# E-ticarette Talep Tahmini: 2026 İçin Eksiksiz Rehber

> E-ticarette talep tahminini adım adım öğrenin: yöntemler, promosyon etkileri, doğruluk metrikleri ve envanter planlaması. Electe'nin bunu nasıl otomatikleştirdiğini görün.

Source: https://www.electe.net/tr/post/ecommerce-demand-forecasting

Site guide: https://www.electe.net/tr/llms.txt

Geçen yılın satış rakamlarını tedarikçinizin teklifinin yanına açıp bir lansman siparişi hazırlıyorsunuz. Pazarlama ekibi bir flaş indirim planlayana ve bir pazaryeri alıcıların hangi ilanları gördüğünü değiştirene kadar miktarlar makul görünüyor. Kısa süre sonra bir depoda raflar boş kalırken, diğerinde indirim yapmadan satamayacağınız stok birikiyor.

Akla gelen ilk çözüm tahmini iyileştirmektir. Ancak satış geçmişiniz stokta olmayan ürünleri popüler olmayan ürünler gibi gösteriyorsa ya da alım yapanlar sipariş verirken tahmini hiç kullanmıyorsa, daha gelişmiş bir algoritma işe yaramaz. İhtiyacınız olan şey daha ikna edici bir grafik değil, bir karar sistemidir.

**E-ticarette talep tahmini**, müşteri talebini satın alma, sipariş karşılama ve nakit taahhütleriyle birbirine bağlar. Dikkatli yapıldığında, belirsizliği de görünür kılar; böylece güvenilir bir yeniden stoklama tahmini ile daha küçük bir açılış siparişini hak eden bir lansman tahminini birbirinden ayırabilirsiniz.

Pratik çalışma envanter kayıtlarınızla başlar ve operasyonel bir kararla sona erer. Bu iki nokta arasında, yöntemleri ürün modeline göre seçmeniz, gelecekteki bilgileri sızdırmadan test etmeniz ve promosyonları yalnızca ilk satış sıçramasının ötesinde değerlendirmeniz gerekir. Başarının ölçütü basittir: tahmin, satın alma ve promosyon kararlarınızı daha kârlı hale getiriyor mu?

## E-Ticarette Talep Tahmini Neyi Öngörür ve Neden Önemlidir?

Bu lansman senaryosunda, geçen yılın siparişini tekrarlamak aynı müşterilerin aynı kanallardan geleceğini ve aynı lokasyonlardan satın alacağını varsaymak demektir. Flaş bir indirim satın alma güdüsünü değiştirir. Pazaryerindeki bir görünürlük değişikliği ürünün maruziyetini değiştirir. Bunların hiçbiri sıradan bir mevsimsel düzeltmeyle açıklanamaz.

**E-ticarette talep tahmini**, müşterilerin her gelecek dönemde ürün, kanal ve lokasyon bazında kaç birim isteyeceğini tahmin eder. Bunu deponuz için bir hava durumu tahmini gibi düşünün: geçmiş kalıplar beklentileri belirlerken, bilinen yaklaşan olaylar görünümü değiştirir.

[UNCTAD'ın tahminine göre](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales), dünya genelindeki e-ticaret satışları **2019 yılında yaklaşık 26,7 trilyon dolara** ulaştı; bu rakam küresel GSYİH'nin yaklaşık **%30'una** denk geliyor. Aynı raporda çevrimiçi perakendenin toplam perakende içindeki payının **pandemi öncesinde %16'dan 2020'de %19'a** yükseldiği belirtildi. Bu rakamlar bir satıcının mağazasından çok daha geniş bir ticareti kapsasa da, kanal varsayımlarının ne kadar hızlı değişebileceğini gösteriyor.

Büyüme, tekrarlayan zirveler ve ani şoklar bir satış sütununda birbirine benzer görünebilir. Para taahhüt etmeden önce bunları birbirinden ayırın.

