# ARIMA Modelleri Açıklandı: Tahminleme için Pratik Bir Rehber > ARIMA modelleri sade bir dille açıklanıyor: AR, I, MA bileşenleri, p, d, q seçimi, artık (residual) diyagnostikleri, tahminleme ve iş kullanım senaryoları. Tahminlemeye başlayın Source: https://www.electe.net/tr/post/arima-models-explained Site guide: https://www.electe.net/tr/llms.txt ARIMA, otoregresyon, fark alma (differencing) ve hareketli ortalamayı ARIMA(p,d,q) olarak yazılan tek bir modelde birleştiren istatistiksel bir tahmin yöntemidir. Bu rehber, her bir bileşenin nasıl çalıştığını ve ne zaman kullanılacağını gösterir. Muhtemelen tanıdık bir iş sorusuyla karşı karşıyasınız: gelecek ay kaç ürün satılacak, ne kadar stok yeniden sipariş edilmeli, ya da gelecek nakit planlanan giderleri karşılayacak mı? Bir tablo eğilim çizgisi yönü gösterebilir, ancak bugünün sonucunun yakın geçmişe, olağandışı hatalara ve değişen kalıplara nasıl bağlı olduğunu çoğu zaman kaçırır. **Sade bir dille açıklanan ARIMA modelleri**, tahminin altında neler olduğunu anlamanıza yardımcı olabilir. Üç bileşenin nasıl bir araya geldiğini, durağanlığın (stationarity) fark alma sırasını nasıl belirlediğini, ACF ve PACF grafiklerinin model seçimine nasıl rehberlik ettiğini ve herkes çıktıya güvenmeden önce artık kontrollerinin neden önemli olduğunu öğreneceksiniz. Ayrıca, özellikle mevsimsellik, yapısal kırılmalar, eksik gözlemler ve promosyon kaynaklı talep söz konusu olduğunda, sade ARIMA'nın nerede yetersiz kaldığını da göreceksiniz. İleri düzey matematik gerekmez. Amaç pratik bir muhakeme kazandırmaktır, böylece ARIMA'nın ne zaman kullanışlı bir temel oluşturduğunu, ne zaman mevsimsel bir uzantıya ihtiyaç duyduğunu ve KOBİ'niz için ne zaman daha zengin bir tahminleme yaklaşımının daha mantıklı olduğunu anlayabilirsiniz. ## İçindekiler - ARIMA İş Tahminlemesi İçin Neden Hâlâ Önemli - - Çerçeve neden pratik kalmaya devam ediyor - ARIMA Modellerinin Üç Yapı Taşı - - Otoregresyon momentumu yakalar - Entegrasyon sürüklenmeyi ortadan kaldırır - Hareketli ortalama hatalardan öğrenir - Fark Alma Yoluyla Verinizi Durağan Hale Getirmek - - Günlük terimlerle fark alma - Mekanik bir dönüşümden kaçınmak - ACF, PACF ve Bilgi Kriterleriyle p, d ve q Seçimi - - İki grafiği okumak - Eşitlik bozucu olarak AIC ve BIC kullanmak - Modeli Tahmin Etmek ve Artık Diyagnostiklerini Kontrol Etmek - - Pratik bir diyagnostik kontrol listesi - Kontroller başarısız olduğunda ne değiştirilmeli - İş Kullanım Senaryolarıyla Pratikte Tahminleme - - Tahminin şekillendirdiği üç karar - Hafif bir uygulama - ARIMA Yetersiz Kaldığında ve ELECTE İş Akışını Nasıl Otomatikleştiriyor - - Model seçiminden önce veri hazırlığını kontrol edin - Önemli çıkarımlar ## ARIMA İş Tahminlemesi İçin Neden Hâlâ Önemli Bir yönetici gelecek çeyreğin satış tahminini ister. Ekip bir tablo açar, son eğilimi uzatır ve bir sayı üretir. Talep istikrarlı olduğunda bu kabul edilebilir olabilir, ancak zaman serisi verileri sıklıkla **otokorelasyon** taşır; bu, yakın zamandaki gözlemlerin önceki gözlemlerle ilişkili olduğu anlamına gelir. Bir satış sıçraması sonraki