Yapay Zeka ile Talep Tahmini Eğitimi

Eğitim Hakkında

Bu eğitim, tedarik zinciri, operasyon ve satış planlama ekiplerinin ürün, lokasyon ve kanal bazında talep tahminini istatistiksel yöntemler, makine öğrenmesi ve derin öğrenme modelleriyle kurması ve stok kararlarına bağlaması için tasarlanmış uygulamalı bir programdır. Katılımcılar Python ile geriye dönük test edilmiş, olasılıksal bir tahmin hattı geliştirir.

Neden Bu Eğitim?

Stok ve Servis Dengesi. Olasılıksal tahminleri emniyet stoku ve sipariş kararlarına bağlayarak hem stoksuzluğu hem fazla stoku azaltın.

Doğru Model Seçimi. ETS, ARIMA, LightGBM ve derin öğrenme modellerini aynı veri üzerinde geriye dönük test ederek kıyaslayın.

Planlama Sürecine Uyum. Tahmin çıktılarını S&OP döngüsüne, kampanya takvimine ve planlamacı düzeltmelerine entegre etmeyi öğrenin.

“Geleceği kesin bilemeyiz; ancak belirsizliği doğru ölçen bir tahmin, her stok ve tedarik kararını daha sağlam bir zemine taşır.”

Ön Koşullar

Temel Python — pandas ile veri okuma, filtreleme, gruplama ve temel görselleştirme yapabiliyor olmak.
İstatistik Bilgisi — Ortalama, varyans, korelasyon ve doğrusal regresyon kavramlarına aşina olmak.
Planlama Deneyimi — Talep planlama, stok yönetimi veya satış planlama süreçlerini iş hayatında tanıyor olmak.
Çalışma Ortamı — Python 3 ve Jupyter kurulu bir bilgisayar veya Google Colab gibi bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiTalep ile satış arasındaki farkı anlamak, zaman serisi verisini temizleyip ayrıştırmak, klasik istatistiksel modelleri kurmak ve doğru geriye dönük test tasarlamak.

Modül 1

Talep Planlamada Yapay Zeka

Talep tahmininin stok, üretim ve satın alma kararlarındaki rolü
Satış ile talep farkı: stoksuzluk ve kayıp satış etkisi
Tahmin ufku, zaman kovası ve hiyerarşi seviyeleri
S&OP süreci ve planlamacı düzeltmelerinin yeri
Kural tabanlı tahminden makine öğrenmesine geçiş
Vaka: Perakende zincirinde stoksuzluk sorununun analizi

Modül 2

Zaman Serisi Verisinin Hazırlanması

Eksik tarih, sıfır satış ve uç değerlerin ele alınması
Stoksuzluk dönemlerinde gizli talebin düzeltilmesi
Trend, mevsimsellik ve kalıntı ayrıştırması (STL)
Otokorelasyon (ACF/PACF) ve durağanlık kavramları
Talep örüntüleri: düzenli, dalgalı ve kesintili seriler
Laboratuvar: pandas ile SKU-mağaza serilerinin hazırlanması

Modül 3

Klasik İstatistiksel Tahmin Modelleri

Naif ve mevsimsel naif referans modeller
Üstel düzeltme (ETS) ve Holt-Winters yöntemleri
ARIMA ve SARIMA modellerinin kurulumu
Kesintili talep için Croston ve TSB yöntemleri
StatsForecast ile binlerce seride hızlı modelleme
Laboratuvar: ETS, ARIMA ve Croston karşılaştırması

Modül 4

Tahmin Doğruluğu ve Geriye Dönük Test

MAE, RMSE, WAPE ve MASE metriklerinin seçimi
Tahmin yanlılığı ve iş etkisine göre metrik ağırlığı
Kayan başlangıçlı geriye dönük test (backtesting)
Tahmin katma değeri (FVA) ile süreç analizi
Laboratuvar: Çoklu seride geriye dönük test raporu
Günün değerlendirmesi ve makine öğrenmesi gününe köprü

Günün hedefiFiyat, promosyon ve takvim etkilerini içeren global makine öğrenmesi modelleri kurmak, derin öğrenme ve temel modelleri değerlendirmek ve olasılıksal tahmin üretmek.