Tahminleri operasyonlarla ilişkilendirme konusunda faydalı bir temel için Reddog Consulting Group'un [talep planlama temelleri](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting) yazısı destekleyici bir bağlam sunuyor. Tahmininiz sonuçta şunları bilgilendirmelidir:

- **Satın alma:** Ne sipariş edileceği ve ne zaman sipariş edileceği.
- **Sipariş karşılama kapasitesi:** Envanter ve iş gücünün nerede gerekli olduğu.
- **Nakit planlaması:** Gelecekteki stok taahhütlerinin ne kadar finansman gerektirdiği.

## Modellemeden Önce Özellik Mühendisliği ve Temiz Veri

Bir algoritmayı değiştirmeden önce girdi tablosunu inceleyin. Mükerrer siparişler, uyumsuz SKU kimlikleri ve eksik envanter kayıtları, teknik açıdan sağlam bir modelin yanlış soruyu yanıtlamasına neden olabilir.

**Özellikler**, verinize sorduğunuz sorulardır. Modele yalnızca dünün satışlarını sunmak yerine, müşteri ilgisini satış koşullarından ayırt edebilmesi için yeterli bağlamı sağlayın.

### Alıcıların tanıyabileceği özellikler oluşturun

Pratik bir başlangıç seti şunları içerir:

- **Gecikmeli satışlar:** Geçen haftanın satışları ve geçen yılın karşılaştırılabilir dönemi; talep için bir dikiz aynası.
- **Hareketli ortalamalar:** Aday ayar olarak, son hareketi daha geniş taban çizgisinden ayırt etmek için **7, 28 ve 91 günlük** ortalamaları test edin.
- **Takvim işaretleri:** Tatiller, maaş günü kalıpları ve yerel alışveriş etkinlikleri.
- **Fiyat ve indirim derinliği:** Sadece bir indirim etiketi değil, gerçek satış fiyatı.
- **Stok durumu:** Stokta kalma süresi, ilan durumu ve sipariş karşılama kısıtlamaları.
- **Maruziyet ve dönüşüm:** Güvenilir olduğu durumlarda ürün görüntülenmeleri, trafik ve satın almalar.
- **İadeler:** İade edilen birimler ve satılabilir envanterin ne zaman tekrar kullanılabilir hale geldiği.

Tahmin hedefini açık tutun. Brüt sipariş edilen birimler toplama kapasitesini planlamaya yardımcı olur; net envanter tüketimini tahmin ederken ise elde tutulan birimler ve satılabilir iadeler önem kazanır.

Mümkün olduğunda toplulaştırılmış davranışsal bilgiler kullanın. Müşteri düzeyindeki kayıtlara erişimi kısıtlayın, gereksiz kimlik bilgilerini kaldırın ve e-ticaret ile analiz sistemlerini birleştirirken geçerli gizlilik gerekliliklerine uyun.

### Sıfır satışlı günlere bir gerekçe verin

Bir [perakende tahmin araştırması](https://arxiv.org/pdf/2506.05941), **%20,9 eksiklik** içeren verileri değerlendirdi ve **ürün serilerinin %99,9'unun** en az bir sıfır satışlı gün içerdiğini, seri başına ortalama **492 sıfır satışlı gün** bulunduğunu tespit etti; yerelleştirilmiş ağaç tabanlı modeller de bu ortamda daha gelişmiş derin öğrenme mimarilerinden daha iyi performans gösterdi.

Bu sonuçlar her sıfırın nedenini belirlemiyor. Operasyonel kayıtlarınız, gerçek düşük talebi stok tükenmelerinden, eksik pazaryeri akışlarından, pasif ilanlardan ve katalog değişikliklerinden ayırt etmelidir.

