Yeni Ürünler için Talep Tahmini: Pratik Bir Rehber

Tedarikçiniz satın alma siparişini bekliyor, pazarlama ekibiniz lansman kampanyasını ayarladı ve ürün sayfası neredeyse hazır. Test edilmemiş bir SKU'yu sipariş etmekten siz sorumlusunuz, ancak müşterilerin istikrarlı bir şekilde mi satın alacağını, hemen mi akın edeceğini, yoksa promosyon bitene kadar mı bekleyeceğini kimse söyleyemiyor.

Temkinli sipariş verirseniz, lansman ivme kazanmadan satış kaybedebilirsiniz. Agresif sipariş verirseniz, indirim gerektirecek stokta nakit bağlayabilirsiniz. Kendinden emin bir satış hedefi içeren bir hesap tablosu bu ikilemi çözmez.

Yeni ürünler için talep tahmini, mükemmel bir sayı arayışı değil, bir öğrenme ve karar verme süreci olarak ele alındığında en iyi şekilde işler. Savunulabilir bir başlangıç tahminine, onu neyin değiştirebileceğine dair net bir açıklamaya ve müşteriler beklenenden farklı davrandığında nasıl tepki vereceğinize dair kurallara ihtiyacınız var.

Pratik görev, karşılaştırılabilir lansmanları, yapılandırılmış uzman görüşünü ve uygun modelleri stok kararlarına bağlamaktır. Bu, talebi dikkatle tanımlamak, varsayımları test etmek ve stok yenilemeye, durdurmaya ya da planı revize etmeye ne zaman karar vereceğinizi önceden belirlemek anlamına gelir.

Yeni Ürün Tahmini Neden Göründüğünden Daha Zor

Çevrimiçi bir ev eşyaları perakendecisi yönettiğinizi ve yalıtımlı bir seyahat termosu lansmanı yaptığınızı varsayalım. İçecek kabı satma deneyiminiz var, ancak bu SKU'nun farklı bir kapağı, daha yüksek bir fiyatı ve hediye alıcılarından ziyade işe gidip gelenleri hedefleyen bir kampanyası var. Karşılaştırma yapmaya davet edecek kadar tanıdık, ancak bu karşılaştırmaları belirsiz kılacak kadar da farklı.

Satın alma departmanındaki meslektaşınız bir sipariş miktarı istiyor. Pazarlama, stoğun kampanyayı destekleyeceğine dair güvence istiyor. Finans, benimseme yavaş olursa ne kadar nakdin riske girmeye devam edeceğini bilmek istiyor.

Bunlar birbiriyle ilişkili sorulardır, ancak birbirinin yerine geçmezler. Bir talep tahmini, belirtilen koşullar altında müşteri satın alımlarını tahmin eder. Bir stok planı, işletmenin bu satın alımlara hizmet etmek için ne kadar risk kabul edeceğine karar verir.

Model seçmeden önce belirsizliği tanıyın

Derin bir lansman arşivi olmayan ve başarısız bir açılış siparişi için fazla alan bulunmayan bir KOBİ için, sorunu farklı belirsizliklere ayırırdım:

• Eksik geçmiş veri: Yeni SKU'nun kendisine ait bir talep modeliniz yok.
• Belirsiz benimseme: Hangi alıcıların yanıt vereceğini veya ne kadar hızlı benimseyeceklerini henüz bilmiyorsunuz.
• Değişen lansman koşulları: Fiyat, dağıtım ve promosyon kararlarınız, tahmin etmeye çalıştığınız sonucu etkiler.

Son nokta gözden kaçırılması kolay bir noktadır. Lansmanınız, müşteriler tercihlerini ortaya koyarken her şeyin sabit kaldığı pasif bir deney değildir.

Pazarlama bir e-posta kampanyasını ertelerse, orijinal tahmin varsayımları artık lansmanı tanımlamaz. Bir pazar yeri listesi geç yayına girerse, düşük satışlar mutlaka daha zayıf müşteri ilgisi anlamına gelmez.

Gerçekten ihtiyacınız olan sinyali tanımlayın

Gözlemlenen satışlar mutlaka kısıtlanmamış talep anlamına gelmez. Müşteriler yalnızca erişebildikleri kanallar aracılığıyla mevcut olanı satın alabilir. Bu nedenle stoksuz kalma, kısıtlı dağıtım ve promosyon şoklarının, modelin bunları olağan müşteri davranışı olarak yorumlamasına bırakılmak yerine satışlarla birlikte kaydedilmesi gerekir.

