Siemens Elektrik Ürünleri Satışlarında Zaman Serisi Tahmini

Proje Bağlamı

Bu projeyi Siemens Turkey Bölgesel Süreç Ofisindeki yarı zamanlı görevim (stajım) sırasında gerçekleştirdim. Operasyonel satış verileriyle çalışarak geçmiş talep örüntülerinin iş planlamasını destekleyecek ileriye dönük bilgilere nasıl dönüştürülebileceğini inceledim.

Yaklaşık 500 elektrik ürününü kapsayan beş yıllık satış verisini kullanarak tekrar eden talep örüntülerini belirlemek, ileriye dönük satış tahminleri üretmek ve sonuçları operasyonel paydaşların kullanabileceği biçimde sunmak amacıyla bir zaman serisi tahmin süreci geliştirdim.

Proje, istatistiksel tahmini pratik bir iş sorusuyla birleştirdi: gelecekteki satışlar belirsizken geçmiş talep verileri planlama süreçlerini nasıl destekleyebilir?

Araştırma Hedefleri

1. Geçmiş ürün satış verilerindeki eğilimleri, mevsimselliği ve tekrar eden talep örüntülerini belirlemek.
2. Mevsimsel satış davranışını temsil edebilen istatistiksel bir tahmin modeli geliştirmek.
3. Yalnızca uyarlanmış değerlere bakmak yerine tahmin davranışını ve artık yapısını değerlendirmek.
4. Model çıktılarını iş paydaşları için yorumlanabilir tahminlere ve görselleştirmelere dönüştürmek.
5. Tahmin sonuçlarını operasyonel planlamada kullanılan daha geniş raporlama sürecine entegre etmek.

Veri Kümesi

• Geçmiş dönem: Yaklaşık 5 yıllık satış verisi
• Kapsam: Yaklaşık 500 elektrik ürünü
• Frekans: Aylık satış gözlemleri
• Kaynak: Şirket içi operasyonel satış verileri
• Temel zorluk: Ürünler arasında ve zaman içinde talep örüntülerinin önemli ölçüde değişmesi

Tahmin modelleri uygulanmadan önce veri kümesinin temizlenmesi, toplulaştırılması ve keşifsel olarak analiz edilmesi gerekti. Özellikle tekrar eden mevsimsel örüntülere ve ürün düzeyindeki ani talep değişimlerine odaklandım.

Yöntem

• Zaman Serisi Ayrıştırması: Geçmiş satış verilerindeki genel eğilimleri ve tekrar eden mevsimsel davranışları incelemek için zaman serisini bileşenlerine ayırdım.
• SARIMA: Hem zamansal bağımlılığı hem de tekrar eden satış mevsimselliğini temsil etmek için Seasonal ARIMA modelleri kullandım.
• Model Seçimi: Uygun otoregresif, fark alma, hareketli ortalama ve mevsimsel bileşenleri belirlemek amacıyla farklı parametre yapılandırmalarını karşılaştırdım.
• Artık Analizi: Uydurulan model tarafından açıklanmamış önemli zamansal örüntülerin kalıp kalmadığını değerlendirmek için artıkları inceledim.
• Tahmin Görselleştirmesi: Yorumlama ve raporlama amacıyla geçmiş satış örüntülerini ileriye dönük tahminlerle birlikte görselleştirdim.
• Araçlar: Python, pandas, statsmodels, SQL, Power BI

Sonuçlar

Analiz, elektrik ürünlerinin satışlarında belirgin mevsimsel yapıların yanı sıra ürünler arasında önemli farklılıklar ve zaman zaman ani talep değişimleri bulunduğunu gösterdi.

SARIMA, tekrar eden mevsimsel davranışı ve zamansal bağımlılığı temsil ederken ileriye dönük talep tahminleri üretmek için yapılandırılmış bir yaklaşım sağladı.

Ortaya çıkan tahminler ve görselleştirmeler departman yönetimine sunuldu. Böylece istatistiksel sonuçlar bağımsız model çıktıları olarak ele alınmak yerine operasyonel bilgiyle birlikte değerlendirilebildi.

Tahmin çalışması ayrıca ürün satışlarını, müşteri faaliyetlerini ve talebi takip eden daha geniş bir canlı Power BI raporlama sürecine entegre edildi.

Katkılar

• Yaklaşık 500 elektrik ürününe ait beş yıllık operasyonel satış verisini analiz ettim.
• Mevsimsel ürün talebi için SARIMA tabanlı bir tahmin süreci geliştirdim.
• Model davranışını incelemek için istatistiksel modellemeyi keşifsel analiz ve artık tanılamalarıyla birleştirdim.
• Tahmin çıktılarını yalnızca çevrimdışı model değerlendirmesiyle sınırlamak yerine yönetim tarafından kullanılabilecek görselleştirme ve raporlara dönüştürdüm.
• Satışların ve müşteri faaliyetlerinin sürekli izlenmesini sağlayan canlı bir Power BI gösterge paneli sürecine katkıda bulundum.
• Raporlama sürecini belgeleyip devrederek proje sonrasında da kullanılmaya devam edebilmesini sağladım.

Projenin Önemi

Bu proje, tahmin modellerini doğrudan operasyonel bir karar ortamında kullandığım ilk deneyimimdi.

Temel zorluk yalnızca sayısal bir tahmin üretmek değildi. Ürün talebi zaman içinde ve ürün kategorileri arasında değişirken, gelecekteki talep henüz bilinmeden planlama kararlarının alınması gerekiyordu. Bu nedenle tahminler deterministik yanıtlar olarak değil, talep planlaması ve raporlama için karar destek girdileri olarak kullanıldı.

Bu deneyim daha sonra belirsizlik altında yapay zekâ destekli karar verme konusundaki ilgimi etkiledi. Bir tahmin modelinin pratik değerinin yalnızca istatistiksel performansına değil, çıktılarının nasıl yorumlandığına, nasıl aktarıldığına ve gerçek karar süreçlerine nasıl dâhil edildiğine de bağlı olduğunu gösterdi.