Stok Tahmin Yöntemleri: Talebi Öngörmenin 5 Yolu
Kanıtlanmış 5 stok tahmin yöntemini, her birinin nasıl çalıştığını ve ne zaman kullanılacağını keşfedin. Yaklaşımları karşılaştırın ve işletmeniz için doğru olanı seçin.

Fazla sipariş verirseniz nakit eritirsiniz. Az sipariş verirseniz satışı rafında stok bulunduran rakibe kaptırırsınız. Stok tutan her işletme bu iki hata arasında yaşar ve aradaki fark tek bir karara bağlıdır: satın alma siparişlerinizin arkasında hangi stok tahmin yöntemi duruyor.
Bir grup operasyon yöneticisine hangi yöntemi kullandıklarını sorarsanız ürün adları duyarsınız. Bir elektronik tablo. Bir ERP modülü. Finanstan birinin satın aldığı bir eklenti. Matematiği kimse anmaz. Kapatılması gereken boşluk tam da burasıdır. Tahmin aracı, bir yöntemin yalnızca iletim mekanizmasıdır; güvenlik stokunuzun gerçeğe mi yoksa hüsnükuruntuya mı göre belirlendiğine yöntem karar verir.
İşte beş stok tahmin yöntemi; birbirine rakip kamplar olarak değil, bir karar merdiveni olarak ele alınıyor. Her biri, bir sonrakinin geçmesi gereken bir temel çizgidir. Her yöntem için neye ihtiyaç duyduğunu, nerede yetersiz kaldığını ve hangi koşullarda işe yaradığını bulacaksınız.
1. Hareketli Ortalama ile Tahmin
Hareketli ortalama yaygın bir başlangıç noktasıdır ve bu yeri hak eder. Bir pencere seçersiniz (3, 6 veya 12 dönem), bu pencere boyunca gerçekleşen talebin ortalamasını alırsınız ve bunu bir sonraki dönemin tahmini olarak kullanırsınız. Yeni bir dönem kapandığında pencere ileri kayar ve rakam kendiliğinden güncellenir.
Arkansas Üniversitesi'nin bir tedarik zinciri çalışması, zaman serisi tahminini çoğu ikmal sisteminin temeli olarak tanımlar; amaç, satış gürültüsünün altındaki trendi ve mevsimselliği belirlemektir. Hareketli ortalama bu işin en basit halini yapar: model gerektirmeden tek seferlik sıçramaları ayıklar.
Basit ve ağırlıklı pencereler
Basit hareketli ortalamalar her döneme eşit ağırlık verir. Ağırlıklı hareketli ortalamalar ise son dönemlere daha fazla etki tanır; talep yatay seyretmek yerine yükseliyor ya da düşüyorsa bu önemlidir. Geçen ay, gelecek ay hakkında geçen çeyrekten daha fazla şey söylüyorsa ağırlıklı olanı tercih edin.
Örneğin bir çevrimiçi kırtasiye mağazası, düzenli satan bir ürün grubunun yeniden sipariş noktalarını belirlemek için defter satışlarının son üç aylık ortalamasını alıyor; bir fırın ise un siparişini ayarlamak için her pazartesi ekmek satışlarının dört haftalık ortalamasını alıyor. Yöntem aynı, pencereler farklı; ikisi de bir satın almacıya kolayca anlatılabilir.
Birine karar vermeden önce üç pencere uzunluğunu son on iki aylık verilerinizle test edin. Kazanan pencere genellikle sezgilerinizin önerdiğinden daha kısadır.
- Naif yöntemle karşılaştırın: geçen dönemin satışı, ortalamanız kadar iyi bir tahmin veriyorsa ortalama, getirdiği karmaşıklığı hak etmiyor demektir.
- Güvenlik stokuyla birlikte kullanın: yumuşatma sıçramayı tahminden çıkarır, talepten değil.
- Ürün ailelerini ayırın: bir defter ile mevsimlik bir ajanda aynı pencereyi paylaşmamalı.
Ürünleriniz düzenli satıyorsa, en az altı temiz dönemlik geçmişiniz varsa ve her paydaşın takip edebileceği bir temel çizgiye ihtiyacınız varsa bunu kullanın. Aynı zamanda sonraki her yöntemin geçmesi gereken rakamdır. Perakendeciler için 30 günlük stok pilot uygulaması, böyle bir temel çizginin hangi SKU'ların ortalamadan fazlasına ihtiyaç duyduğunu ne kadar çabuk ortaya çıkardığını gösterir.
2. Üstel Yumuşatma (Holt-Winters Yöntemi)
Üstel yumuşatma ortalama alma alışkanlığını korur ama eski ve yeni veriye aynı muameleyi yapmayı bırakır. Her gözlemin ağırlığı yaşlandıkça üstel olarak azalır; böylece tahmin, tek bir tuhaf haftaya aşırı tepki vermeden şu anda olanlara doğru döner.
