Talep tahmini verisi: bu ne anlama geliyor
Talep tahmini projelerinin çoğu model seçiminde değil, veri hazırlığında tıkanır. “Hangi algoritma daha iyi” sorusu, elinizdeki veri o algoritmayı besleyemiyorsa anlamsızdır.
Olmazsa olmaz üç veri
Satış geçmişi, işlem seviyesinde. Aylık toplam satış bir tahmin kurmaya yetmez; haftalık, tercihen günlük ve ürün-lokasyon kırılımında olmalı. Toplulaştırılmış veri, tahmin edilmesi gereken dalgalanmayı zaten silmiştir.
Stoksuz kalma kayıtları. Bu en sık atlanan veridir ve atlanması sistematik hata üretir. Bir ürün rafta yokken satılmamışsa, satış verisi “talep düşük” der — oysa talep vardı, karşılanamadı. Stoksuz geçen günleri işaretlemezseniz model, kendi stok hatalarınızı talep sanıp öğrenir.
Takvim ve kampanya geçmişi. Ramazan, okul açılışı, yılbaşı, indirim dönemleri. Bunlar olmadan model sezonluğu “rastgele sıçrama” olarak görür.
İşi belirgin iyileştirenler
Fiyat geçmişi ve rakip fiyatı, promosyon tipi (indirim mi, çoklu alım mı, görünürlük mü), yeni ürün lansmanları ve ürün yaşam döngüsü aşaması, hava durumu — özellikle gıda, içecek ve mevsimlik üründe.
Genelde gürültü ekleyen
Çok geniş makroekonomik göstergeler ve sosyal medya duygu analizi. İkisi de kulağa güçlü gelir; operasyonel bir SKU tahminine katkısı ölçüldüğünde çoğu zaman sıfıra yakındır ve modele açıklanamaz karmaşıklık ekler.
Ne kadar geçmişe ihtiyaç var?
Sezonluk yakalayabilmek için en az iki tam yıl. Bir yıl ile kurulan model, sezonluğu trend sanır.
Pratik başlangıç
Mükemmel veri beklemeyin. Satış geçmişi + stoksuz kalma işareti + kampanya takvimi ile kurulan bir tahmin, on kaynağı bekleyip hiç kurulmayan tahminden iyidir. Eksikleri ölçün, etkisini görün, sonra ekleyin.
Veri kalitesi nasıl ölçülür
Veri toplamak yetmez; toplanan verinin tahmin kurmaya elverişli olduğunu ölçmek gerekir. Üç pratik kontrol:
Kapsam. Ürün-lokasyon kombinasyonlarının yüzde kaçı için en az iki yıllık kesintisiz veri var? %60”ın altındaysa, kalan için farklı bir yöntem gerekir — benzer ürün profilinden türetme ya da ürün grubu seviyesinde tahmin.
Süreklilik. Veride boşluk günleri var mı? Sistem değişikliği, ERP göçü ya da mağaza kapanışı kaynaklı boşluklar, model tarafından “sıfır talep” olarak okunur ve tahmini aşağı çeker.
Tutarlılık. Aynı ürün zaman içinde kod değiştirdi mi? Ürün kodu değişikliği, iki yıllık geçmişi iki ayrı altı aylık geçmişe böler ve her ikisini de kullanılamaz hâle getirir.
Veri olmadan başlanabilecek durum
Yeni ürün ya da yeni mağazada geçmiş yoktur. Bu durumda benzerlik tabanlı tahmin kullanılır: aynı kategoride, benzer fiyat bandında, benzer lokasyon profilinde bir ürünün lansman eğrisi referans alınır.
Bu yaklaşım ilk 8-12 hafta için makul sonuç verir; sonrasında ürünün kendi verisi devreye girer. Önemli olan, geçmişi olmayan ürünü tahmin dışı bırakmamaktır — çünkü stok kararı yine de verilecektir, ya modelle ya tahminle.
Sık yapılan bir hata
Veri kalitesi projesinin sonunu beklemek. Uygulamada veri kalitesi hiçbir zaman “bitmez”; kullanıldıkça iyileşir. Eldeki veriyle kurulan ilk tahmin, hangi verinin gerçekten eksik olduğunu gösterir ve önceliklendirmeyi mümkün kılar.
Veriyi toplamadan önce sorulacak soru
Hangi kararı iyileştirmek için tahmin kuruyorsunuz? Cevap, hangi kırılımın gerekli olduğunu belirler.
Satın alma kararı için ürün-tedarikçi kırılımı ve aylık ufuk yeter. Sevkiyat kararı için ürün-mağaza kırılımı ve haftalık ufuk gerekir. İkincisi birincisinin on katı veri demektir, ve o veriyi ilk karar için toplamak boşa emektir.
Projelerin çoğu “önce tüm veriyi toplayalım” diye başlar ve altı ay sonra hâlâ veri topluyordur. Karardan geriye doğru çalışmak bu süreyi haftalara indirir.
Gürültü ekleyen veriler
Her ek alan modeli iyileştirmez. Aylık güncellenen bir makro gösterge, haftalık kararı olan bir modelde sabit gibi davranır ve hiçbir bilgi taşımaz.
Aynı şey ürün açıklaması, tedarikçi notu ve serbest metin alanları için de geçerli: içlerinde bilgi vardır ama yapılandırılmadan modele giremez, ve yapılandırma maliyeti çoğu zaman kazancından yüksektir.
Basit bir test: bu alanı bilmeseydik karar değişir miydi? Cevap hayırsa modele girmesin.
Veri kalitesi ölçülebilir bir şeydir
“Verimiz kötü” bir teşhis değil. Ölçülebilir hali şudur: kaç satırda tarih eksik, kaç üründe birim tutarsız, aynı ürün kaç farklı kodla kayıtlı.
Bu üç sayı bir haftada çıkarılır ve projenin gerçek zorluğunu söyler. Çıkarmadan başlayan projeler zorluğu altıncı ayda keşfeder.