Yapay zeka talep tahmini, işletmelerin geçmiş satış kayıtlarını, sipariş akışını, stok hareketlerini ve operasyonel sinyalleri birlikte değerlendirerek gelecekteki talebi daha isabetli öngörmesine yardımcı olur. Özellikle ERP üzerinde biriken veriler düzenli, zaman damgalı ve süreç odaklı olduğu için bu iş için güçlü bir temel sağlar. Konu yalnızca “gelecek ay kaç adet satarız?” sorusundan ibaret değildir. Hangi ürün grubunun hangi depoda, hangi haftada ve hangi tedarik süresiyle risk yaratacağını öngörmek de bu işin önemli bir parçasıdır.
Üretim yapan ya da dağıtım ağı bulunan şirketlerde hata payı küçüldükçe etkisi büyür. Örneğin 12 haftalık bir plan ufkunda oluşan yüzde 8-10 seviyesindeki tahmin hatası, yüksek devirli SKU’larda fazla stok, acil satın alma ve kapasite sıkışması olarak geri dönebilir. ERP verileriyle çalışan bir yapay zeka talep tahmini sistemi bu tabloyu tek başına sihirli şekilde çözmez; ancak veri kalitesi, doğru modelleme ve süreç entegrasyonu sağlandığında karar kalitesini belirgin biçimde yükseltir.
ERP verileri neden iyi bir başlangıç noktasıdır?
ERP sistemleri, çoğu şirkette satış siparişinden satın alma emrine, ürün ağacından depo hareketine kadar kritik kayıtları aynı omurgada toplar. Talep tahmini açısından en değerli yanı da budur: veri tek yerde toplanır ve olaylar tarihsel sırayla izlenebilir. En az 12 ay veriyle başlanabilir; mevsimselliğin belirgin olduğu sektörlerde ise 24-36 ay çok daha sağlıklı sonuçlar verir.
Talep tahmini çalışmasında tipik veri kaynakları şunlardır:
- Satış faturaları ve satış siparişleri
- İade, iptal ve promosyon kayıtları
- Depo bazlı stok giriş-çıkış hareketleri
- Satın alma termin süreleri
- Üretim emirleri, fire oranları, kapasite kısıtları
- Ürün hiyerarşisi: SKU, kategori, marka, varyant
Buradaki kritik ayrım şudur: satış verisi ile gerçek talep her zaman aynı şey olmayabilir. Stok bittiği için satılamayan ürün, raporda düşük satış gibi görünür. Model bunu ham haliyle öğrenirse “talep düştü” diye yorumlar. Oysa sorun arz tarafındadır. Bu nedenle ERP verisinden eğitim seti hazırlanırken stok yokluğu, kampanya etkisi ve tek seferlik kurumsal siparişler mutlaka işaretlenmelidir.
Yapay zeka talep tahmini için veri hazırlığı nasıl yapılır?
Başarılı projelerin önemli bir bölümü, model seçiminden önce veri hazırlığı aşamasında kazanılır. Uygulamada bu aşama çoğu zaman toplam eforun yüzde 60’ına yaklaşır. Temel amaç, ERP’de operasyon için tutulan veriyi modelin öğrenebileceği düzenli zaman serilerine dönüştürmektir.
1. Tahmin granülerliğini belirleyin
Her ürün için günlük tahmin üretmek cazip görünebilir, ancak bu her işletme için gerekli değildir. Yüksek hacimli perakende SKU’larında günlük seri anlamlı olabilir. B2B dağıtım veya proje bazlı üretimde ise haftalık tahmin daha kullanışlı sonuç verir. Örnek bir yapı şöyle olabilir: ürün + depo + hafta. Bu tanım bile veri modelini ciddi ölçüde sadeleştirir.
2. Hedef değişkeni doğru tanımlayın
Çoğu senaryoda hedef, belirli dönemdeki net talep miktarıdır. Net talep hesabında iade, iptal, ücretsiz numune ve test siparişi gibi kayıtların nasıl ele alınacağı en baştan netleştirilmelidir. Aksi takdirde model, aynı SKU için farklı dönemlerde tutarsız sinyaller görür.
3. Özellik mühendisliği kurun
ERP verisinden sık kullanılan özellikler:
- Son 4, 8, 12 haftanın hareketli ortalaması
- Geçen yıl aynı hafta satış miktarı
- Fiyat değişimi ve iskonto bilgisi
- Tedarik süresi: örneğin 21 gün, 45 gün
- Stokout bayrağı: ilgili gün veya haftada stok sıfır mı?
- Tatil, resmi gün, kampanya, sezon başlangıcı gibi takvim değişkenleri
Küçük ama etkili bir örnek verelim. Bir ürünün son 8 hafta satışı sırasıyla 100, 110, 95, 0, 0, 120, 130, 125 ise iki sıfır değer doğrudan talep düşüşü olarak değerlendirilmemelidir. ERP kayıtları o haftalarda stok bulunmadığını gösteriyorsa model girişinde “stokout=1” bilgisi yer almalıdır.