Holt-Winters iki bileşen ekler: bir trend terimi ve bir mevsimsellik terimi. Bunlar, mevsimsel dalgalanmaların hacimle birlikte büyüyüp büyümemesine göre toplamsal ya da çarpımsal olarak uygulanır. Mevsimsel perakende kataloglarının ömürlerinin çoğunu burada geçirmesinin nedeni budur.
Doğruluğun riski neden daha yüksek
Yakın verilere ağırlık vermek duyarlılık kazandırır ve duyarlılığın bir bedeli vardır. Toptan satış ve stok kontrolü araştırmalarına dair bir çalışma, Syntetos ve arkadaşlarına ait bir bulguyu aktarır: benzer hizmet seviyeleri korunduğunda tahmin doğruluğundaki %1'lik bir düşüş, stok maliyetlerinde %10-15'lik bir artışa karşılık gelebilir. Parametreleri çok yavaş ayarlarsanız talep kaydığında stokta fazla kalırsınız; çok hızlı ayarlarsanız gürültüyü kovalayıp kırbaç etkisine yakalanırsınız.

Üç alışkanlık modeli dürüst tutar:
- En az iki yıl: modele en az iki tam mevsim döngüsü verin, yoksa mevsimsel bileşen tahminden öteye geçemez.
- Optimizasyonu kontrol edin: yumuşatma sabitlerini yazılıma çözdürün, sonra mevsimsel şeklin yaşadığınız yılla uyuştuğunu doğrulayın.
- Promosyonları olay olarak işaretleyin: üç haftalık bir kampanya geçmişe sızmasına izin verirseniz temel çizgiyi aylarca bozar.
Talebin tekrar eden bir mevsimsel şekli varsa ve iki temiz döngü sağlayabiliyorsanız bunu kullanın. Yumuşatma modellerinin pratikte nasıl çalıştırılıp karşılaştırıldığını görmek için yumuşatma modelleriyle temerrüt oranlarını tahmin etme yazısını okuyun.
3. ARIMA ve SARIMA Zaman Serisi Modelleri

Yumuşatma geçmişi ağırlıklı bir ortalama olarak ele alır. ARIMA aynı verilere daha zor bir soru sorar: bugünkü talep dünkü talebe, geçen yılın aynı haftasına ve modelin daha önce yaptığı hatalara bağlı mı? Entegrasyon adımı, trend sabitleşene kadar serinin farkını alır; SARIMA ise haftalık ve yıllık döngüler için mevsimsel terimler ekler. Holt-Winters size daha düzgün bir çizgi verirken, ARIMA size talep sürecinin kendisine dair bir model verir.
Karşılığını veren çıktı, tahminin etrafındaki aralıktır.
Aralıklar tek sayıdan daha değerlidir
Bir stok yenileme optimizasyonu çalışması, SKU talebini, iade teslim sürelerini ve yenileme teslim sürelerini rastgele değişkenler olarak modelliyor, tek bir tahmin yerine kantil tahminleriyle çalışıyor ve belirsizliğin tedarik zinciri aşamaları arasında nasıl yayıldığını izlemek için Tahmin Belirsizliği Oranı (Ratio of Forecast Uncertainty) adlı bir ölçü öneriyor. Bu ayrım, satın alma siparişi aşamasında önem taşır. 1.000 birimlik bir tahmin, olası aralık 850 ile 1.150 arasındaysa başka, 500 ile 1.700 arasındaysa başka anlama gelir.
İki alıcı aynı tahmini okuyup tam tersi kararlar verebilir. Bölgesel bir market zinciri, haftalık süt ürünleri talebini hem haftalık hem yıllık mevsimselliği dikkate alarak modelliyor; böylece bayram dönemi artışı siparişe sonradan değil, siparişin içine yansıyor. Bir elektronik distribütörü ise bileşen emniyet stokunu, sabit iki haftalık stok yerine hizmet seviyesi hedefine göre belirlenen aralığın 90. yüzdelik değerine göre ayarlıyor. Aynı altyapı, farklı politika soruları.
Bunu iyi uygulamak disiplin gerektirir:
- Durağanlığı test edin: önce grafikle, sonra resmi bir testle bakın; farkı yalnızca gerektiği kadar alın. Aşırı farklandırma, modelin sonra açıklamak zorunda kalacağı gürültü ekler.
- Son üç ayı ayırın ve modele güvenmeden önce onu bu dönemde puanlayın.
- Aralıkları politikaya çevirin: marjınızın, nakit durumunuzun ve hizmet taahhüdünüzün haklı çıkardığı yüzdelik değeri seçin.
