# Üstel Düzeltmenin Temellerden Tahminlere Anlatımı > Basit üstel düzeltmeden Holt ve Holt-Winters'a kadar üstel düzeltmeyi adım adım öğrenin. Formüller, iş örnekleri, R ve Python'da kod ve model seçimi dahildir Source: https://www.electe.net/tr/post/exponential-smoothing Site guide: https://www.electe.net/tr/llms.txt Bölgesel bir perakende yöneticisi geçen çeyreğin SKU satışlarını inceliyor ve yine de temel bir operasyonel soruya yanıt veremiyor: bir sonraki sezonluk yoğunluktan önce ne kadar stok gelmeli? Başka bir ofiste, bir kredi analisti temerrüt oranlarını izliyor ve son zamanlardaki artışın geçici bir şok mu yoksa kalıcı bir değişim mi olduğunu merak ediyor. Tahminleme, bu kararlar ile sonuçları arasında yer alır; bu sonuçlar arasında stok tükenmesi, fazla işletme sermayesi, kaçırılan gelir ve gereksiz risk bulunur. **Üstel düzeltme**, KOBİ'lere bir hesap tablosu ortalaması ile karmaşık bir makine öğrenmesi iş akışı arasında pratik bir orta yol sunar. Yöntem, yakın zamandaki gözlemleri eski gözlemlere göre daha ağırlıklı kullanırken, hesaplamayı bir yöneticiye, finans ekibine veya operasyon liderine açıklanabilecek kadar şeffaf tutar. Ayrıca göreceli olarak az veri gerektirir ve birçok zaman serisi üzerinde hızlıca hesaplanabilir. Yöntemin nasıl çalıştığını, basit üstel düzeltmeyi, Holt'u veya Holt-Winters'ı ne zaman kullanacağınızı ve görsel olarak ikna edici bir çizgiye güvenmek yerine bir tahmini nasıl değerlendireceğinizi öğreneceksiniz. Ayrıca manuel bir hesap tablosu sürecinin nasıl sürekli izlenen bir analitiğe dönüşebileceğini göreceksiniz. ## İçindekiler - Üstel Düzeltme İş Tahminleri İçin Neden Hâlâ Önemli - - Ekiplerin bu yöntemi kullanmaya devam etmesinin üç nedeni - Üstel Düzeltme Perde Arkasında Nasıl Çalışır - - Alfa pratikte ne anlama gelir - SES, Holt ve Holt-Winters Varyantlarının Karşılaştırılması - - Modeli sinyale uydurun - Satış, Envanter ve Risk Alanlarından Gerçek İş Örnekleri - R ve Python'da Üstel Düzeltmenin Uygulanması - - Kısa ve öz bir sözde kod planı - MAE, RMSE, MAPE ve Çapraz Doğrulama ile Modellerin Değerlendirilmesi - - Küçük bir karşılaştırma örneği - Kayan başlangıçlı doğrulama kullanın - Değerlendirmeden vazgeçmeden parametreleri ayarlayın - Hesap Tablosu Tahminlerinden Otomatik Yapay Zeka Analitiğine - - Otomasyonun değiştirdiği şey - Üstel Düzeltmeyi Kullanıma Almak İçin Önemli Çıkarımlar - - İlk modelden sonra sıkça sorulan sorular ## Üstel Düzeltme İş Tahminleri İçin Neden Hâlâ Önemli Bir tahmin yalnızca bir kararı desteklediğinde işe yarar. Bir perakendecinin, yeniden stoklama siparişi vermeden önce gelecekteki talebe ilişkin bir tahmine ihtiyacı vardır. Bir finans ekibinin, dikkat tahsis etmeden önce beklenen bir risk ölçüsüne ilişkin savunulabilir bir görüşe ihtiyacı vardır. Her iki durumda da, basit bir geçmiş ortalama çok yavaş tepki verebilirken, karmaşık bir model bakımı veya açıklanması zor olabilir. Üstel düzeltme, serinin kendi yapısına odaklandığı için değerli olmaya devam ediyor. Seçtiğiniz