Perakende için talep tahmini: yöntemler, veriler ve faydalar
Perakendede talep tahmininin nasıl çalıştığını, hangi yöntemlerin kullanılacağını, hangi verilere ihtiyaç duyduğunu ve daha iyi stok planlarıyla stok tükenmelerini ve fazla stoku nasıl azaltacağınızı öğrenin.

Stok tükenmesi genellikle tedarikçiye yüklenir. Çoğu zaman sorun daha yakında başlar. IEOM Society'nin 2025 Bangladeş konferansında sunulan bir perakende stok çalışması, süpermarket stok tükenmelerinin %51 ila %73'ünün perakende operasyonunun içinden kaynaklandığını, başlıca nedenler arasında hatalı tahminin (talebin düşük tahmin edilmesi dahil) ve sipariş hatalarının yer aldığını gösteriyor.
Bu bulgu işe bakışı değiştiriyor. Perakende için talep tahmini, en gelişmiş algoritmayı seçme yarışı değildir. Bu bir operasyon disiplinidir: stok tükenmeleri ve promosyonlar nedeniyle zaten bozulmuş verilerden gerçek talep sinyallerini çıkarmak, yöntemi her ürünün satış biçimine uydurmak ve çıktıyı bir alımcının pazartesi sabahı gerçekten kullanacağı yeniden sipariş noktalarına bağlamak.
Bu rehber döngünün tamamını kapsıyor. Tahminin neyi üretmesi gerektiğini, hangi girdilerin en çok ağırlık taşıdığını, altı yaygın yöntemin perakende durumuna göre nasıl karşılaştırıldığını, yavaş dönen ürünlerin neden farklı bir mimari gerektirdiğini, stok yapma ve kanal kaymalarının görünen promosyon etkisini nasıl şişirdiğini, hangi karar için hangi hata metriğine güvenmeniz gerektiğini ve bir sonraki satın alma döngünüzden önce uygulayabileceğiniz beş adımlık bir kontrolü göreceksiniz.
Mağaza Zemininde Talep Tahmini Ne Anlama Gelir?
Hava tahmini yerel ve zamanlı olduğunda güven kazanır: şehrinizde salı öğleden sonra yağmur ihtimali, şemsiye alıp almayacağınıza karar vermeye yeter. Talep tahmini de stok için aynı işi yapar. Belirli bir üründen belirli bir mağazada belirli bir hafta kaç adet satın alınacağını tahmin eder; böylece alımcı makul görünen miktarı değil, doğru miktarı sipariş eder.
Aşağıdaki beş adım, tahminden onun tetiklemesi gereken satın alma siparişine kadar tüm fikrin küçük bir özetidir.

Hedef, kasanın kaydettiği satış toplamı değil, taleptir. Şampuan rafı boşken kaydedilen sıfır, sansürlenmiş taleptir; promosyon kaynaklı bir sıçrama sonraki iki haftadan ödünç alınmış ya da yakındaki bir mağazadan çekilmiş olabilir. Kategori ortalamaları ve aylık raporlar bu ürün-mağaza sorunlarını gizler; bu yüzden sinyal ayrıntılı kalmalı ve sık güncellenmelidir.
Çalışan döngü şöyle görünür:
- Toplayın: ürün, mağaza ve gün bazında satış ve stok geçmişini, rafın boş olduğu günler dahil.
- Temizleyin ve hizalayın: tek ölçü birimi, tek takvim; bir mağaza sistemi bir haftayı yeniden bildirdiğinde yinelenen satır olmasın.
- Modelleyin ve tahmin edin: sipariş kararınızın gerektirdiği ayrıntı düzeyinde, ürün-mağaza bazında talebi.
- Tahmini siparişlere ve emniyet stokuna çevirin: tedarik sürelerini ve vaat ettiğiniz hizmet seviyesini kullanarak.
- Hataları ölçün ve ayarlayın: yılda bir kez bütçe zamanında değil, ürün ürün.
