Data Department, distribütörler, üreticiler, perakendeciler ve restoran zincirleri için talep tahmini ve stok optimizasyonu sistemleri kurar. Talebi ürün, lokasyon ve dönem bazında, belirsizliği de gösteren bir aralıkla tahmin ederiz; bu aralığı sipariş noktasına, emniyet stokuna ve üretim planına çeviririz. Bu yaklaşımla, 100.000'den fazla aktif yedek parçası olan bir distribütör için bir sistem kurduk.
Talep tahmini hangi sorunları çözer?
Tahmin, ancak bir kararı değiştirdiğinde değer üretir. Üzerinde çalıştığımız kararlar:
- Hangi üründen, hangi depo için, ne zaman ve ne kadar sipariş verilecek?
- Yılda üç kez satılan bir parça için ne kadar emniyet stoku tutulacak?
- Her mağazada, her 15 dakikalık dilimde kaç kişi çalışacak, ne kadar ürün hazırlanacak?
- Hangi yavaş dönen veya ölü stok artık yenilenmeyecek?
- Stok; yetkili servis, bayi ve doğrudan satış kanalları arasında nasıl dağıtılacak?
Tek bir sayı ("40 adet satacağız") riski gizler. Planlamacıya bir aralık veririz: "yüzde 90 olasılıkla 28 ile 55 adet arası". Böylece her ürün için hedef servis seviyesini seçer ve bu seçimin stokta neye mal olduğunu görür. Tahmin doğruluğunun tek başına yeterli olmadığını bu nedenle vurguluyoruz.
Talep tahmini projesi için hangi veriler gerekir?
- En az iki yıllık, işlem bazında satış veya sipariş geçmişi (ürün, lokasyon, tarih, miktar). Mevsimsellik için üç yıl daha iyidir.
- Ürün ana verisi: kategori, fiyat, tedarik süresi, muadil ve yerine geçen parça bilgisi.
- ERP (kurumsal kaynak planlama) sisteminizden güncel stok ve açık satın alma siparişleri.
- Gerekiyorsa talebi etkileyen faktörler: kampanyalar, fiyat değişiklikleri, resmî tatiller ve bayramlar, hava durumu, yeni mağaza açılışları, araç parkı.
Verinin dağınık olması normaldir. Keşif aşamasında ne kadar dağınık olduğunu ölçer, projeyi engelleyip engellemediğine birlikte karar veririz.
Proje nasıl ilerler?
Keşif (2 hafta). Veriyi inceler, mevcut yönteminizin doğruluğunu ölçeriz; böylece adil bir karşılaştırma noktası olur. Ürünleri talep davranışına göre gruplara ayırırız. Sonunda devam/dur kararı ve tahminin ilk nerede fayda sağlayacağını gösteren sıralı bir liste alırsınız. Sizden beklenen: veri erişimi ve bir planlamacıyla birkaç saatlik görüşme.
Pilot (6–10 hafta). Bir kategori, bölge veya kanal için modelleri kurar, kendi geçmiş verinizde mevcut yönteminizle karşılaştırırız. Başarı ölçütü ilk gün belirlenir; örneğin aynı karşılama oranında stok tutma maliyeti. Planlamacılarınız tahminleri haftalık olarak inceler ve tutarsız görünen sonuçları bize bildirir.
Canlıya geçiş ve devir. Sistemi bulut ortamınızda (AWS, Google Cloud, Azure) veya kendi sunucularınızda, konteyner olarak kurarız. Tahminler günlük veya haftalık güncellenir, ERP ve planlama araçlarınıza geri yazılır. Sapma izlemesi ekler, planlama ve bilgi işlem ekiplerinizi sistemi kendileri yönetecek şekilde eğitiriz.
Hangi talep yapısına hangi yöntem?