dönemi etkileyebilir ve düz bir eğilim çizgisi aksini gösterse bile kalıcı bir düşüş devam edebilir. ARIMA bu tür diziler için tasarlanmıştır. Değerlerin zaman içinde nasıl geliştiğini modellemek için serinin kendi geçmişini ve geçmiş tahmin hatalarını kullanır. Bu da onu, altta yatan verinin uygun bir yapıya sahip olması koşuluyla, talep planlaması, nakit akışı izleme ve operasyonel risk incelemesi gibi kısa vadeli sorular için kullanışlı kılar. ### Çerçeve neden pratik kalmaya devam ediyor ARIMA, tahminleme referansı [Forecasting: Principles and Practice](https://otexts.com/fpp2/arima.html)'e göre, üstel düzeltme (exponential smoothing) ile birlikte **zaman serisi tahminlemesinde en yaygın kullanılan iki yaklaşımdan biri** olmaya devam ediyor. Kullanımının sürmesi, yararlı bir dengeden kaynaklanıyor: - **Yorumlanabilir:** Modelin yakın değerlere, fark almaya veya geçmiş hatalara dayanıp dayanmadığını açıklayabilirsiniz. - **Zamansal sırayı gözetir:** Model her gözlemi izole bir satır olarak ele almaz. - **Net bir iş akışını destekler:** Seriyi inceler, gerektiğinde dönüştürür, aday modelleri tahmin eder ve artıkları doğrularsınız. - **Bir temel olarak işlev görür:** Daha karmaşık yöntemleri şeffaf bir istatistiksel modelle karşılaştırabilirsiniz. Bir perakende analisti, bir promosyonun ekstra stok gerektirip gerektirmediğine karar vermeden önce yakın vadeli satışları tahmin etmek için ARIMA'yı kullanabilir. Bir finans ekibi, kısa bir nakit hareketleri dizisini izlemek ve gerçek sonuçların beklenen davranıştan ne zaman saptığını belirlemek için bunu kullanabilir. Bu tahminler ticari muhakemenin yerini almaz. Bu muhakemeye yapılandırılmış bir başlangıç noktası sağlarlar. > **Pratik kural:** Bir tahmin, yalnızca varsayımları verinizin davranış biçimiyle eşleştiğinde kullanışlıdır. Bu rehberin sonunda, **AR**, **I** ve **MA**'nın ne anlama geldiğini, **p**, **d** ve **q**'nun modeli nasıl tanımladığını, ACF ve PACF kalıplarının sıra seçimini nasıl desteklediğini ve artık diyagnostiklerinin yanıltıcı bir uyumu nasıl ortaya çıkardığını bileceksiniz. Ayrıca sade ARIMA'dan SARIMA'ya veya daha zengin bir modele geçiş için karar kuralları da edineceksiniz. ## ARIMA Modellerinin Üç Yapı Taşı İsim teknik görünüyor, ancak bileşenlerini ayırdığınızda ARIMA daha anlaşılır hale gelir. Her bileşen, seri hakkında farklı bir soruyu yanıtlar. ### Otoregresyon momentumu yakalar **Otoregresyon veya AR,** mevcut değerlerin önceki değerleri yansıtıp yansıtmadığını sorgular. Hareket halindeki bir aracın momentumunu düşünün. Talep son dönemlerde artıyorsa, sonraki gözlem bu yönün bir kısmını koruyabilir. Model bu sürekliliği gecikmeli değerler aracılığıyla temsil eder; gecikme, dizideki daha önceki bir gözlemdir. ARIMA(p,d,q) içindeki **p**, otoregresif terimlerin sayısıdır. Daha yüksek bir p, modelin daha fazla geçmiş değeri dikkate almasını sağlar, ancak terim eklemek tahmini otomatik olarak iyileştirmez. Fazladan geçmiş veri, gürültü veya gereksiz karmaşıklık ekleyebilir. ### Bütünleştirme sürüklenmeyi ortadan kaldırır **Bütünleştirme veya I,** farkını alma işlemini