Her adım üç maliyetten birine karşı koruma sağlar. Düşük tahmin ederseniz geri alamayacağınız satışları kaybedersiniz, çünkü müşteri ikame ürünü alır ya da çıkıp gider. Fazla tahmin ederseniz nakit, indirime girmesi gereken stokta bekler. Miktarı kabaca doğru ama zamanlamayı yanlış alırsanız iki yönden de ödersiniz: acil siparişte nakliye primi, fazla stokta depolama maliyeti.
En çok tasarruf ettiren kural: bir tahmin ancak bir yenileme kuralı ona göre harekete geçtiğinde karşılığını verir. Raporda duran kusursuz bir rakam rafta hiçbir şeyi değiştirmez.
Veri Girdileri ve Stok Tükenmelerinin Onları Neden Bozduğu
Modelleri karşılaştırmadan önce içeri ne girdiğine bakın. Perakende doğruluğunu en çok etkileyen girdiler öngörülebilir ve sıradandır, ve birçok ekipte bunlardan iki ya da üçü eksiktir.
- Ürün, mağaza ve gün bazında satış geçmişi. Daha kaba her düzey, sinyali taşıyan promosyon haftalarını ve hafta sonu sıçramalarını gizler.
- Eldeki stok ve stok tükenme süresi. Bunlar olmadan sakin bir haftayı boş bir raftan ayırt edemezsiniz.
- Fiyatlar ve indirim derinliği. %10'luk ve %30'luk indirim aynı tepki eğrisini yaratmaz; bu yüzden liste fiyatını değil, müşterilerin ödediği raf fiyatını saklayın.
- Promosyon takvimi, ürün yerleşimi ve reklam desteği dahil.
- Tatiller ve yerel etkinlikler. İki sokak ötedeki bir okul şenliği, ulusal bir tatilden daha fazla şişe suyu hareketlendirir.
- Hava durumu, özellikle taze, mevsimlik ve bahçe kategorileri için.
- Rakip fiyatları, tutarlı biçimde gözlemleyebildiğiniz yerlerde.
- Tedarikçi tedarik süreleri ve teslimat gecikmeleri, ne kadar kapsama stokuna ihtiyacınız olduğunu belirler.
Boş Raf Neden Yanlış Bir Sıfır Yazar?
Şampuanınızın haftada ortalama 40 adet sattığını ve rafın üç gün boş kaldığını varsayalım. Bu günlerde satış sıfır olarak kaydedilir. Bu geçmişle eğitilen bir model, stok bittiğinde talebin düştüğünü öğrenir; bu, gerçeğin tam tersidir. Hiçbir şey bulamayan müşteriler fikrini değiştirmedi; başka yere gitti.
Tedarikçi gecikmeleri, yavaş yenileme ve kendi sipariş tercihleriniz de satışları tamamen aynı şekilde sansürler. Model, kaybedilmiş bir satışı kaybedilmiş bir ilgiden ayırt edemez ve en hızlı tükenen ürünü eksik sipariş etmeye devam eder.
Bu hata iyi belgelenmiştir. Perakende tahmininde makine öğrenmesine dair 2026 tarihli bir derleme, eksik veri kümelerini, parçalı veri hatlarını, değişen müşteri davranışını, promosyonları, rakip tepkilerini ve mevsimselliği taraflı, kırılgan modellerin nedenleri olarak gösteriyor. Aynı derleme, 661 stok profesyoneli arasında yapılan bir ankete atıfta bulunuyor: katılımcıların %51'i, daha iyi bir alternatif olmadığı için zaman zaman güvenilmez bulduğu tahminlerle ilerlediğini söylerken, tarife ve ticaret politikası değişiklikleri (%19) ile enflasyon veya emtia fiyat dalgalanmaları (%17) en büyük aksatıcılar arasında yer aldı.
Dört Adımlı Çözüm, Sırasıyla
- Satış geçmişindeki her stoksuzluk gününü işaretleyin; ürünün kaç saat veya gün boyunca satışta olmadığını da kaydedin.
- Kayıp satışları tahmin edin; bunun için aynı mağazadaki ve aynı haftadaki benzer ürünleri baz alın.
