Kesintili talep tahmininde mimari karmaşıklıktan ziyade özellik mühendisliğinin önceliği

Nadiren gerçekleşen satışları tahmin etmenin önemi

Her otomobil tamirhanesi ya da parça deposunun arkasında sessiz bir bilmece yatar: rafta ne kadar yavaş satan yedek parça bulundurulmalı? Bu ürünler nadiren ve öngörülemez biçimde satılır, ancak bir araç arızalandığında mevcut olmalıdır. Fazla sipariş verildiğinde sermaye tozlu stokta bağlanır; eksik sipariş verildiğinde müşteriler beklerken parçalar aceleyle getirilir. Bu makale, günlük ama maliyetli bu sorunu basit bir soru sorarak ele alıyor: giderek daha karmaşık tahmin modelleri mi kullanmak daha iyi, yoksa mevcut modellere veriden gelen daha akıllı, özenle tasarlanmış sinyaller mi beslemek daha faydalı?

Uzun boşluklardan ani sıçramalara

Birçok tedarik zincirinde, özellikle otomotiv yedek parçalarında, talep sütunları süt veya ekmek gibi istikrarlı değildir. Bunun yerine, birkaç aylık sıfır satışın olduğu uzun boşluklar ve bunları birkaç birimlik ani siparişler böler. Yazarlar, yaklaşık 1,4 milyon aylık kaydı kapsayan 56.000’den fazla bayi–parça kombinasyonunu analiz ediyor ve çoğu serinin son derece seyrek olduğunu buluyor: ortalamada satış olan her aya karşılık birçok sıfır ay var ve sipariş büyüklükleri büyük dalgalanma gösteriyor. Croston’ın yaklaşımı ve iyileştirmeleri gibi geleneksel istatistiksel yöntemler bu tür “aç–kapa” talepler için geliştirildi ve kararlı, yorumlanabilir tahminler sunuyor, ancak her parçayı izole ele alıyor ve fiyatlar ya da ürün özellikleri gibi ek bilgileri kolayca kullanamıyor. Modern makine öğrenmesi sistemleri prensipte tüm bu bilgileri kullanabilir, ancak veri çoğunlukla sıfırlardan oluştuğunda ve yalnızca ara sıra bilgi verdiğinde zorlanma eğilimindedir.

Basit bir fikir: modele gerçekten önemli olanı öğretmek

Daha karmaşık makine öğrenmesi mimarileri tasarlamak yerine yazarlar modele ne verildiğine odaklanıyor. Her talep geçmişi üzerinde çalışan hafif bir istatistiksel rutin olan Smoothed Hybrid Occurrence–Size (SHOS) çerçevesini tanıtıyorlar. Her ay için SHOS iki sayı üretiyor: gelecek ay herhangi bir talebin gerçekleşme olasılığına dair tahmin ve gerçekleşirse o talebin tipik büyüklüğü. Bunu geçmiş sıfırları ve sıfır olmayanları dikkatle yumuşatarak, çok seyrek seriler için davranışını uyarlayarak ve uzun bir durgunluktan sonra talep aniden döndüğünde daha hızlı tepki vererek yapıyor. Önemli olarak, SHOS nihai tahmin modeli değil. Çıktıları, son satışlar, hareketli ortalamalar ve statik ürün ayrıntıları gibi basit girdilerin yanında standart makine öğrenmesi algoritmaları için ek özellikler (feature) oluyor.

Model karmaşıklığından önce özellik kalitesini koymak

Bu istatistiksel “ön işleme”nin gerçekten yardımcı olup olmadığını test etmek için araştırmacılar kontrollü bir deney kuruyor. Aynı sıfırla doldurulmuş aylık panel üzerinde ve gerçek uygulamayı taklit eden titiz bir kayar pencere düzeniyle değerlendirilen SHOS özellikleri ile ve olmadan bir dizi popüler modeli—gradient-boosted ağaçlar, rastgele ormanlar ve doğrusal yöntemler—karşılaştırıyorlar. Ayrıca talebin olup olmayacağını ve ne kadar olacağını ayrı tahmin eden daha ayrıntılı iki aşamalı “hurdle” modellerini de test ediyorlar. 11 doğrulama penceresi genelinde, SHOS özelliklerinin eklenmesi çok seyrek öğeler için ortalama tahmin hatasını neredeyse yarıya indiriyor ve ağırlıklı ortalama mutlak yüzde hatası gibi önemli bir iş metriğini %40’tan fazla azaltıyor. Şaşırtıcı biçimde, daha karmaşık ve bu tür verilere özel tasarlanmış iki aşamalı mimariler, SHOS sinyallerini doğrudan alan tek, basit bir regresörden daha iyi performans göstermiyor.

Modelin kararlarını nasıl verdiğini görmek

Ekip başlık doğruluğunun ötesine geçip modellerin verilen bilgiyi gerçekten nasıl kullandığını inceliyor. Makine öğrenmesi tahminlerini yorumlamak için standart bir araç olan SHAP’i kullanarak, SHOS tabanlı özelliklerin—"talep olasılığı" ve "gerçekleştiğinde büyüklük"—tutarlı şekilde en etkili girdiler arasında olduğunu gösteriyorlar. Uzun sıfır talepli dönemlerde düşük bir SHOS olasılığı tahminleri sıfıra iterek gereksiz stok birikimini engelliyor. Kuru bir dönemden sonra bir talep patlaması ortaya çıktığında, SHOS’taki bir güncellik ayarı olasılık ve büyüklük tahminlerini hızla yükseltiyor, böylece model tek bir sıçramaya aşırı tepki vermeden yanıtlayabiliyor. Bu davranışlar hem basit tek aşamalı modelde hem de daha karmaşık hurdle versiyonlarında gözlemleniyor; bu da asıl kazancın mimari oyunlardan ziyade sinyallerin kalitesinden geldiğini vurguluyor.

Günlük envanter kararları için anlamı

Doğru parçaları rafta tutmaya çalışırken uygulayıcılara verilen mesaj hem pratik hem de rahatlatıcı. Çalışma, özenle tasarlanmış, istatistiksel temelli özelliklerin kırılgan, bakımı zor model düzeneklerine başvurmadan nadir ve düzensiz satışların tahmininde büyük iyileşmeler sağlayabileceğini gösteriyor. SHOS özellikleriyle donatılmış mütevazı, iyi ayarlanmış bir gradient-boosted ağaç on binlerce öğe çapında dağıtıma ve izlemeye daha kolay olup daha karmaşık boru hatlarıyla rekabet ediyor veya onları geçiyor. Açık ifadeyle, tahmin sisteminize müşterilerin ne sıklıkla ve ne kadar sipariş etme olasılığı olduğuna dair daha iyi özetler vermek, en yeni ve en karmaşık algoritmaya yükseltmeden daha fazla önem taşıyabilir. Basit, yorumlanabilir yapı taşlarına verilen bu vurgu yöntemi büyük ölçekli, gerçek dünya tedarik zincirleri için çekici kılıyor ve benzer özellik odaklı stratejilerin kesintili talep yaşayan diğer sektörlerde de işe yarayabileceğini düşündürüyor.

Atıf: Nathan, B.S., Aravinth, P.M., Reddy, B.V.S. et al. Primacy of feature engineering over architectural complexity for intermittent demand forecasting. Sci Rep 16, 4792 (2026). https://doi.org/10.1038/s41598-026-35197-y

Anahtar kelimeler: kesintili talep, yedek parça tahmini, özellik mühendisliği, tedarik zinciri analitiği, makine öğrenmesi