varyanta bağlı olarak mevcut **seviyeyi** tahmin edebilir, görünür bir **trendi** uzatabilir ve tekrarlayan **mevsimselliği** temsil edebilir. Yöntem, yirminci yüzyılın ortalarında yöneylem araştırmasında pratik bir tahminleme yaklaşımı olarak ortaya çıktı. Robert G. Brown'ın çalışması ABD Deniz Kuvvetleri için yaklaşık **1944** yılına dayanır, Charles C. Holt temel bir trend genişletmesini **1957** yılında bir ONR muhtırasında belgeledi ve Peter Winters yöntemi mevsimselliğe genellediği çığır açan makalesini **1960** yılında yayımladı. ([Gardner'ın tarihsel incelemesi](https://bauer.uh.edu/gardner/Exponential-Smoothing.pdf)) ### Ekiplerin bu yöntemi kullanmaya devam etmesinin üç nedeni - **Düşük veri gereksinimi:** Büyük bir özellik deposu oluşturmadan, tek bir geçmiş seriden yararlı bir taban çizgisi oluşturabilirsiniz. - **Yorumlanabilir parametreler:** Düzeltme değerleri, tahminin yeni bilgilere ne kadar hızlı tepki verdiğini ifade eder. - **Hızlı hesaplama:** Yinelemeli güncellemeler; hesap tablosu prototipleri, dizüstü bilgisayar analizi veya büyük iş serisi koleksiyonları için yeterince hafiftir. Bu şeffaflık önemlidir. Bir yönetici, yakın zamandaki bir satış düşüşünün tahmini neden değiştirdiğini anlayabilir ve bir analist modeli kara kutu olarak görmeden inceleyebilir. Yöntem ayrıca daha gelişmiş yaklaşımların değerlendirilebileceği bir taban çizgisi de sağlar. Model seçimi hakkında daha geniş bir bakış açısı için, üstel düzeltmeyi özellikle dışsal etkenlerin veya daha karmaşık zamansal ilişkilerin önemli olduğu durumlarda [ARIMA ve yapay zeka tahmin modelleriyle](https://www.electe.net/post/time-series-forecasting) karşılaştırın. ## Üstel Düzeltme Perde Arkasında Nasıl Çalışır Merkezi fikir, geçmişi hatırlayan ama günceli önceliklendiren ağırlıklı bir ortalamadır. Yumuşak odaklı bir mercekten talep geçmişini inceleyen bir yöneticiyi düşünün. En son gözlem keskin bir şekilde görünür, önceki gözlem görünür kalır ve daha eski gözlemler giderek solar, ancak hiçbiri tamamen kaybolmaz. NIST Mühendislik İstatistikleri El Kitabı, bu belirleyici özelliği eski gözlemler için **üstel olarak azalan ağırlıklar** olarak tanımlar. Bu durum, seçilen penceresindeki her değere aynı etkiyi veren eşit ağırlıklı bir hareketli ortalamayla karşılaştırıldığında üstel düzeltmeyi hesaplama açısından verimli kılar. ([NIST el kitabı](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc437.htm)) Basit üstel düzeltme için, tek adımlı tahmin şu şekilde yazılabilir: **Fₜ₊₁ = α × Yₜ + (1 − α) × Fₜ** Eşdeğer bir uyarlanmış seviye formu ise şudur: **Lₜ = α × Yₜ + (1 − α) × Lₜ₋₁** Burada **Yₜ**, en son gözlemlenen değer; **Fₜ**, önceki tahmin; **Lₜ**, güncellenmiş seviye ve **α**, sıfır ile bir arasındaki düzeltme (smoothing) parametresidir. ### Alpha pratikte ne anlama gelir Yüksek bir alpha, en son gözleme önemli bir etki verir. Bu, talebin hızlı değiştiği durumlarda faydalı olabilir, ancak tahminin rastgele gürültünün peşinden gitmesine de yol açabilir. Düşük