Yapay zekâ ile talep tahmini, geçmiş satış verinizden önümüzdeki haftalarda her üründen kaç adet satacağınızı hesaplatmak ve sipariş kararını bu sayıya, tedarik sürenize ve eldeki stoğa göre vermektir. Küçük ve orta ölçekli bir mağazada amaç kusursuz tahmin yapmak olamaz. Hedef, en çok satan ürünlerde stoksuz kalınan günleri ve depoda aylarca bekleyen stoğu aynı anda azaltmaktır.
Hangi ürünleri stokta tutacağınızı ve hangilerini tedarikçiden satacağınızı stok yönetimi ve stoksuz satış karşılaştırması yazımızda ele aldık. Burada stokta tuttuğunuz ürünlerin ne kadar ve ne zaman sipariş edileceğine odaklanıyoruz. Varsayımsal örneklerdeki sayılar yöntemi göstermek içindir; kendi verinizle değişir.
Talep tahmini için ne kadar geçmiş veri gerekir?
Mevsimsel dalgalanması olan ürünlerde en az bir tam yıllık, günlük ya da haftalık satış kaydı gerekir. Bir mevsimi hiç görmemiş model o mevsimi tahmin edemez. Google'ın BigQuery ML hizmetindeki ARIMA_PLUS modeli de tatil ve özel gün etkisini yalnızca günlük veya haftalık ve bir yıldan uzun serilerde modelliyor [2]. İki yıllık veriniz varsa bir yıldaki sıçramanın tesadüf mü, düzen mi olduğunu ayırmak kolaylaşır.
Her satırda tarih, ürün kodu (SKU), satılan adet, satış kanalı, o günkü fiyat, kampanya bilgisi ve stok durumu bulunmalıdır. Sitenizin yönetim panelindeki siparişleri Trendyol ve Hepsiburada siparişleriyle aynı ürün koduna bağlamadan modele geçmeyin. Stok, sipariş ve fiyat farklı sistemlerde dağınık tutuluyorsa önce ERP ve e-ticaret entegrasyonu tarafını düzeltin; tahmin modeli dağınık veriyi toparlamaz.
Stoksuz kalınan günler talebi nasıl gizler?
Stokta olmayan ürün satılamadığı için o günlerin satışı sıfır görünür ve model bu günleri talebin olmadığı günler gibi öğrenir. Sonuç, en çok aranan ürünlerde sistematik olarak düşük tahmindir. Düşük tahminle verilen sipariş yeniden stoksuz kalmaya, o da bir sonraki dönemde daha düşük tahmine yol açar.
Varsayımsal bir örnek: günde ortalama 6 adet satan bir termos, 30 günlük bir ayın 12 gününde stokta yok. Kayıtlarda aylık satış 108 adet görünür, oysa o ayın talebi 180 adet civarındadır. Bu farkı düzeltmeden kurulan modelle verilen sipariş, sorunu bir sonraki aya taşır.
108 kayıtlarda görünen aylık satış (12 gün stoksuz, varsayımsal)
180 aynı ayın gerçek talebi: günde 6 adet × 30 gün
72 stoksuz günlerin gizlediği talep
Dikkat: Stoksuz günleri sıfır satış olarak bırakmayın; eksik veri olarak işaretleyin ya da tahmin dışında tutun. ARIMA_PLUS gibi modeller eksik değerleri kendi yöntemleriyle doldurabiliyor [2], ancak sıfır yazılmış bir gün eksik sayılmaz. Geçmiş stok kaydınız yoksa bugünden itibaren her ürünün günlük stok durumunu saklamaya başlayın.
Kampanya ve mevsim etkisi tahmine nasıl eklenir?
Kampanya günlerini modele ayrı bir işaretle verin; aksi halde Kasım indirimlerindeki sıçrama ya sonraki haftalara yayılır ya da aykırı değer sayılıp silinir. ARIMA_PLUS, aykırı sıçrama ve düşüşleri varsayılan ayarında temizliyor [2]. İşaretlenmemiş bir kampanya haftası bu temizlikte kaybolabilir ve bir sonraki kampanyaya eksik stokla girersiniz.
