Yapay Zeka ile Talep Tahmini ve Üretim Planlama: Stoğu Düşürüp Teslimatı Yükseltmek
26 Ağustos 20263 dk okuma
Talep tahmini kâhinlik değil, veriyle disiplinli çalışmadır. Hangi veriler gerekir, doğruluk nasıl ölçülür, tahmin üretim planına nasıl bağlanır ve 90 günde nasıl uygulanır?
Yapay zeka ile talep tahmini, geçmiş satış, sipariş ve dış etken verilerini makine öğrenmesi modelleriyle işleyerek gelecekteki talebi ürün ve dönem bazında öngörme yöntemidir. Amaç kusursuz tahmin değil, hatayı ölçülebilir biçimde küçültmek ve planlamayı bu hataya göre kurmaktır.
Kısa cevap
- İyi bir tahmin sistemi, hatayı ortadan kaldırmaz; hatayı ölçer, açıklar ve emniyet stoğunu buna göre boyutlandırır.
- Tipik kazanım: stok gününde %15–30 azalma, stoksuz kalma vakalarında %30–50 azalma.
- Tahmin, sonlu kapasite planına bağlanmadıkça sadece bir rapordur.
- Başlamak için 24–36 aylık düzenli satış geçmişi yeterlidir; ürün sayısı azsa daha kısa geçmişle de sonuç alınır.
- Doğruluk MAPE veya WAPE ile ölçülür ve mutlaka naif tahminle karşılaştırılır.
Hangi veriler gerekir?
| Veri | Neden | Kaynak |
|---|---|---|
| Sipariş/satış geçmişi | Temel sinyal | ERP / iş akışı |
| Ürün hiyerarşisi | Az satan ürünler grup düzeyinde tahmin edilir | Ürün ağacı |
| Fiyat ve kampanya | Talep sıçramalarının açıklaması | Satış |
| Takvim etkileri | Bayram, sezon, tatil, vardiya takvimi | Takvim tablosu |
| Stoksuzluk kayıtları | Karşılanamayan talep, geçmişi yanıltır | Stok hareketleri |
| Müşteri tahminleri | B2B'de en güçlü sinyaldir | Müşteri portalı / e-posta |
En sık yapılan hata, stoksuz kalınan dönemlerin “düşük talep” olarak öğrenilmesidir. Bu dönemler işaretlenmezse model, talebi sistematik olarak düşük tahmin eder.
Doğruluk nasıl ölçülür?
- MAPE: Ortalama mutlak yüzde hata. Anlaşılır ama düşük hacimli ürünlerde yanıltıcıdır.
- WAPE: Hacim ağırlıklı hata. Karma portföyde daha adil bir ölçüdür.
- Bias: Sürekli yüksek veya sürekli düşük tahmin etme eğilimi; stok birikmesinin en yaygın nedenidir.
- Naif kıyas: “Geçen ayın satışı = bu ayın tahmini” yönteminden daha iyi olmayan hiçbir model devreye alınmamalıdır.
Sağlıklı bir hedef, ürün ailesi düzeyinde %85–93 doğruluktur. Tek ürün–tek gün düzeyinde bu oran doğal olarak düşer; planlama kararları hangi düzeyde alınıyorsa doğruluk da o düzeyde ölçülmelidir.
Tahminden üretim planına
- Talep tahmini: Ürün ailesi ve dönem bazında miktar.
- Emniyet stoğu: Tahmin hatasının standart sapması ve hedef servis seviyesiyle hesaplanır — sabit “15 günlük stok” kuralı yerine.
- Ana üretim planı (MPS): Talep + stok hedefi + açık siparişler.
- Sonlu kapasite çizelgeleme: Darboğaz iş merkezinin gerçek kapasitesi dikkate alınır; aksi hâlde plan kâğıt üstünde kalır.
- Malzeme planı (MRP): Tedarik süreleri ve minimum sipariş miktarlarıyla satın alma önerileri.
Bu zincirde saha verisi kritik rol oynar: gerçek çevrim süreleri ve duruş oranları plana girmezse, kapasite hesabı sistematik olarak iyimser çıkar.
90 günlük uygulama planı
- Gün 0–15: Veri toplama ve temizlik; stoksuzluk dönemlerinin işaretlenmesi, iade ve iptal kayıtlarının ayıklanması.
- Gün 15–30: Naif kıyas modelinin kurulması ve mevcut planlama doğruluğunun ölçülmesi (çoğu şirket bunu ilk kez o zaman görür).
- Gün 30–60: Makine öğrenmesi modeli, ürün ailesi bazında; sonuç planlamacıya öneri olarak sunulur, otomatik uygulanmaz.
- Gün 60–90: Emniyet stoğu formülünün yenilenmesi, kapasite planına bağlanma, aylık S&OP toplantısına gösterge eklenmesi.
Sık sorulan sorular
Kaç yıllık veri gerekir?
Mevsimselliği yakalamak için en az iki tam yıl idealdir. Daha kısa geçmişte ürün ailesi düzeyinde tahmin ve sektörel göstergelerle destekleme yapılır.
Yapay zeka, planlamacının yerini alır mı?
Hayır. Model rutin kalemleri otomatikleştirir; planlamacı istisnalara, müşteri bilgisine ve kapasite kararlarına odaklanır. En iyi sonuç “model önerir, insan onaylar” düzeninde alınır.
Talebi çok değişken ürünlerde işe yarar mı?
Değişkenliği yüksek kalemlerde tahmin doğruluğu düşer; burada kazanç, tahminden çok doğru emniyet stoğu ve tedarik süresi yönetiminden gelir.
Bulut mu, yerinde kurulum mu?
Model eğitimi periyodiktir ve bulutta ekonomiktir; üretim planı ise tesis sistemleriyle entegre çalışmalıdır. Yaygın çözüm hibrittir.
ERP’mizin planlama modülü yetmez mi?
Klasik MRP, geçmiş ortalamalara ve sabit kurallara dayanır. Yapay zeka katmanı bunun yerini almaz; girdiyi (talep tahmini ve gerçek kapasite) iyileştirerek aynı MRP’yi çok daha isabetli hâle getirir.
MongStack AI talep tahmini ve senaryo analizini üretir, MongFlow İş Akışı bunu iş emri, stok ve satın alma planına dönüştürür, MongScada ise gerçek kapasite verisini besler. Kendi verinizle bir doğruluk kıyaslaması yapmak isterseniz teklif formunu doldurabilirsiniz.