Yapay zekâ ile talep tahmini: moda perakendesi için adım adım
Modada ürün ömrü kısa, ürünlerin çoğunun geçmişi yok, beden ve renk talebi böler. Yapay zekâ ile talep tahmininin moda perakendesinde yedi adımda nasıl kurulduğu ve karara nasıl bağlandığı.

Yapay zekâ ile talep tahmini, satış geçmişinin yanında fiyat, kampanya, iade, stok, hava ve arama trendi gibi sinyalleri birlikte okuyan makine öğrenmesi modelleriyle talebi öngörmek ve bu öngörüyü sipariş, katalog ve bütçe kararına bağlamaktır. Moda perakendesinde klasik yöntemlerin zorlandığı yer tam olarak burasıdır.
Moda perakendesinde talep tahmini neden zordur?
Dört neden var. Ürün ömrü kısadır; bir model bir sezon satar ve bir daha dönmez. Bu yüzden ürünlerin büyük kısmının kendi geçmişi yoktur. Talep beden ve renge bölünür; tek bir model on beş, yirmi farklı stok birimine dağılır ve her birinin hacmi küçülür. Son olarak gözlenen satış gerçek talebi göstermez: bir beden tükendiğinde o haftanın satışı düşük görünür ama talep düşmemiştir. Talep tahmininin temel yöntemleri bu koşullarda tek başına yetmez.
Adım 1: Veriyi tek hafızada toplayın
Satış ERP'de, e-ticaret siparişi platformda, pazar yeri satışı ayrı panelde, mağaza satışı kasada, iade başka bir sistemde durur. Tahmin bunların hepsini aynı ürün kimliğiyle görmelidir. SNR Core mevcut sistemleri yerinde bırakır ve verilerini tek bir şirket hafızasında birleştirir; tahmin bu hafızadan okur.
Adım 2: Doğru seviyede tahmin edin
Beden ve renk seviyesinde doğrudan tahmin, küçük hacimler yüzünden gürültülüdür. Daha sağlam yol, talebi ürün grubu, kanal ve hafta seviyesinde öngörmek, sonra beden eğrisiyle dağıtmaktır. S0 Forecast'ın Size Curve modülü beden dağılımını ayrıca öngörür; böylece bir modelin toplam talebi ile hangi bedenden kaç adet gerektiği iki ayrı soru olarak cevaplanır.
Adım 3: Geçmişi olmayan ürünü benzerinden öğrenin
Yeni bir modelin geçmişi yoktur ama benzerleri vardır: aynı kategori, aynı fiyat bandı, benzer kumaş, benzer kalıp. Model yeni ürünü bu benzerlerin ilk haftalarındaki davranışından öngörür. Bunun için ürün özniteliklerinin temiz olması gerekir; ürün verisinin nereden geldiğini Pimland ve SONROY yazısında anlattık. S0 Forecast'ta bu işi New Product Forecast modülü yapar.
Adım 4: Dış sinyalleri ve takvimi ekleyin
Hava, pazardaki hareket ve arama trendi, satış geçmişinin göremediği şeyleri gösterir. Kampanya ve sezon takvimi de tahminin parçasıdır; bir indirim haftası, normal bir haftayla aynı modelle tahmin edilemez. S0 Forecast'ta Trend Signals dış sinyalleri, Season Calendar sezon ve kampanya takvimini tahmine taşır.
Adım 5: Stoksuz haftaları ve iadeyi düzeltin
Bir bedenin tükendiği haftalarda gözlenen satış, gerçek talebin altındadır; model bu haftaları talep düşüşü sanmamalıdır. İade de talebin parçasıdır: yüksek iade alan bir beden, satış rakamının söylediğinden daha az net talep demektir. İadenin hangi seviyede okunacağını iade verisi üretim kararına nasıl döner yazısında ayrıntılı anlattık.
Adım 6: Tahmini karara bağlayın
Tahmin bir ekranda kalırsa değeri sıfırdır. Öngörü S0 Supply'a sipariş önerisi olarak, S0 Ecom'a katalog planı olarak, S0 Finance'a bütçe olarak akar. Planlamacı öneriyi gerekçesiyle görür ve onaylar ya da reddeder. Onaylanan sipariş tedarikçiye gider.
Adım 7: Sapmayı ölçün, model kendini düzeltsin
Her dönem gerçekleşen satış tahminle karşılaştırılır. Forecast Accuracy modülü sapmayı ürün, kategori ve kanal bazında izler; model bu farkla güncellenir. Reddedilen öneriler de kaydedilir: hangi durumda planlamacının, hangi durumda modelin haklı çıktığı zamanla görünür.
Klasik yöntemle yapay zekâ arasındaki fark nedir?
| Klasik talep tahmini | Yapay zekâ ile talep tahmini | |
|---|---|---|
| Girdi | Ağırlıkla satış geçmişi | Satış, iade, stok, fiyat, kampanya, hava, arama trendi |
| Yeni ürün | Uzman tahmini | Benzer ürünlerin davranışından öngörü |
| Beden | Sabit oranlarla dağıtım | Ayrıca öngörülen beden eğrisi |
| Güncelleme | Dönemsel, elle | Her dönem, sapmayla |
| Çıktı | Rapor | Gerekçeli sipariş ve plan önerisi |
Nereden başlanır?
Bir ürün grubu ve bir karar seçin; çoğu ekip için en iyi başlangıç haftalık yeniden siparişidir, çünkü sonucu birkaç hafta içinde ölçülür. Kendi satış ve iade verinizle bu akışı görmek için demo isteyin.
Kısa cevaplar
Ürünün kendi geçmişinden çok, ürün grubu ve benzer ürünlerin geçmişi önemlidir. Satış, iade ve stok verisinin aynı ürün kimliğiyle birleşmiş olması, veri miktarından daha belirleyicidir.
Yeni model, aynı kategori, fiyat bandı ve öznitelikteki benzer ürünlerin ilk haftalarındaki davranışından öngörülür. Bunun için ürün özniteliklerinin temiz ve tutarlı olması gerekir.
Planlamacı. Sistem öneriyi gerekçesiyle getirir; planlamacı onaylar ya da reddeder. Onaylanan sipariş tedarikçiye gider, sonuç ölçülür ve modele geri yazılır.
Özet
- Modada ürün ömrü kısa, ürünlerin çoğu geçmişsiz ve talep beden ile renge bölünür.
- Talep ürün grubu, kanal ve hafta seviyesinde öngörülür, beden eğrisiyle dağıtılır.
- Stoksuz haftalar ve iade düzeltilmeden yapılan tahmin talebi yanlış gösterir.
- Tahmin sipariş, katalog ve bütçe kararına bağlanır; sapma her dönem ölçülür.