- Her dönemi etiketleyin: eğitim çalıştırması başlamadan önce stokta mevcut veya kısıtlı olarak işaretleyin.
- Düzeltilmiş geçmiş üzerinde eğitin ve sonuçları ayrılmış (held-out) haftalarda karşılaştırın; düzeltme yaptığınız haftalarda asla karşılaştırmayın.
Çoğu KOBİ için bu çalışma, algoritma değiştirmekten daha fazla doğruluk kazandırır. Bir model yalnızca kayıtta olanı öğrenebilir; kayıt, stoksuzluk sırasında talebin çöktüğünü söylüyorsa, daha gösterişli bir mimari yanlış şeyi sadece daha hızlı öğrenir. Çoklu kaynak entegrasyonu hakkındaki ELECTE rehberimiz, satış, stok ve promosyon verilerini tek bir kullanılabilir tabloda toplayan altyapıyı ele alıyor.
Perakende Durumuna Göre Tahmin Yöntemlerinin Karşılaştırması
En iyi yöntem diye bir şey yok; yalnızca duruma uyan yöntem var. Aşağıdaki tablo, bir planlama masasının üzerinde asılı görmek isteyeceğim karşılaştırmadır.
Yöntem | En uygun perakende durumu | Gerektirdiği veri | Güçlü yanı | Dikkat edilecek nokta |
|---|---|---|---|---|
Hareketli ortalama veya üstel düzeltme | İstikrarlı, yüksek hacimli ürünler | 1-2 yıllık haftalık satış verisi | Basit, ucuz ve açıklaması kolay | Promosyonları ve mevsimsel kaymaları kaçırır |
SARIMA gibi mevsimsel modeller | Belirgin haftalık veya yıllık döngüleri olan ürünler | İki veya daha fazla sezonluk geçmiş | Trendi ve mevsimselliği yakalar | Binlerce seriyi aynı anda işlemekte zorlanır |
Croston ailesi yöntemler | Kesintili, yavaş hareket eden SKU'lar | Çok sayıda sıfır dönemi içeren satış geçmişi | Satışın ne sıklıkla gerçekleştiğini miktarından ayırır | Düzenli satan ürünler için yanlış seçim |
Promosyon ve fiyat özelliklerini içeren regresyon | Promosyon odaklı kategoriler | Promosyon takvimi ve fiyat geçmişi | Her bir etkenin talebi nasıl etkilediğini gösterir | Promosyonlar seyrek olduğunda işlevini yitirir |
XGBoost veya LightGBM gibi ağaç topluluk modelleri | Geniş ürün-mağaza portföyleri | Satış, takvim, promosyon ve fiyat verileri | Birbiriyle ilişkili çok sayıda seriden öğrenir | Temiz veri ve sürekli izleme gerektirir |
Hibrit LSTM-XGBoost topluluk modelleri | Zengin sinyallere sahip çok kategorili zincirler | 36 aylık satış noktası ve promosyon verisi | 14 perakende kuruluşuyla yapılan bir çalışmada dört haftalık ufukta ortalama mutlak yüzde hatayı ortalama %28,6 azalttı | Kurması ve açıklaması daha zor |
Satırların ardındaki örüntü, tek tek hiçbir satırdan daha önemlidir. Perakende tahmin araştırmalarına ilişkin hakemli bir derleme, perakendecilerin çok sayıda satış serisini tahmin ettiği durumlarda, ileri beslemeli ve yinelemeli sinir ağları, gradyan artırmalı regresyon ağaçları ve rastgele ormanlar dahil küresel makine öğrenmesi modellerinin, ayrı ayrı kurulan zaman serisi ve regresyon modellerinden çoğu zaman daha iyi sonuç verdiğini bildiriyor. Bu avantaj portföy büyüdükçe artıyor: tekil ürünlerin talebinin seyrek, kesintili, mevsimsel ya da promosyona duyarlı olduğu binlerce ürün-mağaza kombinasyonunda.
Gerçek Bir Zincirde Karşılaştırma Nasıl Görünür?