Kullanılamayan bir günü **sansürlenmiş talep** olarak işaretleyin: satışlar gözlemlenebilir, ancak karşılayabileceğiniz talep gözlemlenemez. Bunu otomatik olarak uydurma bir satış tahminiyle değiştirmeyin. Orijinal kaydı koruyun, kullanılabilirlik işaretini ekleyin ve her türlü tahmin kuralını belgeleyin.

Yeni veya hareketi yavaş bir SKU için, kategori, fiyat ve kanala göre karşılaştırılabilir ürünlerden bilgi havuzu oluşturun. Müşterilerin görmediği bir ürünü reddettikleri bir üründen ayırt etmek için maruziyet, dönüşüm, stokta kalma süresi ve ikame verilerini kullanın.

> **Veri kontrolü:** Her bir sıfırı açıklayabiliyor musunuz ve günlük stok durumunu yeniden kurgulayabiliyor musunuz?

Gözlemler daha dar bir tahmini destekleyene kadar, nokta tahminin yanında **geniş bir tahmin aralığı** gösterin. Alıcıların görmesi gereken şey, aralık ve belirtilen kapsama oranıdır, sadece kesin görünen bir sayı değil.

## Her Ürün Tipi İçin Tahminleme Yöntemi Seçmek

Her yerde kazanan tek bir model yoktur. Yöntemi talep örüntüsüne ve sipariş verdiğiniz andaki mevcut bilgiye göre eşleştirin.

İstikrarlı bir çok satan ürün net bir haftalık ritim izleyebilir. Kampanyaya bağlı bir ürün esas olarak kampanyalar etrafında satılabilir. Niş bir yedek parça gibi aralıklı satan bir ürün, uzun süre hiç satış kaydetmeyip ardından bir sipariş alabilir.

Bunlar farklı tahminleme problemleridir. Bunları aynı yapılandırmadan geçirmeye zorlamak bakımı kolaylaştırır, ancak satın alma kararlarını kötüleştirebilir.

### Ürün örüntüsüne göre tahminleme yöntemleri

Aşağıdaki geçmiş veri uzunluklarını evrensel asgari değerler olarak değil, **başlangıç önerileri** olarak ele alın. Haftalık bir döngü, yıllık bir döngüden farklı kanıt gerektirir ve son zamanlardaki yapısal değişiklikler eski geçmiş verileri daha az kullanışlı hale getirebilir.

YöntemEn uygun olduğu durumGereken veriTemel zayıflıkMevsimsel naif veya hareketli ortalamaİstikrarlı, yüksek hacimli çok satanlar1-2 yıllık günlük veya haftalık satış verisiyle başlangıç önerilirPromosyonları, trend değişimlerini ve yeni ürünleri kaçırırÜstel düzeltme (Holt-Winters)Belirgin haftalık veya yıllık mevsimselliğe sahip istikrarlı satıcılarTercihen 2 veya daha fazla tam mevsimsel döngüSKU başına ayarlama gerektirir; promosyon artışlarında zayıftırARIMA veya SARIMATrend ve otokorelasyon içeren tekil seriler2+ yıllık istikrarlı geçmiş veriyle başlangıç önerilirBinlerce SKU'da ayrı ayrı uyarlama ve bakım külfetli hale gelirCroston veya SBAÇok sayıda sıfır satış günü olan düzensiz, dengesiz satıcılar12+ aylık geçmişi ve sıfır olmayan olay sayısını değerlendirerek başlayınNokta tahminleri verir; güvenlik stoğu mantığıyla birlikte kullanılmalıdırFiyat ve promosyon değişkenleriyle regresyonBilinen indirim planlarına sahip promosyon odaklı kategorilerFiyat, indirim derinliği ve kampanya takvimiArtışı tahmin edebilmek için yeterli sayıda geçmiş promosyon gerektirirHavuzlanmış SKU'lar üzerinde gradyan artırma (XGBoost, LightGBM)Etkileşimli sinyallere sahip geniş kataloglarİdeal olarak yüzlerce karşılaştırılabilir SKU ve zengin özelliklerAçıklanması daha zordur; dikkatli doğrulama gerektirir

Seri örüntüler ve mevsimsel modelleme hakkında daha ayrıntılı bir açıklama için bkz. [envanter ihtiyaçlarını tahmin etmek için ARIMA kullanımı](https://www.electe.net/post/arima-models-explained). ARIMA, geçmiş gözlemlerin tekrarlanabilir bilgi içerdiği durumlarda işe yarar; bir ürünün tüm ticari bağlamı değiştiğinde değil.