Aynı modelde Türkiye'nin tatil günleri hazır bölge koduyla (TR) seçilebiliyor, kendi kampanya günleriniz de özel gün olarak tanımlanabiliyor [2]. Dini bayramlar her yıl takvimde yaklaşık on bir gün erkene kaydığı için geçen yılın aynı haftasına bakmak yanıltır. Bayram öncesi satışı artan ürünlerde takvim tarihini değil, bayrama kalan gün sayısını esas alın.
Kampanya takvimini satış ve pazarlama ekibinden önceden isteyin. Trendyol'daki bir kampanyaya katılım kararı sitenizdeki stoğu da etkiler. Kanallar aynı depodan besleniyorsa tahmini toplamda yapın, kampanya etkisini kanal bazında ekleyin.
Yapay zekâ tahmini basit yöntemden daha mı iyi?
Bunu ancak aynı dönemi basit bir yöntemle de tahmin edip iki sonucu karşılaştırarak bilebilirsiniz. Hyndman ve Athanasopoulos'un yaygın kullanılan tahmin kitabı; ortalama, naif, mevsimsel naif ve eğilim (drift) yöntemlerini, her yeni yöntemin geçmesi gereken karşılaştırma ölçütleri olarak kullanır [1]. Mevsimsel naif yöntem "geçen yılın aynı haftası kadar satarız" varsayımıdır ve çoğu mağaza için iyi bir başlangıç çizgisidir.
Son sekiz haftayı ayırın, modeli öncesindeki veriyle kurun ve iki yöntemin bu sekiz haftadaki ortalama hatasını adet olarak karşılaştırın. Aşağıdaki tablo varsayımsal bir mağazanın sonucudur.
| Ürün (varsayımsal) | Basit yöntem haftalık hata | Model haftalık hata | Karar |
|---|---|---|---|
| Termos 500 ml, hızlı dönen | 14 adet | 9 adet | Modeli kullanın |
| Kamp sandalyesi, mevsimsel | 22 adet | 12 adet | Modeli kullanın, sezon öncesi elle kontrol edin |
| Hediye seti, kampanya ürünü | 35 adet | 18 adet | Modeli kampanya işaretiyle kullanın |
| Yedek kapak, yavaş dönen | 2 adet | 3 adet | Basit yöntemde kalın |
| Yeni sezon mont, geçmişi yok | Hesaplanamaz | Hesaplanamaz | Benzer üründen başlayın, haftalık güncelleyin |
Tablodaki yedek kapak gibi yavaş dönen ürünlerde model basit yöntemi geçemiyorsa sabit bir yeniden sipariş noktası yeterlidir. Modelin hatası basit yöntemden belirgin biçimde düşük değilse yazılım ve emek maliyetine girmeyin.
Tahmin sipariş miktarına nasıl çevrilir?
Tedarik süresi boyunca beklenen satışa bir güvenlik payı ekler, eldeki ve yoldaki stoğu çıkarırsınız; kalan sayı sipariş miktarıdır. Varsayımsal örnek: haftalık tahmin 40 adet, tedarik süresi 3 hafta, güvenlik payı bir haftalık satış. İhtiyaç 160 adettir; depoda 70, yolda 0 adet varsa 90 adet sipariş verirsiniz.
Tahminden sipariş miktarına
- Tedarik süresindeki satışı bulun Haftalık tahmini, fiilen gerçekleşen tedarik süresiyle çarpın.
- Güvenlik payını ekleyin Ciroda payı yüksek ürünlerde payı geniş tutun.
- Eldeki ve yoldaki stoğu çıkarın Kalan sayı sipariş ihtiyacıdır.
- Tedarikçi kuralıyla yuvarlayın Asgari adet, koli içi adet ve depo kapasitesi son adımdır.
