gösterir; bu, envanterde şişme demektir. Bu tür yönlü hatalar MAPE'de gizlenebilir, o yüzden birlikte bakılır.
AI ile Tahmin Sürecini Kurgulamak
AI'ı en verimli iki yerde kullanabilirsiniz: (1) veriye bakıp uygun yöntemi ve yapılması gerekenleri önermesi, (2) tahmin kodunu üretmesi. Yöntem önerisi için:
Rol: Sen talep tahmini konusunda deneyimli bir endüstri mühendisisin.Görev: Aşağıdaki aylık satış serisini incele ve uygun tahmin yönteminiöner. Trend ve mevsimsellik olup olmadığını değerlendir, gerekçeni yaz.Veri (aylık, son 24 ay): {{ değerler }}Ek bilgi: Aralık'ta promosyon var, yaz aylarında talep düşüyor.İstediğim çıktı:1. Serinin karakteri (durağan/trendli/mevsimsel) hakkında yorum.2. Önerilen 2 yöntem ve neden.3. Hangi doğruluk metriğini izlemem gerektiği.4. Dikkat etmem gereken tuzaklar (aykırı değer, promosyon etkisi).Kural: Veriyi görmeden kesin doğruluk vaadi verme.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Gelecek ay ne kadar satarım?
Bu, ne veri ne bağlam içerir; AI ya reddeder ya da tamamen uydurma bir sayı verir. Böyle bir çıktı tehlikelidir çünkü güvenilir görünür.
Güçlü prompt:
Şu 24 aylık seriyle önümüzdeki 3 ayı Holt-Winters mantığıyla tahmin et.Mevsim uzunluğu 12. Önce yöntemin varsayımlarını yaz, sonra tahmini ver,sonra son 6 ayı geriye dönük test (backtest) ederek MAPE'yi hesapla.Promosyon aylarını ayrı işaretle. Veri: {{ ... }}
İkinci prompt hem tahmini hem de o tahmine ne kadar güvenileceğini (geriye dönük test) ister. Bu, tahmini bir "kehanet" olmaktan çıkarıp ölçülebilir bir araca dönüştürür.
Backtesting: Tahmine Güvenin Ölçüsü
Tahminin gerçek sınavı gelecekte değil, geçmişte yapılır. Elinizdeki veriyi ikiye bölersiniz: model kurma (train) ve test. Modeli ilk parçayla kurar, sonraki dönemi tahmin eder, gerçekle karşılaştırırsınız. Bu "hold-out" mantığı, bir modelin gerçekten çalışıp çalışmadığını ortaya koyar.
Şu seri için basit bir backtest planı kur: son 6 ayı test olarak ayır,kalan veriyle 3 farklı yöntemi (naive, SES, Holt-Winters) eğit,her biri için test döneminde MAPE ve bias hesapla ve bir karşılaştırmatablosu yap. Kazanan yöntemi ve gerekçesini yaz.
Dikkat: AI bazen backtest sonuçlarını "tahmin ederek" size hazır bir tablo sunabilir; yani gerçekten hesaplamadan makul görünen sayılar uydurabilir. Sayısal sonuçları mutlaka kod (Python/Excel) ile yeniden üretin. Bir dil modeli, uzun aritmetiği güvenilir biçimde yapmaz.
Mini Vaka: Mevsimsel Ürünün Fazla Stoğu
Bir gıda dağıtım firması dondurma benzeri mevsimsel bir üründe her yıl kışın elinde çok stok kalmasından şikayetçi. Endüstri mühendisi Elif, 3 yıllık aylık veriyi AI'a veriyor ve serinin karakterini değerlendirmesini istiyor. AI güçlü bir mevsimsellik (yaz zirvesi) ve hafif bir yıllık büyüme trendi tespit ediyor, Holt-Winters öneriyor. Elif tahmini Python'da üretiyor ve backtest yapıyor: MAPE %14, ama bias belirgin negatif — model sürekli fazla tahmin ediyor. Nedenini araştırınca, geçmiş verideki bir kampanya dönemini "normal" sanıp modele fazla yüksek bir taban öğrettiğini buluyor. Kampanya etkisini ayıklayıp modeli yeniden kurunca bias düşüyor ve kış stoğu belirgin azalıyor. Ders: AI yöntemi doğru önerdi ama veriyi temizlemek ve bias'ı yorumlamak insan işiydi.
Yaygın Hatalar
- Metrik izlememek: Tahmini yapıp doğruluğu hiç ölçmemek. Ölçülmeyen tahmin iyileştirilemez.
- Sadece MAPE'ye bakmak: Bias'ı görmezden gelmek. Yönlü (sistematik) hata envanteri sessizce şişirir.
- AI'ın uydurduğu sayıları hesap sanmak: Backtest ve metrik değerlerini kodla doğrulamamak.
- Aykırı değer/promosyonu temizlememek: Tek seferlik kampanyayı normal talep sanıp modele öğretmek.
- Aşırı uyum (overfit): Karmaşık modelin geçmişe mükemmel uyup gelecekte kötü performans göstermesi. Basit modeli kıyas olarak tutun.
Özetle
- Tahmin yöntemini serinin karakterine (durağan, trendli, mevsimsel) göre seçin; her zaman bir naive kıyasla başlayın.
- Doğruluğu MAE/RMSE/MAPE ile ölçün, ama bias'ı da izleyin: yönlü hata en pahalı olandır.
- AI'ı yöntem önerisi ve kod üretimi için kullanın; tahmini "kehanet" değil, ölçülebilir araç olarak kurun.
- Backtesting, bir modele ne kadar güvenileceğinin gerçek sınavıdır; sayısal sonuçları mutlaka kodla doğrulayın.
- Veriyi temizlemek (aykırı değer, promosyon) ve sonucu yorumlamak insanın işidir; AI bu adımları atlar.
Uygulama görevi
Elinizde en az 18-24 dönemlik bir talep serisi olsun (gerçek veya gerçekçi kurgu). Önce AI'a seriyi verip karakterini (trend/mevsimsellik) yorumlamasını ve iki yöntem önermesini isteyin. Ardından "backtest planı" güçlü promptunu kullanarak son 6 dönemi test olarak ayırtın ve en az iki yöntemi karşılaştırtın. Kritik adım: AI'ın verdiği MAPE ve bias değerlerini Excel veya Python ile bizzat yeniden hesaplayıp AI çıktısıyla karşılaştırın. Uyuşmayan bir sayı bulursanız not edin. Son olarak bias'ın işaretini yorumlayın: modeliniz fazla mı yoksa az mı tahmin ediyor ve bu envanterinize ne yapar?