### Karmaşıklığın karşılığını vermesini sağlayın

**10 mağazadaki 50 ürünü** kapsayan bir [2025 perakende tahminleme çalışması](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html), Random Forest, XGBoost, Doğrusal Regresyon ve ARIMA'yı karşılaştırarak en iyi algoritmanın veri setine ve iş problemine bağlı olduğunu vurguladı.

Özellik ayrıntısı bir yöntemi diğerine yardım etmeden destekleyebilir. Bir [kısa vadeli e-ticaret tahminleme çalışmasında](https://www.atlantis-press.com/article/125982175.pdf), ayrıntılı indirim sınıflandırmaları doğrusal, ridge ve lasso regresyonunu önemli ölçüde iyileştirdi; en iyi MAPE iyileşmesi **%36,19'a** ulaştı, ancak destek vektör makinesi, gradyan artırma veya random forest modelleri için anlamlı bir iyileşme sağlamadı.

Buradaki operasyonel ders, yayınlanmış bir sıralamadan bir kazanan seçmek değildir. Ek yöntemin, hazırlık, açıklama ve bakım maliyetlerini haklı çıkaracak kadar kendi kararlarınızı iyileştirip iyileştirmediğini test edin.

Mevsimsel bir temel noktayla başlayın. Görülmemiş dönemlerde tekrarlanabilir bir referansı geçemeyen karmaşık bir aday, üretimde kullanılmayı hak etmemiş demektir.

## Tahmininize Mevsimsellik ve Promosyonları Öğretmek

Bir konser, satışlardaki sinyaller için kullanışlı bir benzetme sunar. **Trend** alttaki tempodur, **mevsimsellik** tekrarlayan nakarattır, **promosyonlar** performansı geçici olarak değiştiren bir solodur ve **gürültü** ise seyircidir.

Operasyonel terimlerle trend, sürekli bir büyüme veya düşüşü ifade eder. Mevsimsellik, tekrar eden haftalık örüntüleri ve Kara Cuma veya okula dönüş gibi takvimsel zirveleri kapsar. Promosyonlar farklı bir satış rejimi yaratırken, gürültü açıklanamayan günlük değişkenliğin geriye kalanıdır.

### Takvim etkilerini kampanya etkilerinden ayırın

Bir tatil ile bir indirim çakışabilir, ancak birbirinin yerine geçmez. Modele her tatil sıçramasının sıradan talep olduğunu öğretirseniz, indirimi kaldırdığınızda aynı satışları bekleyebilir.

Kampanya başlangıç ve bitiş tarihlerini, indirim oranını, kanalı, ürün kategorisini ve ilgili tedarik kısıtlarını kaydedin. Pazarlarınızın farklı tatilleri veya alışveriş örüntüleri varsa ülkeye özgü takvimleri ayrı tutun.

Bir [Danimarkalı bir indirimli market zinciri üzerine yapılan çalışma](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66), ağaç topluluklarının, özellikle XGBoost'un, **beşten fazla geçmiş promosyonu** olan ürünler için en iyi performansı gösterdiğini, cezalandırılmış doğrusal regresyonun ise **beşten az** olan ürünler için daha iyi performans gösterdiğini; seyrek promosyon geçmişlerinin yine de nispeten yüksek hataya yol açtığını ortaya koydu.

