Kazanimlar:
- Sosyal medya, arama verisi ve satış geçmişinden trend sinyali çıkarmada AI ve NLP'nin rolünü kavrayabilme
- Zaman serisi yöntemleriyle SKU bazında talep tahmini ve senaryo kurgusunu yapılandırabilme
- Trend ve tahmin çıktılarını satış gerçekleşmesi, stok verisi ve iş yargısıyla doğrulayabilme
Moda, doğası gereği geleceğe bahis oynamaktır. Bir koleksiyon aylar önce planlanır, kumaş çok önceden sipariş edilir, üretim mağazadan önce yapılır. Eğer tahmin yanlışsa iki tür acı vardır: stok fazlası (satılmayan mal, indirim, imha) ve stok yoksunu (satılabilecek malın olmaması, kaçan gelir). Yapay zeka bu belirsizliği azaltmaya yardım eder: sosyal medyadan, arama verisinden ve satış geçmişinden trend sinyali çıkarır ve ürün bazında talebi tahmin eder. Ama moda insan davranışıdır; hiçbir model bir viral anı ya da bir ekonomik şoku garanti öngöremez. Bu ünitede trend analizini ve talep tahminini disiplinli biçimde ele alacağız.
Trend Sinyali Nereden Gelir?
Trend analizinin ham maddesi çeşitli veri kaynaklarıdır. Sosyal medya ve görsel platformlar: hangi renk, silüet, motifin görünürlüğü artıyor. Arama verisi: insanların ne aradığı erken bir niyet sinyalidir. Satış geçmişi: kendi mağazanızda ne, ne zaman, hangi bölgede satıyor. Trend servisleri (ör. sektörel yayınlar): uzman yorumlu öngörüler. Yarışma/pazar verisi: rakiplerin ne çıkardığı.
Yapay zeka burada iki iş yapar. Doğal dil işleme (NLP) ile metin ve etiketlerden konu ve duygu çıkarır ("bu renk hakkında konuşma artıyor, ton olumlu"). Görüntü analizi ile görsellerden renk, desen, silüet eğilimlerini toplar. Bunların hepsi bir sinyaldir, kanıt değil. Sinyal gürültülüdür; bir platformdaki hareketlilik başka bir müşteri kitlesinde karşılık bulmayabilir.
İpucu: Trend sinyalini her zaman kendi müşteri kitlenize ve satış verinize göre süzün. Global bir platformda yükselen bir eğilim, sizin bölgeniz ve fiyat segmentinizde geçerli olmayabilir. "Herkes bunu yapıyor" bir strateji değildir.
Talep Tahmini: SKU, Zaman Serisi ve Belirsizlik
Talep tahmini genellikle SKU (stok tutma birimi; belirli bir ürünün belirli renk-beden kombinasyonu) düzeyinde yapılır. Temel yaklaşım zaman serisi analizidir: geçmiş satışın zaman içindeki örüntüsünden (trend, sezonsallık, döngü) geleceği kestirmek. Klasik yöntemler (hareketli ortalama, üstel düzeltme, ARIMA) ile makine öğrenmesi yöntemleri bu işi yapar.
Kritik nokta: iyi bir tahmin tek bir sayı değil, bir aralık ve olasılıktır. "Bu SKU'dan 1.200 satar" yerine "%80 olasılıkla 950-1.450 arası" çok daha kullanışlıdır çünkü stok kararını risk iştahına göre almanızı sağlar. Bir modelin çıktısını doğrulamanın en sağlam yolu geriye dönük test (backtesting): modeli geçmiş bir tarihe kadarki veriyle eğitip sonraki gerçek satışla karşılaştırmak. Model geçmişte iyi tahmin etmediyse gelecekte de güvenilmez.
Yeni ürünlerde (satış geçmişi olmayan) tahmin daha zordur; benzer ürünlerin geçmişi (analog) ve trend sinyali birlikte kullanılır, ama belirsizlik yüksektir ve bunu kabul etmek gerekir.
Adım Adım: Trend ve Tahmin İş Akışı
- Veriyi topla ve temizle. Satış, iade, stok, kampanya takvimi ve trend sinyalleri.
- Sezonsallık ve trendi ayır. Satışın ne kadarı mevsim, ne kadarı gerçek eğilim.
- Tahmin üret (aralıklı). SKU bazında beklenen değer ve güven aralığı.
- Geriye dönük test yap. Modelin geçmiş doğruluğunu ölç; kötüyse basit modele dön.
- İş yargısıyla düzelt. Bilinen olayları (yeni mağaza, kampanya, tedarik sorunu) modele elle ekle.
- İzle ve güncelle. Gerçek satış geldikçe tahmini revize et (yuvarlanan tahmin).
Üç Mini Vaka: Rakamlarla
Vaka 1 — Stok fazlasının azalması. Bir marka bir renk grubunu her sezon fazla üretiyor, sezon sonu %40 indirimle eritiyordu. Geçmiş satışla geriye dönük test edilmiş bir SKU tahmini, o renkte talebi olduğundan düşük tuttuklarını değil, birkaç bedende fazla ürettiklerini gösterdi. Beden dağılımı düzeltilince indirimli satış oranı %40'tan %26'ya indi.
Vaka 2 — Yanlış sinyal. Bir ekip, bir sosyal platformda patlayan neon bir tonu koleksiyona koydu; global sinyal güçlüydü. Ama kendi müşteri kitleleri (klasik, olgun segment) bu tonu almadı; parti elde kaldı. Sonraki sezon trend sinyalini kendi satış verisiyle süzme kuralı konuldu. Ders: sinyal segment olmadan yanıltır.
