Kazanimlar:
- AI'ı gelir/gider tahmininde varsayıma bağlı senaryolar üreten bir asistan olarak konumlandırabilme
- Geçmiş veri ve açık varsayımlara dayalı, aralık ve duyarlılık içeren forecast promptları yazabilme
- AI tahminlerinin sınırlarını tanıyıp insan yargısıyla harmanlayarak sunabilme
"Gelecek yıl ciromuz ne olur?" sorusu finans ekibinin en zorlandığı sorulardan biridir. Tahmin (forecast), geçmiş veriye ve varsayımlara dayanarak geleceğe dair bir öngörü kurmaktır. Yapay zekâ (AI) burada güçlü bir asistan olabilir; ama en baştan bir gerçeği kabul etmek gerekir: model geleceği bilmez. Yalnızca örüntüleri ve sizin verdiğiniz varsayımları işler. Bu ünitede AI'ı forecast'te doğru rolüyle konumlandırmayı ve sınırlarını tanımayı öğreneceğiz.
AI Forecast'te Ne Yapar, Ne Yapmaz?
Yapar: Geçmiş trendi özetler, mevsimselliği (belirli aylarda tekrarlanan dalgalanma) fark eder, farklı varsayımlarla senaryolar kurar, tahmin mantığını açıklar ve tahmini bir anlatıya döker.
Yapmaz: Kesin gelecek veremez, dışsal şokları (kur krizi, regülasyon değişikliği) öngöremez, veride olmayan bir gerçeği bilemez. Bir chatbot'un verdiği "önümüzdeki yıl %18 büyürsünüz" cümlesi bir kehanet değil, verdiğiniz varsayımların matematiksel yansımasıdır.
İpucu: Modelden asla "tek bir sayı" istemeyin. Her zaman bir aralık ve o aralığın hangi varsayımlara bağlı olduğunu isteyin. "Baz senaryoda 14-15M, koşul: mevcut büyüme hızı sürer" cümlesi tek "14,6M"den çok daha dürüst ve kullanışlıdır.
Adım Adım: Sağlam Bir Forecast Kurmak
- Geçmiş veriyi ver. En az birkaç dönemlik gerçekleşen; mümkünse aylık.
- Varsayımları açıkça yaz. Büyüme oranı, mevsimsellik, bilinen değişiklikler.
- Yöntemi belirt. Basit trend mi, mevsimsel düzeltmeli mi, senaryo bazlı mı?
- Aralık ve senaryo iste. İyimser / baz / kötümser.
- Duyarlılık sor. "Hangi varsayım değişirse sonuç en çok değişir?"
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:Gelecek yıl ciromu tahmin et. Bu yıl 12M yaptık.
Bu, dayanaksız tek bir sayı üretir; hangi varsayıma dayandığı belirsizdir, karar için tehlikelidir.
Güçlü prompt:Rolün: bir finansal planlama analisti.Görev: Aşağıdaki aylık gelir verisinden gelecek 12 ayı tahmin et.Yöntem:1) Önce geçmiş veride trend ve mevsimselliği özetle.2) Şu varsayımlarla 3 senaryo kur: - Baz: son 12 ayın ortalama büyüme hızı devam eder - İyimser: büyüme +3 puan - Kötümser: büyüme -5 puan3) Her senaryo için 12 aylık toplam ve aylık aralık ver.4) "Duyarlılık" bölümü: hangi varsayım değişirse sonuç en çok değişir?Kısıt: Varsayımları açıkça listele. Tahminin bir öngörü olduğunu,kesinlik olmadığını belirt. Dışsal şokları modelleyemediğini not et.<veri> Ocak..Aralık aylık ciro rakamları </veri>
Bu prompt; kesin bir sayı yerine gerekçeli bir aralık, senaryolar ve "en kırılgan varsayım tahsilat/büyüme hızı" gibi bir duyarlılık analizi üretir. Karar verici belirsizliği görerek karar alır.