Bu bulguyu evrensel bir eşik değer olarak değil, segmentasyon için bir kanıt olarak kullanın:

- **Promosyonu yoğun ürünler:** İlgili SKU'lar arasındaki etkileşimleri öğrenen havuzlanmış doğrusal olmayan modelleri test edin.
- **Seyrek promosyon uygulanan ürünler:** Dengesiz tahminleri sınırlayan daha basit düzenlileştirilmiş modelleri tercih edin.
- **Kampanya değerlendirmesi:** Zamanlama hatalarını gizleyebilecek aylık bir toplama güvenmek yerine, bireysel promosyon olaylarını inceleyin.

Kampanya ölçümünü ticari planlamayla ilişkilendirmek için [promosyonlardan kaynaklanan satış artışını ölçmek](https://www.electe.net/post/promotion-optimization-in-retail) üzere tutarlı bir süreç kullanın. İadeleri de kampanyaya göre tanımlanabilir tutun. PlatformDTC'nin [indirimli siparişlerde iadelerin nasıl ele alınacağına](https://platformdtc.com/blog/discounts-promo-codes) dair rehberi, indirim mekaniklerini satış sonrası kayıtlarla hizalarken işe yarar.

### Karar noktasındaki bilgiyi dondurun

**Veri sızıntısı**, bir modelin tahmin yapıldığı anda henüz var olmamış olacak bilgiyi almasıyla ortaya çıkar. Gerçekleşen kampanya trafiği, gerçekleşen stok tükenmeleri ve son indirim değişiklikleri, geçmişe dönük bir testin canlı bir tahminden daha iyi görünmesine neden olabilir.

Planlanan indirimlerin, kampanya zamanlamasının, stok durumunun ve kapasite varsayımlarının tarihli bir anlık görüntüsünü kaydedin. Sonradan ortaya çıkanlara göre değil, planlamacıların o anda bildiklerine göre eğitim yapın ve değerlendirin.

> Bir kampanyadan önce yapılan bir tahmin, kampanyadan önce mevcut olan bilgiler kullanılarak değerlendirilmelidir.

## Tahminlerin İşe Yarayıp Yaramadığını Gösteren Değerlendirme Metrikleri

Saygın bir ortalama hata, yavaş satan ürünlerde stok fazlalığı ve çok satanlarda stok tükenmesiyle bir arada bulunabilir. Toplu bir skor, alıcıların daha iyi taahhütler yapıp yapmadığını size söylemeyecektir.

En son dönemi ayırın ve her adayın eğitim sırasında bu dönemi görmesini engelleyin. Adayları aynı ürünler, tarihler ve tahmin ufukları üzerinden karşılaştırın, ardından sonucun farklı ticaret koşullarında geçerliliğini koruyup korumadığını kontrol etmek için testi ardışık geçmiş kesim noktaları boyunca tekrarlayın.

### E-ticaret için tahmin doğruluğu metrikleri

MetrikSize ne anlatırNerede yanıltırMAE (ortalama mutlak hata)Birim cinsinden ortalama sapmaÇok farklı boyutlardaki SKU'lar arasında karşılaştırmak zordurRMSE (kök ortalama kare hata)Büyük sapmaların daha ağır bastığı tipik hata büyüklüğüBirkaç büyük sıçrama skoru domine edebilirMAPE (ortalama mutlak yüzde hata)Gerçek talebin bir payı olarak sapmaGerçek talep sıfır olduğunda tanımsız veya tutarsız hale gelirMASE (ortalama mutlak ölçekli hata)Naif bir tahmine göre hataAnalist olmayanlar için okunması daha az sezgiselRMSSE (kök ortalama kare ölçekli hata)Aralıklı talep karşılaştırmalarında kullanılan ölçekli kare hataAlıcılara ve planlamacılara açıklamak zordurYanlılık (Bias)Tahminlerin sistematik olarak yüksek mi yoksa düşük mü çıktığıSıfır ortalama yanlılık, her iki yönde de büyük sapmaları gizleyebilir

[Aralıklı talep tahminine ilişkin bir inceleme](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701), metrik seçiminin model sıralamalarını değiştirebileceğini, MAPE'nin sıfır talepte tutarsız veya tanımsız hale geldiğini ve random forest yöntemlerinin envantere özgü ölçütlerde Croston tipi yöntemlerin gerisinde kalabileceğini ortaya koyuyor.

