Satış tahminlemesi, geçmiş satış kayıtlarını tarih, ürün ve kanal kırılımında düzenleyip gelecekteki talebi tek bir sayı olarak değil bir aralık olarak öngörme işidir; küçük ve orta ölçekli işletmelerde bu işin başarısını belirleyen şey kullanılan algoritma değil, kaydın ne kadar disiplinli tutulduğudur.
Bir işletme sahibine "önümüzdeki ay kaç adet satacaksınız" diye sorulduğunda gelen cevap genellikle bir histir. Bu his değersiz değil: yıllarca aynı işi yapan biri sezonun nasıl gideceğini çoğu zaman bilir. Sorun şu ki bu bilgi kâğıda dökülemez, bir çalışana devredilemez ve yanıldığında nerede yanıldığı anlaşılamaz. Stok fazlası da personel eksiği de aynı yerden doğar: kararı veren kişinin kafasındaki tahmin ile kasadaki gerçek arasında bir köprü yoktur.
Tahminleme bu hissi ortadan kaldırmaz, onu ölçülebilir hale getirir. Aşağıda karmaşık modeller anlatılmıyor. Anlatılan şey sıralamadır: veriyi tahmin edilebilir hale getirmek, en basit yöntemle başlamak, hatayı ölçmek ve ancak gerçekten gerektiğinde daha gelişmiş bir yönteme geçmek.
Çoğu işletmede sorun modelde değil, kayıtta
Talep tahmini için gelen taleplerin büyük bölümünde yapılacak ilk iş model kurmak olmuyor; veriyi kullanılabilir hale getirmek oluyor. Tipik tablo şöyle: kasa sistemi günlük toplam ciroyu tutuyor, ürün kırılımı yok. Ya da ürün kırılımı var ama iadeler ayrı işaretlenmemiş. Ya da satışların bir kısmı kasadan, bir kısmı mesajlaşma üzerinden alınan siparişten geliyor ve ikisi hiçbir yerde birleşmiyor.
Bu durumda en gelişmiş model bile işe yaramaz, çünkü modelin öğreneceği bir örüntü yoktur. "Geçen yıl bu ay ne sattık" sorusuna cevap veremeyen bir kayıt, "gelecek ay ne satacağız" sorusuna hiç cevap veremez.
Kaydın tahmine hazır olması için gereken kırılım aslında kısadır:
- Tarih — ay değil, gün bazında. Aylık toplam; hafta içi, hafta sonu ve ay sonu etkisini görünmez kılar.
- Ürün veya hizmet — kategori düzeyi çoğu işletme için başlangıçta yeterlidir; her varyantı ayırmak şart değildir.
- Adet ve tutar ayrı ayrı — sadece ciro tutulursa fiyat artışıyla talep artışı birbirine karışır ve stok planı yanlış çıkar.
- Kanal — mağaza, telefon, web sitesi, pazaryeri, sosyal medya. Kanalların mevsimselliği birbirinden farklı olabilir.
- Kampanya işareti — o gün indirim, kupon veya reklam var mıydı? Tek bir evet/hayır sütunu bile büyük fark yaratır.
- İade ve iptaller — brütten düşülmeden bırakılırsa talep sistematik olarak fazla görünür.
- İstisna günleri — kapalı olunan günler, tadilat, tedarik kesintisi, resmî tatiller. Boş bir gün ile "sıfır satış" farklı şeylerdir.
Bu yedi sütunu düzenli tutan bir işletme, henüz hiçbir model kurmadan tahminleme yolunun büyük kısmını tamamlamış olur. Müşteri tarafındaki metrikleri de aynı disiplinle takip etmek isteyenler için KOBİ'ler için müşteri verisi analizi yazımız tamamlayıcı bir çerçeve sunuyor; oradaki metrikler "kim alıyor" sorusuna, buradaki kayıt düzeni ise "ne kadar alınacak" sorusuna bakıyor.
Ne kadar geçmiş veri gerekir?
Kesin bir eşik yok, ama pratik bir kural var: mevsimselliği görebilmek için en az iki kez aynı dönemden geçmiş olmanız gerekir. Aralık ayının nasıl geçtiğini bir kez gördüyseniz bu bir gözlemdir; iki kez gördüyseniz bir örüntü olma ihtimali doğar.