Pratik bir açılış ufku için, yeni ürün talep profillerini tahmin etmeye ilişkin araştırmada özetlendiği gibi, ilk sekiz ila on iki hafta boyunca haftalık talebi tahmin edin, ardından hem hataları hem de stok sonuçlarını değerlendirin. Bu araştırmanın DemandForest yaklaşımı kümeleme, Rastgele Orman (Random Forest) ve Kantil Regresyon Ormanını (Quantile Regression Forest) birleştirdi ve her perakendeci için garanti edilen bir sonuç olmaktan ziyade, teslim süreleri ve hizmet seviyelerine bağlı olarak yaklaşık %15 potansiyel stok tasarrufu bildirdi.

Kompakt bir lansman kaydıyla başlayın:

• Ürün meta verileri: Kategori, fiyat kademesi, kanal, lansman sezonu, müşteri segmenti ve ilgili ürün özellikleri.
• Karşılaştırılabilir lansmanlar: Olağandışı koşulları açıklayan notlarla birlikte geçmiş lansman eğrileri.
• Ticari varsayımlar: Planlanan fiyatlar, promosyon yoğunluğu, kampanya zamanlaması ve dağıtım kapsamı.
• Müşteri sinyalleri: Ön siparişler ve bekleme listesi aktivitesi, tamamlanmış satın alımlardan ayrı tutulur.
• Mevcudiyet kanıtı: Stokta bulunma dönemleri, liste etkinleştirme tarihleri ve kanal kapsamı.

Bir bekleme listesi ilgi kanıtıdır, otomatik bir sipariş defteri değildir. Her kaydı beklenen satışa dönüştürmek yerine anlamını açık tutun.

Pratik kural: Sisteminizin ne sattığını değil, müşterilerin ne satın alabileceğini kaydedin.

Lansman kaydına bir sahip atayın ve her tahmin sürümünü varsayımlarıyla birlikte saklayın. Aksi takdirde, bir ekip planı defalarca revize edebilir ve aslında ne beklediğini unutabilir.

Müşteri sinyalleri için yalnızca analizin gerektirdiğini toplayın. Toplu sayıları tercih edin, tanımlanabilir bilgilere erişimi kısıtlayın ve saklama kuralları oluşturun. Lansman ilgisinin güçlenip güçlenmediğini anlamak için bir müşterinin tam kişisel profiline ihtiyacınız yoktur.

Benzer Ürün Yöntemleri ve Yargısal Tahmin

Karşılaştırılabilir bir ürün, ürün sayfasında benzer göründüğü için değil, aynı talep etkenlerini paylaştığı için işe yarar. Seyahat matarınız fiziksel olarak premium bir hediye termosuna benzeyebilir, ama ticari olarak daha çok bir işe gidiş-geliş şişesi gibi davranabilir.

Belgelenmiş skorla karşılaştırılabilir ürünler seçin

Adayları kategori, fiyat bandı, kanal karması, lansman sezonu ve promosyon yoğunluğu üzerinden eşleştirin. Satış sonucunu incelemeden önce her bir özelliğin neden önemli olduğunu kaydedin, böylece yalnızca iyimser bir hedefi destekleyen lansmanları seçmemiş olursunuz.

İki varsayımsal karşılaştırılabilir ürün düşünün: esas olarak web siteniz üzerinden satılan bir işe gidiş-geliş şişesi ve sezonluk reklamlarla desteklenen bir hediye termosu. Kullanım amacı ve kanal eşleştiğinde işe gidiş-geliş şişesine daha fazla ağırlık verin; hediye termosunun kampanyasına göre ayarlama yapın, lansman sıçramasını doğrudan kopyalamayın.

İstatistiksel ve sezgisel yeni ürün tahminlemesine ilişkin bir çalışma, birden fazla analoji üzerinden parametrelerin ortalamasını almanın, tek bir en yakın eşleşmeye dayanmaktan daha isabetli sonuçlar verdiğini, ancak yaklaşık beş ya da altı analojinin ötesinde ek bir faydanın çok az olduğunu ortaya koydu. Yayınlanmış parametre ortalamaları da yerel olarak tahmin edilen parametrelere kıyasla daha yüksek hatalara yol açtı; bu da kendi lansmanlarınıza karşı test etme gerekliliğini pekiştiriyor.

