Yapay Zeka ile İş Tahminleri: Veriden Karara Yöntem

Tahmin sorusunu doğru kurmak

Yapay zeka ile tahminleme, geçmiş verideki örüntüleri kullanarak gelecekteki bir değer hakkında olasılıksal bir beklenti üretmektir. Satış gelirini, ürün talebini, nakit akışını, stok ihtiyacını ya da bir fırsatın kapanma olasılığını tahmin etmek bu işin tipik örnekleridir. Ancak tahmin, yalnızca modelin sonucu değildir; hangi karara hizmet edeceği baştan belirlenmelidir.

Önce şu soruları yanıtlayın: Neyi tahmin ediyoruz? Hangi zaman ufku için, hangi ayrıntı düzeyinde: ürün bazında mı, bölge bazında mı, toplamda mı? Tahmini kim kullanacak ve hangi kararı verecek? Bütçe planlaması için aylık toplam yeterli olabilir; stok sipariş kararı için ürün ve şube bazında haftalık tahmin gerekir. Karar ne kadar ayrıntılıysa, veri ve model ihtiyacı o kadar artar.

Ayrıca tahminin hata toleransı sorgulanır. Her iş kararı aynı doğruluğu gerektirmez; belirsizlikle yaşayabileceğiniz bir karar için basit yöntem yeterli olabilir, hatanın pahalı olduğu bir durum için daha özenli bir model ve izleme düzeni kurulur.

Veri hazırlığı ve basit referans tahmin

Tahminin kalitesi, verinin kalitesiyle sınırlıdır. Veri hazırlığı şunları içerir: • Geçmiş verinin tutarlı bir zaman aralığında toplanması; eksik dönemlerin ve mükerrer kayıtların temizlenmesi. • Aykırı değerlerin nedeninin anlaşılması: gerçek bir kampanya etkisi mi, giriş hatası mı? • Takvim etkilerinin işaretlenmesi: tatiller, mevsimsellik, kampanya günleri, fiyat değişiklikleri. • Dış değişkenlerin eklenmesi: ekonomik göstergeler, hava, rakip hareketleri gibi tahminle ilişkili olabilecek veriler. • Tanımların sabitlenmesi: “satış” siparişi mi, faturayı mı, tahsilatı mı ifade ediyor? Tanım değişirse geçmiş veri karşılaştırılamaz hale gelir.

Modele geçmeden önce basit bir referans (baseline) tahmin kurun: geçen dönemin aynısı, mevsimsel olarak düzeltilmiş hareketli ortalama gibi. Karmaşık bir model basit referansı anlamlı biçimde geçemiyorsa, ek karmaşıklık değer üretmiyordur. Referans tahmin, ayrıca iş ekibinin zaten bu işi nasıl yaptığını da gösterir ve modelin katkısını dürüstçe ölçmeyi sağlar.

Model seçimi: zaman serisi ve makine öğrenmesi

Zaman serisi modelleri, değerin geçmiş değerlerinden ve mevsim, trend gibi bileşenlerinden tahmin üretir. Üstel düzeltme ve otoregresif yöntemler bu gruptadır; az sayıda seriyle ve düzenli örüntüyle iyi çalışır, yorumlanması kolaydır ve hızlı kurulur. Makine öğrenmesi yaklaşımları ise çok sayıda açıklayıcı değişkeni birlikte kullanabilir; ağaç tabanlı yöntemler ya da sinir ağları, fiyat, promosyon, kategori ve takvim etkilerinin etkileşimini yakalayabilir. Çok sayıda ürün ve şube için tek bir modeli birlikte eğitmek de mümkündür.

Seçim ilkesi sadedir: veri azsa ve örüntü düzenliyse basit yöntem, çok sayıda seri ve zengin değişken varsa makine öğrenmesi. Birden çok yöntemi birlikte kullanan topluluk (ensemble) yaklaşımı, tek bir modelin zayıflığını dengeler. Yapay zeka destekli hazır tahmin araçları da vardır; bu araçların hangi yöntemi, hangi varsayımla kullandığını bilmek ve çıktıyı sorgulayabilmek gerekir.

Üretken yapay zeka, tahmin modelinin kendisinden çok çevresinde işe yarar: veri hazırlığı kodu yazmak, çıktıyı yönetici özetine çevirmek ya da senaryo anlatılarını hazırlamak gibi. Sayısal tahmin için hâlâ istatistik ve makine öğrenmesi modelleri esastır.

Doğrulama: modelin gerçekten işe yaradığını nasıl anlarsınız?

Bir tahmin modeli, eğitim verisinde iyi görünüp yeni veride başarısız olabilir. Bu yüzden değerlendirme, modelin görmediği veriyle yapılır. Zaman serilerinde bu, geçmişin bir bölümünü geride tutup modeli yalnızca daha eski veriyle eğitmek ve sonrasını tahmin ettirmektir. Birden çok dönem için bu işlemi tekrarlamaya geri test (backtest) denir. Rastgele bölme, zaman sırasını bozduğu için gelecekten bilgi sızdırır ve başarıyı olduğundan yüksek gösterir.

Hata ölçüsü seçimi de karar verir. Ortalama mutlak hata, yüzdesel hata ve ağırlıklı hata ölçüleri farklı şeyler söyler; küçük hacimli ürünlerde yüzdesel hata yanıltıcı olabilir. Hatanın iş etkisine bakın: eksik tahmin stok yokluğuna ve satış kaybına, fazla tahmin ise elde kalan stok ve nakit bağlanmasına yol açar. Yönlerin maliyeti eşit değilse model buna göre ayarlanır.

Tek bir sayı yerine tahmin aralığı sunmak, belirsizliği dürüstçe gösterir. “En olası değer şu, makul aralık şu” demek, karar vericinin risk almasını bilinçli kılar; kesin bir rakam beklentisi oluşturmak ise hayal kırıklığı üretir.

İş alanlarına göre uygulama örnekleri

Satışta tahminleme, fırsat boru hattındaki her kaydın aşama, yaş, etkileşim yoğunluğu ve geçmiş kapanma örüntüsüne bakarak kapanma olasılığı üretir; bu olasılıklar toplanınca dönem satış tahmini oluşur. Tahmin, satış yöneticisinin ekip değerlendirmesiyle karşılaştırılır, farklar tartışılır. Fark nedenlerini incelemek, hem modelin hem insan yargısının zayıf yönlerini ortaya çıkarır.

Finansta nakit akışı tahmini, tahsilat gecikme örüntülerini, mevsimsel giderleri ve planlı ödemeleri birleştirir. Bütçe ve senaryo çalışmaları, modelin farklı varsayımla çalıştırılmasıyla (iyimser, temel, kötümser) yapılır; yöneticiler her senaryoda alacakları aksiyonu önceden belirler.

Operasyonda talep tahmini stok, üretim ve lojistik planlamasını besler. Örneğin bir perakende zinciri, promosyon takvimi ve hava verisini içeren modelle şube bazlı haftalık tahmin üretip sipariş önerisine dönüştürebilir. Satış, finans ve operasyon tahminlerinin birbiriyle tutarlı olması, kurum içinde ortak bir sayı kümesi çalışması anlamına gelir.

Üretimde işletme: ritüel, izleme ve sorumluluk

Model bir kez kurulup bırakılırsa zamanla bozulur. Müşteri davranışı, fiyatlar ya da piyasa koşulları değiştiğinde geçmiş örüntü geçerliliğini yitirir; buna veri kayması denir. Bu yüzden gerçekleşen ile tahmin edilen düzenli karşılaştırılır, hata belirgin biçimde artarsa model yeniden eğitilir ya da gözden geçirilir.

Tahmin ritüeli, çıktıyı kurum rutinine bağlar: belirli aralıklarla tahmin üretilir, sapmalar tartışılır, manuel düzeltmeler gerekçesiyle kayda geçer. Manuel düzeltmenin değer katıp katmadığını ölçmek de önemlidir; bazen insan müdahalesi tahmini iyileştirir, bazen kötüleştirir.

Etik ve düzenleyici boyutlar göz ardı edilmemelidir. Kişisel veri içeren tahminlerde veri koruma yükümlülükleri geçerlidir; kredi, işe alım gibi bireylerle ilgili kararları etkileyen modellerde açıklanabilirlik ve ayrımcılık riski ayrıca değerlendirilmelidir. Modelin sahibi, sürümü, eğitim verisi ve sınırları belgelenmelidir.

Sık yapılan hatalar ve Mindset programları

• Karar tanımlamadan model kurmak; tahmin raporda kalır, kimse kullanmaz.
• Gelecekte bilinemeyecek bir değişkeni modele dahil etmek (veri sızıntısı); geriye dönük test mükemmel, gerçekte işe yaramaz.
• Basit referans tahminle kıyaslamamak.
• Tek rakam sunup belirsizliği saklamak.
• Veri tanımı değiştiğinde modeli uyarlamamak.
• Kurumun tahmin kültürünü değiştirmeden aracı devreye almak; ekipler modele güvenmezse paralel Excel tahminleri sürer.

Mindset kataloğunda bu konuya yakın programlar bulunur. Yapay Zeka ile Finansal Tahminleme programının modülleri “Zaman Serisi Modelleri”, “Makine Öğrenmesi ile Tahminleme”, “Senaryo Analizi ve Risk Modelleme”, “Bütçe ve Nakit Akışı Tahmini” ve “Tahmin Modelini Üretimde Kullanma” başlıklarını içerir. Yapay Zeka Destekli Forecasting programında ise “Yapay Zeka ile Pipeline Analizi ve Olasılık Hesabı”, “Forecasting Ritüeli ve Liderlik Raporlaması” ve “Benimseme, Veri Hijyeni ve Sürekli İyileştirme” gibi satış ve gelir tarafına yakın başlıklar yer alır.