Modül 1

Talep Tahmini İçin Özellik Mühendisliği

Gecikme (lag) ve kayan pencere istatistikleri
Takvim, resmi tatil, bayram ve maaş günü etkileri
Fiyat, indirim ve promosyon değişkenleri
Hava durumu ve yerel etkinlik gibi dış veri kaynakları
Özellik üretiminde gelecekten bilgi sızıntısını önleme
Laboratuvar: Promosyon etkili özellik setinin kurulması

Modül 2

Global Makine Öğrenmesi Modelleri

Tekil seri modelleri ile global model yaklaşımı
LightGBM ile çoklu seri talep tahmini
MLForecast ile özellik ve tahmin hattı otomasyonu
Özyinelemeli ve doğrudan çok adımlı tahmin stratejileri
Özellik önemi ve SHAP ile tahmin açıklaması
Laboratuvar: LightGBM global modelinin geriye dönük testi

Modül 3

Derin Öğrenme ve Temel Modeller

N-BEATS ve N-HiTS mimarilerinin mantığı
Temporal Fusion Transformer (TFT) ile çok değişkenli tahmin
NeuralForecast kütüphanesiyle model eğitimi
Zaman serisi temel modelleri: Chronos ve TimesFM
Derin öğrenmenin ne zaman değer kattığı: veri ve maliyet
Demo: Sıfır atışlı (zero-shot) temel model tahmini

Modül 4

Olasılıksal Tahmin ve Belirsizlik

Nokta tahmininden tahmin aralığına geçiş
Kantil regresyon ve pinball kayıp fonksiyonu
Konformal tahmin ile güvenilir tahmin aralıkları
Belirsizliğin servis seviyesi kararlarına etkisi
Laboratuvar: Kantil LightGBM ile tahmin aralıkları
Günün değerlendirmesi ve planlama gününe köprü

Günün hedefiHiyerarşik tahminleri uzlaştırmak, yeni ürün ve kampanya talebini öngörmek, tahminleri stok kararlarına bağlamak ve uçtan uca tahmin projesini sunmak.

Modül 1

Hiyerarşik Tahmin ve Özel Durumlar

Ürün, kategori, mağaza ve bölge hiyerarşilerinde tutarlılık
Aşağıdan yukarı, yukarıdan aşağı ve MinT uzlaştırma
HierarchicalForecast ile uzlaştırma uygulaması
Yeni ürün talebi: benzer ürün ve özellik tabanlı yaklaşım
Ürün yamyamlığı ve kampanya sonrası talep düşüşü
Laboratuvar: Kategori-mağaza hiyerarşisinin uzlaştırılması

Modül 2

Tahminden Stok ve Sipariş Kararlarına

Emniyet stoku ve hedef servis seviyesi hesaplama
Olasılıksal tahminle yeniden sipariş noktası belirleme
Tedarik süresi belirsizliği ve çok kademeli stok
ABC-XYZ analizi ile ürün bazlı planlama politikası
Stok maliyeti, kayıp satış ve bozulma ödünleşimi
Uygulama: Servis seviyesine göre sipariş simülasyonu

Modül 3

Tahmin Sisteminin Üretime Alınması

Toplu tahmin hattı, zamanlama ve veri güncelleme
MLflow ile model sürümleme ve deney takibi
Tahmin kalitesi izleme ve otomatik uyarılar
Planlamacı düzeltmelerinin kaydı ve değer analizi
Üretken YZ ile tahmin sapması açıklama raporları
Demo: Power BI ile tahmin ve doğruluk panosu