ifade eder. Orijinal satış düzeyini modellemek yerine, dönemler arasındaki değişimi incelemek için mevcut değerden önceki bir değeri çıkarırsınız. Bu, genel eğimin görünümü domine etmesini önlemek için bir tepeyi düzleştirip araziyi incelemeye benzer. **d**, seriyi durağan hale getirmek için gereken mevsimsel olmayan fark alma sayısıdır. Durağan bir serinin istatistiksel davranışı zaman içinde makul ölçüde sabit kalır. Orijinal seri sürükleniyorsa, fark alma işlemi desenlerini modellemeyi kolaylaştırabilir. ### Hareketli ortalama hatalardan öğrenir **Hareketli ortalama veya MA,** önceki tahmin hatalarını kullanır. Talep aniden değiştiği için bir tahminin isabetsiz kaldığını varsayalım. MA bileşeni, sonraki tahminlerin bu yakın zamandaki hataları hesaba katmasını sağlar; tıpkı bir termostatın hedefi aşması veya altında kalmasının ardından kendini düzeltmesi gibi. **q**, tahmin denklemine dahil edilen gecikmeli tahmin hatalarının sayısıdır. AR geçmiş değerlere bakar. MA geçmiş hatalara bakar. Fark alma işlemiyle birlikte, süreklilik, trend giderme ve kısa vadeli düzeltmeyi temsil edebilen bir model oluştururlar. George Box ve Gwilym Jenkins, ARIMA'yı **1970'te Box-Jenkins metodolojisinin** bir parçası olarak popülerleştirdi; bu metodoloji tanımlama, tahmin ve doğrulamadan oluşan pratik ve yinelemeli bir iş akışı oluşturdu. Dolayısıyla ARIMA tek başına izole bir formül olarak ortaya çıkmadı. [IBM'in ARIMA genel bakışında](https://www.ibm.com/think/topics/arima-model) açıklandığı gibi, otoregresif ve hareketli ortalama terimlerini uydurmadan önce fark alma işleminin kullanıldığı, gerçek dünya zaman serileri için bir modelleme sistemi olarak geliştirildi. > ARIMA(p,d,q), **geçmiş değerleri**, **farkları** ve **geçmiş tahmin hatalarını** birleştirir. Harfler modelin neyi kullandığını, sayılar ise her bir bileşenden ne kadar kullandığını gösterir. ## Fark Alma Yoluyla Verilerinizi Durağan Hale Getirmek ARIMA, modellemeden önce serinin **durağan olmasını bekler**. Pratik olarak, serinin kontrol edilmeyen bir trend nedeniyle temel davranışını değiştirmeye devam etmemesi gerekir. Gözlemler arasındaki ilişkilerin anlamlı olabilmesi için ortalama düzeyi ve değişkenliği yeterince sabit kalmalıdır. Görsel bir incelemeyle başlayın. Sürekli artan bir satış çizgisi, düşen bir finansal bakiye veya düzey arttıkça genişleyen değişkenlik, durağan olmamanın işareti olabilir. Tek bir grafikten tanıyı kanıtlamaya çalışmıyorsunuz. Orijinal ölçeğin, tahmin etmeniz gereken kısa vadeli deseni gizleyebileceğine dair kanıt arıyorsunuz. ### Günlük dilde fark alma Ayda yaklaşık **%5** büyüyen aylık satışları ele alın. Kesin satış düzeyi sürekli yükseldiği için, bir model yakın değişimler arasındaki ilişkiler yerine çoğunlukla büyümeyi tespit edebilir. Birinci fark alma, her düzeyi bir önceki aya göre değişimiyle değiştirir. Trend kaldırıldıktan sonra, ortaya çıkan seri daha düz görünebilir ve kısa vadeli hareketlerinin analizi kolaylaşabilir. Fark alma derecesi olan **d bir tahmin değil, bir modelleme kararıdır**. Box ve Jenkins, durağanlık sağlanana kadar durağan olmayan bir serinin bir veya daha fazla kez farkının alınmasını önerir; bu kural [NIST Mühendislik İstatistikleri El Kitabı'nda](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc445.htm) özetlenmiştir. Yararlı bir iş akışı şöyledir: 1. **Orijinal seriyi çizin:** Trend, değişen yayılım, boşluklar ve ani düzey değişimlerini arayın. 