Tedarik süresi olarak son siparişlerde fiilen gerçekleşen süreyi yazın; tedarikçinin verdiği süreyi kayıtlarla karşılaştırın. İthal ürünlerde gümrük ve navlun bekleyişi, yerli üretimde sezon yoğunluğu bu süreyi uzatır. Güvenlik payını ürünün ağırlığına göre ayırın: ciroda payı yüksek ürünlerde geniş, kolay ikame edilen ürünlerde dar tutulabilir.
İpucu: Tedarikçinin asgari sipariş adedi, koli içi adet ve depo kapasitesi sipariş miktarını yukarı ya da aşağı yuvarlar. Bu kuralları modelin içine gömmeyin, sipariş hesabının son adımına koyun. Ekibiniz o sayıya neden ulaşıldığını görebilmelidir.
Talep tahmini projesine nereden başlanmalı?
Ciroda payı en yüksek 20-50 üründen başlayın; bütün kataloğu aynı anda modele sokmayın. İlk ölçütleriniz stoksuz geçen gün sayısı ve 90 günden uzun süredir satılmayan stoğun tutarı olsun. Pilot öncesindeki üç ayın değeriyle pilot dönemini karşılaştırın, kampanya ve mevsim farkını ayrıca not edin.
Talep tahmini, yapay zekâ e-ticaret danışmanlığı kapsamında etkisi en kolay ölçülen kullanım alanlarından biridir; sonucu doğrudan stok tutarında ve stoksuz gün sayısında görürsünüz. Getiri hesabını nasıl kuracağınızı yapay zekâ yatırım getirisi yazımızda anlattık.
Son 12-24 ayın ürün bazında sipariş dökümünü, stok giriş kayıtlarını ve tedarikçi teslim sürelerini WebAction'ın e-ticaret danışmanlığı hizmeti kapsamında bize iletin. İlk görüşmede verinizin tahmine hazır olup olmadığını ve pilot için hangi ürün grubunun uygun olduğunu birlikte belirleriz.
Sık sorulan sorular
Talep tahmini için özel bir yazılım gerekir mi?
Başlangıçta gerekmez. Mevsimsel naif yöntem bir tablo programında hesaplanabilir. Model aşamasında bulut veri ambarlarının tahmin işlevleri, stok yazılımlarının tahmin modülleri ya da özel geliştirme değerlendirilir; seçimi basit yönteme göre sağladığı iyileşmeye göre yapın.
Pazaryeri satışlarını ayrı mı tahmin etmeliyim?
Kanal bilgisini veride ayrı tutun. Aynı depodan satış yapıyorsanız sipariş kararını toplam tahmine göre verin; bir kanalın kendi kampanya takvimi varsa o günleri ayrıca işaretleyin.
Geçmişi olmayan yeni ürünler için ne yapmalıyım?
Benzer bir ürünün ilk haftalarındaki satışını başlangıç kabul edin. İlk siparişi küçük tutun ve tahmini ilk dört hafta boyunca haftalık güncelleyin.
Tahmini ne sıklıkla güncellemeliyim?
Hızlı dönen ürünlerde haftalık güncelleme yeterlidir. Kasım indirimleri ve bayram dönemleri için tedarik süresini kapsayacak kadar erken, ayrı bir kontrol yapın.
Kaynaklar
- OTexts — Hyndman ve Athanasopoulos, Forecasting: Principles and Practice (3. baskı), basit tahmin yöntemleri (18.10.2026)
- Google Cloud — BigQuery ML ARIMA_PLUS modeli (CREATE MODEL söz dizimi ve seçenekleri) (18.10.2026)
İhtiyacınızı konuşalım, ilk adımı belirleyelim.
Talebinizi bırakın; ekibimiz ihtiyacınızı dinlesin ve uygun kapsamı paylaşsın.
- Ücretsiz ve yükümlülüksüz
- Çalışma saatlerinde geri arama