- Model seçimini otomatikleştirin: büyük kataloglarda bunu yapmak gerekir. Elle sipariş ayarı 400 SKU'da işe yaramaz.
Bunun bedeli emektir. ARIMA, durağan veri, dikkatli mertebe seçimi ve mevsimsel terimlerini tahmin edecek kadar geçmiş veri ister; üstelik yalnızca serinin kendi geçmişine bakar. Bu da onu nedensel yöntemlerin aşması gereken çıta yapar: fiyat veya promosyon gibi bir etken, ancak talebin kendi geçmişinden daha iyi tahmin üretiyorsa modelde yer hak eder.
Serinizde yumuşatmanın kaçırdığı otokorelasyon varsa ve emniyet stokunu hizmet seviyesi hedefine göre boyutlandırmak için dürüst bir aralığa ihtiyaç duyuyorsanız bunu kullanın.
4. Nedensel Regresyon Tahmini
Şimdiye kadarki her yöntem talebi kendi geçmişinden okur. Nedensel regresyon ise farklı bir soru sorar: talebi ne hareket ettirir ve ne kadar? Ekibinizin zaten takip ettiği etkenleri verirsiniz: fiyat, indirim oranı, promosyonlar, tatiller, hava durumu ve rakip faaliyetleri gibi. Model de her birinin yarattığı artışı tahmin eder.
Çıktı, üzerine tartışabileceğiniz bir katsayıdır ve asıl amaç da budur. Bir indirim tahmini sadece yükseltmez; belirli bir miktarda yükseltir ve satın alma siparişinizin ihtiyaç duyduğu da bu miktardır.
Promosyon takvimini modele dahil edin
Bir ev eşyası perakendecisinin, yüzde 20 indirim ile hafta sonu e-posta kampanyasının mutfak aletleri satışlarını nasıl etkileyeceğini bilmek istediğini varsayalım. Regresyon birleşik etkiyi tahmin eder; böylece alıcı, geçen yılın aylık ortalamasına göre değil, planlanan etkinliğe göre sipariş verir. Tahmini sıcaklığı modele ekleyen bir içecek distribütörü, sıcak hava dalgasına tepki vermek yerine ondan önce stok yapabilir.
Pratik kural: etkenleri bir doğrulama döneminde tek tek test edin. Modelin görmediği veride doğruluğu artırmayan bir etken, sinyal değil hikâyedir.

- Kaydettiğiniz verilerle başlayın: promosyon işaretleri, fiyat değişiklikleri ve tatil takvimleri. Birçok ekibin varsaydığından daha fazla kullanılabilir etkeni vardır.
- Katsayıları yenileyin: müşteri tepkisi bir fiyat hamlesinden veya yeni bir rakibin girişinden sonra değişir; eski katsayılar fazla stoka yol açabilir.
- Planlı ve plansızı ayırın: kampanyalar girdi olarak eklenir; viral bir paylaşım veya stoksuzluk sonrası toparlanma ise olay işareti olarak eklenir.
Hacminizin büyük bölümünü promosyonlar ve fiyatlandırma belirliyorsa ve bir kampanya için stoku kampanya çalışmadan önce, sonrasında değil, boyutlandırmanız gerekiyorsa bunu kullanın.
5. Makine Öğrenmesiyle Talep Tahmini
Makine öğrenmesi modelleme birimini değiştirir. Ürün başına bir model kurmak yerine, binlerce SKU-mağaza kombinasyonu üzerinde tek bir model eğitirsiniz ve ortak örüntüleri öğrenmesine izin verirsiniz: hangi ürünler hava durumuna, hangileri maaş döngülerine, hangileri iki hafta önceki bir promosyona tepki veriyor.
Gradyan artırma (gradient boosting), tablo biçimindeki satış verilerinde bunu iyi yapar. Katalog çok büyük olduğunda ve sinyaller elle tanımlayamayacağınız şekillerde etkileştiğinde sinir ağları yerini hak eder.
Doğruluk argümanının karmaşıklaştığı yer
7.500 talep serisini ve 13 tahmin yöntemini değerlendiren bir çalışma, tahmin hassasiyetinin değerinin ürün özelliklerine, stok politikasına, elde tutma maliyetlerine, kaçan satış maliyetlerine, gözden geçirme aralıklarına ve teslim sürelerine bağlı olduğunu buldu. Aynı çalışma, ilaç sektöründeki KOBİ'lerin önemli ölçüde aralıklı sipariş almalarına rağmen sıklıkla yargısal tahmine başvurduğunu belirtiyor; bunun nedenleri olarak hatalı geçmiş veriyi, sınırlı uzman personeli ve düşük teknoloji benimsenmesini gösteriyor.
