Makine Öğrenimi ile Talep Tahminleme: Mimari ve Çözümler

Makine Öğrenimi ile Talep Tahminleme Uygulamaları: Tanılama, Mimari ve Çözüm Yaklaşımı

Giriş

Endüstriyel üretim ve dağıtım hatlarında talep tahminleme, stok optimizasyonu, üretim planlama ve lojistik kararları için merkezi bir girdidir. Yanlış tahminler, üretim duruşlarına, aşırı stok maliyetlerine veya teslimat gecikmelerine yol açar; bu da operasyonel riskleri doğrudan artırır. Gerçek saha koşullarında verinin gecikmeli gelmesi, sensör hataları ve mevsimsellik dışı anomalilerle karşılaşmak yaygındır ve bu durum model performansını beklenmedik şekilde düşürebilir.

Teknik kapsam olarak bu yazı, veri alma, ön işleme, modelleme, dağıtım ve izleme adımlarına odaklanır; performans metrikleri, gecikme toleransları ve hata teşhis yöntemleri açıkça verilecektir. Geliştirici ve saha mühendisi bakış açılarını birleştirerek, hem çevrim içi hem de çevrim dışı tahmin akışları için uygulanabilir öneriler sunulacaktır.

Operasyonel riskleri azaltmak için sadece yüksek isabetli modeller yeterli değildir; gecikme, işlem hacmi ve hata tespit süreleri de hesaplanmalı ve SLA'lara bağlanmalıdır. Unutmayın, bir model sahada dakikalar içinde eskimeye başlayabilir; izleme ve otomasyon buna karşı ilk savunmadır.

Bu yazıda ölçülebilir örnekler, saha davranışları ve mühendislik tercihleri üzerinden gerçekçi uygulama yolları sunulacaktır. Bella Binary mühendisliği perspektifiyle pratik, ölçeklenebilir ve ölçülebilir çözümler hedeflenmiştir.

Kavramın Net Çerçevesi

Talep tahminleme, geçmiş talep verileri, promosyon takvimleri, hava durumu ve makine verileri gibi çoklu kaynaklardan gelen girişleri kullanarak gelecekteki ürün veya hizmet talebini nicel olarak tahmin etme sürecidir. Sistem, ham veriyi alıp zaman serisi veya tabular modelleme için uygun özelliklere dönüştürür, model bunlardan tahmin üretir ve çıktı operasyonel sistemlere beslenir.

Ölçülebilir sınırlar, örneğin aylık SKU bazlı tahminlerde %RMSE veya %MAPE hedefleriyle tanımlanır; saha gereksinimi olarak tahmin gecikmesi 200 ms altında olabileceği gibi toplu püls tahminlerde 30 dakikaya kadar tolerans olabilir. Sistem bileşenleri arasında veri kaynağı, veri boru hattı, eğitim ekranı, gerçek zamanlı çıkarım servisi ve gözlemlenebilirlik altyapısı ilişkilidir.

Örneğin, perakende zincirinde haftalık SKU tahmini yapıldığında, doğru etiketlenmiş tarih aralığı ve fiyat-promosyon korelasyonu nedeniyle ortalama MAPE %12'dan %7'ye düşürülebilir; bu tür sayısal gözlemler saha pilotlarında sıkça raporlanır.

Talep tahminlemede kararlar yalnızca model skorlarına değil, gecikme, throughput ve hata algılama sürelerine göre alınmalıdır. Bu yazıda hem model doğruluğu hem de sistem davranışının ölçülebilir parametreleri verilecektir.

Kritik Teknik Davranışlar ve Risk Noktaları

Zaman Serisi Nonstationarity ve Kavramsal Sürüklenme

Zaman serilerindeki kavramsal sürüklenme, veri dağılımının modelin eğitildiği dönemden sapmasıdır ve model doğruluğunu hızlıca bozar. Üretim değişiklikleri, tedarik zinciri kısıtları veya yeni kampanyalar sürüklenmeye neden olabilir. Bu durum sıkça haftalık ve aylık periyotlarda gözlemlenir ve model performansını aniden %10–%40 düşürebilir.

Ölçülebilir parametreler: model MAPE (%), veri dağılım farkı (KL divergence veya PSI). Ölçüm yöntemi: eğitim ve canlı tahmin dağılımlarının histogram veya PSI karşılaştırması ile aylık olarak hesaplama. Saha davranışı örneği: bir tedarik sıkıntısı döneminde haftalık talep tahminlerinin bir hafta içinde doğruluk kaybı yaşaması.