Uzman tahminlerini bağımsız tutun

Merchandising, pazarlama ve operasyon ekiplerinden tahminlerini varsayımlarıyla birlikte ayrı ayrı sunmalarını isteyin. Delphi tarzı bir çalışma, gerekçeleri anonim olarak paylaşır ve en kıdemli kişinin açılış rakamını belirlemesine izin vermeden revizyon yapılmasına olanak tanır.

Analojiye dayalı değerlendirme için yapılandırılmış analoji tahminlemesi, belgelenmiş bir prosedür sunar: uzmanlar karşılaştırılabilir durumları belirler, benzerliği derecelendirir ve geçmiş sonuçları hedef lansmanla ilişkilendirir. Bu sezgisel tahmini, birleştirme aşamasına kadar istatistiksel tahminden ayrı tutun.

Yaygın Yeni Ürün Tahminleme Yaklaşımları Arasında Seçim Yapmak

Bu yöntemler birbirini tamamlayan girdilerdir. Uzmanlardan yalnızca daha önce gördükleri bir modeli onaylamalarını istemeyin.

KOBİ'lere Uygun İstatistiksel ve Makine Öğrenimi Modelleri

Ekibinizin test edip açıklayabileceği en basit adayla başlayın. Daha karmaşık bir model, yalnızca üzerinde eğitilmediği lansmanlarla ilgili kararları iyileştiriyorsa bir yer edinmeyi hak eder.

Bass yayılım modeli, benimsemeyi dışsal etki (örneğin reklam) ve içsel etki (örneğin ağızdan ağıza iletişim) üzerinden açıklar. Bu ayrımı, müşterilerinizin kupanızı bir kampanyadan duyması ile onu zaten kullanan birinden duyması arasındaki fark olarak düşünün.

Modeli mevcut kanıtlarla eşleştirin

Bass, dışsal etkiyle gerçekleşen benimseme için bir yenilik katsayısı, içsel etkiyle gerçekleşen benimseme için ise bir taklit katsayısı kullanır. Bunlar benimseme davranışına dair varsayımlardır; başka bir kategoriden sorgusuzca ödünç alabileceğiniz hazır ayarlar değildir.

Bass'ı istatistiksel ve makine öğrenmesi yöntemleriyle birleştiren bir lansman öncesi tahmin çalışması, bireysel tahmin modellerinin çoğunun geleneksel analojik referans ölçütünü geride bıraktığını, bir topluluk (ensemble) yaklaşımının ise doğruluğu daha da artırdığını ortaya koydu. Bu bulgu, tamamlayıcı modellerin test edilmesini destekler; Bass'ın veya makine öğrenmesinin her zaman kazanacağını varsaymayı değil.

KOBİ'ler için bir kısa liste oluştururken şunları değerlendirin:

• Regresyon: Lansman talebini fiyat, kanal ve promosyon gibi kayıtlı özelliklerle ilişkilendirmek için bir aday.
• Gradyan güçlendirmeli modeller: Her ilişkiyi manuel olarak belirtmeden özellik kombinasyonlarını test etmek istediğinizde bir aday.
• Benzerlik ağırlıklı yapay sinir ağı tahminleri: Karşılaştırılabilir ürünlerin ayrı ayrı modellenebilecek kadar yeterli geçmişi olduğunda bir aday.

İki çok uluslu gıda şirketini içeren hakemli bir çalışma, benzer ürünler için yapay sinir ağı tahminlerini niteliksel benzerlik ağırlıklarıyla birleştirdi ve incelenen vakaların %86'sında daha doğru tahminler üretti. Bu, söz konusu vaka çalışmasındaki birleşik yöntem için bir kanıttır; evrensel bir doğruluk vaadi değildir.

Makine öğrenmesi mevcut kanıtları yeniden düzenler. Olmayan bir lansman geçmişini güvenilir hale getirmez.

Bir veri ortağıyla adayları tartışırken, her modelin tahmin anında hangi bilgiye ihtiyaç duyduğunu sorun. Electe'nin tahmin hatalarından kaçınma rehberi ilgili bağlam sunar, ancak yeni bir SKU hâlâ kendi var olmayan satış geçmişinin ötesinde kanıt gerektirir.

