Talep tahmini, geçmiş satış ve sipariş verisinden gelecek dönemde hangi üründen ne kadar isteneceğini öngörme işidir. Doğru sıra şudur: veriyi gün ya da hafta düzeyinde düzenleyin, basit bir karşılaştırma tahmini kurun, Excel'deki TAHMİN.ETS gibi istatistiksel bir yöntemi deneyin. Makine öğrenmesine ancak bu ikisini geçmeniz gerektiğinde geçin ve her yöntemi aynı test dönemiyle ölçün.
Öne çıkanlar
- Excel'in TAHMİN.ETS işlevi, Excel 2016 ve sonraki masaüstü sürümlerinde var. Üstel düzeltme yönteminin AAA sürümünü kullanır ve verinin %30'una kadar eksik noktayı tolere eder (Microsoft Destek (yeni sekmede açılır)).
- Satışsız günler dökümde hiç yer almıyorsa TAHMİN.ETS bu boşlukları varsayılan ayarda komşu değerlerin ortalamasıyla doldurur. Seyrek satılan üründe bu, talebi yüksek gösterir.
- Aynı güne düşen birden çok satırı Excel varsayılan olarak toplamaz, ortalar. Tahminden önce günlük ya da haftalık toplam alın.
- M5 tahmin yarışmasındaki 42.840 Walmart serisinin çoğu aralıklıydı, yani sıfırlı ve düzensiz satış içeriyordu (M5 Competition (yeni sekmede açılır)). Bu tür talep için ayrı yöntem ve ayrı hata ölçüsü gerekir.
- Ramazan Bayramı'nın ilk günü 2025'te 30 Mart, 2026'da 20 Mart, 2027'de 9 Mart (Diyanet: 2025 (yeni sekmede açılır), 2026 (yeni sekmede açılır), 2027 (yeni sekmede açılır)). Hareketli bayramlar ay bazında karşılaştırmayı bozar.
Talep tahmini ile satış tahmini aynı şey mi?
Değil. Satış, talebin stokla karşılanabilen kısmıdır. Ürün stokta yokken gelen talep satış kaydında görünmez.
Bu fark tahminin girdisini değiştirir. Stoksuz kaldığınız günleri "sıfır talep" diye okursanız model, o ürünün o dönemde istenmediğini öğrenir. Bu yüzden stoksuz günleri ayrı bir işaretle tutun ve tahminde ya çıkarın ya da ayrıca ele alın.
Talep tahmini, makine öğrenmesinin KOBİ'lerde en sık kullanıldığı alanlardan biridir. Ama çoğu işletmede ilk adım makine öğrenmesi değil, düzenli bir tablo ve basit bir yöntemdir.
Başlamadan önce hangi veri gerekir?
En az dört alan gerekir: tarih, ürün kodu, miktar ve satış kanalı. Kampanya ve stok durumu bilgisi varsa tahmin belirgin biçimde daha anlamlı hâle gelir.
- Tarih: Sipariş tarihi, fatura tarihinden daha doğru bir talep işaretidir.
- Ürün kodu: Aynı ürünün farklı kodlarla girildiği kayıtları birleştirin.
- Miktar: Adet, kilogram ya da koli. TL tutar yerine miktarı tahmin edin; fiyat değiştikçe tutar, talep değişmeden de değişir.
- Kanal: Kendi siteniz, pazar yerleri, bayi. Kanallar farklı davranıyorsa ayrı tahmin edin.
- Kampanya işareti: İndirim, kargo bedava ya da pazar yeri kampanyası yapılan günler.
- Stok durumu: Ürünün stokta olmadığı günler.
Bu veriler çoğu zaman muhasebe ya da ERP yazılımında ve pazar yeri panellerinde durur. Dışa aktarma yöntemlerini ERP verisinden rapor alma yazımızda anlattık. Verinizin modele hazır olup olmadığını ölçmek için de veri hazırlama kontrol listesine bakabilirsiniz.
Adım adım talep tahmini
Aşağıdaki sekiz adım, Excel ile başlayıp gerekirse makine öğrenmesine uzanan bir yol izler. Her adımda bir önceki adımın sonucunu geçip geçemediğinizi ölçersiniz.