Buna göre kaba bir yol haritası çizilebilir. Üç aylık veriyle yalnızca kısa vadeli trend takibi yapabilirsiniz. Bir yıllık veriyle mevsimsel dalgayı görürsünüz ama bunun tekrar edip etmeyeceğini bilemezsiniz. İki yıl ve üzeri veri, mevsimsellik düzeltmesini görece güvenilir hale getirir. Veri kısa diye tahmin yapmaktan vazgeçmek gerekmez; sadece belirsizliğin yüksek olduğunu kabul edip geniş bir bant kullanmak gerekir.
Hangi tahmin yöntemi ne zaman yeterli?
Yöntem seçimi bir prestij meselesi değil, veriye ve karar süresine uygunluk meselesidir. Aşağıdaki tablo yöntemleri basitten karmaşığa doğru sıralıyor.
| Yöntem | Ne zaman yeterli | Gerekli veri | Sınırları |
|---|---|---|---|
| Geçen yıl aynı dönem karşılaştırması | Talebi güçlü mevsimsel, ürün gamı dar, büyüme hızı düşük işletmelerde | En az 1 tam yıl; aylık veya haftalık toplam | Trendi hesaba katmaz; geçen yıl olağan dışıysa (tadilat, tek seferlik büyük sipariş) tahmini bozar |
| Hareketli ortalama (son 3-6 dönemin ortalaması) | Talep görece durgun, mevsimsellik zayıf, kısa vadeli plan yapılıyorsa | 6-12 dönemlik kesintisiz seri | Dönüş noktalarını geç yakalar; yükselişte düşük, düşüşte yüksek tahmin verir. Mevsimselliği tamamen ezer |
| Ağırlıklı ortalama / üssel düzleştirme | Son dönemler geçmişten daha bilgilendiriciyse, talep kademeli değişiyorsa | Aynı seri, artı bir ağırlık katsayısı kararı | Ağırlık seçimi özneldir; ani sıçramalarda yine gecikir |
| Mevsimsellik endeksiyle düzeltilmiş tahmin | Talep belirgin biçimde dönemsel (turizm, okul dönemi, bayram, kış-yaz) ise | En az 2 yıl; ay veya hafta bazında | Endeks sabit varsayılır; takvim kaymaları (bayramın yer değiştirmesi) elle düzeltilmelidir |
| Etken bazlı model (regresyon) | Talebi fiyat, kampanya, hava durumu, reklam harcaması gibi ölçülebilir etkenler belirliyorsa | Satış serisi + her etkenin tarih bazlı kaydı | Etken verisi eksikse model yanıltır; ilişkiyi nedensellik sanma riski yüksektir |
| Makine öğrenmesi modeli | Çok sayıda ürün, çok kanal, çok lokasyon ve birbirini etkileyen değişkenler varsa | Genellikle 2+ yıl; günlük, temiz ve ürün-lokasyon kırılımlı veri | Kurulum ve bakım maliyeti yüksek, açıklanabilirliği düşüktür; veri kalitesi kötüyse basit yöntemden daha iyi sonuç vermez |
Tablodaki sıralamanın pratik anlamı şudur: bir üst satıra, bir alt satırın yetersiz kaldığı kanıtlandığında geçilir. Hareketli ortalamanın hatasını ölçmeden makine öğrenmesi modeline geçmek, çoğu işletmede maliyeti artırıp isabeti artırmayan bir adımdır.
Mevsimselliği ayrıştırmanın basit yolu
Mevsimsellik düzeltmesi kulağa teknik gelir ama temel hali bir bölme işlemidir. Aşağıdaki rakamlar tamamen örnek amaçlıdır, gerçek bir işletmeye ait değildir.
Diyelim ki bir mağazanın son iki yıllık aylık ortalama satışı 100 adet. Aralık aylarındaki ortalama satış ise 160 adet. Aralık ayının mevsimsel endeksi 160 / 100 = 1,6 olur. Aynı hesabı her ay için yaptığınızda, yılın hangi ayının ortalamanın kaç katı olduğunu gösteren bir tablo elde edersiniz.
Bu endeksi iki yönde kullanabilirsiniz. İleriye doğru: gelecek yılın genel seviyesini tahmin edip Aralık için 1,6 ile çarparsınız. Geriye doğru: bu yılın Aralık satışını 1,6'ya bölerek mevsimsellikten arındırılmış değeri bulur ve gerçekten büyüyüp büyümediğinizi görürsünüz. İkincisi çoğu işletme sahibinin en çok işine yarayan hesaptır, çünkü "Aralık iyi geçti" ile "işler büyüyor" arasındaki farkı ayırır.
Kampanyalar tahmini neden bozar?
Kampanya dönemleri, tahminleme çalışmalarında en sık göz ardı edilen ve en çok zarar veren kalemdir. İki ayrı etki üretir.
