Talep Tahmin Yöntemleri

Literatürde ve iş dünyasında en çok kullanılan talep tahmin algoritmalarını sayfamızda bulabilirsiniz.

Bir verinin tahmini yapılacaksa en temel olarak şu iki konuya dikkat edilmelidir:

Eğilim

Geçmiş verilerin sabit mi, azalan mı, yoksa artan bir yön mü izlediğinin incelenmesidir. Geçmiş veride yaşanan değişiminin trand'i ya da eğiminin belirlenmesi işlemidir.

Sezonsallık

Geçmiş veride gözlenen dönemsel yükselme ve düşme davranışlarının anlaşılması ve modellenmedisir.

Talep Tahmin Yöntemleri

Yapay Sinir Ağları

Yapay sinir ağları (YSA) insan idrakinin ve biyolojik sinirlerin matematiksel modelinin genelleştirilmesidir. YSA, biyolojik sinir hücresinden esinlenerek geliştirilen yapay sinir hücrelerinin birleşmesiyle meydana gelmektedir. YSA’nın; doğrusal olmayan yapıları modelleyebilmesi, paralel dağılmış yapısı , öğrenme ve genelleme yapabilme yeteneği, farklı problemler için uyarlanabilirliği ve hata toleransına sahip olması en önemli özelliklerindendir.

Doğrusal Modelleme

Verinin y = ax + b denklemine uygun şekilde değiştiğini kabul ederek yapılan modellemedir.

İkinci Dereceden Denklemle Modelleme

Verinin y = ax² + bx + c denklemine uygun şekilde değiştiğini kabul ederek yapılan modellemedir.

Croston Yöntemi

Tarihsel veride çok sayıda 0 ile kaşılaştıysanız, sadece doğru değeri tahmin etmek değil doğru zamanı belirlemek de önemli bir hale gelir.

t: hesaplama adımı
x[t]: t. adımda gerçekleşen satış
F[t]: t. adımdaki satış tahmini 
Z[t]: t. adımdaki ardışık sıfır talep sayısı
h: Son iki pozitif satış arasındaki süre
α: yumuşatma katsayısı

Başlangıç aşamasında hesaplanacak verinin ilk değerleri hesaplanır.

x[0] = 0 ise F[0] = 1, Z[0] = 2 seçimi yapılır
x[0] ≠ 0 ise F[0] = x[0], Z[0] = 1 seçimi yapılır

Sıfırdan farklı değeri olan x[t] adımları için aşağıdaki hesaplama yapılarak ilerlenir

F[t] = F[t-1] + α (x[t-1] - F[t-1])
Z[t] = Z[t-1] + α (h - Z[t-1])

Hareketli Ortalamalar Yöntemi, Moving Average

Bir sonraki veriyi belirlemek için son N adet verinin ortalamasını alan yöntemdir.

F[t] = (F[t] + F[t-1] + ... + F[t-N+1]) / N

Ağırlıklandırılmış Hareketli Ortalamalar Yöntemi

Geçmiş verilerin ortalamasını almak yerine daha önceden belirlenmiş ağırlıklı ortalamalarını kullanır.

w[t]: veriye atanan ağırlıklar

F[t] = (w[1] F[t] + w[2] F[t-1] + ... + w[N] F[t-N+1]) / N

Tek Üstel Düzeltme, Single Exponential Smoothing

Tek üstel düzeltme yönteminde son gözlem değerlerine en yüksek, önceki gözlemlere ise daha düşük ağırlık verilmektedir.

F[t] = α x[t-1] + (1 - α) F[t-1]

Genelde F[0] = x[0] olarak ayarlanır.

Çift Üstel Düzeltme, Double Exponential Smoothing

Belirli bir trend ya da eğim içeren verilere uygulanır

b[t]: eğim parametresi

F[t] = α x[t-1] + (1 - α) (F[t-1] + b[t-1])
b[t] = γ (F[t] - F[t-1]) + (1 - γ) b[t-1]

Genelde F[0] = x[0]; b[0] = x[1] - x[0] ya da b[0] = (x[K] - x[0]) / K şeklinde ayarlanır.

Winters Metodu, Triple Exponential Smoothing (Holt-Winters)

Trend ve sezonsallık aynı anda geçerli olduğunda en sık kullanılan yöntemdir.

I[t]: sezonsallık parametresi
L: sezon uzunluğu
X[t]: gerçek talep tahmini

F[t] = α x[t] / I[t-L] + (1 - α) (F[t-1] + b[t-1])
b[t] = γ (F[t] - F[t-1]) + (1 - γ) b[t-1]
I[t] = β x[t] / S[t] + (1 - β)  I[t-L]
X[t+m] = (F[t] + m b[t]) I[t-L+m]