bir alpha, tekil değişikliklere karşı dirençli, daha sakin bir tahmin oluşturur; ancak gerçek bir talep kaymasından sonra yavaş tepki verebilir. > **Pratik kural:** Alpha seçimi, istatistiksel bir parametre kılığına girmiş bir iş kararıdır. Aslında tahminin bir talep şokuna, promosyona veya müşteri kaybı (churn) artışına ne hızda tepki vermesi gerektiğine karar veriyorsunuz. Aşağıdaki tablo, ağırlık α çarpı (1 eksi α)'nın ilgili kuvveti olarak hesaplandığında gözlemlerin etkisinin nasıl azaldığını göstermektedir. Rakamlar, düzeltme (smoothing) kuralına dayalı gösterim amaçlı hesaplamalardır; gözlemlenmiş bir iş verisi değildir. Kaç Dönem ÖnceAlpha = 0,2Alpha = 0,5Alpha = 0,800,20000,50000,800010,16000,25000,160020,12800,12500,032030,10240,06250,006440,08190,03130,001350,06550,01560,0003 Alpha 0,8 olduğunda en son gözlem baskın hale gelir ve daha eski gözlemler hızla etkisini yitirir. Alpha 0,2 olduğunda ise model daha uzun bir hafıza tutar; bu, istikrarlı bir seri için uygun olabilir ama yapısal bir değişimden sonra uyum sağlamayı geciktirebilir. ## SES, Holt ve Holt-Winters Varyantlarının Karşılaştırılması Algoritmanın adıyla değil, verinin şekliyle başlayın. Basit üstel düzeltme, ya da **SES**, yalnızca mevcut seviyeyi tahmin eder. Holt bir trend bileşeni ekler. Holt-Winters ise seviye ve trendin üzerine mevsimselliği ekler. SES, tekrarlayan destek talepleri veya belirgin bir yukarı yönlü eğilimi ya da tekrarlayan döngüsü olmayan olgun bir ürüne yönelik talep gibi nispeten istikrarlı bir seriye uyar. Tahmini genellikle bir yöne doğru devam etmek yerine en son düzeltilmiş (smoothed) seviye civarında sabitlenir. Holt'un yöntemi bir trend tahmini getirir. Model, ikinci bir düzeltme parametresi olan **beta**'yı kullanarak mevcut temel seviyeyi bu temel seviyenin hareket ettiği yönden ayırır. Bu da onu, tekrarlayan bir mevsimsel örüntü olmadan istikrarlı biçimde artan veya azalan bir gelir serisi için daha uygun hale getirir. Holt-Winters, **gamma** ile ve genellikle **m** olarak gösterilen bir sezon uzunluğuyla kontrol edilen mevsimsel bir bileşen ekler. Toplamsal (additive) formu, büyüklüğü genel olarak sabit kalan mevsimsel dalgalanmalara uygundur. Çarpımsal (multiplicative) formu ise mevsimsel dalgalanmaların genel seviyeyle birlikte büyüdüğü veya küçüldüğü durumlarda tercih edilir; bu, perakende ve turizm talebinde sıkça karşılaşılan bir örüntüdür. ([Datarekha'nın üstel düzeltme açıklaması](https://datarekha.com/time-series/exponential-smoothing/)) ### Modeli sinyale uydurun VaryantBileşenlerEk ParametrelerEn Uygun Olduğu DurumÖrnek Kullanım DurumuSESSeviyeAlphaTrendi veya mevsimselliği olmayan sabit serilerOlgun ürün talebiHoltSeviye ve trendAlpha, betaKalıcı bir yönü olan serilerKademeli değişen gelirHolt-WintersSeviye, trend ve mevsimsellikAlpha, beta, gamma, sezon uzunluğuTrendi ve tekrar eden döngüleri olan serilerMevsimsel perakende talebi Daha fazla bileşen, gürültüye uydurma için daha fazla fırsat yaratır. Bir perakendeci, sadece