Türkiye’deki e-ticaret işletmelerinin yüzde 60’ı stok planlamasını sezgiye dayandırıyor. Bu oran yalnızca bir hata değil, her ay tekrarlanan ve ölçülebilir bir maliyet kaybı.
Satışları tahmin etmek artık büyük şirketlerin lüksü değil. Veriye erişimi olan her işletme, tahminleme analitiği (predictive analytics) sayesinde bir sonraki ayın satış rakamlarını makul bir güvenilirlikle öngörebilir. Bu rehberde bu sürecin nasıl çalıştığını, hangi araçlarla uygulanacağını ve Türkiye pazarında ne tür verinin fark yarattığını adım adım ele alacağız.
Makaleyi okuduktan sonra şunu bileceksiniz: hangi veriyi toplamanız gerekiyor, hangi yöntemi kullanmalısınız ve ilk modelinizi nasıl kurarsınız.
Tahminleme Analitiği Nedir?
Tahminleme analitiği, geçmiş veriler ve istatistiksel algoritmalar kullanılarak gelecekteki olayların olasılığını hesaplayan veri analizi yöntemidir. Satış bağlamında bu; geçmiş trendler, mevsimsel dalgalanmalar ve dışsal faktörler analiz edilerek gelecek döneme ait satış tahmini üretilmesi anlamına gelir.
Tahminleme analitiği, geçmiş verileri istatistiksel algoritmalar ve makine öğrenmesi yöntemleriyle işleyerek gelecekteki olayların olasılığını hesaplayan bir yaklaşımdır. Satış bağlamında bu şu anlama gelir: geçmiş satış trendleri, kampanya etkileri, mevsimsel dalgalanmalar ve dışsal faktörler bir araya getirilerek gelecek döneme ait tahmin üretilir.
Önemli bir ayrım: tahminleme analitiği kehanet değildir. Model, “gelecek ay kesinlikle şu kadar satarsınız” demez. “Geçmiş verilerinize göre şu aralıkta kalmanız yüksek olasılıklı” der. Bu ayrımı baştan netleştirmek önemli, çünkü modelden aşırı beklenti gerçekçi olmayan kararlar doğurur.
Üç temel analitik türü birbirinden ayırt etmek gerekiyor:
- Açıklayıcı analitik (descriptive): Ne oldu? Geçmiş verinin özetlenmesi.
- Tanımlayıcı analitik (diagnostic): Neden oldu? Sapmaların açıklanması.
- Tahminleme analitiği (predictive): Ne olacak? Gelecek tahmini.
- Reçete edici analitik (prescriptive): Ne yapmalıyız? Aksiyon önerisi.
Bu yazı ağırlıklı olarak üçüncü katmanla, yani tahminlemeyle ilgileniyor. Ancak sağlıklı bir tahmin modeli kurmak için ilk iki katmanın da oturmuş olması gerekiyor.
Türk İşletmeler Neden Tahminleme Analitiğine İhtiyaç Duyuyor?
Türkiye e-ticaret pazarı 2025 yılında 1,1 trilyon TL’yi aştı. Bu büyüklükteki bir pazarda hem fırsatlar hem de riskler giderek daha hızlı hareket ediyor. Kampanya sezonları sıkışıyor, tedarik süreleri uzuyor, tüketici davranışları kırılganlaşıyor.
Kaya, İstanbul merkezli bir giyim e-ticaret girişiminin kurucu ortağı. Kasım 2024’te yaptığı stok planlamasını geçmiş yılların Kasım ortalamalarına göre yaptı ve depoyu doldurdu. Ancak o yıl Ramazan ile Kasım sezonu çakışmadı, ekonomik koşullar değişti ve beklenen satış patlaması gelmedi. Kaya, 3,2 milyon TL değerinde stokla ocak ayına girdi. Stok eritme kampanyaları marj kaybına yol açtı, finansman döngüsü bozuldu.
Bu tablo Türkiye’de istisnai değil. Mevsimsel dalgalanmaların tahmin edilememesi, tedarik zinciri aksaklıkları ve pazar oynaklığı birleşince veriye dayalı planlama zorunlu bir rekabet avantajına dönüşüyor.