Tahminleri Öngörü Aralıklarıyla Bir Topluluğa (Ensemble) Birleştirme

Bir topluluk (ensemble), tahminlerin bir birleşimidir. Amacı, tüm lansman planının tek bir modelin varsayımlarına bağlı kalmasını önlemektir.

Girdileri birbirinden ayrı tutun: analoji kaynaklı bir temel değer, bir yayılım tahmini ve bağımsız olarak hazırlanmış bir uzman tahmini. Herkes aynı başlangıç tahminini kopyalıyorsa, yanıtlarının ortalamasını almak fazla bilgi katmaz.

Varsayımları gizlemeden karışımı oluşturun

Şu uygulama sırasını kullanın:

1. Girdileri sabitleyin. Herkes nihai bir plan üzerinde uzlaşmadan önce her bir bileşen tahminini koruyun.
2. Önceki lansmanları simüle edin. Her yönteme yalnızca o lansmanlardan önce mevcut olacak bilgiyi verin.
3. Birleştirme kurallarını karşılaştırın. Bu geçmiş simülasyonlarda eşit ağırlıkları hataya dayalı ağırlıklara karşı test edin.
4. Basit bir referans ölçütünü koruyun. Karışımın ek karmaşıklığını gerekçelendirmesini zorunlu kılın.
5. Gerekçeyi kaydedin. Ağırlıkları neden seçtiğinizi ve neyin bir değişikliği tetikleyeceğini kayıt altına alın.

Ters hata kuralı, geçmiş hatası daha düşük olan yöntemlere daha fazla etki verir. Ters-MAPE ağırlıklandırması, talep sıfırdan uzak kaldığında olası bir adaydır, ancak aralıklı (intermittent) lansmanlar için zayıf bir varsayılan seçimdir çünkü yüzde hataları dengesiz hale gelir.

Sadece orta noktayı değil, bir aralığı gösterin

Bir öngörü aralığı, nokta tahmin etrafındaki olası gelecek talep aralığını tanımlar. Bunu, gelecekteki sonuçların dağılımından ziyade tahmin edilen bir niceliğe ilişkin belirsizlikle ilgili olan güven aralığıyla karıştırmayın.

Aralığı geçmiş tahmin hatalarından ve açık lansman senaryolarından oluşturun. Senaryo tabanlı keşif için Electe'nin Monte Carlo simülasyonu rehberi, belirsiz girdileri incelemek için ilgili bir yaklaşımı açıklar.

Ürün meta verilerini, analoji skorlarını, geriye dönük test sonuçlarını ve tahmin sürümlerini birlikte saklayın. Herhangi bir platformun tüm süreci otomatik olarak sağladığını varsaymak yerine, elektronik tablolar, analist tarafından oluşturulan iş akışları ve analitik platformları karşılaştırırken bunu bir uygulama gereksinimi olarak ele alın.

Kampanya harcaması, dağıtım veya müşteri tepkisi kayıtlı varsayımlardan saptığında karışımı yeniden gözden geçirin. Ağırlıkları yalnızca bir yönetici mevcut sayıyı beğenmediği için değiştirmeyin.

Tahminleri Lansman Aşaması Metrikleriyle Doğrulama

Bir lansman, yıllık tahminine yakın bir şekilde sona erebilir ve yine de süreç boyunca ciddi yeniden stoklama sorunları yaratabilir. Toplam rakam, çok erken sipariş verip vermediğinizi, kampanya sırasında stokların tükenip tükenmediğini veya ilgi azaldıktan sonra yeniden stoklama yapıp yapmadığınızı ortaya koymaz.

Yenilikçi dayanıklı tüketim malları tahminine ilişkin bir araştırmada, raporlanan çalışma koşulları genelinde ilk yıl tahmin hataları %1,9, %0,0 ve %20,0 olurken, karşılık gelen aylık ortalama mutlak yüzde hataları %18,6, %26,5 ve %44,4 idi. Gerçek reklam harcaması, sıfır hatalı yıllık sonuç için mevcuttu; bu da güncel ticari bilginin neden önemli olduğunu ve doğru bir toplamın zamanlama hatalarını neden gizleyebileceğini göstermektedir.