2. **Gerektiğinde birinci farkı uygulayın:** Her gözlemi hemen öncekiyle karşılaştırın. 3. **Dönüştürülmüş seriyi inceleyin:** Ortalama davranış ve değişkenliğin artık daha sabit görünüp görünmediğini kontrol edin. 4. **Seri yeterince durağan olduğunda durun:** Daha fazla fark alma, anlamlı yapıyı kaldırabilir ve yorumlamayı zorlaştırabilir. ### Mekanik bir dönüşümden kaçınmak Aşırı fark alma, bir seriyi gereksiz yere gürültülü hale getirebilir. Ayrıca bitişik değişimler arasında yapay bir bağımlılık yaratabilir, bu da sonraki ACF ve PACF analizini karmaşıklaştırır. Amaç mümkün olduğunca çok fark almak değildir. Amaç, faydalı sinyali korurken durağan olmayan davranışı ortadan kaldırmaktır. Operasyonel veriler genellikle farklaştırma işleminden önce hazırlık gerektirir. Eksik tarihler, stok tükenmeleri, kesintiye uğrayan raporlama ve düzensiz toplama takvimleri, bir dönemden diğerine olan değişimi bozabilir. Serinizde boşluklar varsa, farklaştırmayı ana çözüm olarak ele almadan önce [eksik veri ataması rehberine göz atın](https://www.electe.net/post/missing-data-imputation). ## ACF, PACF ve Bilgi Kriterleri ile p, d ve q Seçimi Farklaştırma işlemi kullanılabilir bir durağan seri ürettikten sonra, **p** ve **q** için aday değerlere ihtiyacınız var. Bu seçimler üzerine düşünmenize yardımcı olan iki grafik vardır: **otokorelasyon fonksiyonu, yani ACF** ve **kısmi otokorelasyon fonksiyonu, yani PACF**. ACF, serinin kendi önceki değerleriyle farklı gecikmelerde nasıl ilişkili olduğunu ölçer. PACF ise, daha kısa gecikmeler hesaba katıldıktan sonra belirli bir gecikmedeki ilişkiye odaklanır. Hiçbir grafik kesin bir cevap vermez, ancak şekilleri faydalı bir ilk değerlendirme sağlar. ### İki grafiği okumak Eğer **PACF, p gecikmesinden sonra kesiliyor** ve ACF kademeli olarak sönümleniyorsa, bu bir AR(p) yapısını işaret eder. Eğer **ACF, q gecikmesinden sonra kesiliyor** ve PACF kademeli olarak sönümleniyorsa, bu bir MA(q) yapısını işaret eder. Bu kurallar, durağanlaştırma sonrasında bir rehber olarak işe yarar, doğrulamanın yerini tutmaz. ACF deseniPACF deseniÖnerilen modelKademeli olarak sönümleniyorp gecikmesinden sonra kesiliyorARIMA(p,d,0) adayıq gecikmesinden sonra kesiliyorKademeli olarak sönümleniyorARIMA(0,d,q) adayıHer ikisi de kademeli olarak sönümleniyorHer ikisi de kademeli olarak sönümleniyorKarma ARIMA(p,d,q) adaylarını düşününBilinen bir döngüde tekrarlanan zirvelerPACF'de mevsimsel yapıMevsimsel bir genişletmeyi araştırın Bir grafik birçok makul yapılandırmayı işaret edebilir. Bu normaldir. Görsel bir desen mükemmel görünene kadar p ve q'yu ayarlamaya devam etmemelisiniz, çünkü geçmiş verilere yakından uyan bir model, gelecekteki gözlemlerde zayıf performans gösterebilir. ### Kararsız durumları çözmek için AIC ve BIC