IBM Granite Zaman Serisi Modelleriyle Ensemble Tahmin: E-Ticarette Talep Planlaması Nasıl Değişiyor?
Tek Modele Güvenmek Neden Riskli?
E-ticarette talep tahmini, yanlış yapıldığında çift taraflı zarar verir: fazla stok nakit akışını bağlar, az stok ise müşteri kaybına yol açar. Çoğu firma hâlâ tek bir tahmin modeline —çoğunlukla basit bir mevsimsellik düzeltmesi veya tek bir ML modeline— yaslanıyor. Oysa Hugging Face'te yayımlanan son çalışma, IBM Granite zaman serisi modelleriyle kurulan ensemble (topluluk) tahmin yaklaşımının bu denklemi kökten değiştirdiğini gösteriyor.
Ensemble forecasting, birden fazla modelin tahminini birleştirerek tek bir modelin kör noktalarını kapatır. Granite zaman serisi modelleri bu yapıya özellikle uygun; çünkü farklı ufuklarda (kısa/orta/uzun vadeli) ayrı ayrı kalibre edilerek birlikte çalışabiliyorlar.
Teknik Olarak Ne Oluyor?
Granite'in zaman serisi modelleri, "foundation model" mantığıyla önceden büyük miktarda finansal ve operasyonel veriyle eğitilmiş. Firma, kendi satış geçmişini, kampanya takvimini ve stok hareketlerini bu modele ince ayarla (fine-tuning) entegre edebiliyor.
Ensemble katmanında ise şu üç şey yapılıyor:
- Farklı ufuklar için farklı modeller: 7 günlük, 30 günlük ve 90 günlük tahminler ayrı modellere yaptırılıp sonuçlar ağırlıklı ortalamayla birleştiriliyor.
- Belirsizlik aralığı hesabı: Tek model "x birim satarsın" der; ensemble "x ± y birim, %80 güven aralığıyla" der. Bu fark, güvenlik stoku hesabında kritik.
- Anomali direnci: Bir model kampanya dönemi etkisini ıskalıyorsa diğerleri telafi ediyor; sistematik hata azalıyor.
Firma Tarafı: Kim, Nasıl Uygular?
Bu yaklaşım büyük ölçekli ERP entegrasyonu gerektirmiyor. Hugging Face üzerinden Granite zaman serisi modelleri açık erişimle mevcut. Uygulanabilir adımlar şunlar:
1. Veri hazırlığı önce gelir. Modelin işe yaraması için temiz, tutarlı bir satış geçmişi şart. SKU bazında günlük satış, iade, kampanya başlangıç/bitiş tarihleri ve stok kırılmaları ayrı sütunlar hâlinde olmalı. Eksik veya yanlış etiketlenmiş tarihler ensemble'ın tüm katmanlarına yayılır.
2. Ufuk seçimi ürün kategorisine göre yapılır. Hızlı dönen ürünlerde (kozmetik, FMCG) 7-14 günlük ufuk yeterli; sezonluk ürünlerde (tekstil, outdoor) 60-90 günlük modele ağırlık verilmeli. Her kategoriyi tek bir ufukla yönetmek, ensemble'ın avantajını sıfırlar.
3. Çıktı "karar eşiği" olarak kurgulanır. Ham tahmin rakamı yerine şu soruyu sor: "Güven aralığının üst sınırında da kârlı mıyım?" Cevap evetse sipariş ver; hayırsa bekle ya da tedarikçiyle esnek anlaşma yap. Bu, modeli bir karar destek aracına dönüştürür; kör bir otomasyon değil.
4. Kampanya takvimi modele beslenir. Black Friday, Kurban Bayramı, influencer lansman tarihleri gibi olaylar dışsal değişken (exogenous variable) olarak eklenmezse model bu sıçramaları öğrenemez, anormal satış artışlarını aykırı değer sayar. Bu adım sıkça atlanıyor.
Ne Kadar Fark Yaratır?
Literatürdeki ensemble çalışmaları, tek model baseline'a göre MAPE (ortalama mutlak yüzde hata) değerinde %15-30 arasında iyileşme bildiriyor. E-ticarete çevrilince bu rakam şu anlama geliyor: 1.000 SKU'luk bir katalogda güvenlik stoğu %10 düşse, bağlı nakit da ona orantılı azalır; aynı anda stok kırılmasından kaynaklanan kayıp satış da düşer.
Önemli Uyarı
Granite zaman serisi modelleri güçlü ama sihirli değil. Veri kalitesi düşükse, kampanya bilgisi beslenmemişse veya ensemble ağırlıkları periyodik olarak güncellenmiyorsa model zamanla sürüklenir (drift). Üç ayda bir geriye dönük doğrulama (backtesting) yapmak, sistemin sağlıklı kaldığının tek göstergesi.
Sonuç olarak bu, "yapay zeka kullanalım" söyleminin ötesinde somut bir operasyonel kazanım. Talep planlaması ekibi olmayan firmalar için bile başlangıç noktası bellidir: veriyi temizle, ufukları ayır, ensemble kur, backtesting ile izle.