Birim sapmaları iletmek için **MAE**'yi, maliyetli sıçramaları incelemek için ise **RMSE**'yi kullanın. Farklı boyutlardaki ürünleri karşılaştırmak için ölçekli metrikleri kullanın, ancak bir seride çok az değişim varsa referans paydayı kontrol edin. Yanlılığı belgelenmiş bir işaret kuralıyla raporlayın; böylece herkes pozitif bir değerin fazla mı yoksa az mı tahmin anlamına geldiğini anlar.

Aralıklı talepli ürünleri Croston ailesi bir yönteme, düzenli satan ürünleri ise mevsimsel naif bir tahmine kıyasla karşılaştırın. Hızlı hareket eden, aralıklı, yeni ve demode ürünleri, en çok satanların ortalamayı domine etmesine izin vermek yerine ayrı ayrı raporlayın.

### Ufku ve ekonomik sonuçları puanlayın

Bir [Suudi Arabistan e-ticaret tahmin çalışması](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf), haftalık tahminler için **0,4537 RMSE** ve uzun vadeli tahminler için **8,1938 RMSE** bildirdi. Bunlar çalışmaya özgü hatalardır, aktarılabilir birim hedefler değildir; ancak bu karşılaştırma, ufukların ayrı ayrı izlenmesini destekler.

Yenileme ufkunuz tedarikçi teslim süresiyle uyumlu olmalıdır. Kapasite tahmininiz farklı bir ufuk ve toplulaştırma düzeyi gerektirebilir.

Sapmaları operasyonel maliyetlere dönüştürün:

- **Kıtlık maliyeti:** Kaybedilen katkı, hızlandırılmış sevkiyat ve ölçülebilir olduğunda ikame.
- **Fazlalık maliyeti:** Depolama, finansman, indirimler ve elden çıkarma.
- **Karar sonucu:** Aynı sipariş politikası altında sağlanan erişilebilirlik ve taahhüt edilen envanter.

Stoksuz kalma dönemlerini dikkatle değerlendirin çünkü gözlemlenen satışlar karşılanmamış talebin tamamını ortaya koymaz. Bu dönemleri raporlamada ayırın ve bilinmeyen bir gerçeği iddia etmek yerine kayıp talep varsayımlarınıza karşı duyarlılığı test edin.

## Tahminler Yeniden Sipariş ve Promosyon Kararlarına Nasıl Dönüştürülür

Bir alıcının ihtiyacı olan şey yalnızca tahmini bir satış eğrisi değil, bir tetikleyicidir. Tahminin bir siparişi nasıl değiştirdiğini, bir istisnayı kimin onaylayacağını ve hangi kanıtın bir revizyonu tetikleyeceğini tanımlayın.

Aşağıdaki, **varsayımsal bir örnek çalışma** olup her katalog için önerilen bir hizmet politikası değildir. Miktarları ve hedefleri hesaplamayı göstermek içindir; kendi ekonomik verilerinizle değiştirebilirsiniz.