Tahminleme analitiğinin somut faydalardaki karşılığı şöyle sıralanabilir:
- Stok optimizasyonu: Ne kadar ürün alacağınızı daha isabetli belirlersiniz.
- Nakit akışı planlaması: Gelir aralıklarını bilmek finansman kararlarını doğrudan etkiler.
- Kampanya zamanlaması: En yüksek satış potansiyelinin olduğu dönemlere bütçeyi kaydırırsınız.
- İşgücü planlaması: Talebin yükseleceği dönemlerde ekibi önceden büyütürsünüz.
- Tedarikçi müzakereleri: Tahminlere dayalı taahhütlerle daha iyi fiyat alırsınız.
McKinsey’nin 2024 raporuna göre tahminleme analitiğini operasyonlarına entegre eden şirketler, entegre etmeyenlere kıyasla ortalama yüzde 15-20 daha düşük stok maliyeti taşıyor.
Satış Tahmininde Kullanılan Temel Yöntemler
Tahmin yöntemi seçimi, sahip olduğunuz veri miktarına ve kalitesine göre belirlenir. Türkiye’deki çoğu KOBİ için üç yöntem öne çıkıyor.
1. Hareketli Ortalama (Moving Average)
En basit yöntem. Son N dönemin satış ortalamasını alarak bir sonraki dönemi tahmin eder. Verisi az olan ve düzenli bir satış seyri izleyen işletmeler için başlangıç noktası olarak iyi çalışır.
Kısıtı açık: mevsimselliği ve büyüme trendini yakalayamaz. Kasımda tüm ayların ortalamasını alırsanız Kasım satışlarını muhtemelen küçümsersiniz.
2. Üstel Düzeltme (Exponential Smoothing)
Hareketli ortalamadan bir adım ileri. Son dönemlere daha fazla ağırlık verir, eski dönemlerin etkisini azaltır. Trend ve mevsimselliği de modele dahil eden Holt-Winters yöntemi bu kategorinin güçlü versiyonudur.
E-ticaret satış tahmini için özellikle kullanışlıdır. Trendyol veya Hepsiburada mağazalarından düzenli satış verisi çekebiliyorsanız bu yöntemle anlamlı tahminler üretebilirsiniz.
3. Makine Öğrenmesi Modelleri (ML-based Forecasting)
Daha fazla veri ve değişken olduğunda devreye girer. Geçmiş satışların yanı sıra kampanya takvimleri, fiyat değişimleri, reklamharcamaları, hava durumu, bayram takvimleri ve ekonomik göstergeler modele dahil edilebilir.
Türkiye bağlamında özellikle iki faktörün satış tahmininde kritik değişken olduğunu görüyoruz: döviz kuru hareketleri ve dini/resmi tatil dönemleri. Bu iki değişkeni modele dahil etmeden yapılan tahminlerin sapma oranı ciddi şekilde yükselir.
Gradient Boosting (XGBoost, LightGBM) ve Prophet (Meta’nın açık kaynak tahmini kütüphanesi) bu kategoride en çok kullanılan araçlar arasında.
Tahminleme Analitiği için Hangi Veriyi Toplamalısınız?
Model kadar önemli, hatta daha önemli olan şey veridir. “Çöp girerse çöp çıkar” kuralı tahminlemede tam anlamıyla geçerlidir.
Güçlü bir satış tahmini modeli için şu veri setleri gereklidir:
Zorunlu veriler:
– Aylık ve haftalık satış geçmişi (en az 24 ay)
– Ürün/kategori bazında satış dağılımı
– Sipariş sayısı ve ortalama sepet tutarı trendi
– İade oranları
Güçlendirici veriler:
– Reklam harcaması ve kanal bazında dönüşüm verileri
– Trafik kaynağı ve organik trafik trendi (Google Search Console)
– Stok kırılmaları (ürün yoktu, satamadık dönemleri)
– Rakip fiyat hareketleri
Türkiye’ye özgü faktörler:
– Bayram ve tatil takvimleri (Ramazan öncesi/sonrası dönemler satış davranışını belirgin şekilde etkiler)
– Döviz kuru değişimleri (ithal ürün satan işletmeler için kritik)
– Trendyol, Hepsiburada gibi marketplace sezonları
Bir işletme bu verileri genellikle üç kaynaktan bir araya getirir: kendi e-ticaret paneli veya ERP sistemi, Google Analytics 4 ve reklam platformu verileri. Bunları tek bir tabloya çekmek için Looker Studio veya basit bir Google Sheets entegrasyonu çoğu durumda yeterlidir.