daha gelişmiş göründüğü için Holt-Winters'ı seçmemelidir. Seri güvenilir bir mevsimsellikten yoksunsa, mevsimsel durum yararlı bilgi eklemeden istikrarsızlık ekleyebilir. Yararlı bir zihinsel test basittir. Temel çizginin hareket edip etmediğini, bu hareketin tekrarlanıp tekrarlanmadığını ve temel çizgi değiştikçe mevsimsel hareketin büyüklüğünün sabit kalıp kalmadığını sorun. Bu yanıtlar sizi SES, Holt, toplamsal Holt-Winters veya çarpımsal Holt-Winters'a yönlendirir. ## Satış, Envanter ve Risk Genelinde Gerçek İş Örnekleri Bir model, iş sinyaline uyduğu için yerini kazanır. Üç farklı işletme ortamını ele alalım. Bölgesel bir perakendeci, haftalık SKU talebini takip ediyor. Seri zaman içinde yükseliyor ve tatil dönemlerinde tekrarlanan zirveler gösteriyor; genel talep seviyesi yükseldiğinde mevsimsel dalgalanmalar da büyüyor. **Çarpımsal Holt-Winters** doğal bir aday çünkü genliği seriyle ölçeklenen seviye, trend ve mevsimselliği temsil ediyor. Ana parametreler alpha, beta, gamma ve gözlemlenen sezon uzunluğudur. Tahmin ufku, genel bir döneme dayanmak yerine perakendecinin yeniden stoklama ve planlama döngüsüyle eşleşmelidir. Bir depo yöneticisi, bozulabilir ürünlerle ilgileniyor. Temel tüketim yukarı doğru kayıyor, ancak tek seferlik bir promosyon alışılmadık derecede yüksek bir hafta yaratıyor. **Holt yöntemi**, promosyonu kalıcı bir mevsimsel örüntü olarak ele almadan kademeli hareketi temsil edebilir. Yönetici, tahmini yeniden sipariş miktarlarını belirlemek için kullanmadan önce, özellikle tedarik süresi bir aşırı tahmini maliyetli hale getiriyorsa, uydurulmuş değerleri ve artıkları incelemelidir. Bir kredi risk ekibi, aylık temerrüt oranlarını izliyor. Seri kısa, zayıf trendli ve son zamanlarda makroekonomik koşullardan etkilenmiş durumda. **SES**, en son gözlemlerin uzun bir tarihsel ortalamadan daha fazla ağırlık hak ettiği durumlarda duyarlı bir temel çizgi sağlayabilir. Nispeten yüksek bir alpha hızlı tepki verebilir, ancak analist her son hareketin kalıcı olduğunu varsaymak yerine bu seçimi test etmelidir. Pratik bir envanter iş akışı için, [Shopify için envanter tahmini rehberi](https://hello.quikly.com/blog/inventory-forecasting-methods), model seçimini yeniden stoklama kararları ve platform verileriyle bağlantılandırmaya yardımcı olabilir. İstatistiksel model bir tahmin üretir, ancak iş süreci yine de tedarik sürelerine, promosyonlara, ürün değişikliklerine ve hizmet hedeflerine ihtiyaç duyar. SenaryoEn İyi VaryantTemel ParametrelerTahmin UfkuMevsimsel perakende SKU talebiÇarpımsal Holt-WintersAlfa, beta, gama, mevsimsel uzunlukYenileme veya planlama döngüsüKademeli sapma gösteren dayanıksız envanterHoltAlfa ve betaYeniden sipariş teslim süresi penceresiKısa, zayıf trend gösteren temerrüt oranı serisiSESAlfaSonraki izleme döngüsü Bu seçimleri daha otomatik bir iş akışıyla karşılaştırmak isteyen ekipler, model diyagnostiklerini ve operasyonel bağlamı karar vericiler için görünür tutarken [yapay zeka ile satış