Vaka 3 — Aralıklı tahminin değeri. Bir alımcı, "1.000 adet satar" noktasal tahminine göre sipariş verirken model %80 aralığı 700-1.400 verdi. Alımcı riski görüp ilk siparişi 800'de tutup satış eğilimine göre hızlı yenileme (replenishment) planladı; hem stok fazlasından hem yoksunundan kaçındı. Aralık, tek sayıdan daha akıllı karar verdirdi.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Gelecek sezon ne satar, söyle.
Güçlü prompt:
Rolün: Moda planlama analisti.Aşağıda son 3 yılın aylık satış verisi (SKU, adet), kampanya takvimi vebu sezonun trend notları var.Görev:1) Sezonsallık ve trendi ayır, kısaca açıkla.2) İlgili SKU'lar için gelecek sezon tahmini ver; NOKTASAL DEĞİL, %80 güven aralığı olarak.3) Tahminini nasıl geriye dönük test etmemi önerirsin?4) Trend sinyallerinden hangileri bizim müşteri segmentimizde riskli olabilir?Veride olmayanı uydurma. Veri: [tablo]
Güçlü prompt aralıklı tahmin, geriye dönük test önerisi ve segment süzgeci ister; noktasal kesinlik dayatmaz.
Kopyalanabilir Şablonlar
1) Sezonsallık ayrıştırma:
Şu aylık satış serisinde trend, sezonsallık ve düzensiz bileşeni ayır,her birini kısaca yorumla. Grafik yerine sayısal özet ver. Seri: [veri]
2) Aralıklı tahmin:
Şu SKU için gelecek [n] dönem tahmini üret. Her dönem için beklenen değerve %80 güven aralığı ver. Varsayımlarını açıkça listele. Geçmiş: [veri]
3) Geriye dönük test kurgusu:
Bir talep tahmin modelini geriye dönük test etmek için plan yaz: eğitim/testayrımı, hata ölçütü (ör. MAPE), kabul eşiği. Basit bir kıyas modeli (naive)de öner. Bağlam: [ürün, veri boyutu]
4) Trend-segment süzgeci:
Şu trend sinyallerini bizim müşteri segmentimize (yaş, fiyat, stil) göredeğerlendir: hangileri güçlü, hangileri riskli/ilgisiz? Her biri içingerekçe ve satış verisiyle doğrulama önerisi ekle. Sinyaller: [liste]
Kaynak ve Güvenilirlik Tablosu
Veri kaynağı
Ne sinyali verir
Güç
Sınır
Kendi satış geçmişi
Gerçek talep
Yüksek
Yeni üründe yok
Arama verisi
Erken niyet
Orta
Satın almaya dönmeyebilir
Sosyal medya
Görünürlük/duygu
Orta
Segment sapması, gürültü
Trend servisleri
Uzman öngörü
Orta
Genel, herkese açık
Rakip/pazar verisi
Konumlama
Orta
Gecikmeli, kısmi
Dikkat: Hiçbir tahmin geleceği garanti etmez. Viral bir an, hava durumu, ekonomik şok veya tedarik krizi en iyi modeli bile yanıltır. Tahmini bir olasılık aracı olarak kullanın; tek sayıya körlemesine bağlanmayın ve gerçek satış geldikçe planı revize edin.
Sık yapılan hatalar
- Noktasal tahmine körlemesine güvenmek. Aralık ve olasılık daha akıllı karar verdirir.
- Trend sinyalini segment süzmeden almak. Global eğilim sizin kitlenizde geçerli olmayabilir.
- Geriye dönük test yapmamak. Geçmişte kötü olan model gelecekte de güvenilmez.
- Sezonsallığı trend sanmak. Mevsimsel artışı kalıcı büyüme sanmak fazla üretime yol açar.
- Planı revize etmemek. Gerçek satış geldikçe tahmin güncellenmeli.
Özetle
Moda trend analizi ve talep tahmini, geleceğe verilen bir bahsin belirsizliğini azaltma çabasıdır. AI, çok kaynaklı sinyalden (sosyal medya, arama, satış) eğilim çıkarır ve SKU bazında talep tahmini üretir; ama sinyal segment süzgecinden geçmeli, tahmin aralıklı verilmeli ve geriye dönük testle sınanmalıdır. Model bir olasılık aracıdır, kâhin değil; nihai stok kararı ve risk iştahı iş yargısında kalır.
Uygulama görevi
Bir SKU için hayali (veya gerçek) üç yıllık aylık satış serisi oluşturun. Bu ünitedeki "sezonsallık ayrıştırma" ve "aralıklı tahmin" şablonlarını uygulayın. AI'ın verdiği tahmin aralığına bakıp, bir alımcı olarak ilk siparişi aralığın neresinde vereceğinizi ve neden (risk iştahı) bir paragrafla açıklayın. Ayrıca bu tahmini geriye dönük nasıl test edeceğinizi bir cümleyle yazın.
Kontrol listesi
- [ ] Tahminleri noktasal değil, aralık ve olasılıkla değerlendiriyorum.
- [ ] Trend sinyallerini kendi müşteri segmentimle süzüyorum.
- [ ] Modelleri geriye dönük testle doğruluyorum.
- [ ] Sezonsallık ile kalıcı trendi ayırıyorum.
- [ ] Gerçek satış geldikçe planı revize ediyorum.