Bu çalışma materyali, veri tahminleme teknikleri üzerine çeşitli kaynaklardan (kopyalanmış metinler ve sesli ders transkripti) derlenmiştir.

---

Veri Tahminleme Teknikleri: Mevsimsel, Döngüsel ve İlişkisel Yaklaşımlar 📊

Bu çalışma materyali, iş dünyasında ve operasyon yönetiminde kritik öneme sahip olan veri tahminleme tekniklerini derinlemesine incelemektedir. Özellikle verilerdeki mevsimsel ve döngüsel değişimleri anlamak, ilişkisel tahmin yöntemlerini kavramak ve bu tahminleri nasıl izleyip kontrol edeceğimizi öğrenmek, doğru kararlar alabilmek için temel bir adımdır. Amacımız, karmaşık görünen bu kavramların mantığını ve uygulama alanlarını net bir şekilde aktarmaktır.

---

1. Verilerdeki Değişim Türleri 📈

Veri tahminlemede, talep veya diğer değişkenlerdeki kalıpları anlamak esastır. Bu kalıplar genellikle mevsimsel veya döngüsel değişimler olarak sınıflandırılır.

1.1. Mevsimsel Değişimler 📅

📚 Tanım: Mevsimsel değişimler, talepte belirli zaman dilimlerinde (günlük, haftalık, aylık veya yıllık) tekrarlayan, öngörülebilir dalgalanmalardır. Bu değişimler genellikle takvimle ilişkilidir.

✅ Özellikler:

• Belirli periyotlarda düzenli olarak tekrarlar.
• Öngörülebilirdir ve geçmiş verilere dayanarak modellenebilir.
• Multiplikatif mevsimsel model, trend verilerini bu tür mevsimsel talep değişimleri için ayarlayabilir.

💡 Örnekler:

• Doğal gaz veya kömür talebi soğuk kış aylarında zirve yapar.
• Güneş kremi talebi yaz aylarında en yüksek seviyeye ulaşır.
• Fast-food restoranları öğle ve akşam saatlerinde günlük yoğunluk yaşar.
• Sinema salonları cuma ve cumartesi akşamları daha yüksek talep görür.

Aylık Mevsimsel Tahmin Adımları:

Aylık mevsimler için tahmin yaparken izlenen adımlar şunlardır: 1️⃣ Her ay için ortalama geçmiş talep bulunur. 2️⃣ Tüm ayların ortalama talebi hesaplanır. 3️⃣ Her ay için bir mevsimsel endeks belirlenir. (Bu endeks, o ayın talebinin genel ortalamaya göre ne kadar yüksek veya düşük olduğunu gösterir.) 4️⃣ Gelecek yılın toplam talebi tahmin edilir. 5️⃣ Bu toplam talep tahmini ay sayısına bölünür ve o ayın mevsimsel endeksiyle çarpılarak ilgili ayın tahmini elde edilir.

1.2. Döngüsel Değişimler 🔄

📚 Tanım: Döngüsel değişimler, birkaç yılda bir ortaya çıkan, mevsimsel değişimlerden daha uzun vadeli kalıplardır. Bunlar haftalık, aylık veya üç aylık değil, daha geniş periyotları kapsar.

⚠️ Özellikler ve Zorluklar:

• Ekonominin resesyondan genişlemeye ve tekrar resesyona geçmesi gibi geniş bir faktör yelpazesini içerdiği için tahmin etmek oldukça zordur.
• Ürün yaşam döngüleri de bireysel ürünler için talep tahminini etkileyen döngüsel faktörler arasında yer alır.
• Mevsimsel değişimlere göre daha az düzenli ve daha uzun süreli olabilirler.

---

2. İlişkisel Tahmin Yöntemleri 🔗

İlişkisel tahmin, bir veya daha fazla bağımsız değişkendeki değişikliklerin, bağımlı değişkendeki değişiklikleri tahmin etmek için kullanıldığı durumlarda uygulanır.

2.1. İlişkisel Tahmine Giriş

✅ Temel Prensip: Bir değişkenin (bağımlı değişken) değerini, onunla ilişkili diğer değişkenlerin (bağımsız değişkenler) değerlerine dayanarak tahmin etmektir.

💡 Örnek: Dell bilgisayar satışları (bağımlı değişken), Dell'in reklam bütçesi, fiyatları, rakiplerin fiyat ve promosyon stratejileri, hatta ülkenin ekonomisi ve işsizlik oranları gibi bağımsız değişkenlerle ilişkilendirilebilir.

