Tedarik Zincirinde AI Talep Tahmini: Stok Fazlası ve Kırılma Noktaları

AI talep tahmini (demand forecasting) manşette “stok erir, fire biter” der. Gerçekte tahmin, sipariş politikası + lead time + hizmet seviyesi üçlüsünün bir girdisidir. Model iyi, politika kötüyse yine ya stok fazlası ya stok kırığı yaşarsınız. 2026’da fark yaratan soru “hangi deep learning?” değil; hangi karar otomatiğe bağlanacak, hangisi planner’da kalacak?

Tahmin neyi çözer, neyi çözmez?

Çözer (doğru kurulursa):

• Mevsimsellik ve trend
• Çok SKU’da baseline
• Promosyon / fiyat özellikleriyle uplift
• Intermittent (seyrek) talep için özel yöntemler

Çözmez tek başına:

• Tedarikçi gecikmesi
• Gümrük / jeopolitik şok
• Yanlış master data (birim, barkod)
• “Her SKU’da %99 hizmet” politikasının maliyeti

Kırılma noktaları

1. Cold start: Yeni ürün / yeni kanal — tarih yok, transfer learning veya yargısal forecast gerekir
2. Promosyon şoku: Eğitimde az örnek; uplift ayrı modellenmezse patlar
3. Lead time kayması: Forecast doğru, sipariş geç kalır → yine kırık
4. Bullwhip: Her kademe kendi tamponunu şişirir; merkezi görünürlük yoksa AI yetmez
5. Override disiplinsizliği: Planner her satırı ezerse model öğrenemez; hiç ezmezse şok kaçırır

İyi sistem override’ı gerekçeli ve ölçülü tutar.

Metrikler (MAPE yetmez)

• WAPE / bias (sistematik aşırı-alt tahmin)
• Stok günü ve devir
• Fill rate / stockout olayı
• Fazla stok maliyeti
• Forecast value added (insan vs model)

“MAPE %8” tek başına sipariş kalitesini anlatmaz.

Pratik kurulum

1. Temiz satış + stok + lead time tarihçesi
2. ABC/XYZ segmentasyonu (her SKU aynı model değil)
3. Probabilistik forecast (tek nokta değil aralık)
4. Sipariş önerisi = forecast × politika
5. Haftalık bias review

Özet: AI talep tahmini stok fazlasını ve kırığı azaltabilir; sihirli stok yok edici değildir. Lead time, hizmet seviyesi ve override yönetimi modele eşlik etmezse kırılma noktası yer değiştirir, kaybolmaz.