1. Tahmin sorusunu yazın
Tahminin hangi kararı besleyeceğini tek cümleyle yazın. Örneğin: "Her hafta pazartesi, her ürün için sonraki dört haftanın talebini bilip tedarikçiye sipariş vermek istiyoruz."
Bu cümle üç şeyi belirler: düzey (ürün, ürün grubu, depo), ufuk (kaç dönem ileri) ve sıklık (ne zaman güncellenecek). Ufuk, en az tedarik süreniz kadar olmalıdır.
2. Veriyi düzenli bir zaman serisine çevirin
Sipariş satırlarını ürün başına günlük ya da haftalık toplamlara çevirin. Özet tablo (pivot) bunun için yeterlidir.
Satış olmayan günleri sıfırla ekleyin. Stoksuz günleri ise sıfırla değil, ayrı bir işaretle tutun. Bu iki durum, tahmin için çok farklı anlamlar taşır.
3. Test dönemini ayırın
Verinin son kısmını tahmin yöntemini seçerken hiç kullanmayın; yöntemleri bu dönemde karşılaştırın. Forecasting: Principles and Practice kitabına göre test dönemi genellikle verinin yaklaşık %20'sidir ve ideal olarak en az tahmin ufku kadar uzun olmalıdır (Hyndman ve Athanasopoulos, 3. baskı, bölüm 5.8 (yeni sekmede açılır)).
4. Basit bir karşılaştırma tahmini kurun
İlk tahmininiz kasıtlı olarak basit olmalıdır. Mevsimsel naif yöntem (seasonal naive), her dönemin tahminini geçen yılın aynı dönemine eşitler. Mevsimsellik zayıfsa son birkaç haftanın ortalaması da iş görür.
Aynı kitap, bazı basit yöntemlerin "son derece basit ve şaşırtıcı derecede etkili" olduğunu yazar ve bunları bütün kitap boyunca karşılaştırma ölçütü olarak kullanır (bölüm 5.2 (yeni sekmede açılır)). Bundan sonraki her yöntem bu basit tahmini geçmek zorundadır.
5. Excel'de TAHMİN.ETS ile istatistiksel tahmin yapın
TAHMİN.ETS, üstel düzeltme (exponential smoothing, ETS) yönteminin AAA sürümüyle gelecek değeri tahmin eder. Excel 2016 ve sonraki masaüstü sürümlerinde bulunur; web, iOS ve Android sürümlerinde yoktur (Microsoft Destek (yeni sekmede açılır), 13 Ekim 2026'da erişildi).
Söz dizimi: TAHMİN.ETS(hedef_tarih, değerler, zaman_çizelgesi, [mevsimsellik], [veri_tamamlama], [toplama]). Üç isteğe bağlı ayar, sonucu en çok etkileyen kısımdır:
| Ayar | Varsayılan davranış | Ne zaman değiştirmeli? |
|---|---|---|
| mevsimsellik | 1 ya da boş: Excel mevsimselliği kendisi bulur. 0: mevsimsellik yok. En fazla 8.760 olabilir. | Haftalık veride yıllık döngüyü biliyorsanız 52 gibi elle bir değer verin. |
| veri_tamamlama | 1: eksik noktaları komşu noktaların ortalamasıyla doldurur. 0: eksik noktaları sıfır sayar. | Dökümünüzde satışsız günler hiç yoksa 0 seçin ya da sıfır satırlarını ekleyin. |
| toplama | Aynı tarihe düşen değerlerin ortalamasını alır. | Sipariş satırlarını özetlemeden verdiyseniz toplamı seçin; daha iyisi önce özetleyin. |
Formül yazmak istemiyorsanız Veri sekmesindeki Tahmin grubundan Tahmin Sayfası'nı kullanın. Excel, aynı yöntemle bir tahmin tablosu ve grafiği oluşturur; güvenilirlik aralığı varsayılan olarak %95'tir (Microsoft Destek (yeni sekmede açılır)).