Adım Adım: İlk Satış Tahmin Modelinizi Kurun
Teknik altyapı olmadan da anlamlı bir tahmin modeli kurmak mümkün. Şimdi ne yapmanız gerektiğini adım adım göreceğiz.
Adım 1: Tarihi Verinizi Hazırlayın
Google Analytics 4 veya e-ticaret panelinizden son 24-36 ay için aylık satış verisi indirin. Veriyi temizleyin: stok kırılma dönemlerini, anormal kampanya etkilerini ve sistem hatalarından kaynaklanan sapmaları işaretleyin. Bu dönemler modele olduğu gibi girmemeli; yoksa model bu sapmaları “normal” olarak öğrenir.
Adım 2: Mevsimsellik Katsayısını Hesaplayın
Her ay için mevsimsellik katsayısı şöyle hesaplanır: O aydaki satışı, yıllık aylık ortalamaya bölün. Sonuç 1’in üzerindeyse o ay ortalamadan güçlü, altındaysa zayıf demektir.
Örneğin kasım ayı satışlarınız yıllık aylık ortalamanın 1,8 katıysa, kasım mevsimsellik katsayınız 1,8’dir. Bu katsayıyı bir yıldan fazla veriye bakarak hesaplamak güvenilirliği artırır.
Adım 3: Trend Bileşenini Ekleyin
Geçmiş 6 aydaki büyüme oranını hesaplayın. Aylık ortalama yüzde 3 büyüme varsa bunu gelecek aya da ekleyin. Büyüme duraksadıysa ya da geriliyorsa katsayıyı düzeltin.
Adım 4: Bilinen Olayları Dahil Edin
Kampanya takvimi, reklam bütçesi artışları, Ramazan veya bayram dönemleri, planlı fiyat değişimleri ve rakip davranışları tahmine elle dahil edilebilir. Bu “event overlay” denilen yaklaşım, saf istatistiksel modelin yakalayamayacağı bilgileri modele aktarır.
Adım 5: Güven Aralığı Belirleyin
Tahmin tek bir sayı değil, bir aralık olmalı. “Gelecek ay 1,2 milyon TL satış” yerine “yüzde 80 olasılıkla 1,0 ile 1,4 milyon TL arasında” demek daha sağlıklı bir planlama zemini oluşturur.
Tahminleme Analitiği için Araçlar: Türkiye’deki İşletmeler Ne Kullanıyor?
Araç seçimi, teknik kapasite ve bütçeye göre değişir. Türkiye’deki KOBİ ve orta ölçekli işletmeler için üç seçenek öne çıkıyor.
Google Looker Studio + BigQuery:
Tüm veriler Google ekosisteminde olanlar için güçlü ve ücretsiz bir seçenek. BigQuery’de SQL ile basit tahmin sorguları yazılabilir. Veri analizi konusunda bu kombinasyon giderek daha yaygın kullanılıyor.
Python + Prophet:
Meta’nın açık kaynak kütüphanesi Prophet, kod yazabilen bir ekip için en verimli seçeneklerden biri. Türkiye tatil takvimine özel “holidays” parametresiyle bayram etkisi de modele dahil edilebilir. Ücretsizdir.
Tableau / Power BI:
Görselleştirme odaklı, kullanımı görece kolay araçlar. Tahminleme fonksiyonları sınırlı ama mevcut. Orta ölçekli işletmeler için iyi bir başlangıç noktası.
ERP entegrasyonlu tahminleme modülleri (SAP, Odoo):
Büyük veri hacmi ve operasyonel entegrasyon gerektiren işletmeler için. Maliyeti yüksek ama veriyle entegre çalıştığı için uygulama kolaylığı sağlar.
