AI ile stok tahmini için yalnız geçmiş satış toplamı yeterli değildir. Hangi ürünün ne zaman stokta olduğu, kampanyalar, iadeler, ürün değişiklikleri ve tedarik süresi de kararın parçasıdır. İlk iş, tahmin modelini seçmekten önce satış verisinin neyi gösterdiğini tanımlamaktır. Ardından tahmini basit bir yöntemle karşılaştırıp yeni dönem verisi üzerinde değerlendirebilirsiniz.

Bu rehber, bir stok planlama aracı değerlendiren veya mağaza verisinden gelecek dönem için öneri almak isteyen ekipler içindir. Talep tahmini ile satın alma siparişini birbirinden ayırır.

Önce neyi tahmin etmek istediğinizi belirleyin

“Gelecek ay ne kadar satarız?” sorusu, ürün, varyant, depo ve kanal belirtilmediğinde farklı anlamlara gelebilir. Bütün mağazanın aylık satışını tahmin etmekle tek bedenin gelecek iki haftadaki ihtiyacını tahmin etmek aynı iştir denemez.

Karar ufkunu operasyonunuzdan türetin. Tedarik ve hazırlık süresi uzun bir ürün için önümüzdeki haftanın satışı tek başına yeterli olmayabilir. Birden fazla depoda stok varsa toplam miktar, ürünün doğru yerde bulunmasını da açıklamaz.

İlk dosyanın başına şu cümleyi yazabilirsiniz: “Belirtilen varyantın, belirtilen kanaldaki, şu tarih aralığındaki satış adedini değerlendireceğiz.” Buna stoktan düşmenin hangi olayda kaydedildiğini ve iadenin nasıl ele alındığını ekleyin.

Satış ile talep hangi durumda ayrışır?

Ürün stokta yokken satışın düşmesi, müşterinin ilgisinin aynı ölçüde düştüğünü göstermez. Sadece satış toplamını modele verirseniz stoksuz dönem, düşük talep dönemi gibi okunabilir.

Varsayımsal örnek: Bir ürün dört haftada sırasıyla 40, 42, 8 ve 41 adet satmış olsun. Üçüncü hafta ürünün büyük bölümde stokta olmadığını biliyorsanız 8 adedi diğer haftalarla aynı koşulda oluşmuş bir gözlem gibi yorumlamamalısınız. Stokta olmadığı günlere otomatik satış eklemek de çözüm değildir; kayıp talep henüz ölçülmüş değildir.

Veriye satışın yanında stokta bulunma durumunu ekleyin. Mümkünse ürünün hangi günlerde veya aralıklarda satılabilir olduğunu koruyun. Ardından modelin bu durumu nasıl ele aldığını sağlayıcıya sorun. “Sıfırları temizliyoruz” cevabı yeterli açıklama olmayabilir; sıfır gerçek satış, veri eksikliği veya stok yokluğu anlamına gelebilir.

Hazırlık dosyasında hangi alanlar bulunmalı?

Başlangıç için şu bilgileri aynı ürün kimliği etrafında birleştirin:

  • Tarih, ürün ve varyant kimliği, satış adedi.
  • Stokta bulunma ve satışa açık olma durumu.
  • Fiyat veya kampanya değişiklikleri.
  • İptal ve iadelerin hangi tarihe işlendiği.
  • Kanal ve önemli ürün değişiklikleri.
  • Tedarik süresi, açık siparişler ve teslimat beklentisi.

Her alanın bütün modellerde zorunlu olduğunu söylemek doğru olmaz. Bu liste, tahminin hangi karar koşullarına dayandığını incelemek için bir başlangıçtır. Eksik alanları uydurmak yerine eksik olarak kaydedin.

Ürün kimliğine özellikle dikkat edin. Aynı ürün yeniden açılmışsa, varyant adı değişmişse veya bir setin içeriği yenilenmişse geçmiş seri sürekliliğini kaybetmiş olabilir. Adı aynı görünen iki kaydı tek seri yapmak ya da aynı ürünün geçmişini ikiye bölmek sonucu etkileyebilir.

Sohbet aracından sayı almakla tahmin sistemi kurmak aynı mı?

Bir AI aracına tablo verip gelecek ay için sayı istemek, çıktı üretir. Tahminin hangi yöntemle üretildiğini, hangi verinin kullanıldığını ve hatanın nasıl ölçüldüğünü bilmiyorsanız bu sayıyı operasyonel tahmin olarak değerlendirmek zordur.

Araç bir istatistik veya makine öğrenmesi yöntemi çalıştırıyorsa yöntem ve test düzenini açıklayabilmelidir. Yalnız metin içinde ikna edici bir sayı üretmesi farklıdır. Çalışma çıktısında veri dönemi, ürün kapsamı, tahmin ufku ve değerlendirme yöntemi bulunsun.