kullanmak **AIC ve BIC**, gereksiz parametreleri cezalandırırken uyumu karşılaştırır. Aynı seriye uyarlanmış ve karşılaştırılabilir koşullar altında değerlendirilmiş modeller karşılaştırılırken düşük değerler tercih edilir. BIC genellikle daha güçlü bir karmaşıklık cezası uygular, bu nedenle daha kompakt bir spesifikasyonu tercih edebilir. Bu kriterleri karar destek araçları olarak ele alın, tahmin kalitesinin kanıtı olarak değil. Daha düşük bir bilgi kriterine sahip bir aday, yine de örneklem dışı değerlendirme ve artık kontrollerine ihtiyaç duyar. Otomatik derece arama da yaygındır, özellikle tamamen manuel grafik okumaya güvenmek yerine birkaç makul kombinasyonu tutarlı bir şekilde karşılaştırmanız gerektiğinde. Gecikmeli değerler arasındaki ilişkilere pratik bir giriş için, [ACF PACF ile gizli desenleri ortaya çıkarın](https://www.electe.net/post/autocorrelation-analysis). Önemli olan alışkanlık, görsel kanıtları, bilgi kriterlerini, tahmin doğrulamasını ve iş anlayışını birleştirmektir. ## Modeli Tahmin Etmek ve Artık Tanılarını Kontrol Etmek Model tahmini, ARIMA parametrelerini geçmiş serinize uydurur. Basit bir ifadeyle, prosedür, tahmin hatasını azaltırken gözlemlenen ilişkileri temsil eden katsayıları arar. Elde edilen katsayılar önemlidir, ancak bunlar nihai kalite testi değildir. Test, modelin işini yaptıktan sonra geriye kalanlardır. Bu artıklara **artıklar (residuals)** denir; gözlemlenen değerler ile uydurulan değerler arasındaki farklardır. İyi bir model, keşfedilmeyi bekleyen ikinci bir desen yerine, açıklanamayan rastgele gürültüye benzeyen artıklar bırakmalıdır. ### Pratik bir tanı kontrol listesi Tanıları bir kalite kapısı olarak kullanın: - **Beyaz gürültü:** Artıklar görünür bir eğilim, döngü veya kümelenme göstermemelidir. Tekrarlayan bir örüntü, modelin geride yapı bıraktığı anlamına gelir. - **Artık otokorelasyon yok:** Artıklar gecikmeler arasında ilişkili kalmamalıdır. Ljung-Box tarzı bir kontrol, bu genel davranışı test etmeye yardımcı olur. - **Sıfıra yakın ortalama:** Artıklar, sürekli olarak fazla veya eksik tahmin yapmak yerine sıfır civarında dengelenmelidir. - **Kararlı varyans:** Hataların yayılımı makul ölçüde tutarlı kalmalıdır. Genişleyen bir yayılım, modelin bir dönüşüme veya farklı bir yaklaşıma ihtiyaç duyduğunu gösterebilir. - **Yaklaşık normallik:** Kabaca normal bir artık dağılımı, faydalı aralık tahminlerini destekleyebilir, ancak bu kontrol bağımsızlıktan daha az merkezi öneme sahiptir. En önemli hata artık otokorelasyondur. Bu, modelin hâlâ yapıyı kaçırdığı anlamına gelir ve [Penn State'in model kontrolü üzerine zaman serisi dersinde](https://online.stat.psu.edu/stat510/Lesson03.html) vurgulandığı gibi gözden geçirilmelidir. ### Kontroller başarısız olduğunda neyi değiştirmeli Tahmin yöntemi yakınsadı diye tahmini olduğu gibi kullanmayın. Artık otokorelasyon devam ediyorsa, aday dereceleri yeniden gözden geçirin, farklama seçimini yeniden düşünün ve mevsimselliğin veya yapısal bir kırılmanın bu örüntüyü yönlendirip yönlendirmediğini inceleyin. Daha yüksek dereceli bir model otomatik olarak çözüm