tahmini](https://tools.electe.net/previsione-vendite) seçeneğini inceleyebilir. ## R ve Python'da Üstel Düzeltmenin Uygulanması Sayısal bir seri, bir tahmin ufku ve bir model seçimiyle bir tahmin prototipi oluşturabilirsiniz. Uygulama, gelecekteki bir çizgiden fazlasını döndürmelidir. Sonucu daha sonra değerlendirebilmek için uydurulmuş değerleri, tahmin edilen durumları, parametreleri ve artıkları kaydedin. ### Kısa ve öz bir sözde kod planı 1. Sayısal zaman serisini yükleyin ve doğrulayın. 2. Tahmin ufkunu ve alfa, beta, gama ile mevsimsel uzunluk için aday değerleri belirleyin. 3. Gözlemlenen veri şekline göre SES, Holt veya Holt-Winters modelini uydurun. 4. Seviye, trend, mevsimsel endeksler, uydurulmuş değerler ve nokta tahminlerini saklayın. 5. Tahmini, uydurma için kullanılmayan gözlemler üzerinde değerlendirin. 6. Doğrulama süreci modelin uygun olduğunu doğruladıktan sonra yeniden uydurun. R'de, `forecast` paketi otomatik hata, trend ve mevsimsellik seçimi için `ets()` işlevini ve açık Holt-Winters uydurması için `HoltWinters()` işlevini sağlar: `library(forecast)` `series <- ts(data$units, frequency = seasonal_length)` `ets_fit <- ets(series)` `ets_forecast <- forecast(ets_fit, h = horizon)` `hw_fit <- HoltWinters(` `series,` `alpha = NULL,` `beta = NULL,` `gamma = NULL` `)` `hw_forecast <- predict(hw_fit, n.ahead = horizon)` `plot(hw_forecast)` Python'da, `statsmodels` aynı model ailesini `ExponentialSmoothing` aracılığıyla sunar. `fit()` ve `forecast()` çağrıları kompakt bir iş akışı oluşturur: `from statsmodels.tsa.holtwinters import ExponentialSmoothing` `series = data["units"]` `model = ExponentialSmoothing(` `series,` `trend="add",` `seasonal="mul",` `seasonal_periods=seasonal_length` `)` `fit = model.fit(optimized=True)` `forecast = fit.forecast(horizon)` `print(forecast)` Otomatik optimizasyon, manuel parametre ayarını azaltır ancak inceleme ihtiyacını ortadan kaldırmaz. Seçilen formun veriyi yansıttığından ve tahminin makul olmayan bir şekil üretmediğinden emin olun. Ayrıca olağandışı gözlemler etrafında izleme oluşturuyorsanız, [anomali tespit yazılımının nasıl seçileceğine dair bu rehber](https://supercenter.app/blog/anomaly-detection-software) ilgili araçları değerlendirmek için faydalı kriterler sunar. Sonucu paylaşmadan önce katsayıları kontrol edin, varyans tahminlerinin negatif olmadığını doğrulayın, uydurulmuş değerleri gözlemlenen değerlerle karşılaştırın ve tahminin geçmişte görülen mevsimsel şekle uygun olduğunu doğrulayın. ## Modellerin MAE, RMSE, MAPE ve Çapraz Doğrulama ile Değerlendirilmesi Geçmiş veriyi yakından takip eden bir model yine de kötü tahminler üretebilir. Güvenilir test, örneklem dışı performanstır; yani tahminin, uydurma için ayrılmamış gözlemlerle nasıl karşılaştırıldığıdır. **Ortalama Mutlak Hata veya MAE**, ortalama mutlak sapmayı orijinal birimlerle ifade eder. Satılan birimleri tahmin ediyorsanız, MAE de satılan birim cinsinden ölçülür; bu da bir yöneticinin sonucu yorumlamasını kolaylaştırır. **Kök Ortalama