Bir metrik yığını kullanın

Sapma kuralını açıkça tanımlayın. Örneğin, tahmin eksi gerçekleşen değeri kullanın; böylece pozitif sapma her zaman fazla tahmin anlamına gelsin.

Ekibin gerçekte bilebileceklerini test edin

Zaman temelli geriye dönük test kullanın: daha önceki lansmanlar üzerinde eğitin, daha sonrakiler üzerinde değerlendirin. Sonraki aşamalardan gelen bilgiler önceki aşamalara ait tahminleri etkiliyorsa, rastgele bölme işlemi uygulamayı gerçekçi olmayacak kadar kolaylaştırabilir.

Sonuçları yaşam döngüsü aşamasına, promosyon maruziyetine ve düzensiz talebe göre ayırın. Güvenilir, yüksek hacimli bir ürünün, yavaş satan lansmanlardaki tekrarlayan sapmaları gizlemesine izin vermeyin.

Yönetim kontrolü: Modeli değiştirmeden önce hatanın talep tahmininden mi, değişen bir lansman varsayımından mı, yoksa stok bulunmamasından mı kaynaklandığını sorun.

Yeni ürünler için talep tahmininde, karne tanı koymayı desteklemelidir. Daha iyi tahminleme ile sonuç belli olduktan sonra tepki vermeyi birbirinden ayırt edebilmek için ilk tahmini, sonraki revizyonları ve bunların yol açtığı envanter kararlarını izleyin.

Tahmin Belirsizliğini Envanter ve Yeniden Tedarik Kararlarına Dönüştürmek

Tahmin, ne olabileceğini tarif eder. Envanter politikanız ise bu konuda ne yapacağınızı belirler.

Buradaki temel denge, asimetrik kayıptır: çok az veya çok fazla sipariş vermenin sonuçları eşit değildir. Stok tükenmesi lansman ivmesini kesintiye uğratabilirken, fazla envanter depolama, indirim veya elden çıkarma gerektirebilir.

Açık bir risk politikası belirleyin

Bir kantil tahmini, olası talep sonuçları içindeki bir konumu belirtir. Hizmet hedefine ve talebi karşılayamamanın maliyetine göre ilgili kantili seçin, ardından bunu yeniden tedarik süresi boyunca olan talebe uygulayın.

Yeniden sipariş kararınız, bu tedarik süresi gereksinimini envanter pozisyonuyla karşılaştırmalıdır; yani eldeki stok artı gelmekte olan tedarik eksi taahhüt edilmiş talep. Yalnızca satışları incelemek yeterli değildir.

Aşağıdaki lansman yol haritasını kullanın:

• İlk taahhüdü kademelendirin. Fazla stok baskın risk ise, daha düşük talep senaryosuna dayanan temkinli bir pilot uygulamayı değerlendirin. Yine de öğrenmeye yetecek kadar erişilebilirlik sağladığından emin olun.
• Yükseltme koşullarını tanımlayın. Talebin tahmin medyanını aşması bir incelemeyi tetikleyebilir, ancak yeniden sipariş vermeden önce envanter pozisyonunu, tedarik süresini ve kalan promosyonu kontrol edin.
• Açılış döneminde haftalık inceleme yapın. Gerçek talep değişikliklerini kampanya veya erişilebilirlik değişikliklerinden ayırın.
• İstisnalara yetki verin. Acil bir yeniden siparişi, daha büyük bir taahhüdü veya duraklatmayı kimin onaylayabileceğini belirleyin.

Bu politikanın arkasındaki tampon stok hesaplamasına yönelik olarak, Supply Automate'in emniyet stoğu nasıl hesaplanır başlıklı açıklaması faydalı bir kaynaktır. Yeniden tedariki uygulamaya yönelik sistemleri değerlendirirken, iş akışı gereksinimlerini ELECTE'nin envanter yazılımı önerileri ile karşılaştırın.

Yalnızca tahmini değil, kararı da izleyin

Varsayımlardan sapmaları tespit etmek ve bir yöneticinin incelemesini tetiklemek için makine destekli izleme kullanın. Satın alma yetkisini otomatik bir uyarıdan ayrı tutun.