Her ürün için uygun tek bir model yoktur. Önce ürünleri gruplara ayırır, ardından her grup için yöntem seçeriz.
| Talep yapısı | Tipik yöntem | Neden |
|---|---|---|
| Sık ve düzenli satılan ürünler | Mevsimsellik ve takvim değişkenli gradyan artırma (gradient boosting) | Birçok etkeni birlikte öğrenir, büyük ürün gamına ölçeklenir |
| Seyrek, kesikli talep | Muadil parça bilgisini kullanan hiyerarşik Bayesçi modeller | Az satılan üründe benzer ürünlerin bilgisinden yararlanır |
| Yüksek değerli ürünler | Bulunurluğa göre ayarlanmış temkinli modeller | Stoksuz kalmak, stok tutmaktan pahalıdır |
| Geçmişi olmayan yeni ürünler | Benzer ürünlerden öğrenen özellik tabanlı modeller | Gerçek satış gelene kadar başlangıç tahmini verir |
| Kısa aralıklar (saatlik, 15 dakikalık) | Hava durumu, tatil ve arama eğilimi sinyalli modeller | Gün içi personel ve üretim planını destekler |
Sahadan sonuçlar
Birçok marka ve satış kanalında 100.000'den fazla aktif yedek parçası olan büyük bir otomotiv distribütörlük grubunda, eski nokta tahminlerin yerine olasılıksal ve segment bazlı modeller kurduk. Sistemi AWS (Amazon Web Services) üzerinde, günlük güncellemeli olarak kurduk. Tahmin doğruluğu eski yönteme göre yaklaşık yüzde 30 arttı, stok tutma maliyeti yaklaşık yüzde 10 düştü. Yedek parça stok tahmini projesini inceleyin.
İki ulusal hızlı servis restoran zincirinde yaklaşımımızı kendi verileri üzerinde test ettik. Birinde mağaza ve ürün bazında, 15 dakikalık dilimlerle satış tahmini yaptık; ortalama hata, dilim başına ürün ve mağaza başına yaklaşık 1,1 adetti. Diğerinde 10 restoran ve 574 ürün için mağaza bazında stok ve talep tahmini yaptık; sonuç mevcut yönteme göre yaklaşık yüzde 19 daha iyiydi. Restoran talep tahmini projesini inceleyin.
Talep tahmini ne zaman doğru araç değildir?
- Geçmiş veri çok kısaysa. Her sezon değişen ve benzeri olmayan ürünlerde planlamacı deneyimi ve basit kurallar modelden iyi sonuç verebilir.
- Darboğaz başka yerdeyse. Tedarikçi teslim süreleri güvenilmezse veya depo operasyonu aksıyorsa, daha iyi bir tahmin bu sorunu gidermez.
- Süreç değişmeyecekse. Planlamacılar her tahmini elle değiştiriyorsa, doğruluk artışı uygulamaya yansımaz.
- Önemli ürün sayısı azsa. İyi bir analist ve bir tablo yeterli olabilir.
Asıl soru kısıtlar altında dağıtım veya çizelgeleme ise tahmin, optimizasyon ve simülasyon modellerine girdi olur.
Sık sorulan sorular
Talep tahmini için ne kadar veri gerekir?
Genellikle en az iki yıllık ürün bazında satış veya sipariş geçmişi gerekir; mevsimsellik için üç yıl daha iyidir. Verinizin yeterli olup olmadığını pilottan önce keşif aşamasında görürsünüz.
Sonuçları ne zaman görürüz?
Keşif 2 hafta, pilot 6–10 hafta sürer. Canlıya geçiş kararından önce, kendi geçmiş verinizde mevcut yönteminizle karşılaştırmayı görürsünüz.
ERP sistemimizle çalışır mı?
Evet. SAP, Logo, Microsoft Dynamics veya kendi geliştirdiğiniz bir sistem olsun; veriyi veritabanı görünümleri, dosya aktarımları veya API (uygulama programlama arayüzü) üzerinden okur, tahminleri aynı yolla geri yazarız.
Proje maliyetini neler belirler?
Ürün ve lokasyon sayısı, veri kaynağı sayısı, entegrasyon derinliği, güncelleme sıklığı ve tahminin üzerine stok politikası optimizasyonu isteyip istemediğiniz.
Talep tahmini kişisel veri kullanır mı?
Genellikle hayır. Talep tahmini ürün ve lokasyon bazında toplu veriyle çalışır; bu nedenle KVKK (Kişisel Verilerin Korunması Kanunu) ve GDPR (Avrupa Birliği Genel Veri Koruma Tüzüğü) kapsamındaki yükümlülükler çoğunlukla sınırlıdır.