Kare Hata (RMSE)** de karekök alındıktan sonra orijinal birimleri kullanır, ancak büyük sapmalara daha fazla ağırlık verir. Ciddi bir stok tükenmesi veya alışılmadık derecede büyük bir personel açığı gibi tek bir büyük hatanın orantısız bir operasyonel maliyet taşıdığı durumlarda bu metriği kullanın. **Ortalama Mutlak Yüzde Hata (MAPE)** hatayı yüzde olarak ifade eder. Bu, ürünler arası karşılaştırmayı kolaylaştırır, ancak gerçek değerler sıfıra yakın olduğunda hesaplama tutarsız veya yanıltıcı hale gelir. Bu nedenle düşük hacimli bir SKU, mutlak iş etkisi küçük olsa bile MAPE'ye göre daha kötü görünebilir. ### Küçük bir karşılaştırma örneği Aynı ayrılmış gözlemler üzerinde üç aday modelin şu mutlak hataları ürettiğini varsayalım: ModelMutlak HatalarMAERMSEMAPESES2, 4, 64.004.32%20.00Holt1, 5, 74.334.69%21.67Holt-Winters3, 3, 53.673.83%18.33 Bu rakamlar metriklerin nasıl çalıştığını göstermek için kurgulanmış bir örnektir, bir iş kıyaslaması değildir. Holt-Winters burada her üç ölçütte de önde çıkıyor, ancak farklı bir hata örüntüsü sıralamayı değiştirebilir. Örneğin, çoğunlukla küçük hatalar ve tek bir ciddi sapma içeren bir model MAE'ye göre kabul edilebilir görünürken RMSE operasyonel riski ortaya çıkarabilir. ### Kayan başlangıçlı doğrulama kullanın Tek bir eğitim-test bölünmesi zayıflıkları gizleyebilir. Kayan başlangıçlı değerlendirme, modeli genişleyen bir eğitim penceresi üzerinde tekrar tekrar uydurur, ardından bir sonraki tahmin dönemini veya birkaç gelecek dönemi puanlar. Bu süreç, modelin yeni gerçekleşen veriler geldiğinde nasıl çalışacağını daha iyi simüle eder. Mevsimsellik önemliyse en az bir tam mevsimsel döngüyü kapsayan bir doğrulama penceresi kullanın. Aksi takdirde test, tekrarlayan bir zirveyi veya çöküşü hiç ortaya çıkarmayabilir. Aday modelleri aynı başlangıç noktaları, ufuklar ve gözlemler üzerinde karşılaştırın. ### Parametreleri kendi değerlendirmenizden vazgeçmeden ayarlayın Alpha, beta ve gamma için optimizasyon çıktısıyla başlayın, ardından sonucun iş açısından mantıklı olup olmadığını kontrol edin. Optimizasyon aracı tanımlanmış bir hata hedefini en aza indirir; envanter maliyetinizi, müşteri hizmetleri politikanızı veya risk iştahınızı değil. Gürültülü KOBİ verileri için başlangıç alpha aralığı olarak **0.1 ile 0.4** arası pratik bir araştırma aralığı işlevi görebilir, ancak evrensel bir kural haline gelmemelidir. Sağlanan teknik kılavuz, sınırda duran herhangi bir parametreyi incelemeden kabul etmek yerine sorgulamayı önerir. Şu kontrolleri kullanın: - **Kalıntıları inceleyin:** Kalan trend, mevsimsellik veya otokorelasyon olup olmadığına bakın. Yapı gösteren bir kalıntı serisi, modelin bazı bilgileri açıklamadan bıraktığını gösterir. - **Mevsimsel formu test edin:** Toplamsal mevsimsellik, sabit büyüklükteki dalgalanmalara uyar. Çarpımsal mevsimsellik, seviyeyle birlikte büyüyen dalgalanmalara uyar. - **Aşırı uyumu izleyin:** Son derece esnek bir mevsimsel model geçmişi mükemmel şekilde takip edebilirken gelecek