Mevsimsellik, forecast'te en sık atlanan konudur. Birçok işletmenin satışı belirli aylarda düzenli olarak yükselir ya da düşer: bir dondurma üreticisi yazın, bir hediyelik eşyacı yılbaşında zirve yapar. Düz bir trend çizgisi bu dalgalanmayı göremez ve stok, personel, nakit planını yanlış kurdurur. AI'a yeterli geçmiş veri (ideal olarak en az 24 ay) verirseniz, bu tekrar eden örüntüyü fark eder ve tahmini ona göre düzeltir.
Tahmin Yöntemleri ve AI'ın Rolü
Yöntem
Ne zaman uygun
AI'ın katkısı
Sınır
Basit trend
İstikrarlı, mevsimsiz veri
Trendi hızlı çıkarır
Kırılmaları göremez
Mevsimsel düzeltme
Aylara göre dalgalanan satış
Mevsim örüntüsünü açıklar
Geçmişe fazla bağlanır
Senaryo bazlı
Belirsizliğin yüksek olduğu dönem
Varsayımları hızlı dener
Varsayım kalitesine bağlı
Sürücü bazlı (driver-based)
Gelir birkaç faktöre bağlıysa
Faktör ilişkisini kurar
İlişkiyi insan doğrular
Sürücü Bazlı (Driver-Based) Tahmin
Ciroyu tek bir büyüme yüzdesiyle tahmin etmek çoğu zaman kabadır. Daha sağlam yol, geliri onu oluşturan sürücülere (driver) bölmektir: gelir = müşteri sayısı × müşteri başına ortalama satış × tekrar sıklığı gibi. Her sürücüyü ayrı tahmin edip çarpmak, hem daha isabetli hem de daha sorgulanabilir bir tahmin verir; çünkü hangi varsayımın değiştiğini net görürsünüz.
Gelirimi sürücü bazlı tahmin et. Gelir = aktif müşteri sayısı ×müşteri başına aylık ortalama gelir (ARPU). Geçmiş 12 ay içinbu iki sürücüyü ayrı ayrı çıkar, her birinin trendini yorumla,sonra gelecek 12 ayı iki sürücüyü ayrı projekte ederek tahmin et.Her sürücü için varsayımı açıkça yaz; hangi sürücü daha belirsizsebelirt. Yalnızca verideki rakamları kullan, formülleri göster.
Bu yöntemin gücü şudur: "ciro %15 artar" demek yerine, "müşteri sayısı %8 artar, müşteri başına gelir %6 artar" dersiniz. İkisi ayrı sorgulanabilir; biri gerçekçi değilse tahmini oradan düzeltirsiniz. Yönetim de "hangi varsayıma güveniyoruz?" sorusunu somut yanıtlayabilir.
Duyarlılık ve Varsayım Disiplini
Forecast'in kalitesi varsayımların kalitesidir. AI'a varsayımları hep görünür tutturun ve gerçekleştikçe geri dönüp güncelleyin (rolling forecast, yani her ay güncellenen kayan tahmin).
Aşağıdaki forecast'te kullandığın TÜM varsayımları tablo halindelistele: varsayım | değeri | kaynağı/gerekçesi | bu değer %10değişirse yıllık sonuca etkisi. En kırılgan 3 varsayımı işaretle.
AI'ın tahmin çıktısını yönetime sunarken bir "varsayım kartı" ekleyin: en kritik üç varsayım, değerleri ve kaynakları. Böylece tahmin bir kara kutu olmaktan çıkar; herkes neye bahis oynadığını görür. Gerçekleşme saptığında da hangi varsayımın tutmadığını hızlıca teşhis edersiniz, bu da bir sonraki tahmini iyileştirir.
Dikkat: AI'ın ürettiği tahmini "model böyle dedi" diye savunmayın. Tahminin sorumluluğu onu sunan insandadır. Yönetime her zaman "bu, şu varsayımlara dayalı bir senaryodur, gerçekleşme farklı olabilir" çerçevesiyle sunun.