Birincisi seviye etkisi: indirimli günde satış yükselir. Bu beklenen ve zararsız kısımdır — yeter ki o günün kampanyalı olduğu kayıtta işaretlensin. İşaretlenmezse model bu sıçramayı normal talep sanır ve bir sonraki yıl aynı tarih için şişirilmiş bir tahmin üretir.
İkincisi ve daha sinsi olanı talep kaydırma (satışın öne çekilmesi): kampanyada satılanın bir kısmı yeni talep değildir, zaten önümüzdeki haftalarda gerçekleşecek olan satışın erkene alınmasıdır. Kampanya haftasının rakamına bakıp sevinen bir işletme, takip eden dönemdeki düşüşü ayrı bir sorun sanabilir. Oysa ikisi aynı olayın iki yarısıdır.
Pratik çözüm karmaşık değil: kampanya günlerini işaretleyin, kampanya dönemi ile onu izleyen dönemi birlikte değerlendirin ve tahmin yaparken kampanyasız temel talep ile kampanya katkısını ayrı hesaplayın.
Tahmin hatası nasıl ölçülür?
Ölçülmeyen bir tahmin, tahmin değil temennidir. İyi haber şu ki hata ölçümü, tahminin kendisinden çok daha basittir; her dönem sonunda tahmini gerçekle karşılaştırırsınız.
En yaygın iki gösterge şunlar:
- Ortalama mutlak yüzde hata (MAPE): Her dönem için gerçek ile tahmin arasındaki farkın mutlak değeri gerçeğe bölünür, yüzdeye çevrilir ve dönemlerin ortalaması alınır. Tahminin ne kadar saptığını gösterir.
- Sapma yönü (bias): Hataların işaretiyle birlikte toplamıdır. Sürekli pozitifse sistematik olarak düşük, sürekli negatifse fazla tahmin ediyorsunuz demektir. Bu, MAPE'den daha kolay düzeltilen ama daha pahalıya mal olan hatadır — tek yönlü sapma, stokta sürekli fazlalık veya sürekli eksiklik anlamına gelir.
"Kabul edilebilir hata oranı nedir" sorusunun evrensel bir cevabı yok ve olduğunu iddia eden kaynaklara temkinli yaklaşın. Talebi düzenli bir toptan işinde beklenen sapma dar, moda veya yeni ürün gibi oynak kalemlerde çok daha geniştir. Doğru referans sektör ortalaması değil, kendi önceki yönteminizdir: yeni yöntem elinizdeki eski yöntemden daha düşük hata üretiyorsa ilerleme var demektir.
Tek sayı yerine senaryo bandı
Tahminin kesin olmadığını kabul etmek, tahminden vazgeçmek anlamına gelmez; kararı bir aralık üzerine kurmak anlamına gelir. Pratikte üç senaryo yeterlidir: kötümser, beklenen ve iyimser. Bandın genişliğini geçmiş hata oranınız belirler — hatanız büyükse bandınız geniş olmak zorundadır.
Bandın asıl değeri, her senaryonun farklı bir karara bağlanmasıdır:
- Stok: Sipariş miktarını yalnızca beklenen senaryoya göre değil, kötümser ile beklenen arasındaki farkı emniyet stoğuyla kapatacak şekilde belirlersiniz. Raf ömrü kısa ürünlerde denge tersine döner; fazla stoğun maliyeti eksik stoğun maliyetinden yüksekse beklenenin altında kalmak rasyoneldir.
- Personel ve vardiya: Çekirdek kadroyu kötümser senaryoya, esnek kapasiteyi (ek vardiya, yarı zamanlı çalışan, dış kaynak) beklenen ile iyimser arasındaki farka göre planlarsınız.
- Nakit akışı: Ödeme takvimini kötümser senaryonun geliriyle kurar, iyimser senaryodaki fazlayı yatırım değil tampon olarak değerlendirirsiniz.
- Tedarik süresi: Tedarikçi teslim süresi uzunsa bant daha geniş tutulmalıdır, çünkü hatayı fark ettiğinizde düzeltme şansınız azdır.
Ne zaman gelişmiş bir modele geçmeli?
Basit yöntemlerden ileri modellere geçiş kararı teknoloji hevesiyle değil, somut belirtilerle verilir. Şu işaretlerden birkaçı aynı anda görülüyorsa geçiş konuşulabilir:
- Ürün ve lokasyon sayısı, elle takip edilebilecek düzeyi aşmıştır (birkaç yüz kalem ve üzeri).