dönemlerde başarısız olabilir. - **Veri uzunluğuna dikkat edin:** Holt-Winters, tekrarlayan mevsimsel davranışı belirlemek için yeterli geçmişe ihtiyaç duyar. İki tam mevsimsel döngüden daha azıyla uydurmak, kararsız mevsimsel tahminler riski taşır. - **Yapısal kırılmaları belirleyin:** Bir ürün lansmanı, pandemi şoku, politika değişikliği veya fiyatlandırma yeniden tasarımı eski seviyeyi geçersiz kılabilir. Seviyeyi sıfırlamak veya yeniden başlatmak, modelin kırılmayı yavaşça özümsemesine izin vermekten daha iyi olabilir. En iyi model, en çok bileşene sahip olan değildir. Yararlı gelecek tahminleri üreten, gerçekçi doğrulamadan geçen ve tahmine göre hareket eden kişiler için açıklanabilir kalan modeldir. ## Tablo Tabanlı Tahminlerden Otomatik Yapay Zeka Analitiğine Birçok KOBİ tanıdık bir rutinle başlar. Biri aylık satışları dışa aktarır, bir e-tablodaki alfa değerini ayarlar, bir tahmini planlama dosyasına kopyalar ve statik bir sürümü paydaşlara e-posta ile gönderir. Bu süreç az sayıda seri için işe yarayabilir, ancak veriler güncellendiğinde, ürün yelpazesi genişlediğinde veya gerçekleşen sonuçların önceki tahminlerle karşılaştırılması gerektiğinde kırılgan hale gelir. Bir platform iş akışı, üstel düzeltmenin şeffaflığını korurken tekrar eden manuel işlemleri ortadan kaldırabilir. KOBİ'ler için yapay zeka destekli bir veri analitiği platformu olan ELECTE, işletme verilerini alabilir, analiz için hazırlayabilir, tahmin adaylarını uyarlayabilir ve otomatik raporlamayı destekleyebilir. Bir yönetici, ayrık bir e-tablo değerine güvenmek yerine tahmini geçmiş seriyle birlikte inceleyebilir. ### Otomasyon neyi değiştirir - **Tekrarlanabilirlik:** Yeni gözlemler geldiğinde aynı hazırlama ve değerlendirme mantığı çalışır. - **Model karşılaştırması:** Elle ayarlanmış tek bir formüle güvenmek yerine birden fazla ETS adayı değerlendirilebilir. - **İzleme:** Geçmiş tahminler gerçekleşen değerlerle birlikte saklanabilir, böylece bozulma görünür hale gelir. - **İletişim:** Raporlar, tahmini, varsayımları ve istisnaları iş kullanıcılarının anlayabileceği bir biçimde sunabilir. Bu, klasik istatistiği geçersiz kılmaz. Üstel düzeltme, bir yapay zeka katmanının izleyebileceği, geçersiz kılabileceği veya açıklayabileceği şeffaf bir temel olmaya devam eder. Platformun **Smooth Forecaster** özelliği, kısa vadeli dalgalanmaları azaltarak kullanıcıların temel eğilime odaklanabilmesini sağlayan bir yöntem olarak tanımlanır. Manuel dosyaları değiştiren ekipler için [ELECTE e-tablo kılavuzu](https://www.electe.net/post/fogli-di-calcolo), e-tablo iş akışlarını daha bağlantılı bir analitik sürece taşıma konusunda ilgili bir bağlam sunar. ## Üstel Düzeltmeyi Uygulamaya Koymak İçin Temel Çıkarımlar Bir sonraki tahmin döngünüz için bu kontrol listesini pratik bir başlangıç noktası olarak kullanın. 1. **Önce seriyi çizin:** SES, Holt veya Holt-Winters'ı seçmeden önce verileri grafikleyin ve sabit bir seviyeye, bir eğilime, tekrar eden mevsimselliğe veya yapısal bir kırılmaya sahip olup olmadığını belirleyin. 