• Gerçek zamanlı PSI hesaplama ve eşik alarmı kur (PSI > 0.2 uyarısı).
• Her SKU için aylık doğruluk tablosu tut; MAPE artışı %5'in üzerindeyse otomatik eğitim tetikle.
• Promosyon takvimlerini model girdisi olarak zorunlu hale getir; boş giriş gözleniyorsa veri kaybı kontrolü yap.
• Eğitim kümesi penceresini adaptif olarak kaydır (rolling training) ve en az 2 pencereli karşılaştırma uygula.
• Canlı veri için 7/24 dağılım izleme; 15 dakikada bir snapshot al ve histogram korelasyonu yap.

Veri Gecikmeleri ve Yanlış Eşleme

Veri toplama boru hattındaki gecikmeler, özellikle POS ve ERP entegrasyonlarında, tahminlerin hatalı etiketlenmesine yol açar. Zaman damgası uyuşmazlıkları ve saat dilimi hataları, modelin eğitim verisinde hatalı örneklere sebep olur. Alan gözlemi: saat dilimi yanlış ayarlanmış veriler yüzünden günlük talep piklerinin 6 saat ötelenmesi.

Ölçülebilir parametreler: veri gecikme medyanı (ms veya s), zaman damgası uyuşmazlık oranı (%). Ölçüm yöntemi: veri kaynağı bazında end-to-end latency ölçümü ve log korelasyonu. Saha davranışı örneği: POS entegrasyonunda sabah 09:00 satışlarının gece 03:00 olarak kaydedilmesi.

• Kaynaktan hedefe end-to-end latency ölçümü yap; SLA < 5 s değilse hata ayıkla.
• Her veri kaynağı için zaman damgası hipotez testi uygula; uyuşmazlık > %1 ise alarm kur.
• ETL adımında saat dilimi normalize edici katman ekle ve örnek verilerle doğrula.
• Veri eşleştirme mantığını idempotent hale getir ve duplicate detection uygula.
• Log korelasyonu ile 1 saatlik pencere içinde toplam gecikme dağılımını histogramla; üst %95 dilimi hedefle.

Ölçeklenebilirlik ve Gerçek-Zaman Gereksinimleri

Gerçek zamanlı çıkarım gereksinimleri olan sistemlerde tahmin latansı ve TPS (transaction per second) kritik metriklerdir. Örnek saha gereksinimi: dağıtım merkezi için 200 TPS altında 200 ms latans hedefi. Yetersiz kaynak planlaması, pik dönemlerde %300 CPU kullanım artışı ve servis yavaşlamasına neden olabilir.

Ölçülebilir parametreler: ortalama latans (ms), maksimum TPS. Ölçüm yöntemi: load test ile pik yük simülasyonu ve end-to-end çıkış gecikmesi ölçümü. Saha davranışı örneği: tatil döneminde beklenenden 4x yüksek istek gelmesi ve çıkarım kuyruğunun dolması.

• Load test: üretim pikine karşı %150 yük testi uygula ve latans hedeflerini doğrula.
• Autoscaling eşiklerini TPS ve CPU bazlı tanımla; scale-up gecikmesinin 30 s altında olmasını sağla.
• Çıkarım servisini cache katmanı ile destekle ve 90% cache hit oranı hedefle.
• Batched çıkarım ile toplu tahminler için throughput optimizasyonu uygula (ör. 1k SKU/s batch).
• Latency SLO'larını SLA dokümanına bağla ve 7/24 izleme kur.

Model Dağıtımı, Sürüm Kontrolü ve Geri Alma Riskleri

Model değişiklikleri üretimde stabiliteyi bozabilir; yanlış etiket, veri sızıntısı veya eksik feature işleme hatalı sonuçlara neden olur. Yanlış deploy sonucu hatalı tahminler birkaç saat içinde operasyonel kararları etkileyebilir. Geri alma sürecinin uzun olması yüzde gelir kaybına yol açabilir.

Ölçülebilir parametreler: deploy sonrası doğruluk farkı (%), geri alma süresi (saat). Ölçüm yöntemi: A/B testleri ve rollout sırasında log korelasyonu ile doğruluk karşılaştırması. Saha davranışı örneği: yeni model devreye alındıktan 2 saat sonra toplam sapmanın %18 artması.

• Canary deploy stratejisi uygula; ilk %5 trafik ile değerlendirme yap.
• Gerçek zamanlı karşılaştırma için shadow testing kur; canlı sonuçları eski modelle eşleştir.
• Rollout sırasında otomatik geri alma tetikleyicileri belirle (MAPE artışı > %7 gibi).
• Model ve veri pipe line için versiyonlama yap; deploy paketinde veri şema hash'ini bulundur.
• Her sürüm için 7 günlük geri izleme ve performans raporu oluştur.

