Tahmin doğruluğu (forecast accuracy), tedarik zincirinde karar vermeyi kolaylaştıran ve envanter, satın alma, üretim, nakliye, finansal marjlar ve müşteri hizmetlerini etkileyen kritik bir süreçtir. Bu rehberde, doğru metrikleri nasıl kullanacağınızı, hangi faktörlerin etkili olduğunu ve nasıl iyileştirme yapabileceğinizi öğreneceksiniz.
📊 Tahmin Doğruluğu Nedir?
Tahmin doğruluğu, üretilen tahminlerin gerçek satışlara göre ne kadar isabetli olduğunu ölçer. Bu hesaplama, planlama sürecinin ne kadar iyi çalıştığını değerlendirmemizi ve gelecekteki tedarik ve üretim kararlarını iyileştirmemizi sağlar.
📦 Envanter Yönetimi
Stok kesintilerini azaltır, fazla envanteri önler, israfı minimize eder
⚙️ Operasyonel Verimlilik
Satın alma hacimleri, üretim planlaması ve lojistik optimizasyonu
💰 Finansal Planlama
Gerçekçi bütçeler, kaynak tahsisi ve sistematik hata önleme
📈 Tahmin Doğruluğu Nasıl Hesaplanır?
Her durum için farklı metrikler kullanılır. İşte en yaygın kullanılan beş metrik:
📐 MAPE (Ortalama Mutlak Yüzde Hata)
Formül: |Tahmin - Gerçek| / Gerçek × 100
Gerçek satışa göre ortalama yüzde hatasını ölçer. Farklı satış ölçeklerindeki ürünleri karşılaştırmak için uygundur. Ancak düşük cirolu ürünlerde hatayı yapay olarak artırabilir.
Örnek: Tahmin=120, Gerçek=100 → Hata = %20
⚖️ WMAPE (Ağırlıklı Ortalama Mutlak Yüzde Hata)
Formül: Toplam|Hata| / Toplam Satış × 100
Her SKU'nun satış düzeyine göre ağırlıklandırılır. Yüksek hacimli ürünlere daha fazla önem verir ve ekonomik etkiyi yansıtır.
Örnek: SKU A: Hata=20, SKU B: Hata=5, Toplam satış=150 → WMAPE = %16.6
🎯 BIAS (Tahmin Sapması)
Formül: Toplam Tahmin / Toplam Gerçek × 100
Tahminin tutarlı olarak fazla mı yoksa az mı tahmin ettiğini gösterir. %105 = sürekli %5 fazla tahmin.
Örnek: Toplam tahmin=1050, Toplam gerçek=1000 → BIAS = %105
📏 MAE (Ortalama Mutlak Hata)
Formül: Σ|Tahmin - Gerçek| / n
Mutlak birimler cinsinden ortalama hatayı ölçer. Belirli SKU'lara uygulamak için idealdir çünkü satılan birimlerle aynı birimlerde ifade edilir.
Örnek: Hatalar: 20, 20, 10 → MAE = 16.6 birim
📊 RMSE (Kök Ortalama Kare Hata)
Formül: √[Σ(Hata²) / n]
Büyük hatalara daha fazla ağırlık verir. Bozulabilir ürünler veya pahalı depolama için çok yararlıdır.
Örnek: Hatalar: 20, 20, 10 → RMSE ≈ 17.3 birim
🎯 Doğru Metriği Nasıl Seçersiniz?
İş ihtiyacınıza göre en uygun metriği seçin:
⚠️ Yaygın Hatalar
Düşük doğruluk genellikle nasıl ölçüldüğü, nasıl yorumlandığı ve süreçlere nasıl bağlandığı ile ilgilidir:
- Gerçek süreçten kopuk "güzel sayılar" ölçmek
- Model yerine operasyonel parametreleri incelememek
- Şirketler arası karşılaştırmaları normalleştirmemek
- Tahmin bileşenlerini ayırmamak
- Ölçümde uygun granülerliği dikkate almamak
- Dışsal olayların etkilerini göz ardı etmek
- Sonuçları düzenli olarak güncellememek
🛠️ Düşük Doğrulukta Ne Yapmalı?
1. Veri Kalitesini Değerlendirin
Stok dışı kayıtları dahil edin, aşırı değerler için temizleme kuralları uygulayın
2. İç ve Dış Faktörleri Analiz Edin
Promosyonlar, fiyatlar, mevsimsellik, iklim, enflasyon
3. Modelleri Değerlendirin
AI ve makine öğrenimi ile istatistiksel yöntemleri birleştirin
4. Uzman Görüşü Ekleyin
Satış ve operasyon ekibinin içgörülerini dahil edin
5. İç İşbirliğini Geliştirin
Satış, pazarlama, finans ve operasyonları senkronize edin
6. Sürekli İzleyin
Metrikleri tanımlayın, otomatik hesaplamalar yapın, önem bazlı segmentasyon
Sonuç
Tahmin doğruluğu düşük olduğunda, sadece "modeli iyileştirmek" yeterli değildir. Veri, yöntemler, işbirliği ve ölçüm dahil tüm sistemi güçlendirmek gerekir. Böylece tahmin, izole bir sayı olmaktan çıkıp güvenilir bir planlama aracına dönüşür.
Yazar
Dr. Emre Yıldız
Talep Planlama Uzmanı
12 yıllık tedarik zinciri analitiği deneyimi. Fortune 500 şirketlerinde AI destekli talep planlama projeleri yönetti.