2. **Optimize edin, sonra gözden geçirin:** Bir uyarlama prosedürünün alfa, beta ve gamma değerlerini tahmin etmesine izin verin, ancak ortaya çıkan tepkiselliğin işletmenin yeni bilgilere nasıl tepki verdiğiyle eşleştiğini doğrulayın. 3. **Ayrılmış verilerde doğrulayın:** Tahminleri MAE veya RMSE kullanarak gelecekteki gözlemlerle karşılaştırın ve gerçek hacimler sıfıra yaklaştığında yalnızca MAPE'ye güvenmekten kaçının. 4. **Düzenli bir programda yeniden uyarlayın:** Müşteri davranışı, ürün karması ve işletme koşulları değiştikçe modelin uyum sağlayabilmesi için üç aylık dönemlerde yeniden uyarlama yapın. 5. **Boru hattını izleyin:** Tahminleri ve gerçekleşen değerleri birlikte saklayın, böylece ELECTE gibi bir platform bozulmayı işaretleyebilir ve alternatif modellerle karşılaştırmayı destekleyebilir. ### İlk modelden sonra sıkça sorulan sorular **Ne kadar veriye ihtiyacınız var?** Holt-Winters için modelin tekrarlayan hareketi gürültüden ayırt edebilmesi için en az **iki tam mevsimsel döngü** planlayın. İstikrarlı SES genellikle yaklaşık **30 veya daha fazla gözlemden** fayda görürken, daha kısa seriler güvenilmez parametre tahminleri üretebilir. **Eksik değerlerle ne yapmalısınız?** Üstel düzeltme kullanılabilir bir dizi bekler, bu nedenle uyarlama yapmadan önce boşlukları uygun bir enterpolasyon veya ileri taşıma prosedürüyle giderin. Uygulanan yöntemi belgeleyin çünkü değer atama, seviyeyi ve sonraki değerlendirmeyi etkileyebilir. **Aykırı değerleri nasıl ele almalısınız?** Değeri değiştirmeden önce nedenini inceleyin. Winsorizasyon, uç değerlere dirençli ön işleme veya açık aykırı değer işleme özelliğine sahip bir model, tek bir olağandışı gözlemin alfa güdümlü bir seviyeyi bozmasını önleyebilir, ancak gerçek bir olayın bir iş sinyali olarak görünür kalması gerekebilir. **Üstel düzeltmeden ne zaman kaçınmalısınız?** Seri oldukça doğrusal değilse, birden fazla dış değişkene bağlıysa, büyük yapısal kırılmalar içeriyorsa veya üstel düzeltmenin güvenilir bir şekilde temsil edemeyeceği uzun vadeli bir tahmin gerektiriyorsa başka bir yaklaşım seçin. Bu durumlarda ARIMA, Prophet, regresyon veya makine öğrenimi topluluk modelleri daha uygun olabilir. Tahminleme aynı zamanda finansal ve uyumluluk kararlarını da destekler, ancak finansal veya uyumluluk tavsiyesi değildir. Risk ekipleri, model çıktısını onaylı yönetişim, insan incelemesi ve belgelenmiş politikalarla birleştirmelidir. Müşteri, çalışan veya işlem verilerini işlerken kuruluşunuzun ve geçerli yasaların gerektirdiği gizlilik kontrollerini ve saklama kurallarını uygulayın. --- ELECTE, veri hazırlama, tahminleme, otomatik raporlar ve yapay zeka destekli izlemeyi bir araya getirerek KOBİ'lerin manuel olarak güncellenen e-tablolardan öteye geçmesini sağlar. Ekibinizin üstel düzeltmeyi ve diğer tahmin yöntemlerini nasıl daha net, sürekli gözden geçirilen iş içgörülerine dönüştürebileceğini keşfetmek için [ELECTE](https://www.electe.net)'yi ziyaret edin.