İpucu
Tahmin Sayfası'nın seçeneklerinde tahmin başlangıcını geçmiş verinin son tarihinden önceye çekebilirsiniz. Microsoft bunu mevsimsel veride öneriyor. Böylece Excel'in tahminini, gerçekleşmiş son haftalarla yan yana görürsünüz.
6. Hatayı doğru ölçüyle ölçün
Her yöntemi aynı test döneminde, aynı ölçüyle karşılaştırın. Tek bir "doğruluk yüzdesi" yetmez; hatanın yönü de önemlidir. Sürekli düşük tahmin stoksuzluk, sürekli yüksek tahmin fazla stok demektir.
Yüzde hata ölçüleri (MAPE gibi), gerçek değerin sıfır olduğu dönemlerde sonsuz ya da tanımsız olur. Seyrek satılan ürünlerde bu ölçüyü kullanmayın. Ölçekli hata (MASE), hatayı basit bir yöntemin hatasına bölerek farklı ürünleri karşılaştırmanızı sağlar (bölüm 5.8 (yeni sekmede açılır)).
7. Aralıklı talebi ve özel günleri ayrıca ele alın
Bazı ürünler her gün satılmaz; arada sıfırlı dönemler olur. Buna aralıklı talep (intermittent demand) denir ve sanıldığından yaygındır. M5 tahmin yarışmasında kullanılan 42.840 Walmart serisinin çoğu bu yapıdaydı (M5 Competition (yeni sekmede açılır)).
Aralıklı talep için klasik yöntem, John Croston'un 1972'de tanımladığı Croston yöntemidir. Yöntem seriyi ikiye ayırır: sıfır olmayan talep miktarları ve iki talep arasındaki süreler. Her ikisini ayrı ayrı düzeltip oranlarını tahmin olarak verir. Yöntemin sapmalı (biased) sonuç verdiği ve tahmin aralığı üretmediği de bilinir (bölüm 13 (yeni sekmede açılır)).
Türkiye'de ikinci özel durum hareketli bayramlardır. Diyanet takvimine göre Ramazan Bayramı'nın ilk günü 2025'te 30 Mart, 2026'da 20 Mart, 2027'de 9 Mart; Kurban Bayramı'nın ilk günü 2025'te 6 Haziran, 2026'da 27 Mayıs, 2027'de 16 Mayıs (2025 (yeni sekmede açılır), 2026 (yeni sekmede açılır), 2027 (yeni sekmede açılır)). Bayram her yıl on ila on bir gün öne kaydığı için "geçen yılın aynı haftası" kıyası bayram dönemlerinde yanılır. Bayram etkisini modele nasıl ekleyeceğinizi bayram etkisi yazımızda ayrıntılı anlattık.
8. Gerekirse makine öğrenmesine geçin
Makine öğrenmesi, tahmini etkileyen dış etkenler çoğaldığında anlam kazanır: kampanyalar, fiyat değişiklikleri, bayramlar, kanal farkları. TAHMİN.ETS yalnızca serinin kendi geçmişine bakar; bu etkenleri göremez.
Makine öğrenmesinde her satır bir ürün ve bir dönemdir. Sütunlar ise o döneme ait bilgiler olur: bayrama kalan gün, kampanya var mı, fiyat, geçen haftaların satışı. Karar ağacı tabanlı yöntemler (gradient boosting) bu tür tablo verisinde yaygın kullanılır ve çok sayıda ürünü tek modelde öğrenebilir.
Hangi yöntemin kazanacağı veriye bağlıdır. İTÜ'de 2020'de hazırlanan bir yüksek lisans tezinde, hızlı moda verisinde bir aşamada yapay sinir ağı, başka bir aşamada rastgele orman daha iyi sonuç verdi. Ürünleri önce kümelemek ise tahmini iyileştirmedi (Öztürk, 2020 (yeni sekmede açılır)). Bu yüzden her yöntemi 4. adımdaki basit tahminle aynı test döneminde karşılaştırın.