değildir. Eksik yapı, ARIMA'nın yalnızca geçmiş değerleri üzerinden temsil edemeyeceği bir iş olayından kaynaklanıyor olabilir. > **Kalite kapısı:** Teknik olarak uydurulmuş bir ARIMA modeli, artıkları önemli zamana bağlı yapının hesaba katıldığını göstermedikçe güvenilir değildir. ## İş Kullanım Senaryolarıyla Pratikte Tahminleme Bir tahmin, bir kararı değiştirdiğinde değerli hale gelir. ARIMA tipik olarak merkezi tahmin olan bir **nokta tahmini** ile bunun etrafındaki makul bir aralığı gösteren bir **belirsizlik aralığı** üretir. Aralık önemlidir çünkü tek bir sayı, özellikle planlama ufku uzadıkça yanlış bir güven duygusu yaratabilir. ### Tahmin tarafından şekillendirilen üç karar **Perakende promosyonları:** Bir perakende yöneticisi, önümüzdeki ay için beklenen satış düzeyini ve ilgili belirsizlik aralığını gözden geçirir. Nokta tahmini bir temel promosyon planını destekler, aralık ise yöneticinin kampanyanın esnek stok mu yoksa temkinli bir bütçe mi gerektirdiğini değerlendirmesine yardımcı olur. **Envanter yenileme:** Bir envanter planlayıcısı, yeniden sipariş noktalarını ve tedarikçi zamanlamasını gözden geçirmek için beklenen talebi kullanır. Belirsizlik aralığı genişse, planlayıcı merkezi tahmini garanti bir gereklilik olarak ele almak yerine daha temkinli bir gözden geçirme seçebilir. **Risk izleme:** Bir finansal hizmetler ekibi, beklenen nakit hareketlerini veya izlenen başka bir seriyi gerçek sonuçlarla karşılaştırmak için kısa ufuklu bir tahmin kullanabilir. Tahmin aralığından önemli bir sapma bir incelemeyi tetikleyebilir, ancak bu bir suistimal kanıtı veya eksiksiz bir risk değerlendirmesi olarak ele alınmamalıdır. Tahmin aralıkları genellikle tahmin geleceğe doğru ilerledikçe genişler, çünkü her ek adım önceki tahminlerden gelen belirsizliği taşır. Bu da yakın vadeli ARIMA tahminlerini uzak projeksiyonlardan daha eyleme geçirilebilir kılar. Finansal veya uyumluluk kararları için tahminleri analitik destek olarak kullanın, finansal tavsiye veya gerekli kontrollerin yerine geçecek bir araç olarak değil. ### Hafif uygulama Analistler ARIMA'yı Python'da `statsmodels` ile veya R'de `forecast` paketiyle uygulayabilir. Komutlar genellikle kısadır, ancak yorumlama, modeli uydurmaktan daha fazla özen gerektirir: 1. Sıralı, eksiksiz bir zaman serisi hazırlayın. 2. Aday p, d ve q değerlerini seçin veya arayın. 3. Modeli tahmin edin. 4. Artıkları kontrol edin. 5. Nokta tahminini ve belirsizlik aralığını oluşturun. 6. Çıktıyı, mevcut olduğunda gerçek gelecek gözlemlerle karşılaştırın. Kod kolay kısımdır. Verilerin ve model varsayımlarının güvenilir olup olmadığına dair karar, profesyonel muhakemenin devreye girdiği yerdir. ## ARIMA Yetersiz Kaldığında ve Electe İş Akışını Nasıl Otomatikleştirir ARIMA'nın belirgin sınırları vardır. Güçlü mevsimsellik genellikle **ARIMA(p,d,q)\*(P,D,Q)** olarak yazılan **SARIMA**'yı gerektirir. Burada P, D ve Q mevsimsel otoregresif, farklama ve hareketli ortalama bileşenlerini temsil eder. Sıradan bir ARIMA modeli, her döngüde aynı noktada ortaya çıkan tekrarlayan bir örüntüyü kaçırabilir, bu nedenle mevsimsel