Yüksek çeşitlilikli, düşük hacimli üretim üzerine bir çalışma, analojiler, makine öğrenmesi, kalıntı düzeltmesi ve süreç izleme kullanarak beş gerçek dünya vakasında MAE'de %35,7 azalma bildirdi. Bu, disiplinli bir birleştirme ve revizyon yaklaşımını destekliyor, ancak bir perakendeci için eşdeğer bir envanter tasarrufu ortaya koymuyor.

Hiçbir Analojinin Güvenilir Olmadığı Durumlar

Bazen en önemli tahminleme kararı, mevcut kıyaslanabilir ürünleri reddetmektir. Müşterilerin davranışını değiştiren bir ürün, talep etkenlerini paylaşmadan mevcut ürünlerle aynı kategori etiketini paylaşabilir.

Bir ekosisteme ihtiyaç duyan bağlantılı bir cihaz, düzenleyici onay bekleyen bir ürün veya ancak başkaları katıldığında faydalı hale gelen bir hizmet, farklı benimseme varsayımları gerektirebilir. Bunları sıradan ürün hattı uzantıları gibi ele almak haksız bir kesinlik yanılsaması yaratabilir.

Yanlış eşleşmeyi açık senaryolarla değiştirin

Kategori kıran ürün tahminlemesi üzerine sistematik bir inceleme, geçmiş talep ilişkilerinin artık geçerli olmadığı durumlarda difüzyon, uzman-analoji, makine öğrenmesi ve temel model yaklaşımlarının hâlâ zorlandığını öne sürüyor. Ayrıca, yetenekli temel model yaklaşımlarının ön eğitim verisi ve hesaplama gereksinimlerini küçük firmalar için bir kısıtlama olarak tanımlıyor.

Bu tür lansmanlar için, tek bir geçmiş eğriyi zorlamak yerine bir senaryo kaydı kullanırdım:

• Benimseme varsayımları: Müşterilerin satın almadan önce neyi anlaması, değiştirmesi veya güvenmesi gerekiyor?
• Dış bağımlılıklar: Benimseme onay, altyapı, ortaklar veya tamamlayıcı ürünler gerektiriyor mu?
• Gözlemlenebilir sinyaller: Hangi rakip gelişmeleri veya müşteri davranışları her bir senaryoyu destekler?
• Revizyon kuralları: Hangi kanıtlar mevcut aralığı genişletmeyi, daraltmayı veya terk etmeyi haklı çıkarır?

Senaryo varsayımlarını ölçülen gözlemlerden ayrı tutun. Bir yöneticinin benimseme hakkındaki inancı, açıkça etiketlendiğinde faydalıdır, model çıktısı gibi gizlendiğinde değil.

Önemli Noktalar

• Hedefi tanımlayın: Belgelenmiş ticari ve bulunabilirlik koşulları altında talebi tahmin edin.
• Bağımsız kanıt kullanın: Birleştirmeden önce model tahminlerini ve uzman görüşünü koruyun.
• Gerçekçi şekilde test edin: Önceki lansmanları yalnızca o dönemde mevcut olan bilgileri kullanarak değerlendirin.
• Belirsizliği eyleme bağlayın: Kademeli taahhütler, yeniden stoklama tetikleyicileri ve karar sahipleri üzerinde anlaşın.

Yeni ürünler için talep tahminlemesi nihayetinde bir yönetim disiplinidir. Lansman öncesinde belirsizliği ortadan kaldırmanız gerekmez, ancak onu görünür kılmanız ve nasıl tepki vereceğinize karar vermeniz gerekir.

Savunulabilir bir lansman planı, neyi beklediğinizi, bu beklentiyi neyin geçersiz kılabileceğini ve sonraki adımınızın ne olacağını belirtir. Bu, kimsenin açıklayamadığı kesin bir sayıdan ziyade, ekibinize nakit akışını korumak ve müşterilere hizmet etmek için daha iyi bir temel sağlar.

KOBİ'ler için yapay zeka destekli bir veri analitiği platformu olan Electe, tahmine dayalı analitik, otomatik raporlar ve iş verilerini trendler ve anormallikler için izleyen AI Ajanı sunar. Bu yeteneklerin lansman incelemelerinizi nasıl destekleyebileceğini keşfetmek için Electe'yi ziyaret edin ve uygunluğu değerlendirmek için ürün meta verilerinizden, bulunabilirlik kayıtlarınızdan ve yeniden stoklama kararlarınızdan bir örnek getirin.