Bunun sonucu, bir sıralama tablosunun peşinde koşanlar için rahatsız edici. Hata ölçütlerinde kazanan bir model, elde tutma maliyetleri düşük ve stoksuzluk pahalı olduğunda maliyette kaybedebilir. Aralıklı ürünlerde güçlü görünen bir yöntem de yalnızca dönemlerin çoğunda talep sıfır olduğu için iyi puan alıyor olabilir.
- Temel çizgiyi geçin: hareketli ortalama veya Holt-Winters sizin kontrol grubunuzdur. Makine öğrenmesi doğrulama verisinde bunu geçmiyorsa devreye almayın.
- Rastgele değil, zamana göre doğrulayın: eski dönemlerde eğitin, yeni dönemlerde test edin.
- Segmente göre puanlayın: en çok satan 50 SKU'nuzdaki hata, uzun kuyruktaki hatadan daha önemlidir.
- Aralıklılığı ayrı ele alın: sıfırın çok olduğu ürünlerin kendi değerlendirme kuralları olmalıdır.

KOBİ'ler için yapay zekâ destekli bir veri analitiği platformu olan ELECTE, verileriniz üzerinde altı tahmin yöntemi çalıştırır, bunları birbirine karşı puanlar ve en doğru olanı seçer; bu da elle yapılan karşılaştırmanın yerini alır. Promosyon ağırlıklı kataloglar için flaş satış talep artışlarını hesaba katma yazımıza bakın.
Birçok üründe yoğun, ayrıntılı geçmişiniz varsa ve bunun temel çizginizi yalnızca kâğıt üzerinde değil, maliyet ve hizmet açısından da geçtiğine dair kanıtınız varsa bunu kullanın.
5 Stok Tahmin Yöntemine Genel Bakış
Yöntem | En Uygun Kullanım | Gerekli Veri | Mevsimselliği Ele Alır mı? | Zorluk |
|---|---|---|---|---|
Hareketli Ortalama Tahmini | İstikrarlı talep ve basit referans tahminleri | Az miktarda güncel satış geçmişi | Hayır | Kolay |
Üstel Düzeltme (Holt-Winters Yöntemi) | Trend ve mevsimsel desenler içeren talep | En az iki mevsimsel döngülük satış verisi | Evet | Orta |
ARIMA ve SARIMA Zaman Serisi Modelleri | Zamansal desenlere sahip, otokorelasyonlu talep | Uzun ve temiz geçmiş zaman serisi | SARIMA ile evet | İleri |
Nedensel Regresyon Tahmini | Promosyonların, fiyatların ve diğer etkenlerin etkisini tahmin etme | Satış geçmişi ve güvenilir etken verisi | Mevsimsel değişkenlerle ele alabilir | Orta |
Makine Öğrenimi ile Talep Tahmini | Karmaşık talep etkenlerine sahip geniş ürün katalogları | Geniş, temiz satış geçmişi ve ilgili girdi verileri | Evet, takvim veya mevsimsel özelliklerle | İleri |
Önemli Noktalar: Verinizin Desteklediği Yöntemi Seçin
Her basamağı, bir sonrakinin geçmesi gereken referans olarak görün. Hareketli ortalama ucuz ve şeffaf olduğu için, sonraki her modelin iyileştirmesi gereken rakamı belirler. Aynı mevsimsel yapı tekrar tekrar ortaya çıkıyorsa Holt-Winters'ı ekleyin; hizmet seviyeleri için savunulabilir bir aralığa ihtiyaç duyduğunuzda ARIMA veya SARIMA kullanın; promosyonlar ve fiyat değişiklikleri hacmi belirliyorsa nedensel regresyona geçin; makine öğrenimini ise yalnızca ayrılmış test verisinde (holdout) kazandıktan sonra devreye alın.
Bu basamakları her döngüde aynı şekilde uygulayın:
- Satış geçmişini denetleyin: temiz dönemleri ve uzun süre sıfır satış görülen SKU'ları sayın.
- Talep desenine uyan en basit yöntemi seçin.
- En son üç ayda doğrulama yapın; rastgele bölme kullanmayın.
- Koşullar değiştikçe kazanan referans yöntem de değişsin diye karşılaştırmayı otomatikleştirin.
ELECTE, muhasebe, bankacılık ve elektronik tablo kaynaklarını birbirine bağlar, güncel tutar, canlı rakamlar üzerinde altı tahmin yöntemi çalıştırır, bunları birbirine karşı puanlar ve en doğru olanı seçer. Tek tıkla dışa aktarabileceğiniz veya paylaşabileceğiniz panolarla talep, nakit ve bordro tahminleri elde edersiniz. Kendi satış geçmişinizin tahminini dakikalar içinde görmek için ELECTE'yi ziyaret edin.

Yorumlar
Henüz yorum yok — konuşmayı başlatın.