Modül 4

Talep Tahmini Projesi ve Kapanış

Grup projesi: veri, model, geriye dönük test ve stok etkisi
Proje sunumları ve S&OP formatında geri bildirim
Kurumsal talep planlama olgunluk yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
Tahmin topluluğu kaynakları, ileri okuma ve kapanış

Eğitim Kazanımları

Talep Verisi Hazırlığı — Stoksuzluk, eksik tarih ve uç değerleri düzelterek satış geçmişini güvenilir talep serilerine dönüştürebileceksiniz.
İstatistiksel Modeller — ETS, ARIMA ve Croston yöntemleriyle düzenli ve kesintili talep için referans tahminler kurabileceksiniz.
Global ML Modelleri — Fiyat, promosyon ve takvim etkilerini içeren LightGBM modelleriyle binlerce ürünü aynı anda tahmin edebileceksiniz.
Derin Öğrenme — N-HiTS, TFT ve zaman serisi temel modellerinin ne zaman değer kattığını veriyle değerlendirebileceksiniz.
Olasılıksal Tahmin — Kantil regresyon ve konformal yöntemlerle karar vermeye uygun tahmin aralıkları üretebileceksiniz.
Hiyerarşik Tutarlılık — Ürün, mağaza ve bölge seviyelerindeki tahminleri uzlaştırarak planlama birimleri arasında tutarlılık sağlayabileceksiniz.
Stok Kararları — Tahminleri emniyet stoku, yeniden sipariş noktası ve servis seviyesi hedeflerine dönüştürebileceksiniz.
Doğruluk Yönetimi — WAPE, MASE ve tahmin katma değeri analiziyle tahmin sürecini ölçüp sürekli iyileştireceksiniz.

Kimler İçin Uygundur?

Talep ve tedarik planlama uzmanları
S&OP ekipleri
stok ve satın alma analistleri
operasyon ve lojistik analitiği çalışanları ile perakende ve üretim veri analistleri.

Sıkça Sorulan Sorular

Yapay Zeka ile Talep Tahmini Eğitimi kimler için uygundur?

Program; talep ve tedarik planlama uzmanları, S&OP ekipleri, stok ve satın alma analistleri, operasyon ve lojistik analitiği çalışanları ile perakende ve üretim sektöründeki veri analistleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün veri hazırlığı ve istatistiksel modeller, ikinci gün makine öğrenmesi, derin öğrenme ve olasılıksal tahmin, son gün hiyerarşik tahmin, stok kararları ve grup projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

pandas ile temel veri işleme yapabilecek düzeyde Python bilgisi ve regresyon dahil temel istatistik kavramları beklenir. Talep planlama veya stok yönetimi süreçlerine iş tarafından aşinalık, vakaların yorumlanmasını kolaylaştırır.

Eğitimde hangi kütüphane ve modeller kullanılıyor?

pandas, StatsForecast, MLForecast, NeuralForecast, HierarchicalForecast, LightGBM, SHAP ve MLflow kullanılır. ETS, ARIMA, Croston, N-HiTS, Temporal Fusion Transformer ile Chronos ve TimesFM gibi zaman serisi temel modelleri ele alınır.

Hazır planlama yazılımımız varsa bu eğitim işe yarar mı?

Evet. Eğitim, planlama yazılımlarının arka planındaki yöntemleri anlamayı, model ayarlarını ve tahmin doğruluğunu bilinçli değerlendirmeyi sağlar. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE TALEP TAHMİNİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Talep Planlamada Yapay Zeka

Zaman Serisi Verisinin Hazırlanması

Klasik İstatistiksel Tahmin Modelleri

Tahmin Doğruluğu ve Geriye Dönük Test

Talep Tahmini İçin Özellik Mühendisliği

Global Makine Öğrenmesi Modelleri

Derin Öğrenme ve Temel Modeller

Olasılıksal Tahmin ve Belirsizlik

Hiyerarşik Tahmin ve Özel Durumlar

Tahminden Stok ve Sipariş Kararlarına

Tahmin Sisteminin Üretime Alınması

Talep Tahmini Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi