Demand sensing uygulaması: sinyalden kısa vadeli tahmine

Demand sensing neyi çözer?

Geleneksel talep planlaması aylık ya da haftalık geçmiş satışlara dayanır ve ufku uzundur. Demand sensing ise yakın gelecekteki, genellikle günler ve haftalar düzeyindeki talebi, çok yeni sinyallerle yeniden hesaplar. Amaç, uzun vadeli planı çöpe atmak değildir; planın ilk günlerinde ortaya çıkan sapmayı erken yakalayıp sevkiyat, ikmal ve üretim kararlarını bu sapmaya göre ayarlamaktır.

Bu yaklaşım özellikle talebin kısa süreli şoklara tepki verdiği ortamlarda değer üretir: mevsim geçişleri, hava değişimleri, kampanya etkisi, rakip hamlesi ya da tedarik aksaması. Planlanan talep ile gerçekleşen talep arasındaki fark ne kadar erken görülürse, stok dağıtımı ve acil sevkiyat o kadar ucuza çözülür.

Demand sensing bir yazılım adından çok bir çalışma biçimidir. Hangi sinyalin hangi gecikmeyle geldiğini bilmek, bu sinyali temizlemek ve tahmini doğru ritimde güncellemek asıl işi oluşturur.

Adım adım uygulama akışı

Uygulama şu sırayla ilerler: • Ufku ve karar noktasını tanımlayın. Tahmin hangi kararı besleyecek: mağaza ikmali, depodan sevkiyat, günlük üretim planı? Karar sıklığı tahmin sıklığını belirler. • Sinyal envanteri çıkarın. Hangi veri kaynağı var, ne kadar gecikmeyle geliyor, hangi düzeyde (ürün, lokasyon) bulunuyor? • Sinyalleri hazırlayıp talep geçmişiyle ilişkilendirin. • Taban tahmini oluşturun. Kısa vadeli düzeltme bu tabanın üzerine eklenir. • Kısa vadeli düzeltme modelini kurun ve geriye dönük sınayın. • Güncelleme ritmini ve sorumlulukları belirleyip süreci canlıya alın. • Sonuçları ölçüp modeli düzenli olarak gözden geçirin.

Bu akışta en sık atlanan adım ilk maddedir. Kararı net tanımlanmayan bir tahmin, doğru olsa bile kullanılmaz; çünkü planlayıcı hangi eşikte ne yapacağını bilmez.

Hangi sinyaller kullanılır?

Sinyal, geçmiş satıştan farklı olarak yakın gelecekteki talep hakkında erken ipucu veren veridir. Yaygın kaynaklar: • Satış noktası verisi (POS) ve e-ticaret sipariş akışı. En doğrudan sinyaldir; satışın gerçek zamanlı ya da günlük görülmesini sağlar. • Müşteri siparişleri ve sipariş bekleyen kayıtlar. Kurumlar arası satışta gelen siparişin hızı sonraki günlerin habercisidir. • Bayi, dağıtıcı ve perakendecinin stok seviyeleri. Raf boşalması ikmal talebine dönüşür. • Hava durumu ve takvim olayları: tatil, bayram, yerel etkinlik. • Fiyat ve promosyon bilgisi: planlanmış ve rakip kampanyaları. • Web sitesi trafiği, arama ve sosyal medya davranışı gibi dijital işaretler.

Her sinyalin tahmin gücü ürün grubuna ve lokasyona göre değişir. Dondurma satışı hava durumuna duyarlıyken kurumsal kırtasiye satışı ay sonu bütçe döngüsüne duyarlı olabilir. Bu nedenle sinyaller tek tek ve ürün grubu bazında sınanır; hepsini birden eklemek modeli gürültüyle doldurur.

Veri hazırlığı ve sinyal işleme

Ham sinyal doğrudan modele verilmez. Önce zaman düzeyi hizalanır: günlük POS verisiyle haftalık sipariş verisi aynı takvimde buluşturulur. Eksik gün, çift kayıt ve iade gibi bozucu kalemler temizlenir. Stoksuzluk dönemleri özellikle önemlidir; rafın boş olduğu günde satış sıfırdır ama talep sıfır değildir. Bu günler olduğu gibi bırakılırsa model gerçek talebi düşük okur.

Sinyaller arasındaki zaman farkı da hesaba katılır. Hava durumu bugünün satışını etkileyebilir, ama sosyal medya hareketinin satışa dönmesi günler sürebilir. Bu nedenle sinyalin kendisine ek olarak gecikmeli ve kaydırılmış (lag) sürümleri üretilir.

Son olarak gürültü ve sinyal ayrıştırılır. Tek günlük sıçrama gerçek eğilim mi, rastlantı mı? Hareketli ortalama ya da basit yumuşatma yöntemleri bu ayrımı kolaylaştırır. Bu aşama modelden bağımsız olarak veri kalitesini belirler; hatalı hazırlanmış sinyal iyi bir modeli de çürütür.

Kısa vadeli model yaklaşımları

Demand sensing modeli çoğunlukla sıfırdan bir tahmin değil, mevcut tahmine yapılan düzeltmedir. Basit düzeyde bu, son günlerin gerçekleşen talebi ile tahmin arasındaki sapmanın, kalan günlere belirli bir ağırlıkla yansıtılması anlamına gelir. Sapma süregeliyorsa düzeltme büyür, rastlantıysa küçülür.

Daha gelişmiş düzeyde, sinyalleri girdi olarak kullanan makine öğrenmesi modelleri çalışır. Karar ağacı tabanlı yöntemler, ilişkisel sinyalleri yakalamada sık tercih edilir. Zaman serisi modelleri, mevsimsel ve haftalık desenleri taban olarak verir. Pratikte iyi çalışan yapı, istatistiksel taban tahmini üzerine kısa vadeli sinyal düzeltmesi eklemektir.

Karmaşık modelin her zaman daha iyi olduğunu varsaymayın. Basit bir sapma düzeltmesinin yeterli olduğu ürün grupları vardır. Model karmaşıklığı, tahmin kalitesindeki ölçülebilir iyileşmeyle gerekçelendirilir. Yöntem seçimi için yapay zeka ile demand planning içeriğine de başvurulabilir.

Süreç tasarımı ve güncelleme ritmi

Model ne kadar gelişmiş olursa olsun, süreçle bağlanmazsa fayda üretmez. Tahminin ne zaman güncelleneceği, kim tarafından gözden geçirileceği ve hangi sapmada müdahale edileceği tanımlanmalıdır. Günlük karar veren bir ikmal ekibi için güncelleme her sabah, haftalık sevkiyat planlayan ekip için haftada bir yapılır.

Çoğu kuruluşta ana tahmin ile kısa vadeli sinyal tahmini arasında çelişki doğar. Hangisinin hangi ufukta geçerli olduğu baştan yazılmalıdır: örneğin ilk günler için sinyal tahmini, uzak dönem için ana plan kullanılır. Aksi halde planlayıcı çelişen rakamlardan birini sezgisiyle seçer.

İstisna yönetimi de sürecin parçasıdır. Model çok büyük bir sapma ürettiğinde bunu otomatik uygulamak yerine insan onayına göndermek güveni korur. Planlayıcının rolü hesap yapmak değil, uyarıları yorumlamak ve ticari bağlamı eklemektir.

Başarıyı ölçmek ve sık hatalar

Demand sensing'in değeri, aynı ufuktaki ana tahmine göre sağladığı iyileşmeyle ölçülür. Bunun için tahmin doğruluğunun yanında yanlılık (bias) da izlenir: model sürekli fazla ya da eksik mi tahmin ediyor? Tahmin kalitesi ürün ve lokasyon bazında kırılımla raporlanır; toplam doğruluk bireysel hataları gizleyebilir.

İş sonuçlarına da bakılır: stoksuzluk kaybı azaldı mı, acil sevkiyat azaldı mı, fazla stok düştü mü? Tahmin doğruluğu artıp bu sonuçlar değişmiyorsa, tahmin karar sürecine bağlanmamıştır.

Sık hatalar şunlardır: • Yalnızca sinyal sayısını artırarak doğruluğu yükseltmeye çalışmak. • Stoksuz günleri talep olarak okumak. • Tüm ürünlere aynı modeli uygulamak. • Sadece tahmin ekibinin kullandığı bir araç kurmak. • Ölçüm yapmadan modeli yıllarca değiştirmemek.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Demand Sensing ve Kısa Vadeli Talep Sinyalleri programı Kısa Vadeli Tahminin Yeri, Veri Kaynakları ve Sinyaller, Veri Hazırlığı ve Sinyal İşleme, Kısa Vadeli Model Yaklaşımları, Süreç Tasarımı ve Güncelleme Ritmi ile Ölçüm ve Değer Yaratma modüllerinden oluşur. Talep Tahminleme ve Demand Planning programı ise temel istatistiksel yöntemleri ve yapay zeka ile demand planning konusunu kapsar.

İçerikler talep planlama, tedarik zinciri, ikmal ve satış operasyonları ekipleri için uygundur; kurumsal ekiplerde kısa vadeli tahmini mevcut S&OP ritmine nasıl bağlayacağını arayan birimlere hitap eder.