4. Veri kalitesini test edin
Negatif stok, geriye dönük fiş düzeltmeleri, eksik ürün eşleştirmeleri ve depo kodu değişimleri tahmin performansını hızla bozar. Bu nedenle canlıya geçmeden önce en az 3 kontrol önerilir: boş değer oranı, anomali sayısı, SKU-depo bazında yeterli tarihçe süresi. Örneğin 6 haftadan kısa geçmişe sahip yeni ürünlerde ayrı bir yöntem kullanmak daha doğru olur.
Hangi model yaklaşımı seçilir?
Yapay zeka talep tahmini tek bir algoritmadan oluşmaz. Klasik zaman serisi yöntemleri ile makine öğrenmesi modelleri, çoğu projede birlikte değerlendirilir. Küçük veri setlerinde daha basit modeller bazen daha istikrarlı sonuçlar verir. Çok değişkenli, çok SKU’lu yapılarda ise gradyan artırmalı ağaçlar, regresyon tabanlı modeller veya derin öğrenme mimarileri devreye girer.
Pratikte model seçimi şu üç soruya bağlıdır: Kaç SKU var? Ne kadar tarihçe var? Dış etkenler ne kadar belirleyici? Örneğin 5.000 SKU ve 36 aylık haftalık veri bulunan bir dağıtım şirketinde global model yaklaşımı faydalı olabilir; yani her SKU için ayrı model kurmak yerine benzer örüntüleri birlikte öğrenen bir yapı tercih edilir.
Değerlendirme tarafında tek bir metrikle yetinilmemelidir. MAPE, WAPE, MAE gibi hata ölçümleri birlikte yorumlanır. Çok düşük hacimli SKU’larda MAPE yanıltıcı olabilir; 1 birimlik hata bile oranı abartabilir. Bu yüzden iş hedefiyle uyumlu metrik seçimi şarttır. Satın alma riski yüksek ürünlerde mutlak hata daha anlamlı olabilir.
Stok yönetiminde somut kullanım alanları
Stok planlama, yapay zeka talep tahmini için en hızlı değer üreten alanlardan biridir. Çünkü tahmin çıktısı doğrudan güvenlik stoğu, yeniden sipariş noktası ve elde bulundurma maliyetiyle ilişkilidir.
Güvenlik stoğunu dinamik hesaplama
Sabit güvenlik stoğu kullanan işletmelerde sık görülen sorun şudur: hızlı dönen ürün ile yavaş dönen ürün aynı mantıkla yönetilir. Oysa talep oynaklığı ve tedarik süresi farklıdır. Tahmin sistemi, SKU bazında hata aralığını da üreterek güvenlik stoğunu dinamik hale getirebilir. Örnek: tedarik süresi 28 gün olan ve haftalık talebi 250-320 aralığında değişen bir ürün ile tedarik süresi 7 gün olan stabil bir ürün aynı stok tamponuna sahip olmamalıdır.
Depolar arası stok dengesini görmek
ERP üzerinde çoklu depo yapısı varsa tahmin yalnızca toplam talebi değil, lokasyon bazlı ihtiyacı da gösterebilir. İstanbul deposunda 6 haftalık fazla stok varken Ankara deposunda 10 gün sonra stok riski oluşması sık karşılaşılan bir durumdur. Böyle bir senaryoda tahmin sistemi, transfer kararını satın alma kararı verilmeden önce görünür hale getirir.
Yavaş hareket eden ürünleri ayırmak
ABC/XYZ sınıflaması, tahmin sonuçlarıyla birlikte kullanıldığında daha anlamlı hale gelir. A sınıfı ama oynak talebe sahip bir SKU için farklı politika, C sınıfı ve düzensiz sipariş alan ürün için farklı politika gerekir. Buradaki amaç her ürün için tahmin yapmak değil, tahmine uygun olmayan ürünleri erkenden ayıklamaktır.
Satın alma planlamasında nasıl kullanılır?
Satın alma ekipleri açısından asıl değer, “ne zaman ve ne kadar sipariş vermeliyim?” sorusuna daha erken ve sayısal yanıt alabilmektir. ERP verileriyle çalışan yapı, yalnızca geçmiş tüketimi değil, açık siparişleri ve tedarikçi termin performansını da dikkate alabilir.
Somut bir örnek üzerinden ilerleyelim. Bir hammaddenin ortalama tedarik süresi 35 gün, son 90 gündeki fiili termin sapması ise artı eksi 6 gün olsun. Talep tahmini modeli önümüzdeki 8 hafta için kademeli artış öngörüyorsa satın alma önerisi sadece miktar bazlı kalmaz; sipariş tarihi de öne çekilebilir. Böylece acil hava kargo, spot alım veya üretim bekleme maliyeti azaltılabilir.