### Talebi bir yenileme tetikleyicisine dönüştürün

1. **Ürün sınıfına göre bir hizmet seviyesi hedefi belirleyin.** Örnek olarak, **çok satanlar için %95 döngü hizmet seviyesi** ve **uzun kuyruk ürünler için %90** belirleyin. Döngü hizmet seviyesi, bir yeniden tedarik döngüsü sırasında stok tükenmesinden kaçınma olasılığı anlamına gelir, doldurulan birim yüzdesi değildir. Gerçek hedefleri yalnızca satış hızına değil, kâr marjı, müşteri etkisi ve elde tutma maliyetine göre belirleyin.
2. **Tedarikçi teslim süresi boyunca talebi tahmin edin.** Günlük beklenti makul ölçüde istikrarlıysa, ortalama günlük talebi teslim süresiyle çarpın. Bir kampanya veya mevsimsel değişiklik bu pencerenin içine denk geliyorsa, bunun yerine günlük tahminleri toplayın.
3. **Güvenlik tamponunu boyutlandırın.** Bağımsız günlük talep ve normal yaklaşım kullanılan örnek bir sabit teslim süresi modelinde, **güvenlik stoku = z × günlük standart sapma × √teslim süresi** formülünü kullanın. Yuvarlanmış **z değeri 1,65**, örnekteki %95'lik döngü hizmet hedefine karşılık gelir. Trend, otokorelasyon, düzensiz siparişler ve değişken tedarikçi gecikmeleri, daha uygun bir teslim süresi talep dağılımı gerektirir.
4. **Yeniden sipariş noktasını belirleyin.** Teslim süresi talebini güvenlik stokuna ekleyin. Yalnızca fiziksel stok yerine, kullanılabilir eldeki stok artı onaylanmış gelen stok eksi taahhüt edilmiş talep anlamına gelen **envanter pozisyonuna** göre tetikleyin.
5. **Promosyonları net artımlı değere göre onaylayın.** Kampanya talebini güvenilir bir promosyonsuz referans ile karşılaştırın, ardından ertelenen gelecekteki satın almaları ve diğer ürünlerden gelen ikameleri hesaba katın.

Güvenlik stoku tamponları nasıl oluşturulur konusunda pratik operasyonel bağlam için, Next Point Digital'in [stok tükenmesini önleme rehberi](https://npoint.digital/how-to-prevent-stock-outs/) faydalı bir kaynak olabilir.

### Sipariş vermeden önce sayıları hesaplayın

Bir SKU'nun günde **40 birim** sattığını, tedarikçi teslim süresinin **14 gün** olduğunu ve günlük talep standart sapmasının **8 birim** olduğunu varsayalım. Yukarıdaki basitleştirilmiş varsayımlar altında:

- **Teslim süresi talebi:** 40 × 14 = **560 birim**.
- **Güvenlik stoku:** 1,65 × 8 × √14 ≈ **49 birim**.
- **Yeniden sipariş noktası:** 560 + 49 = **609 birim**.

Bu tampon, günlük talep değişkenliğini kullanır. Tahmine dayalı bir uygulamada, tahmin edilebilir mevsimselliği rastgele değişkenlik olarak değerlendirmemek için belirsizliği, yeniden tedarik ufku boyunca örneklem dışı tahmin hatalarından tahmin edin.

Şimdi **dört günlük bir promosyonun** günde **120 birim** sattığını varsayalım. Kampanya hacmi, **160 birimlik bir başlangıç değerine** kıyasla **480 birim** olup, görünürde **320 birimlik bir artış** sağlar. Sonraki **on gün** boyunca normaldeki **40** yerine günde **25 birim** satılırsa, **150 birimlik eksiklik** tahmini **170 birimlik net bir kazanç** bırakır.

Bu tahmin, başlangıç değerinin güvenilir olduğunu varsayar. Mümkün olduğunda, bu karşılaştırmaların kampanyadan etkilenmediğini kontrol ederek, etkilenmemiş ürünler, pazarlar veya müşteri gruplarıyla karşılaştırma yapın.

[International Journal of Forecasting'de yayımlanan 2025 tarihli bir çalışma](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html), promosyonların, hedef hizmet seviyeleri yüksek olduğunda tahminciler arasında talebin fazla tahmin edilmesine yol açabileceğini ortaya koydu. Fazladan stok, otomatik olarak daha güvenli bir ekonomik karar değildir.