Mini Vakalar
Vaka 1 — Mevsimselliği gören tahmin. Bir perakende firması, AI'a 24 aylık satış verisi verdi. Model, kasım-aralık aylarında düzenli %40 sıçrama olduğunu fark etti ve gelecek yıl tahminini buna göre düzeltti. Düz trend kullanılsaydı yıl sonu stok planı ciddi yanlış çıkacaktı.
Vaka 2 — Tek sayının tuzağı. Bir startup, AI'ın "gelecek yıl 18M" tahminini bütçeye taban yaptı. Ama bu, "büyüme aynen sürer" varsayımına dayanıyordu. İki büyük müşteri ayrılınca gerçekleşen 11M oldu. Ders alındıktan sonra ekip senaryo aralığına geçti; bir sonraki yıl tahmin bandı gerçekleşeni kapsadı.
Vaka 3 — Duyarlılık kararı değiştirdi. Bir imalatçının forecast'inde AI, "en kırılgan varsayım hammadde fiyatı" dedi ve %10 fiyat artışının yıllık kârı %22 düşüreceğini gösterdi. Yönetim bunun üzerine tedarikçiyle sabit fiyatlı yıllık sözleşme imzaladı. Tahminin asıl değeri sayı değil, bu duyarlılık içgörüsüydü.
Vaka 4 — Rolling forecast'in kazandırdığı. Bir perakendeci, yıllık tahmini bir kez kurup unutmak yerine her ay gerçekleşenle güncelledi. Üçüncü ayda "büyüme %12" varsayımının gerçekte %7 olduğu görüldü; tahmin erkenden düzeltildi ve yıl sonu stok ile personel planı buna göre ayarlandı. Sabit tahminde kalınsaydı, yıl sonunda büyük bir fazla stok ve nakit sıkışması yaşanacaktı. Ders: tahmin canlı bir belgedir, bir kez kurulup rafa kaldırılmaz.
Sık yapılan hatalar
- Tek sayı istemek. Aralık ve senaryo olmadan tahmin sahte bir kesinlik yaratır.
- Varsayımları gizlemek. Görünmeyen varsayım, sorgulanamayan ve güncellenemeyen tahmin demektir.
- Geçmişe fazla güvenmek. Model geçmiş örüntüyü uzatır; kırılmaları ve dışsal şokları göremez.
- Tahmini kehanet sanmak. AI geleceği bilmez; sadece varsayımlarınızı hesaba döker.
- Rolling forecast yapmamak. Tahmini bir kez kurup unutmak; gerçekleştikçe güncellememek.
Özetle
- AI forecast'te güçlü bir asistandır: trendi ve mevsimselliği çıkarır, senaryo kurar, mantığı açıklar; ama geleceği bilmez ve dışsal şokları göremez.
- Tek sayı yerine her zaman varsayıma bağlı bir aralık ve iyimser/baz/kötümser senaryolar isteyin.
- Varsayımları açıkça listeletin ve duyarlılık analiziyle en kırılgan varsayımı belirleyin.
- Tahminin sorumluluğu onu sunan insandadır; yönetime "senaryo, kesinlik değil" çerçevesiyle sunun.
- Rolling forecast ile tahmini gerçekleştikçe güncelleyin; bir kez kurup unutmayın.
Uygulama görevi
En az 12 aylık gerçekleşen gelir verisi (gerçek veya örnek) alın. Güçlü prompt şablonuyla üç senaryolu 12 aylık tahmin ürettirin. Ardından duyarlılık promptuyla en kırılgan üç varsayımı çıkarın. Modelin baz senaryosunun aylık büyüme oranını elle bir kez doğrulayın ve tahmini "senaryo, kesinlik değil" çerçevesiyle bir slayta özetleyin.
Kontrol listesi
- [ ] Yeterli geçmiş veri (tercihen aylık) verdim.
- [ ] Varsayımları açıkça listeledim ve modele de listeletim.
- [ ] Tek sayı değil, senaryolu aralık istedim.
- [ ] Duyarlılık analiziyle en kırılgan varsayımı belirledim.
- [ ] Baz senaryonun büyüme hesabını elle doğruladım.
- [ ] Tahmini "kesinlik değil, senaryo" çerçevesiyle sundum.