Hangi yöntem ne zaman? Karar tablosu
Yöntem seçimini veri durumunuz belirler. Aşağıdaki tablo yaygın durumlar için başlangıç noktası verir.
| Durumunuz | Başlangıç yöntemi | Araç | Dikkat |
|---|---|---|---|
| Az sayıda ürün, düzenli satış, birkaç yıllık geçmiş | Mevsimsel naif, ardından TAHMİN.ETS | Excel | Satırları önce günlük ya da haftalık toplayın |
| Seyrek satılan ürünler, çok sayıda sıfır | Croston türü yöntemler | İstatistik paketi ya da Python | Yüzde hata kullanmayın |
| Kampanya, fiyat ve bayram etkisi belirgin | Dış değişkenli makine öğrenmesi modeli | Python | Kampanya takvimini veriyle birlikte tutun |
| Yeni ürün, geçmiş yok | Benzer ürünün geçmişi ve satış ekibinin tahmini | Excel | Veri biriktikçe yönteme geçin |
| Yüzlerce ürün, haftalık güncelleme | Tek modelde çok ürün, otomatik çalışan akış | Python ve zamanlanmış görev | Tahmini ERP ya da panele otomatik yazın |
Tahmini karara bağlamak ve izlemek
Tahmin tek başına değer üretmez; sipariş miktarına ya da stok hedefine dönüştüğünde üretir. Tahmin hatasını bilmek, ne kadar emniyet stoğu tutmanız gerektiğini de belirler. Bu hesabı emniyet stoğu yazımızda adım adım anlattık.
Tahmini canlıya aldıktan sonra her dönem gerçekleşen değerle karşılaştırın. Hata belirgin biçimde büyümeye başlarsa veri ya da piyasa koşulları değişmiş olabilir. O noktada yöntemi yeniden test edin.
Emeği ve maliyeti ne belirler?
Talep tahmini çalışmasının emeğini en çok verinin durumu belirler. Yöntem seçimi çoğu zaman işin küçük kısmıdır.
- Veri temizliği: Ürün kodlarının birleştirilmesi, stoksuz günlerin işaretlenmesi, iade ve iptallerin ayıklanması.
- Ürün ve kanal sayısı: Her ek kırılım, ayrı kontrol ve ayrı hata ölçümü demektir.
- Dış değişkenler: Kampanya takvimi ve fiyat geçmişi tutulmuyorsa önce toplanmaları gerekir.
- Güncelleme sıklığı: Aylık elle güncellenen tablo ile haftalık otomatik akış arasında büyük emek farkı vardır.
- Entegrasyon: Tahminin ERP'ye, sipariş ekranına ya da yönetim paneline yazılması.
Sık yapılan hatalar
- TL tutarı tahmin etmek. Fiyat değişimi, talep değişmeden tutarı oynatır. Miktarı tahmin edin.
- Stoksuz günü sıfır talep saymak. Model, ürünün istenmediğini öğrenir.
- Sipariş satırlarını özetlemeden Excel'e vermek. Excel aynı güne düşen satırların ortalamasını alır; toplam talep yerine ortalama sipariş büyüklüğünü tahmin edersiniz.
- Satışsız günleri dökümde bırakmamak. Varsayılan ayarda bu boşluklar komşu değerlerin ortalamasıyla dolar ve seyrek satılan ürünün talebi yüksek görünür.
- Test dönemi ayırmadan başarı ölçmek. Modelin zaten gördüğü veride ölçülen başarı yanıltır.
- Bayramı ay bazında kıyaslamak. Mart ile Mart'ı kıyaslarken bir yıl bayram içeride, öbür yıl dışarıda kalabilir.
Bizim deneyimimiz
Makine öğrenmesi projelerinde, modelin geçen yılın aynı haftasını tekrar eden basit yöntemden daha az hata yapıp yapmadığını aynı test haftalarında gösteriyoruz. Yapmıyorsa model kurmaya devam etmenin anlamı olmadığını yazılı olarak bildiriyoruz. Sonuçları "doğruluk yüzde kaç" yerine "kaç stoksuzluğu önler, kaç fazla sipariş üretir" gibi iş diliyle anlatıyoruz.