2.2. Doğrusal Regresyon Analizi 📊

📚 Tanım: İlişkisel tahmin alanındaki en yaygın teknik doğrusal regresyon analizidir. En küçük kareler tekniğini kullanarak tahmin edici değişkenlere dayalı bir sonucu tahmin eder.

✅ Formül: ŷ = a + bx

• ŷ: Bağımlı değişkenin tahmini değeri (örneğin, satışlar).
• a: Y-eksenini kesen nokta (sabit terim).
• b: Regresyon doğrusunun eğimi (bağımsız değişkendeki bir birimlik değişimin bağımlı değişkende yol açtığı değişim).
• x: Bağımsız değişken.

💡 Örnek: Bir inşaat firmasının satışları ile maaş bordrosu arasındaki ilişkiyi inceleyelim. Eğer gelecek yılki maaş bordrosunun 6 milyar dolar olacağı tahmin ediliyorsa ve regresyon denklemi: Satışlar (milyon dolar) = 1.75 + 0.25(Maaş Bordrosu) ise, tahmini satışlar: Satışlar = 1.75 + 0.25(6) = 1.75 + 1.5 = 3.25 milyon dolar (yani 3.250.000 dolar) olacaktır.

2.3. Tahmin Standard Hatası (S_y,x) ⚠️

📚 Tanım: Bir tahmin, gelecekteki bir değerin sadece bir nokta tahminidir ve aslında bir olasılık dağılımının ortalaması veya beklenen değeridir. Tahminin standart hatası (S_y,x), bu dağılımın yayılımını ölçer.

✅ Amacı: Tahmin aralıkları oluşturmak için kullanılır. Bu, tahminin ne kadar güvenilir olduğunu gösteren bir ölçüttür.

✅ Hesaplama (Basitleştirilmiş Formül): S_y,x = √[ (Σy² - aΣy - bΣxy) / (n - 2) ]

• y: Her veri noktasının y değeri
• y_c: Regresyon denkleminden hesaplanan bağımlı değişken değeri
• n: Veri noktası sayısı

💡 Örnek: Hesaplamalar sonucunda tahminin standart hatası 0.306 milyon dolar (yani 306.000 dolar) olarak bulunabilir. Bu, tahmin edilen satış değerinin etrafındaki olası sapmayı gösterir.

2.4. Korelasyon ve Belirleme Katsayısı ✅

Korelasyon Katsayısı (r)

📚 Tanım: Değişkenler arasındaki doğrusal ilişkinin gücünü ölçer.

• Değer Aralığı: -1 ile +1 arasında değişir.
  • +1: Mükemmel pozitif doğrusal ilişki.
  • -1: Mükemmel negatif doğrusal ilişki.
  • 0: Doğrusal ilişki yok. ⚠️ Önemli Not: Korelasyon her zaman nedensellik anlamına gelmez! İki değişken arasında güçlü bir ilişki olması, birinin diğerine neden olduğu anlamına gelmez.

Belirleme Katsayısı (r²)

📚 Tanım: Bağımlı değişkendeki (y) toplam değişimin yüzde kaçının bağımsız değişkendeki (x) değişimle açıklandığını ölçer.

• Değer Aralığı: 0 ile 1 arasında değişir.
• Yorumlama: Yorumlaması kolaydır. Örneğin, r² = 0.81 ise, bağımlı değişkendeki toplam değişimin %81'inin regresyon doğrusu tarafından açıklandığı anlamına gelir. Geri kalan %19'luk değişim ise modelde olmayan diğer faktörlerden kaynaklanır.

💡 Örnek: Nodel İnşaat örneğinde, korelasyon katsayısı r = 0.901 ve belirleme katsayısı r² = 0.81 olarak bulunmuştur. Bu, satışlardaki toplam değişimin %81'inin regresyon doğrusu tarafından açıklandığını gösterir.

2.5. Çoklu Regresyon Analizi ➕

📚 Tanım: Eğer modelde birden fazla bağımsız değişken kullanılacaksa, doğrusal regresyon çoklu regresyon analizine genişletilebilir.

✅ Formül: ŷ = a + b₁x₁ + b₂x₂ + ... + bₙxₙ

• x₁, x₂...xₙ: Farklı bağımsız değişkenler.
• b₁, b₂...bₙ: Her bir bağımsız değişkenin eğim katsayıları.

⚙️ Uygulama: Hesaplamalar oldukça karmaşık olduğu için genellikle bilgisayar programları aracılığıyla yapılır.