40 mağazalı bölgesel bir zincir düşünün. Haftalık satışı istikrarlı olan temel ürünlerde üstel düzeltme kullanılır, çünkü bir kategori yöneticisi bu rakamı okuyabilir ve üzerine tartışabilir. Yılda sekiz promosyon gören mevsimlik giyimde ise tüm mağazalar üzerinde aynı anda eğitilmiş bir gradyan artırmalı model kullanılır, çünkü tek bir mağazanın geçmişi, indirim eğrisini öğrenmek için fazla sınırlıdır.
Derleme, eski yöntemlerin miadını doldurmadığını da aynı açıklıkla ortaya koyuyor. Bu yöntemlerin performansı; daha küçük veri kümelerinde, istikrarlı ürünlerde ve yorumlanabilirliğin ve sınırlı verinin son puanlık doğruluktan daha önemli olduğu durumlarda rekabetçi kalıyor.
Ölçülü olmak kazandırır. M5 veri kümesinde ABD perakende talebine ilişkin 2026 tarihli bir değerlendirme, beş kayan 28 günlük pencerede 25.940 ürün-mağaza serisini kapsıyor. Geçmiş talebi kullanan bir LightGBM modeli, ortalama ağırlıklı mutlak yüzde hatasını mevsimsel naif referansın 0,9006 değerinden 0,7022'ye indirdi; bu yaklaşık %22 iyileşme demek. Perakende ve operasyonel değişkenlerin eklenmesi yalnızca 0,6979'a, gecikmeli makroekonomik göstergelerin eklenmesi ise 0,6978'e ulaştı; bu da yaklaşık %0,02 kazanç anlamına geliyor.
Önce referans modeli kurun. Bir öğleden sonrada üretilebilen mevsimsel naif ya da üstel düzeltme rakamı, makine öğrenmesi modelinin getirdiği karmaşıklığı hak edip etmediğini gösterir. İkisini de aynı hariç tutulmuş haftalarda çalıştırın ve kazananı tutun.
Model seçimi, yöntemin yeni olup olmadığına değil, portföyün ölçeğine ve yapısına göre yapılmalı. Bu tek ilke size herhangi bir hiperparametre aramasından daha fazla para kazandırır.
Yavaş Hareket Eden Ürünlerin ve Seyrek Talebin Kendi Modeli Olmalı
Bazı ürünlerin bir talep seviyesi yoktur. Talep olayları vardır. Yılda dört kez satılan bir yedek parça, e-ticaretteki uzun kuyruk bir varyant, ayda iki adet hareket eden bir mağaza-SKU kombinasyonu: standart mevsimsel modeller bunları kötü işler ve nedeni yapısaldır.
Sıfırlar ve pozitif satışlar iki farklı süreçten gelir. Bir satışın gerçekleşip gerçekleşmediği bir sorudur. Gerçekleştiğinde ne kadar büyük olduğu başka bir sorudur. Croston tipi yöntemler bunları ayrı ayrı tahmin eder; sıfırın bol olduğu perakende verisinde dayanıklı olmalarının nedeni budur. Kesintili talebe yönelik bir perakende tahmin kıyaslaması, Croston için %93,15 WAPE ve 0,9852 MASE bildiriyor; bu, karşılaştırıldığı naif ve SARIMAX alternatiflerinin önünde. Bu WAPE'yi mutlak anlamda iyi bir doğruluk skoru olarak değil, sıfırlarla dolu bir seride göreli bir sonuç olarak okuyun.

Hata biçimi belirli ve pahalıdır. Standart bir regresyon ya da mevsimsel model bir sıfır dizisi görür, talebin düşük ve sabit olduğu sonucuna varır ve emniyet stokunu buna göre belirler. Öngörülemez patlamalarla satan yavaş ürün tükenirken, ölü ürün üç aylık stok karşılığı tutar. Bir hata satışa mal olur, diğeri nakde ve raf alanına.