İlk soru şu olabilir: “Bu sayı hangi geçmiş kayıtlarla ve hangi hesaplama yöntemiyle üretildi?” Cevap belirsizse daha ayrıntılı bir satın alma önerisine geçmek yerine bu belirsizliği çözün.

AI tahminini neyle karşılaştırmalısınız?

Basit bir başlangıç yöntemi kurmadan AI modelinin yararını değerlendirmek güçtür. Örneğin son dönemin ortalaması veya uygun olduğunda benzer sezonun gözlemi bir karşılaştırma sağlayabilir. Hangi yöntemin anlamlı olduğu ürünün satış düzenine bağlıdır.

Forecasting: Principles and Practice, modelin kurulurken görmediği veri üzerinde değerlendirilmesini ve basit yöntemlerle karşılaştırılmasını açıklar. Geçmişe çok iyi oturan bir model, yeni dönemde aynı başarıyı göstermeyebilir.

Önerilen deneme düzeni şöyledir: geçmişte bir karar tarihi seçin, o tarihe kadar bilinen veriyi kullanın, sonraki dönemi tahmin edin ve gerçek sonuçla karşılaştırın. Sonraki dönemin bilgisini yanlışlıkla hazırlık aşamasına sokmayın. Aynı işlemi birkaç farklı başlangıç tarihinde değerlendirmek, yalnız uygun görünen bir haftayı seçme sorununu azaltabilir.

Hata ölçümünü nasıl okumak gerekir?

Ortalama mutlak hata, basitçe tahmin ile gerçekleşen değer arasındaki mutlak farkların ortalamasıdır. Ürün adedi üzerinden anlaşılır bir başlangıç sağlar.

Hesap örneği: Üç dönem için tahminler 10, 14 ve 8; gerçekleşenler 12, 10 ve 9 olsun. Mutlak farklar 2, 4 ve 1’dir. Ortalama mutlak hata 7/3, yaklaşık 2,33 adettir. Bu, varsayımsal bir hesaplamadır; bir aracın ölçülmüş doğruluğu değildir.

Tek ortalama, hatanın işletme etkisini açıklamaz. Sürekli düşük tahmin üretmek stoksuz kalma riskini, sürekli yüksek tahmin üretmek fazla stok ihtiyacını etkileyebilir. Hatanın yönünü, ürün gruplarını ve tahmin ufkunu da inceleyin. Çok az satılan ürünlerde bazı yüzde hata ölçüleri zor yorumlanabilir; uygun ölçütü verinin yapısıyla birlikte seçin.

Tahmin nasıl satın alma kararına dönüşür?

Gelecek dönem için beklenen satış, doğrudan aynı miktarda yeni ürün siparişi verilmesi gerektiği anlamına gelmez. Mevcut kullanılabilir stok, yoldaki ürünler, tedarik süresi, minimum sipariş ve depolama kapasitesi ayrıca değerlendirilir.

Bu yüzden AI’dan tek bir “alınacak adet” yerine karar bileşenlerini ayırmasını isteyin: beklenen ihtiyaç, eldeki miktar, belirsiz alanlar ve kontrol gerektiren varsayımlar. Eksik tedarik bilgisini satış tahmininin içine gizlemeyin.

İlk kullanımda önerileri mevcut planla yan yana izlemek yararlı olabilir. Öneriyi uygulamadan da hangi ürünlerde farklılaştığını ve bu farkın nedenini görebilirsiniz. Böyle bir gözlem, stok maliyeti veya satış artışı sonucu değildir; uygulama kararını hazırlayan bir değerlendirmedir.

Sık sorulan sorular

AI stok tahmini için mutlaka belirli sayıda aylık veri gerekir mi?

Bütün ürün ve modeller için geçerli tek bir süre yoktur. Sezon, satış sıklığı ve karar ufku önemlidir. Sağlayıcıdan veri gereksinimini ve bu veriyle yapılabilecek testin kapsamını açıklamasını isteyin.

Yeni ürünlerde ne yapılabilir?

Benzer ürün bilgisi, başlangıç varsayımları ve küçük testler kullanılabilir; ancak bunları ürünün kendi ölçülmüş geçmişi gibi sunmayın. Yeni ürünün belirsizliğini karar kaydında koruyun.

Satış raporu ile stok tahmini aynı çıktı mı?

Satış raporu geçmişi açıklar. Tahmin geleceğe ilişkin bir tahmin ve hata değerlendirmesi gerektirir. Shopify AI araçları rehberi içindeki analiz araçlarını da bu ayrımla değerlendirebilirsiniz.

Kaynaklar ve kontrol tarihi

17 Ekim 2026 tarihinde Hyndman ve Athanasopoulos’un tahmin araçları, hata değerlendirmesi ve zaman serisi doğrulaması bölümü incelendi. Stok veri listesi, örnek satış serisi ve karar kaydı editoryal uygulama önerileridir. Gerçek mağaza verisiyle tahmin veya satın alma kararı üretilmedi.