Data Department, iki ulusal hızlı servis restoran zinciri için talep tahmini yaklaşımını zincirlerin kendi verileriyle test etti. İlkinde satışlar mağaza, ürün ve 15 dakikalık dilim bazında, ortalama yaklaşık 1,1 ürün hatayla tahmin edildi. İkincisinde mağaza bazlı stok ve talep tahmini, mevcut yöntemi yaklaşık %19 geride bıraktı.
Karar neydi?
Bir hızlı servis restoranı gün boyunca küçük kararlar verir. Saat 12.15'te kaç kişi vardiyada olmalı? Öğle yoğunluğundan önce mutfak kaç porsiyon hazırlamalı? Perşembe günü ne kadar malzeme gelmeli? Bu kararların her biri, bekleyen müşteri ile israf edilen ürün arasında bir denge kurmayı gerektirir.
Günlük ya da haftalık tahminler bu kararlar için yeterli ayrıntıyı sunmaz. Öğle talebi bir saat içinde yükselip düşebilir. İki zincir de makine öğrenmesinin, personel, üretim ve stok kararlarının gerçekten verildiği seviyede talep tahmini yapıp yapamayacağını görmek istedi.
Ne geliştirdik?
Her zincirle bir tane olmak üzere iki ayrı proje yürüttük.
| A zinciri: gün içi tahmin | B zinciri: stok ve talep tahmini | |
|---|---|---|
| Desteklenen karar | Personel planı, üretim ve israf | Mağaza bazlı stok ve talep |
| Ayrıntı düzeyi | Mağaza, ürün ve 15 dakikalık dilim | Mağaza ve ürün |
| Kapsam | Her mağazada her ürün | 10 restoran, 574 ürün |
| Sonuç | Ortalama ~1,1 ürün hata | Mevcut yönteme göre ~%19 daha iyi |
A zinciri. Her mağazadaki her ürün için satışları 15 dakikalık dilimlerle tahmin ettik. Satış geçmişini hava durumu, resmî tatiller ve internet arama trendleriyle birleştirdik. Bu dış sinyaller, yalnızca satış geçmişinin göremeyeceği talep değişimlerini açıklamaya yardımcı olur: ani yağmurlu bir öğleden sonra ya da uzun bir bayram tatili gibi.
B zinciri. 10 restoran ve 574 ürün üzerinde mağaza bazlı stok ve talep tahmini modeli kurduk ve zincirin hâlihazırda kullandığı yöntemle doğrudan karşılaştırdık.
Sonuçlar
- A zinciri: Ürün, mağaza ve 15 dakikalık dilim başına ~1,1 ürün ortalama tahmin hatası.
- B zinciri: 10 restoran ve 574 üründe mevcut yönteme göre ~%19 daha iyi sonuç.
Ürün ve dilim başına yaklaşık bir adetlik hata, mutfak hazırlığını ve vardiya planını pratikte yönetmeye yetecek kadar küçüktür.
Çıkardığımız dersler
Tahmini, kararın verildiği seviyede yapın. Vardiya sorumlusu personeli haftalık planlamaz. 15 dakikalık dilimlerle tahmin, çıktıyı personel ve üretim kararları için doğrudan kullanılabilir hâle getirdi.
Dış sinyaller modele önemli katkı sağlar. Hava durumu, tatiller ve arama trendleri satış geçmişinde olmayan bilgiyi taşır. Bu verilerin elde edilmesi kolaydır ve en çok olağan dışı günlerde, yani planlamacının desteğe en çok ihtiyaç duyduğu günlerde fayda sağlar.
Her zaman mevcut yöntemle karşılaştırın. Bir tahmin, ancak işletmenin mevcut yönteminden daha iyi sonuç veriyorsa değer taşır. B zincirindeki ~%19'luk iyileşme yapay bir ölçüte göre değil, zincirin kendi yöntemine göre ölçüldü.
Müşterinin kendi verisiyle test edin. Genel kıyaslama veri setlerindeki sonuçlar, belirli bir zincir hakkında pek az bilgi verir. Her zincirin kendi satış geçmişiyle çalışmak, yaklaşımın kararların gerçekten verildiği yerde ne sağlayabileceğini gösterdi. Aynı mantığı talep tahmini ve stok optimizasyonu projelerimizde ve perakende ve e-ticaret müşterilerimizde de uyguluyoruz.
Sık sorulan sorular
"Ortalama ~1,1 ürün hata" ne anlama geliyor?
Bir mağazadaki bir ürün için 15 dakikalık bir dilimde yapılan tahmin, gerçekleşen satıştan ortalama yaklaşık 1,1 adet sapıyordu. Bu hassasiyet, mutfak hazırlığını ve vardiya planını belirlemek için yeterlidir.
Restoran talep tahmininde hava durumu ve arama trendleri neden kullanılıyor?
Hava durumu, tatiller ve arama trendleri dışarıda yemek yiyen kişi sayısını ve siparişleri etkiler. Bu sinyaller, modelin yalnızca geçmiş satışlarla göremeyeceği talep değişimlerini önceden yakalamasına yardımcı olur.