Zaman Serisi Analizi ve Tahminleme: Veriden Plana Adım Adım

Zaman serisi nedir, tahminleme hangi sorulara cevap verir?

Zaman serisi, aynı büyüklüğün düzenli aralıklarla ölçülmüş değerlerinin sıralı kaydıdır: günlük satış adedi, saatlik elektrik tüketimi, aylık çağrı sayısı, haftalık stok seviyesi. Sıranın kendisi bilgi taşır; bu yüzden gözlemleri karıştırıp rastgele eğitim ve test kümelerine bölmek, sıradan tablo verisindeki gibi yapılamaz.

Zaman serisi analizi iki işi birlikte yapar. Birincisi geçmişi anlamaktır: eğilim var mı, mevsimsellik nerede, ani kopuşları hangi olay açıkladı. İkincisi geleceği tahmin etmektir: gelecek dönemlerin değerlerini, mümkünse belirsizlik aralığıyla birlikte hesaplamak.

Tahminleme çıktısı genellikle bir karara bağlanır: ne kadar stok alınacak, hangi vardiyada kaç kişi çalışacak, nakit ihtiyacı ne zaman artacak, enerji alımı nasıl planlanacak. Karara bağlanmayan bir tahmin süs olarak kalır; bu yüzden işe daima "bu tahmini kim, hangi kararda kullanacak" sorusuyla başlanır.

Adım adım zaman serisi analizi nasıl yapılır?

Sağlam bir akış şu sırayı izler.

Birinci adım, veriyi toplamak ve temizlemektir. Zaman damgalarının tutarlı olduğundan, eksik dönemlerin nasıl doldurulduğundan, saat dilimi ve takvim farklarının (resmî tatiller, hafta sonları) işlendiğinden emin olun.

İkinci adım, görselleştirmektir. Seriyi çizin; eğilimi, mevsimsel örüntüyü, aykırı değerleri ve rejim değişimlerini gözle görün. Mevsimsel ayrıştırma, serinin eğilim, mevsimsellik ve kalıntı bileşenlerine ayrılmasını sağlar.

Üçüncü adım, durağanlığı kontrol etmektir. Birçok klasik model, serinin ortalama ve değişkenliğinin zamanla çok kaymadığını varsayar; kaydığında fark alma ya da dönüştürme gerekir.

Dördüncü adım, bir basit referans yöntem kurmaktır. "Gelecek dönem, geçen dönemle aynı olur" ya da "geçen yılın aynı dönemi" gibi saf tahminler, karmaşık modelin gerçekten fayda sağlayıp sağlamadığını ölçmek için tabandır.

Beşinci adım, model seçmek ve zamana duyarlı doğrulama yapmaktır. Modeli geçmişte kaydırmalı pencerelerle eğitip hemen sonraki döneme göre sınayın. Altıncı adım, hataları yorumlamaktır: sistematik sapma mı var, belli günlerde mi bozuluyor.

Klasik, makine öğrenmesi ve derin öğrenme yöntemleri arasında nasıl seçilir?

Klasik istatistiksel yöntemler, üstel düzeltme ve ARIMA ailesi gibi, tek bir seriyi az veriyle modellemekte güçlüdür ve yorumlaması kolaydır. Eğilim ve mevsimsellik net, seri sayısı az ise çoğu zaman yeterlidir ve savunması kolaydır.

Makine öğrenmesi yaklaşımları (rastgele orman, gradyan artırma gibi) tahmin problemini gecikmeli değerler, takvim değişkenleri, kampanya ve fiyat gibi dış etkenlerle bir tablo problemine çevirir. Çok sayıda seri ve zengin dış değişken varsa üstünlük kurar; özellik mühendisliği burada işin merkezidir.

Derin öğrenme mimarileri (örneğin tekrarlayan ağlar, dikkat tabanlı modeller) çok büyük veri kümelerinde, çok sayıda ilişkili serinin birlikte öğrenilmesinde anlam kazanır. Maliyeti ve bakım yükü yüksektir; basit bir referansı güvenilir biçimde geçemiyorsa gerekçesi zayıftır.

Pratik kural: her zaman en basit modelden başlayın, bir karmaşıklık adımını yalnız ölçülebilir kazanç getiriyorsa kabul edin ve kazancı zamana duyarlı doğrulamayla gösterin.

Örnek senaryo: perakendede haftalık talep tahmini

Örneğin bir perakende zinciri, bir ürün grubu için sonraki haftaların satış adedini tahmin etmek istiyor. Önce geçmiş satışlar çizilir: bayram dönemlerinde belirgin tepe, yaz aylarında düzenli bir yükseliş, bir kampanya sonrası kalıcı olmayan sıçrama görülür.

Referans olarak geçen yılın aynı haftası kullanılır. Ardından mevsimsel bileşenleri açıkça modelleyen klasik bir yöntem kurulur; sonra kampanya takvimi, fiyat ve hava gibi dış değişkenlerle bir makine öğrenmesi modeli denenir. Üçü de geçmişte kaydırmalı pencerelerle sınanır.

Kritik nokta, hata ölçütünü iş sorusuna uydurmaktır. Stok tükenmesi pahalıysa eksik tahmin fazla tahminden daha ağır cezalandırılmalıdır. Bu yüzden tek bir sayı yerine tahmin aralığı sunmak, planlamacıya "yüksek olasılıkla şu kadar, kötü senaryoda şu kadar" demek çok daha değerlidir.

Üretime alma ve izleme: modelin ömrü

Tahmin modeli bir kez kurulup bırakılmaz. Veri akışı, yeniden eğitim sıklığı, tahminlerin saklanması ve gerçekleşenle kıyaslanması düzenli bir süreç olmalıdır. Zaman içinde müşteri davranışı, ürün karması ya da dış koşullar değiştiğinde model kayar; bunu erkenden görmek için tahmin hatasını izleyen basit bir panel yeterlidir.

Kurumsal ortamda iki ek konu çıkar. Birincisi, tahminlerin üst düzeyde birleştirilmesi: ürün düzeyindeki tahminlerin toplamı, bölge düzeyindeki tahminle uyumlu olmalıdır. İkincisi, insan müdahalesi: planlamacı bilinen bir olayı (yeni mağaza, tedarik sorunu) tahmine ekleyebilmeli ve bu ekler de izlenmelidir.

Belirsizlik de raporlanmalıdır. Tek sayılık tahmin yanıltıcı bir kesinlik duygusu verir; olasılıksal tahmin ise karar vericinin riski bilerek seçim yapmasını sağlar.

Öğrenme yolu ve sık yapılan hatalar

Başlangıç aşamasında zaman damgalarıyla çalışmayı, seri çizmeyi, hareketli ortalama ve mevsimsel ayrıştırmayı öğrenin. Orta aşamada durağanlık, otokorelasyon, ARIMA ailesi, üstel düzeltme ve zamana duyarlı doğrulamaya geçin. İleri aşamada makine öğrenmesiyle tahminleme, olasılıksal tahmin ve üretim altyapısı gelir.

Sık yapılan hatalar: • Veriyi rastgele bölmek ve gelecekten bilgi sızdırmak; sonuç gerçekte olduğundan iyi görünür. • Basit referans yöntemi kurmadan karmaşık modele atlamak. • Tek bir hata ölçütüne bakıp iş etkisini görmemek. • Aykırı değerleri sebebini araştırmadan silmek; çoğu zaman bir kampanya ya da arıza olayıdır. • Tahmini kesin gerçek gibi sunmak ve belirsizliği saklamak. • Dış etkenleri (tatil, fiyat, kampanya) modele katmamak.

Mindset programlarında bu beceriyi nerede çalışırsınız?

"Zaman Serileri Analizi ve Tahminleme" programının modül başlıkları arasında zaman serisi kavramları ve keşifsel analiz, klasik istatistiksel tahmin yöntemleri, makine öğrenmesi ile tahminleme, derin öğrenmeli tahmin mimarileri, tahmin belirsizliği ve olasılıksal modelleme, kurumsal tahmin uygulamaları ve tahmin sistemi üretim altyapısı yer alır.

R ile çalışmak isteyenler için "R İle Matematiksel ve İstatistiksel Veri Analizi" programındaki zaman serisi analizi modülü de bir başlangıç noktasıdır.