Aynı alanda ikinci bir ders daha var. Kesintili talep, eksik gözlemler ve sık ürün çeşitliliği değişimi içeren satış verileri üzerine bir kıyaslama, denenen yaklaşımlar arasında yerelleştirilmiş ağaç tabanlı modellerin en iyi sonucu verdiğini, XGBoost'un 4,833 ile bildirilen en düşük kök ortalama kare hatasına ulaştığını buldu. Çıkarım "her yerde XGBoost kullanın" değil. Ürünler hızlı değiştiğinde, ürün ailesi bazında kurulan modeller, uyumsuz örüntüler arasında ortalama almaya zorlanan tek bir genel modelden daha iyi olabilir.
Bir Seri Nasıl Yönlendirilir?
- Modellemeden önce sınıflandırın. Her seri için Ortalama Talep Aralığını ve sıfır olmayan talebin kareli varyasyon katsayısını hesaplayın. İlki satışlar arasındaki tipik dönem sayısıdır; ikincisi bu satışların büyüklüğünün bir satıştan diğerine ne kadar dalgalandığını ölçer.
- Kesintili serileri Croston ailesi, engel (hurdle) veya oluşum-büyüklük modellerine yönlendirin.
- İstikrarlı, yüksek hacimli ürünleri ait oldukları yere, mevsimsel ya da makine öğrenmesi modellerine gönderin.
- Sınıflandırmayı üç ayda bir yeniden kontrol edin. Ürünler yaşlandıkça, raftan kalktıkça ya da tuttukça kategoriler arasında geçiş yapar; hiç yeniden çalıştırılmayan bir yönlendirme kuralı zamanla bozulur.
Sınıflandırmayı inceleyebileceğiniz bir tabloda tutun. Bir kategori yöneticisi bir ürünün neden alışılmadık bir yöntemle tahmin edildiğini sorduğunda cevap, omuz silkmek değil, iki rakam olmalı.
Promosyonlar, Stok Yapma ve Kanal Kaymaları
Promosyon haftaları sıradan haftalar değildir ve onları bir referans seviyeye karıştırmak ikisini de bozar. Referans talebi ve promosyon etkilerini ayrı şeyler olarak modelleyin, sonra toplayın.
Perakende tahmin yaklaşımlarının bir karşılaştırması, SKU'ların beşten fazla geçmiş promosyonu olduğunda, zincir düzeyindeki günlük talepte karar ağacı topluluklarının doğrusal regresyonu, cezalandırılmış doğrusal regresyonu ve regresyon ağacı yöntemlerini geride bıraktığını buldu. Bu sonuçta kullanışlı eşik beştir. Bunun altında, modelin indirim derinliğinin, promosyon zamanlamasının ve ürün-takvim etkileşimlerinin talebi nasıl etkilediğini öğrenmesi için yeterli örnek yoktur; bu yüzden daha güçlü düzenlileştirme ya da daha basit bir referans, gürültünün peşinden giden esnek bir modelden daha az zarar verir.
Modele açık özellikler verin: promosyon durumu, indirim yüzdesi, teşhir yeri, tatile yakınlık ve promosyon sonrası gecikmeli talep. Sonuncusu çoğu zaman dışarıda bırakılır, oysa düşüşü yakalayan özellik odur.
Kimsenin Tahmin Etmediği Düşüş
Diyelim ki şampuanda %30 indirim bir hafta boyunca satışları artırıyor, ardından satışlar iki hafta boyunca trendin altında kalıyor. Alıcılar stok yaptı; çeyrek genelinde daha fazla satın almadılar. Üç haftalık pencerenin tamamını tek bir analiz birimi olarak ele alın. Promosyon dönemi hatası, yeterli sipariş verip vermediğinizi gösterir. Promosyon sonrası hata ise ayın geri kalanı için fazla sipariş verip vermediğinizi gösterir. Ayrı ayrı puanlandığında iki karar da görünür olur. Birlikte puanlandığında iki hata birbirini götürür ve rapor temiz görünür, oysa ikisini de yanlış yapmışsınızdır.
Promosyon yaşam döngüsü üzerine bir araştırma, önceki çalışmaların promosyon sonrası aşamayı sıklıkla göz ardı ettiğini belirtiyor. Bu aşamada talep, müşterilerin etkinlik sırasında stok yapması nedeniyle düşüyor. Araştırma ayrıca makine öğrenmesi yöntemlerinin yalnızca promosyonun kendisinde değil, tüm yaşam döngüsü boyunca tahminleri iyileştirebildiğini bildiriyor.