💡 Örnek: Nodel inşaat örneğinde, modele faiz oranları gibi ek bir değişken dahil edildiğinde, yeni denklem: ŷ = 1.80 + 0.30x₁ - 5.0x₂ şeklinde olabilir. Bu durumda, korelasyon katsayısı r = 0.96'ya yükselerek bu modelin inşaat satışlarındaki değişimi daha iyi tahmin ettiğini gösterir. Eğer x₁ (maaş bordrosu) 6 milyar dolar ve x₂ (faiz oranları) 0.12 (%12) ise: Satışlar = 1.80 + 0.30(6) - 5.0(0.12) = 1.80 + 1.80 - 0.60 = 3.00 milyon dolar.

---

3. Tahminleri İzleme ve Gelişmiş Teknikler ⚙️

Tahminlerin doğruluğunu izlemek ve kontrol etmek, operasyonel kararların etkinliği için büyük önem taşır.

3.1. Tahmin Kontrolü: İzleme Sinyali 🚦

📚 Tanım: İzleme sinyali, tahminin gerçek değerleri ne kadar iyi tahmin ettiğini ölçen bir orandır.

✅ Hesaplama: Kümülatif tahmin hatalarının ortalama mutlak sapmaya (MAD) oranı olarak hesaplanır. İzleme Sinyali = Kümülatif Hata / MAD

• Kümülatif Hata: Σ (Gerçek Talep - Tahmin Edilen Talep)
• MAD (Ortalama Mutlak Sapma): Σ |Gerçek Talep - Tahmin Edilen Talep| / n

⚠️ Yorumlama:

• Küçük sapmalar kabul edilebilir olsa da, pozitif ve negatif hataların birbirini dengelemesi ve izleme sinyalinin sıfıra yakın olması beklenir.
• Düşük izleme sinyali değerleri, iyi bir tahmin performansını gösterir.
• Eğer tahminler sürekli olarak yüksek veya düşükse, bu durum tahminin bir yanlılık hatasına sahip olduğunu gösterir.
• Bir MAD yaklaşık olarak 0.8 standart sapmaya eşittir.

3.2. Uyarlanabilir Düzeltme 💡

📚 Tanım: Bu teknikte, bilgisayar tahmin hatasını sürekli izleyerek üstel düzeltmede kullanılan alfa (α) ve beta (β) katsayılarını hatayı en aza indirecek şekilde otomatik olarak ayarlar. Bu sayede tahmin modeli zamanla kendini optimize eder.

3.3. Odak Tahmini 🎯

📚 Tanım: American Hardware Supply tarafından geliştirilen bu yöntem, iki temel prensibe dayanır:

1. Karmaşık tahmin modelleri her zaman basit olanlardan daha iyi değildir.
2. Tüm ürün veya hizmetler için tek bir teknik kullanılmamalıdır.

✅ Çalışma Şekli: Odak tahmini, bireysel öğeler için birden fazla tahmin modelini geçmiş verilerle test eder ve bir sonraki talep tahmini için en düşük hataya sahip modeli kullanır. Bu, her ürün veya hizmet için en uygun tahmin yönteminin dinamik olarak seçilmesini sağlar.

3.4. Hizmet Sektöründe Tahmin Zorlukları 🏨

Hizmet sektöründe tahmin yapmak kendine özgü zorluklar sunar:

• Kısa Vadeli Kayıtlara Özel İhtiyaç: Hizmet talebi genellikle çok daha kısa vadeli ve anlık değişimlere tabidir.
• Sektöre ve Ürüne Göre Farklılıklar: İhtiyaçlar, sektörden sektöre ve hatta aynı sektördeki farklı hizmet ürünleri arasında büyük ölçüde farklılık gösterir.
• Etkileyen Faktörler: Tatiller ve diğer takvim olayları ile olağandışı olaylar (örn. hava durumu, özel etkinlikler) tahminleri önemli ölçüde etkileyebilir.
• Örnekler: Bir fast-food restoranının günlük talep tahmini veya bir çağrı merkezinin saatlik çağrı hacmi tahmini, bu zorluklara iyi birer örnektir.

---

Sonuç:

Veri tahminleme, işletmelerin geleceğe yönelik stratejik ve operasyonel kararlar almasında hayati bir rol oynar. Mevsimsel ve döngüsel değişimleri anlamak, ilişkisel tahmin modellerini doğru bir şekilde uygulamak ve tahminlerin doğruluğunu sürekli izlemek, kaynakların etkin kullanımını ve müşteri memnuniyetini artırmak için temel unsurlardır. Bu tekniklerin doğru bir şekilde kullanılması, rekabet avantajı sağlayarak sürdürülebilir başarıya ulaşmada kritik öneme sahiptir.