- Hareketli ortalama veya mevsimsel endeks yöntemlerinin hatası birkaç dönem üst üste kabul edilebilir bandın dışına çıkmaktadır.
- Talebi etkileyen çok sayıda değişken vardır ve bunlar birbirini etkilemektedir (fiyat, rakip kampanyası, hava durumu, tatil takvimi).
- Karar sıklığı artmıştır: aylık değil günlük, hatta saatlik planlama gerekmektedir.
- Hatanın maliyeti ölçülebilir düzeyde büyümüştür — atıl stok, kaçan satış veya fazla mesai, şirket için anlamlı bir gider satırı haline gelmiştir.
Son madde en önemlisidir, çünkü yatırım kararı isabet oranıyla değil kazanılan parayla gerekçelendirilir. Kurulacak sistemin maliyetini, önleyeceği hatanın parasal karşılığıyla karşılaştırmak gerekir; bu hesabın nasıl kurulacağını AI yatırımı geri dönüş hesaplama rehberi yazımızda adım adım ele aldık. Veri altyapısı, raporlama ve otomasyon tarafında hangi işlerin birlikte yürüdüğünü görmek isterseniz çözümlerimiz sayfasına göz atabilirsiniz.
Sıkça Sorulan Sorular
Satış tahmini yapabilmek için en az ne kadar geçmiş veri gerekir?
Kısa vadeli trend takibi için birkaç aylık kesintisiz veri yeterli olabilir, ancak mevsimselliği güvenilir biçimde ayrıştırmak için aynı dönemden en az iki kez geçmiş olmanız gerekir; bu da pratikte iki yıllık veri demektir. Verisi kısa olan işletmeler tahmin yapmaktan vazgeçmek yerine belirsizliği kabul edip daha geniş bir senaryo bandıyla çalışmalıdır.
Excel ile satış tahmini yapılabilir mi, yoksa özel yazılım şart mı?
Ürün sayısı sınırlı ve tek lokasyonlu işletmelerin büyük bölümü için hareketli ortalama ve mevsimsellik endeksi hesapları elektronik tabloda rahatlıkla kurulabilir. Özel yazılım ihtiyacı, ürün ve lokasyon sayısı elle yönetilemeyecek kadar arttığında ve tahminin günlük olarak yenilenmesi gerektiğinde doğar.
Tahmin ne sıklıkla güncellenmeli?
Güncelleme sıklığı karar sıklığına bağlıdır: haftalık sipariş veriyorsanız tahmin de haftalık yenilenmelidir. Genel kural, her yeni dönemin gerçekleşen verisi geldiğinde tahmini yenilemek ve aynı anda o dönemin hatasını kayda geçmektir; hata kaydı tutulmadan yapılan güncelleme yöntemi iyileştirmez.
Yeni açılmış, geçmiş verisi olmayan bir işletme talep tahmini yapabilir mi?
Kendi geçmişi olmadığı için istatistiksel bir tahmin kurulamaz; bu aşamada benzer ölçekteki işletmelerin bilinen sezon davranışı, tedarikçi ve sektör bilgisi ile bölgesel takvim etkileri referans alınır. Bu bir tahmin değil varsayımdır ve bu şekilde adlandırılmalıdır; ilk günden itibaren düzgün kayıt tutmak, birkaç ay içinde gerçek tahminlemeye geçmenin tek yoludur.
Tahmin hatam yüksek çıkıyorsa önce neye bakmalıyım?
İlk bakılacak yer model değil veridir: iadeler düşülmüş mü, kapalı günler sıfır satış olarak mı işlenmiş, kampanyalı günler işaretlenmiş mi, tüm kanallar kayda giriyor mu? Bunlar temizlendikten sonra hata hâlâ yüksekse ve tek yönlü bir sapma varsa, sorun genellikle kullanılan yöntemin trendi veya mevsimselliği hesaba katmamasıdır.
Satış tahminlemesine başlamanın doğru sırası model seçmek değil, kaydı düzeltmektir: hangi verinin toplandığını, nerede kırıldığını ve hangi kararı beslemesi gerektiğini netleştirmek. Next GEO Agency olarak işletmelerin mevcut satış kayıtlarını bu gözle inceliyor, önce basit ve sürdürülebilir bir tahmin düzeni kuruyor, ileri modelleri ancak veri ve karar yapısı bunu gerektirdiğinde masaya getiriyoruz — kendi durumunuz için ön değerlendirme talebinizi iletişim sayfamızdan iletebilirsiniz.