Kanal, ikinci bir yanılsama katmanı ekler. Brezilya'daki bir bölgesel süpermarkette yapılan çok kanallı promosyon çalışması, talebin fiziksel mağazalardan online kanala %11,23, ters yönde ise %19,34 oranında kaydığını tahmin etti. Koordineli promosyonlar ise kanibalizasyonu %30,04 azalttı. Ölçülen en yüksek artışı %3,5 ile sadakat teşvikleri sağladı. Her kanalı bağımsız olarak tahmin ederseniz, adres değiştiren talebi iki kez saymış olursunuz.
Ardından değerlendirmeyi dört kurala bağlayın:
- Promosyonlu ve promosyonsuz dönemleri ayrı ayrı puanlayın; böylece iyi bir hafta kötü bir ayı gizleyemez.
- Temel artış (base-lift) veya benzeri bir nedensel baz çizgisiyle karşılaştırın; aksi halde modelin yalnızca hacmi ne kadar öğrendiğini ölçersiniz.
- SKU bazında ve promosyon sıklığına göre değerlendirin, çünkü beş promosyonluk eşik, ne bekleyebileceğinizi değiştirir.
- Gecikmeli bir promosyon sonrası özelliğini aktif tutun; böylece model düşüşü ifade edebilir, onun karşısında şaşırmaz.
İndirimler marjınızı eritiyorsa, indirim kampanyaları sırasında marjları korumaya dair rehberimiz aynı sorunun fiyatlandırma tarafını ele alıyor.
Doğruluğu Ölçmek ve Tahminleri Siparişe Dönüştürmek
Metriği, kararı belirledikten sonra seçin. Her ölçüt farklı bir soruyu yanıtlar ve farklı bir şeyi gizler.

Metrik | Ne zaman kullanılır | Dikkat edilecekler |
|---|---|---|
WAPE (ağırlıklı mutlak yüzde hata) | Farklı büyüklükteki ürünlerin doğruluğunu karşılaştırırken | Yüksek hacimli ürünlere en fazla ağırlığı verir |
MASE (ortalama mutlak ölçeklenmiş hata) | Aralıklı veya sıfır ağırlıklı serilerde modelleri karşılaştırırken | Doğru okunabilmesi için naif bir referans değer gerekir |
MAPE (ortalama mutlak yüzde hata) | İstikrarlı, yüksek hacimli ürünlerde basit raporlama için | Gerçek talep sıfır olduğunda kararsız veya tanımsızdır |
Yanlılık (bias) | Sistematik fazla veya eksik tahmini fark etmek için | Birbirini götüren hatalar, dönem bazında okunmadıkça bunu gizleyebilir |
Hizmet seviyesi | Tahminin raf bulunabilirliğini koruyup korumadığını kontrol etmek için | Yalnızca tahmine değil, yeniden sipariş ayarlarına da bağlıdır |
Yüzde hataları yavaş hareket eden ürünlerde çöker. Gerçek talep sıfır olduğunda payda sıfır olur; metrik ya patlar ya da ortalamadan çıkarılır ve her iki sonuç da modeli olduğundan iyi gösterir. WAPE'i veya ölçeklenmiş bir hatayı yanlılık ve hizmet seviyesiyle birlikte raporlayın, bunları tüm katalog için tek bir rakam olarak değil, segment bazında okuyun.
Bir Rakamdan Yeniden Sipariş Noktasına
Bir tahmin, ekipteki herkesin kontrol edebileceği bir aritmetikle siparişe dönüşür. Tedarik süresi boyunca beklenen talep ile hedef hizmet seviyenize göre belirlenen emniyet stoku toplamı, yeniden sipariş noktasını verir.