Tablo verisinde çoğu zaman scikit-learn ile ve LightGBM, XGBoost gibi karar ağacı tabanlı yöntemlerle çalışıyoruz; modeli de tahminin kullanıldığı ekrana ya da rapora bağlıyoruz. Kendi ürünümüz Kolay Sevkiyat'ta pazar yeri siparişleri tek bir panelde toplanıyor. Talep tahmininin ilk ön koşulu da budur: siparişlerin tek ve tutarlı bir kayıtta durması.
Sık sorulan sorular
Excel ile talep tahmini yeterli mi?
Az sayıda ürün ve düzenli satış için çoğu zaman yeterlidir. TAHMİN.ETS mevsimselliği bulur ve eksik noktaları tolere eder. Kampanya, fiyat ve bayram gibi dış etkenler belirleyiciyse ya da yüzlerce ürünü her hafta güncellemeniz gerekiyorsa Excel zorlanır.
Kaç yıllık veri gerekir?
Sabit bir sayı yoktur. Yıllık bir mevsimselliği görebilmek için yöntemin o döngüyü en az birkaç kez görmesi gerekir. Daha az veriniz varsa mevsimsel olmayan basit yöntemlerle başlayın ve veri biriktikçe yeniden deneyin.
Yeni bir ürünün talebi nasıl tahmin edilir?
Geçmişi olmayan ürün için benzer bir ürünün ilk haftalarındaki satışı ve satış ekibinin beklentisi kullanılır. İlk gerçek satışlar geldikçe tahmin hızla güncellenmelidir. Bu dönemde tahmine değil, kısa aralıklarla yapılan gözden geçirmeye güvenin.
Tahmin ne sıklıkla güncellenmeli?
Sipariş verdiğiniz sıklıkla. Haftalık sipariş veriyorsanız tahmin de haftalık güncellenmelidir. Daha seyrek güncellenen tahmin, son haftalardaki değişimi kaçırır.
Kaynaklar
- Microsoft Destek, "TAHMİN.ETS işlevi", 13 Ekim 2026'da erişildi: https://support.microsoft.com/tr-tr/office/forecast-ets-function-15389b8b-677e-4fbd-bd95-21d464333f41 (yeni sekmede açılır)
- Microsoft Destek, "Windows için Excel'de tahmin oluşturma", 13 Ekim 2026'da erişildi: https://support.microsoft.com/tr-tr/office/create-a-forecast-in-excel-for-windows-22c500da-6da7-45e5-bfdc-60a7062329fd (yeni sekmede açılır)
- Rob J Hyndman ve George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, bölüm 5.2: https://otexts.com/fpp3/simple-methods.html (yeni sekmede açılır)
- Rob J Hyndman ve George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, bölüm 5.8: https://otexts.com/fpp3/accuracy.html (yeni sekmede açılır)
- Rob J Hyndman ve George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı, OTexts, bölüm 13 (sayım serileri ve Croston yöntemi): https://otexts.com/fpp3/counts.html (yeni sekmede açılır)
- University of Nicosia, Institute For the Future, "M5 Competition", 13 Ekim 2026'da erişildi: https://www.unic.ac.cy/iff/research/forecasting/m5-competition/ (yeni sekmede açılır)
- Diyanet İşleri Başkanlığı, 2025 dini günler: https://vakithesaplama.diyanet.gov.tr/dinigunler.php?yil=2025 (yeni sekmede açılır)
- Diyanet İşleri Başkanlığı, 2026 dini günler: https://vakithesaplama.diyanet.gov.tr/dinigunler.php?yil=2026 (yeni sekmede açılır)
- Diyanet İşleri Başkanlığı, 2027 dini günler listesi: https://vakithesaplama.diyanet.gov.tr/icerik.php?icerik=154 (yeni sekmede açılır)
- Sinem Öztürk, "Hızlı moda sektöründe makine öğrenmesi yöntemleri ile satış miktarlarının tahmin edilmesi", yüksek lisans tezi, İstanbul Teknik Üniversitesi, 2020: https://polen.itu.edu.tr/items/45089d12-882e-4ea9-b893-7a1462edc2bf (yeni sekmede açılır)