Teknik Durum Tablosu

Sorunu Sahada Sistematik Daraltma

Bir talep tahmin problemi ile karşılaştığınızda sistematik daraltma fiziksel ekipman ve ağdan uygulama katmanına doğru ilerlemelidir. Bu sırayla ilerleyerek hem kök sebepleri hızlıca izole edersiniz hem de sahada zaman kaybetmezsiniz.

1. Fiziksel bağlantı ve veri kaynakları: Veri akışının en başından (sensör, POS, ERP) örnek veri al ve zaman damgası doğrula.
2. ETL ve veri boru hattı: Log korelasyonu ile ETL adımlarındaki gecikmeyi, duplicate veya missing record oranını tespit et.
3. Model ve çıkarım servisi: Shadow test veya canary ile model performans farklarını ölç; latans ve throughput değerlerini kaydet.
4. Uygulama entegrasyonu: Tahmin çıktısının hedef sisteme aktarımını, idempotency ve hata yönetimini doğrula.

Gerçekçi Saha Senaryosu

Bir dağıtım merkezinde SKU bazlı haftalık talep tahmini modelinin MAPE değeri 9% olarak kabul ediliyordu. Tatil sezonu yaklaşırken hatalı promosyon veri entegrasyonu nedeniyle model doğruluğu 3 haftada %9'dan %18'e yükseldi. İlk yanlış varsayım, modelin eskidiği ve yeniden eğitim gerektiği yönündeydi; ekip önce modeli tekrar eğitti ancak sonuç düzelmedi.

Analiz, ETL boru hattında promosyon id alanının boş gönderildiğini ve bu nedenle feature eksikliği yaşandığını ortaya koydu. Kök neden veri sağlayıcı tarafındaki format değişikliğiydi. Kalıcı çözüm olarak veri sözleşmesinde zorunlu alanlar belirlendi, veri doğrulama adımı ETL'e eklendi ve canlı PSI izleme kuruldu. Ölçülebilir sonuç: doğruluk 8 hafta içinde %18'den %10'a geriledi, stok devir hızı %12 iyileşti.

Uzun Vadeli Dayanıklılık ve Ölçüm Disiplini

Dayanıklı talep tahminleme sistemleri, sadece başlangıçta iyi sonuç veren modeller değil; zaman içinde bozulmayı erken fark eden, otomatik düzeltme ve geri dönüş mekanizmalarına sahip sistemlerdir. Ölçüm disiplini, izleme, uyarı ve düzenli geri bildirim döngüleri ile sağlanır.

• Açık metrik takımı tanımla: MAPE, RMSE, PSI, end-to-end latency, TPS.
• Otomatik uyarı tetikleyicileri kur: PSI > 0.2, MAPE artışı > %5, latency > 200 ms.
• Shadow test ve canary deploy uygulamasını zorunlu kıl.
• Veri kalitesi kontrolünü ETL'e entegre et; gecikme ve eksik alan oranını günlük raporla.
• Periyodik (haftalık/aylık) model sağlık raporları oluştur ve iş birimleriyle paylaş.

Talep tahminlemede sürdürülebilir başarı, tekil model doğruluklarından çok izleme, otomasyon ve saha ile yakın ilişki kurmanın sonucudur.

Sonuç

Makine öğrenimi ile talep tahminleme, çok katmanlı bir mühendislik problemi olarak ele alınmalıdır: doğru veri, güvenilir boru hattı, ölçeklenebilir çıkarım ve sürekli izleme birlikte çalışmalıdır. Ölçüm ve izleme kültürü olmadan modeller sahada hızla bozulur; bu yüzden PSI, MAPE, latency ve TPS gibi metrikler operasyonel KPI'lara bağlanmalıdır.

Bella Binary yaklaşımı, saha mühendisliği deneyimini veri mühendisliği ve model operasyonu ile birleştirerek ölçülebilir sonuçlara odaklanır; saha içgörülerimizi (örneğin tedarik zinciri tatil etkileri ve POS entegrasyon gecikmeleri) doğrudan mühendislik kontrol noktalarına çeviriyoruz. Uzun vadeli dayanıklılık için otomatik izleme ve geri alma mekanizmalarını temel tasarım ilkesi olarak uygularız.

İş birliği kurmak isterseniz, saha verinizin ilk değerlendirmesini birlikte yapabiliriz; küçük bir pilotla %10–%20 doğruluk artışı ve %5–%15 operasyonel maliyet azalması hedefleyen yol haritası çıkaralım. Bella Binary mühendisleriyle ortak çalışmak sisteminizi daha öngörülebilir ve dayanıklı kılacaktır.