Bir tekstil toptancısı düşünün: her sezon öncesinde satın alma müdürü geçen yılın satış rakamlarına bakarak sipariş miktarlarını belirliyor. Kış koleksiyonunda fazla kalan stok depoda beklerken, beklenmedik bir kampanya döneminde en çok satan ürün tükeniyor ve müşteri siparişleri karşılanamıyor. Bu senaryo Türkiye’deki pek çok orta ölçekli işletmenin tanıdık gerçeği. Sorunun kökü tek bir yerde: talep tahmini yöntemi, geçmiş satış verisinin basit bir ortalamasından ibaret kalıyor.
Makine öğrenimi tabanlı talep tahmini bu soruna farklı bir çerçeveden yaklaşıyor. Yöntem, satış geçmişini tek boyutlu bir zaman serisi olarak değil; mevsimsellik, kampanya takvimleri, fiyat değişimleri ve hatta hava durumu gibi dış değişkenlerle birlikte öğrenen çok katmanlı bir model olarak ele alıyor. Klasik istatistiksel yöntemler — hareketli ortalama, üstel düzeltme — tek değişkenli ve doğrusal ilişkiler üzerine kurulu. Makine öğrenimi modelleri ise değişkenler arasındaki doğrusal olmayan ilişkileri de yakalayabiliyor; bir indirim kampanyasının belirli ürün kategorilerinde satışları nasıl farklı etkilediğini, tatil dönemlerinin bölgeye göre nasıl ayrıştığını öğrenebiliyor.
Temel çalışma mantığı şu şekilde işliyor: model, geçmiş dönemlere ait satış verisi, stok seviyeleri, fiyat hareketleri ve tanımlanmış dış faktörlerle eğitiliyor. Eğitim tamamlandıktan sonra model, gelecek dönem talebi için olasılık aralıklarıyla birlikte tahmin üretiyor — yani yalnızca tek bir nokta tahmini değil, güven aralığı da sunuyor. Bu ayrım kritik: güven aralığı dar olan ürünler için emniyet stoğu düşük tutulabilir; belirsizliği yüksek olan ürünler için ise tampon stok bilinçli olarak korunur. Karar verici, sezgiyle değil kanıtlanmış istatistiksel güvenle stok politikası belirliyor.
Stok maliyeti üzerindeki etkiyi somutlaştırmak için tahmin hatası metriğine odaklanmak gerekiyor. Tahmin hatası genellikle MAPE — ortalama mutlak yüzde hata — ile ölçülüyor. Geleneksel yöntemlerle yüzde yirmi beş ile otuz arasında seyreden bu hata oranı, makine öğrenimi modellerinde yüzde on beş ile yirmi aralığına inebiliyor. Bu iyileşmenin nakit karşılığı doğrudan hesaplanabilir: emniyet stoğu, talep belirsizliğiyle orantılı tutuluyor. Hata oranı yüzde on düştüğünde, aynı hizmet seviyesini korumak için tutulması gereken emniyet stoğu da orantılı biçimde azalıyor. Stok devir hızı arttıkça depolama maliyeti, eskime riski ve bağlı sermaye birlikte düşüyor. Yıllık stok maliyeti üzerindeki bu etki, özellikle raf ömrü kısa veya modaya bağlı ürün kategorilerinde son derece belirgin hale geliyor.
Kampanya yönetimi bu tabloya ayrı bir boyut ekliyor. Geleneksel sistemlerde kampanya dönemleri tahmin modelinin dışında kalıyor; satın alma ekibi kampanya öncesi stoğu sezgiyle artırıyor, kampanya sonrası ise fazla stokla baş başa kalıyor. Makine öğrenimi modeli kampanya takvimini bir değişken olarak işlediğinde, kampanya dönemlerindeki talep artışını ve kampanya sonrası normalleşmeyi ayrı ayrı öğrenebiliyor. Sonuç olarak kampanya öncesi tedarik planlaması daha dar bir aralığa oturuyor; hem stok yetersizliği hem de aşırı sipariş riski azalıyor. Bu iyileşme, satın alma bütçesinin daha verimli kullanılması anlamına geliyor ve nakit akış planlamasına doğrudan katkı sağlıyor.
Ancak bu noktada gerçekçi olmak gerekiyor. Makine öğrenimi modeli, kaliteli ve temiz veri olmadan çalışmıyor. Türkiye’deki pek çok KOBİ’nin ERP sisteminde satış verisi mevcut; e-Fatura ve e-Defter zorunluluklarıyla birlikte finansal veri de yapısal hale geldi. Fakat bu veri her zaman tutarlı biçimde etiketlenmiş olmuyor: kampanya dönemleri ayrı işaretlenmemiş, iade kalemleri net sınıflandırılmamış, mevsimsel kapatma dönemleri veri setinde boşluk olarak duruyor. Model kurulmadan önce veri temizleme ve zenginleştirme aşamasına ciddi zaman ayrılması gerekiyor. Bu aşama genellikle projenin en uzun ve en az görünür bölümünü oluşturuyor; ancak atlandığında modelin çıktıları yanıltıcı hassasiyet gösteriyor.
Karar aşamasındaki yöneticiler için pratik kriter şu: önce mevcut tahmin hata oranını ölçün ve bu hatanın stok maliyetine yansımasını sayısal olarak ortaya koyun. Eğer yıllık stok maliyetinizin önemli bir bölümü emniyet stoğuna bağlıysa ve mevcut tahmin süreciniz büyük ölçüde geçmiş satış ortalamalarına dayanıyorsa, makine öğrenimi tabanlı bir modelin getireceği iyileşme yatırımın önüne geçiyor. Tam tersine, satış hacminiz küçük, ürün çeşitliliğiniz sınırlı ve talebin büyük bölümü öngörülebilir döngüler içindeyse, mevcut istatistiksel yöntemler yeterli kalabilir. Teknoloji yatırımının doğruluğu, her zaman işletmenin kendi veri gerçekliğinden başlıyor.