Tanımlayıcı Analitikten Tahmine Dayalı Analitiğe: Ne Oldu ve Ne Olacak?

Geçmişi özetlemek ile geleceği tahmin etmek

Tanımlayıcı (betimleyici) analitik "ne oldu?" sorusunu yanıtlar. Geçmiş veriyi toplar, temizler, özetler ve görünür kılar: aylık satış, bölge bazında iade oranı, kanal bazında müşteri edinme, makine bazında duruş süresi. Kullandığı araçlar toplama, filtreleme, gruplama, ortalama, medyan, dağılım, trend ve kohort analizidir; çıktısı raporlar, panolar ve KPI'lardır.

Tahmine dayalı analitik ise "ne olması muhtemel?" sorusunu yanıtlar. Geçmiş verideki örüntülerden bir model kurar ve henüz sonucu bilinmeyen durumlar için olasılık ya da değer üretir: hangi müşterinin ayrılma riski yüksek, gelecek ay hangi üründen ne kadar satılır, hangi makine yakında arıza verebilir. Regresyon, sınıflandırma, zaman serisi ve makine öğrenmesi yöntemlerini kullanır; çıktısı skorlar, tahminler ve bunların belirsizlik aralıklarıdır.

Analitik basamakları içinde yerleri

Analitik çalışmalar genellikle soru türüne göre basamaklar halinde anlatılır:

• Tanımlayıcı: ne oldu?
• Teşhis edici (diagnostik): neden oldu?
• Tahmine dayalı: ne olacak?
• Yönlendirici (preskriptif): ne yapmalıyız?

Bu sıralama bir olgunluk merdiveni gibi okunur ama basamaklar birbirinin yerine geçmez. Tahmine dayalı modeller tanımlayıcı analitikle hazırlanmış, anlamı ortak bir veri tabanına ihtiyaç duyar. Bir kurumun "satış" tanımı birimden birime değişiyorsa, o tanım üzerine kurulan bir tahmin modeli de tutarsız olur. Bu yüzden tahmine dayalı analitiğe geçiş, tanımlayıcı katmanın sağlamlığıyla başlar.

Yönlendirici analitik ise tahmini bir karara çevirir. Örneğin talep tahmini tek başına "gelecek ay şu kadar satılacak" der; yönlendirici katman bu tahmini stok maliyeti, kapasite ve servis hedefiyle birleştirip ne kadar sipariş verileceğini önerir. Tahmine dayalı analitik bu yüzden hem tanımlayıcı katmana dayanır hem de karar optimizasyonuna girdi sağlar.

Ölçüt ölçüt karşılaştırma

• Ölçüt: Yanıtladığı soru. Tahmine dayalı: ne olması muhtemel, kimde, ne zaman? / Tanımlayıcı: ne oldu, ne kadar, nerede?
• Ölçüt: Zaman yönü. Tahmine dayalı: geleceğe ya da sonucu henüz bilinmeyen kayıtlara bakar. / Tanımlayıcı: geçmişe ve bugüne bakar.
• Ölçüt: Yöntemler. Tahmine dayalı: regresyon, lojistik regresyon, karar ağaçları ve topluluk modelleri, zaman serisi modelleri. / Tanımlayıcı: toplama, kırılım, oran, trend, dağılım, kohort, pivot.
• Ölçüt: Veri ihtiyacı. Tahmine dayalı: sonucu bilinen yeterli geçmiş örnek, sonuçtan önce bilinebilen açıklayıcı değişkenler, tutarlı zaman damgaları. / Tanımlayıcı: doğru tanımlanmış metrikler, temiz ve bütünleşik bir veri modeli.
• Ölçüt: Çıktı. Tahmine dayalı: kayıt bazında skor, olasılık, tahmin değeri ve hata payı. / Tanımlayıcı: rapor, pano, KPI, özet tablo.
• Ölçüt: Doğrulama. Tahmine dayalı: modelin görmediği veriyle test, hata ölçüleri, zamanla izleme. / Tanımlayıcı: hesap doğruluğu ve kaynak sistemle mutabakat.
• Ölçüt: Tipik roller. Tahmine dayalı: veri bilimci, ileri analitik uzmanı, talep planlama analisti. / Tanımlayıcı: veri analisti, iş zekası geliştiricisi, raporlama uzmanı.
• Ölçüt: Yanlış kullanım riski. Tahmine dayalı: tahmini kesin bilgi gibi okumak, modeli eskiyen veriyle çalıştırmak. / Tanımlayıcı: korelasyonu nedensellik sanmak, kimsenin aksiyon almadığı panolar üretmek.