Kârlılığı değerlendirmeden önce indirim maliyetini, reklamı, iadeleri ve yerine getirme giderlerini çıkarın. Uygulama desteği için, sahiplik ve incelemeleri yapılandırmak amacıyla [perakendeciler için 30 günlük bir envanter pilotu](https://www.electe.net/post/inventory-optimization-for-retail) kullanın. Pratik bir başlangıç ritmi, hızlı hareket eden ürünler için haftalık, daha yavaş ürünler için aylık olup, tedarik veya kampanya değişikliklerinden sonra anında istisna incelemeleri yapılmalıdır.

## Önemli Çıkarımlar ve 90 Günlük Pilot

**90 günlük e-ticaret talep tahmini pilotunuza**, önemli olacak kadar büyük ama alıcıların inceleyebileceği kadar yönetilebilir bir kategoriyle başlayın. Önerilen bir kapsam olarak, **satışa göre ilk %20'lik SKU'ları** ele alın, ardından testin uzun kuyruk riskini gizlememesi için temsili yavaş hareket eden ürünleri de dahil edin.

Operasyonel ilkeleri görünür tutun:

- **Karmaşıklığı hak edin:** Adayların, ayrılmış dönemlerde mevsimsel bir referansı geride bırakmasını şart koşun.
- **Kullanılabilirlik bağlamını koruyun:** Alıcıları veya modelleri, stok tükenmelerini müşteri reddi olarak yorumlayacak şekilde eğitmeyin.
- **Ticari sonuçları puanlayın:** Yalnızca birim doğruluğunu değil, envanter maruziyetini ve katkıyı değerlendirin.
- **Promosyon yaşam döngüsünü ölçün:** Başlangıç değerini, kampanya artışını ve sonraki talep değişimini dahil edin.

### Pilota bir sahip ve bir karar verin

Önerilen bu pilot için, mevcut olduğunda **12 ila 24 aylık** günlük veya haftalık satış, kullanılabilirlik kayıtları ve promosyon takvimlerini toplayın. **En son üç ayı** nihai bir karşılaştırma için ayırın ve MAE, sapma ve tahmini stok tükenmesi maliyetini kullanarak mevsimsel bir referans artı **iki aday yöntemi** geriye dönük test edin.

Tutarlı bir sipariş verme politikası altında en güçlü ekonomik sonucu veren yöntemi seçin. Yeniden tedarik önerilerini seçilen SKU'lara uygulayın, istisnaları haftalık olarak inceleyin ve her manuel geçersiz kılmayı bir gerekçeyle kaydedin.

KOBİ'ler için yapay zeka destekli bir veri analitiği platformu olan **ELECTE**, kullanıcı verileri üzerinde **altı tahmin yöntemi** çalıştırır, bunları birbirine karşı puanlar ve en doğru olanı seçer. Çoğu kullanıcı **5 dakikadan kısa sürede** çalışır hale gelir; muhasebe yazılımı bağlandıktan veya bir dosya yüklendikten hemen sonra analiz ve ilk tahminler başlar; operasyonel doğrulama için yine de uygun satış ve kullanılabilirlik kayıtları gereklidir.

Hızlı bir kurulum, iş değerinin kanıtı değildir. Pilotun sonucu, seçilen yaklaşımın, ekibinizin pratikte karşılaştığı satın alma kısıtlamaları altında, kendi verilerinizde mevcut yönteminizi geride bırakıp bırakmadığıdır. Gösterge paneli ikna edici görünse bile bu standardı koruyun.

---

ELECTE, tahminleri satın alma kararlarıyla ilişkilendirmeye yardımcı olmak için talep tahmini ve ücretsiz bir yeniden sipariş noktası hesaplayıcısı sunar. Platformu keşfetmek ve ELECTE'yi kişiselleştirilmiş bir demoyla iş başında görmek için [ELECTE](https://www.electe.net) adresini ziyaret edin.