Bir mağazanın beş günlük tedarikçi teslim süresi boyunca 40 birim satış beklediğini ve 10 birimlik bir tampon stok tuttuğunu varsayalım. Yeniden sipariş noktası 50 birimdir. Eldeki stok ile siparişteki miktarın toplamı 50'ye düştüğünde sipariş verilir. Tampon hiç kararlaştırılmadığı için satın almacı 40 birimde sipariş verirse, kamyon geciktiği ilk gün raf boşalır.
İki rutin bu süreci sağlıklı tutar. Bir ürünün tahmin hatası eşiğinizi art arda iki veya daha fazla dönem aştığında uyarı tetikleyecek istisna alarmları kurun; böylece birisi panoya değil doğrudan ürüne bakar. Ayrıca kategori bazında aylık bir sapma (bias) kontrolü yapın; bu kontrol, tekil ürün hatalarının ortalamada gizlediği sistematik fazla veya eksik tahminleri yakalar.
İstatistiksel olarak doğru bir tahmin, sipariş zamanlaması, gözden geçirme sıklığı veya emniyet stoku yanlış ayarlandıysa yine de stok yetersizliğine yol açabilir. Tahmini ve ikmal kurallarını birlikte gözden geçirin; aksi halde hep yanlış olanı düzeltmeye çalışırsınız.
ELECTE stok veri analitiği rehberimiz, stok pozisyonlarını satın almacıların karar verirken kullandığı rakamlara bağlama konusunu daha ayrıntılı ele alıyor.
Bir Sonraki Satın Alma Döngüsünden Önce Tahmin Planınızı Doğrulayın
Bir sonraki sipariş verilmeden önce, tahmin sürecinin desteklemesi gereken ürünlere ve kararlara uygun olduğunu doğrulayın. Beş kontrol planı uygulanabilir kılar:
- Ürün çeşitliliğinizi önceliklendirin. Gelirinizin büyük bölümünü getiren ürünleri belirleyin, ardından bunları istikrarlı, promosyon odaklı veya düzensiz talepli olarak sınıflandırın. Geri kalanlar için daha basit bir kural yeterli olabilir.
- Satış geçmişini kontrol edin. Ürün, mağaza ve gün bazında 12 ila 24 aylık satışları çekin ve stoksuz kalınan günleri işaretleyin. Yalnızca 12 aylık veri varsa bunu kullanın, ancak hata payının daha geniş olmasını bekleyin.
- Bir temel modele karşı test edin. Mevsimsel bir temel model belirleyin ve daha gelişmiş modelleri ayrılmış test haftalarında karşılaştırın. Yukarıdaki M5 sonucu, karmaşık bir modelin yerini neden hak etmesi gerektiğini gösteriyor.
- Ölçüm rutinini belirleyin. Her karar için bir metrik seçin, ardından eşiğini ve gözden geçirme sıklığını döngüler boyunca tutarlı tutun.
- Tekrarlayan sapmaları inceleyin. Siparişi vermeden önce, tahmin hatası sürekli tekrarlanan ürünlerin yeniden sipariş noktalarını yeniden kontrol edin.

ELECTE, kullanıcı verileri üzerinde altı tahmin yöntemi çalıştırır, bunları birbirine karşı puanlar ve en doğru olanı seçer. Ücretsiz yeniden sipariş noktası hesaplayıcısı, tek bir ürünün yeniden sipariş noktasını hesaplamanıza yardımcı olur.
Tahminler riski azaltır, ancak her değişikliği hesaba katamaz. Bir model yeni bir ürün lansmanını ya da karşılaştırılabilir satış geçmişi olmayan bir promosyonu kaçırabilir. Gerçek talep plandan saptığında satın almacıların harekete geçebilmesi için tahminin yanında bir gözden geçirme rutini de sürdürün.
ELECTE satış, stok ve promosyon verilerini birleştirir, eldeki veriler üzerinde altı tahmin yöntemini karşılaştırır; tahminleri, doğruluk oranlarını ve istisnaları ekiplerin paylaşabileceği görsel panolarda sunar. Talep tahminlerini kendi satış verileriyle birlikte değerlendiren perakendeciler için: ELECTE.

Yorumlar
Henüz yorum yok — konuşmayı başlatın.