Burada iyi çalışan senaryolar şunlardır:
- MRP sonuçlarını daha gerçekçi talep girdisiyle beslemek
- Tedarikçi bazında termin riski puanı üretmek
- MOQ ve lot size kısıtlarını sipariş önerisine dahil etmek
- Döviz, sezon ve kampanya dönemlerinde istisna uyarısı vermek
Satın alma tarafında önemli bir nokta daha var. Tahmin sistemi karar vericinin yerine geçmez. Özellikle stratejik hammaddelerde tedarik kesintisi, fiyat anlaşması veya alternatif tedarikçi durumu gibi ERP dışında kalan bağlamsal bilgiler hâlâ insandadır. Sağlıklı bir tasarım, bu bilgiyi dışlamaz; kullanıcıya manuel düzeltme ve gerekçe alanı sunar.
Üretim planlamasında ne sağlar?
Üretim yapan şirketlerde tahmin kalitesi, kapasite planından vardiya kararına kadar zincirleme etki yaratır. Haftalık üretim emirleri çoğu tesiste son dakika revizyonlarıyla bozulur. Bunun nedenlerinden biri, satış tahmininin operasyonel gerçeklikten kopuk kalmasıdır.
Ana üretim planını besleme
Yapay zeka talep tahmini, ürün ailesi bazında 13 haftalık görünüm sağlayarak ana üretim planına daha dengeli bir girdi sunar. Özellikle setup süresi yüksek hatlarda bu büyük fark yaratır. Örneğin renk değişimi nedeniyle her geçişte 90 dakika kaybedilen bir hatta, tahmin kaynaklı daha düzgün parti yapısı toplam verimi etkileyebilir.
Kapasite darboğazını erken görmek
ERP’de iş merkezi, operasyon süresi ve rota verileri varsa tahminler kapasiteye çevrilebilir. 4. haftada beklenen talep artışı, belirli bir iş merkezinde yüzde 115 yük oluşturuyorsa planlama ekibi bunu birkaç hafta önceden görebilir. Böylece seçenekler netleşir: fazla mesai, fason üretim, alternatif rota veya teslim tarihi revizyonu.
Malzeme ve yarı mamul senkronizasyonu
Nihai ürün tahmini, ürün ağacı üzerinden kritik bileşen ihtiyacına indirgenebilir. Ancak burada veri disiplini şarttır. Revizyonu güncel olmayan ürün ağacı, en iyi modeli bile boşa çıkarır. Bu yüzden teknik altyapı kadar master data yönetimi de projenin parçasıdır.
Uygulama mimarisi ve entegrasyon nasıl kurgulanır?
Kurumsal ölçekte çalışan bir çözüm genellikle 4 katmandan oluşur: veri alma, veri işleme, modelleme, sonuçların ERP veya planlama ekranlarına geri yazılması. Çoğu projede günlük ya da haftalık batch akış yeterlidir; bazı hızlı tüketim senaryolarında ise daha sık çalıştırma gerekebilir.
Basit bir akış örneği:
- ERP’den API veya veritabanı bağlantısıyla satış, stok, satın alma ve ürün verileri alınır.
- Veri ambarında temizleme ve özellik üretimi yapılır.
- Model eğitim ve tahmin servisi haftalık tahminleri üretir.
- Sonuçlar dashboard, MRP girdi tablosu veya satın alma öneri ekranına aktarılır.
Teknik tarafta izlenebilirlik kritik önemdedir. Hangi modelin, hangi tarihli veriyle, hangi SKU için ne tahmin ürettiği kayıt altına alınmalıdır. Aksi halde kullanıcı güveni oluşmaz. Yalnızca tahmin değerini değil, güven aralığını ve etkili faktörleri göstermek de benimsenmeyi hızlandırır.
Projelerde en sık görülen hatalar
Talep tahmini projeleri çoğu zaman model yüzünden değil, kapsam ve veri varsayımları nedeniyle zorlanır. Sık karşılaşılan hatalar nettir:
- Yeni ürün, kampanya ürünü ve proje bazlı siparişi aynı mantıkla tahmin etmeye çalışmak
- Stokout dönemlerini normal satış gibi modele vermek
- Satış ekibinin manuel bilgisini tamamen dışlamak
- Sadece veri bilimi ekibiyle ilerleyip satın alma ve üretim planlamayı sürece katmamak
- Canlı kullanım öncesi 8-12 haftalık gölge test yapmamak
İyi uygulamada önce sınırlı bir pilot seçilir. Mesela tek depo, 300 SKU, 24 aylık veri. Başarı kriteri de en baştan yazılır: hata metriği, stok devir etkisi, acil satın alma sayısı, servis seviyesi. Böylece proje teknik bir gösterim olmaktan çıkar, operasyonel sonuç üretir.
Son not: teknoloji kadar süreç tasarımı da belirleyicidir
Yapay zeka talep tahmini, ERP verisi olan işletmeler için erişilebilir bir alan haline geldi. Yine de asıl farkı yaratan unsur yalnızca algoritma değildir. Temiz veri, doğru tahmin seviyesi, süreç sahipliği, kullanıcıya açıklanabilir çıktı ve ERP entegrasyonu birlikte çalışmalıdır. Stok, satın alma ve üretim planlamasında gerçek kazanım ancak bu bütünlükle ortaya çıkar. Sağlam kurgulanmış bir sistem, planlama ekibinin yerine geçmez; onları daha hızlı, daha tutarlı ve daha görünür karar verebilir hale getirir.