terimler [Forecast Pro'nun Box-Jenkins tahmin kılavuzunda](https://www.forecastpro.com/2020/05/box-jenkins-forecasting/) açıklandığı gibi daha iyi bir uyum sağlar. ARIMA ayrıca iş koşulları geçmiş verilerin yansıtabileceğinden daha hızlı değiştiğinde güvenilmez hale gelir. Yapısal kırılmalar, dış şoklar, ürün lansmanları, stok tükenmeleri ve promosyon kaynaklı talep, geçmiş değerleri ve hataları kötü rehberler haline getirebilir. Bir model teknik kontrollerden geçebilir ancak altta yatan rejim değiştikten sonra karar vericileri yanıltabilir. ### Model seçiminden önce veri hazırlığını kontrol edin KOBİ veri kümeleri, eğitim materyallerinin sıkça atladığı kısıtlamalar getirir: - **Eksiksiz geçmiş önemlidir:** ARIMA, sıralı ve boşluksuz bir zaman serisi bekler. Modeli oluşturmadan önce eksik dönemleri inceleyin ve ele alın. - **Yeterli gözlem sayısı önemlidir:** Forecast Pro kılavuzundaki pratik öneriye göre, güvenilir tahminleme genellikle yaklaşık **50 ila 100 gözlem** gerektirir. - **Olaylar bağlam gerektirir:** ARIMA, bir promosyonun, stok tükenmesinin, rakip hamlesinin veya yeni bir ürünün değişikliğe neden olduğunu bilmez. İlgili dışsal etkenleri dahil edin veya daha zengin bir modelleme yaklaşımı seçin. - **Tanılamalar vazgeçilmezdir:** Kalıcı artık otokorelasyonu, modelin gözden geçirilmesi gerektiği anlamına gelir. Tahmini tamamlanmış olarak sunmayın. Bu kontroller, ARIMA'yı otomatik bir çözüm olmaktan çıkarıp yararlı ve şeffaf bir temel model haline getirir. Mevsimsel yapı baskınsa, SARIMA'yı deneyin. Dışsal etkenler veya rejim değişimleri baskınsa, bu etkileri temsil edebilen modelleri değerlendirin. Bir platform, inceleme kararlarını ekibe bırakarak hazırlık, yöntem karşılaştırması, tahminleme ve anomali izleme konularında destek sağlayabilir. **KOBİ'ler için bir veri analitiği platformu olan ELECTE,** AI Ajanı aracılığıyla ön işleme, model seçimi, tahminleme ve anomali izlemeyi otomatikleştirebilir. Ekipler ayrıca daha geniş bir iş akışının parçası olarak [Electe ile AI tahminleme](https://www.electe.net/post/predict-analytics-using-electe-predicting-feature) konusunu inceleyebilir. ### Önemli çıkarımlar 1. **Veri hazırlığıyla başlayın:** Serinin eksiksiz, sıralı ve analize uygun olduğunu doğrulayın. 2. **p, d ve q'yu anlayın:** Bunları otoregresyonu, farklamayı ve geçmiş tahmin hatalarını tanımlamak için kullanın. 3. **Artıkları doğrulayın:** Kalıcı otokorelasyon, model revizyonu gerektirir. 4. **Yöntemi genişletin veya değiştirin:** Mevsimsel yapı için SARIMA'yı, dışsal etkenler veya rejim değişimleri önemliyse daha zengin modelleri kullanın. 5. **Tahminleri kararlarla ilişkilendirin:** Tahmin aralıklarını, özellikle daha uzak geleceğe yönelik olanlarda dikkatli kullanın. ELECTE, KOBİ'lerin iş verilerini hazırlamasına, tahminleme yaklaşımlarını karşılaştırmasına, öngörücü içgörüler oluşturmasına ve her modelleme adımının manuel olarak kurulmasına gerek kalmadan anomalileri izlemesine yardımcı olur. Satış, envanter veya risk verileri için otomatikleştirilmiş tahminlemeyi incelemek üzere [ELECTE](https://www.electe.net)'yi ziyaret edin.