Aynı problem, iki farklı çıktı: müşteri kaybı örneği

Örneğin bir abonelik şirketi müşteri kaybını azaltmak istiyor. Tanımlayıcı analitik önce tabloyu ortaya koyar: son dönemde hangi paket, hangi kanal ve hangi bölgede kayıp arttı, ayrılan müşteriler ayrılmadan önce destek hattını ne sıklıkla aradı, kullanım hangi haftalarda düştü. Bu analiz yönetime sorunun büyüklüğünü ve yoğunlaştığı yerleri gösterir.

Tahmine dayalı analitik ise bu geçmişi bir modele dönüştürür ve bugün aktif olan her müşteri için bir ayrılma riski skoru üretir. Müşteri hizmetleri ekibi her hafta en yüksek riskli listeyi alır ve proaktif arama yapar. Modelin değeri, tanımlayıcı panolarla ölçülür: aranan riskli müşterilerde kayıp, aranmayan benzer gruba göre düştü mü? Görüldüğü gibi iki yaklaşım aynı döngünün parçalarıdır.

Hangi durumda hangisi?

Tanımlayıcı analitik yeterliyse:

• Soru durumu görmek ve izlemekse (performans takibi, bütçe gerçekleşme, operasyon raporu).
• Veri tanımları henüz oturmamış, aynı metrik farklı raporlarda farklı çıkıyorsa.
• Karar seyrek veriliyorsa ve bir uzmanın yorumu yeterliyse.

Tahmine dayalı analitik değer katıyorsa:

• Aynı karar sık ve çok sayıda kayıt için tekrarlanıyorsa (her müşteri, her ürün, her makine).
• Sonucu bilinen yeterli geçmiş örnek varsa.
• Tahmine bağlanabilecek somut bir aksiyon varsa: arama listesi, sipariş miktarı, bakım planı.
• Erken bilmenin ekonomik değeri yüksekse, örneğin stoksuz kalmanın ya da plansız duruşun maliyeti büyükse.

Aksiyonu olmayan bir tahmin, ne kadar isabetli olursa olsun yalnızca ilginç bir bilgidir.

Tahmine dayalı projelerde sık hatalar

• Veri sızıntısı: sonuçtan sonra oluşan bilgiyi (örneğin iptal formundaki bir alanı) açıklayıcı değişken olarak kullanmak; model testte parlak, gerçekte işe yaramaz görünür.
• Karşılaştırma tabanı kurmamak: modeli basit bir kurala ya da geçen yılın aynı dönemine göre test etmeden "isabetli" ilan etmek.
• Belirsizliği gizlemek: tek bir sayı vermek yerine aralık ve güven düzeyini göstermemek.
• Modeli kurup bırakmak: müşteri davranışı, fiyat ya da ürün karması değiştikçe performans düşer; izleme panosu ve yeniden eğitim ritmi gerekir.
• Tanımlayıcı katmanı atlamak: metrik tanımları netleşmeden model kurmak.

Mindset programlarında iki katman

Tanımlayıcı analitik tarafında rapor ve pano üreten analistler için Uygulamalı Power BI ile Veri Analitiği ve Görselleştirme Sertifika Programı, Veri Modelleme ve Yönetimi ile DAX Analiz Dili ve Kullanımı modülleriyle metrik tanımlarını sağlam bir modele oturtmayı çalıştırır. Tahmine dayalı tarafa geçmek isteyen analistler ve planlama ekipleri için Tahmine Dayalı Analitik Temelleri eğitimi, Veri Hazırlama ve Özellik Mühendisliği, Model Değerlendirme ve Seçim ile Zaman Serisi ve Talep Tahmini konularını işler.

Üretim ve bakım ekipleri için Üretimde Yapay Zeka ve Tahmine Dayalı Bakım eğitimi, Tahmine Dayalı Bakım Mimarisi ve Modelleme modülüyle aynı yaklaşımı makine verisine uygular.