Talep Tahmini: Gelecekteki İhtiyacı Veriyle Öngörmek

Talep tahmini nedir?

Talep tahmini (demand forecasting), bir ürün ya da hizmete gelecekte ne kadar talep geleceğini geçmiş satış verisi, mevsimsellik, fiyat ve promosyon bilgisi ile dış etkenler üzerinden öngörme çalışmasıdır. Çıktısı, belirli bir dönem için beklenen miktardır; çoğu zaman belirsizliği gösteren bir aralıkla birlikte verilir.

Tahmin bir kesinlik değil, planlama girdisidir. Üretim, satın alma, stok, personel ve bütçe kararları, tahmin edilen talebin üzerine kurulur. Tahmin eksik kalırsa raf boşalır ve satış kaçar; fazla kalırsa stok birikir, sermaye bağlanır, bozulan ürün fireye döner.

Hangi verilerle yapılır?

Talep tahmininin kalitesi, büyük ölçüde veri kalitesine bağlıdır. Tipik girdiler:

• Geçmiş satış: Ürün, mağaza, kanal ve zaman düzeyinde satış miktarları. Stokta olmadığı için gerçekleşemeyen satışlar da dikkate alınmalıdır; yoksa talep olduğundan düşük görünür.
• Takvim etkileri: Hafta içi ve sonu farkı, tatiller, dini ve resmî günler, sezonlar.
• Fiyat ve promosyon: Fiyat değişikliği, kampanya ve indirim dönemleri.
• Dış etkenler: Hava durumu, ekonomik koşullar, rakip hareketleri, pazarlama faaliyetleri.
• Ürün özellikleri: Yeni ürün, ikame ürün, yaşam döngüsü evresi.

Her girdi her ürün için anlamlı değildir; hızlı dönen bir temel ürünle sezonluk bir ürünün tahmin mantığı farklıdır.

Başlıca yöntemler

Yöntemler genel olarak nitel ve nicel diye ayrılır. Nitel yöntemler uzman görüşüne, satış ekibi tahminlerine ve pazar araştırmasına dayanır; geçmiş verinin olmadığı yeni ürünlerde kullanışlıdır.

Nicel yöntemler ise veriye dayanır:

• Zaman serisi yöntemleri: Hareketli ortalama, üstel düzeltme ve mevsimsellik ayrıştırma gibi klasik yöntemler, geçmiş eğilimi ve mevsimsel örüntüyü geleceğe taşır.
• Nedensel modeller: Fiyat, promosyon ve diğer etkenlerin talebe etkisini regresyonla modeller.
• Makine öğrenmesi: Çok sayıda değişkeni birlikte işleyerek karmaşık örüntüleri öğrenir; çok sayıda ürünün aynı anda tahmininde işe yarar.

Uygulamada tek bir yöntem her duruma uymaz. Yöntem seçimi veri miktarına, ürün davranışına ve kararın ne kadar hassas olduğuna göre yapılır; basit bir yöntemin yeterli olduğu yerde karmaşık modele gitmek gereksiz maliyet getirir.

Örnek: Bir perakende zincirinde haftalık tahmin

Örneğin bir zincir, içecek kategorisi için haftalık talep tahmini yapıyor. Geçmiş satışlarda yaz aylarında belirgin bir yükseliş, hafta sonlarında yükselme ve kampanya haftalarında ek artış görülüyor. Analist bu örüntüleri modele katar; ayrıca önümüzdeki hafta için hava tahminini ve planlanan promosyonu girdi olarak ekler.

Model, mağaza ve ürün düzeyinde bir talep tahmini üretir. Tedarik planlamacısı bu tahmini mevcut stok ve tedarik süresiyle karşılaştırarak sipariş miktarını belirler. Hafta sonunda gerçekleşen satış tahminle kıyaslanır; sapma büyükse nedenine bakılır: stok tükendi mi, beklenmeyen bir hava olayı mı oldu, rakip kampanya mı yaptı?

Bu kapalı döngü, tahmin sürecinin asıl değeridir: tahmin, gerçekleşme ve öğrenme birlikte çalışır.

Tahmin hatası nasıl ölçülür?

Tahmin doğruluğu, gerçekleşen talep ile tahmin arasındaki fark üzerinden ölçülür. Yaygın hata ölçütleri ortalama mutlak hata, ortalama mutlak yüzde hata ve ağırlıklı varyantlarıdır. Hangisinin seçileceği, işletme için neyin önemli olduğuna bağlıdır; yüksek hacimli ürünlerin hatası, düşük hacimli ürünlerin hatasından daha pahalı olabilir.

Ölçüm yalnızca "ne kadar sapma" sorusuna değil, "sapma hep aynı yöne mi" sorusuna da bakmalıdır. Sürekli fazla tahmin ya da sürekli eksik tahmin, yöntemde sistematik bir sorun olduğunu gösterir. Ayrıca tahmin hatası, güvenlik stoğu hesabının da girdisidir: Hata ne kadar büyükse, tampon stok ihtiyacı o kadar artar.

İlgili kavramlar ve Mindset programları

Talep tahmini; güvenlik stoğu, ekonomik sipariş miktarı, tedarik süresi ve stok devir hızı ile yakından ilişkilidir. Satış tahmini (forecasting), talep tahmininden farklı olarak çoğu zaman satış hunisi ve fırsat olasılıklarına dayanır.

Mindset kataloğunda Perakendede Talep Tahmini programı zaman serisi analizi ve klasik yöntemler, makine öğrenmesi ile talep tahmini, fiyat ve promosyon etkisi modelleme ile stok optimizasyonu ve yenileme kararlarını içerir. Forecasting Modelleri programı ise aşama bazlı olasılık modeli, tarihsel trend ve senaryo modeli ve yapay zeka destekli forecasting gibi başlıkları kapsar.