Başlangıç aşamasındaki bir işletmeyseniz ve teknik kapasite kısıtlıysa iyi tasarlanmış bir Google Sheets modeli bile anlamlı tahminler üretebilir. Araçla değil, veriyle başlayın.
Sık Yapılan Hatalar ve Nasıl Önlenir
Ezgi, Ankara merkezli bir kozmetik markasının e-ticaret müdürü. 2024 başında tahminleme modeli kurdu. Model ilk üç ay iyi çalıştı, dördüncü ay sapma yüzde 40’a ulaştı. Ne olmuştu? Ezgi modele sadece satış verisini koymuştu. Stok kırılma dönemlerini temizlememişti. Satılamayan ama talep olan dönemler model tarafından “düşük talep dönemi” olarak öğrenilmişti. Sonuç: düşük talebin tahmin edildiği dönemde stok alınmadı, gerçek talep geldi ama ürün yoktu.
Bu örnek, tahminleme analitiğinde en yaygın hatayı özetliyor. İşte diğerleri:
Hata 1: Temizlenmemiş veriyle model kurmak
Stok kırılma dönemleri, sistem hataları ve anormal kampanya etkileri veriden arındırılmalıdır. Aksi takdirde model bu sapmaları gerçekmiş gibi öğrenir.
Hata 2: Tek değişkenli model kurmak
Sadece geçmiş satışa bakarak tahmin üretmek mevsimselliği ve trend değişimlerini kaçırır. En az zaman bileşeni ve bilinen olaylar eklenmelidir.
Hata 3: Modeli güncellememek
Piyasa koşulları değişir. Üç ay önceki model bugün hatalı olabilir. Aylık güncelleme minimum standarttır.
Hata 4: Tahmini kesin gerçek gibi kullanmak
“Model 1,2 milyon dedi” diye 1,2 milyon TL’lik stok almak yanlış. Model bir olasılık aralığı sunar. Planlama bu aralığa göre yapılmalıdır.
Hata 5: Türkiye’ye özgü faktörleri göz ardı etmek
Küresel tahminleme şablonları Ramazan etkisini, döviz oynaklığını ve yerel kampanya takvimlerini içermez. Bu faktörler elle eklenmezse sapma kaçınılmazdır.
Tahminleme Analitiğini Yapay Zeka ile Birleştirmek
Tahminleme analitiği giderek AI dijital pazarlama araçlarıyla entegre çalışıyor. Büyük dil modellerinin metin üretiminden farklı olarak, bu uygulamalar zaman serisi analizi ve pattern tanıma üzerine kurulu.
Türkiye’deki dijital pazarlama ekiplerinde bu entegrasyon iki noktada hayata geçiyor: tahmin sonuçlarının otomatik olarak reklam bütçesi dağıtımına yansıtılması ve stok düzeyine göre kampanya tekliflerinin dinamik olarak güncellenmesi. İkisi de manuel müdahaleyi azaltır ve reaksiyon süresini kısaltır.
Google Ads’in Performance Max kampanyalarında sisteme kendi satış tahmini sinyallerini iletmek teknik olarak mümkün. Bu entegrasyon henüz yaygınlaşmamış olsa da Türkiye’de rekabetçi kategorilerde deneyen işletmeler var.
Dijital strateji açısından bakıldığında tahminleme analitiği, reaktif pazarlamadan proaktif pazarlamaya geçişin temel taşlarından biridir.
Küçük İşletmeler İçin Pratik Başlangıç Noktası
Büyük veri altyapısı yoksa, veri bilimci yoksa ve bütçe kısıtlıysa tahminleme analitiği yine de uygulanabilir. Asgari seviyede ama çalışan bir sistem için şu adımları izleyin:
- Google Sheets’te son 24 aylık satış verisini aylık bazda hazırlayın.
- Her ay için basit mevsimsellik katsayısını hesaplayın.
- Son 6 aylık büyüme oranınızı belirleyin.
- Bilinen olayları (kampanya, bayram, fiyat değişimi) bir sütuna yazın.
- Tüm bileşenleri birleştirerek gelecek 3 aylık tahmin aralığı oluşturun.
- Her ay gerçek satışla karşılaştırarak modeli güncelleyin.
Bu süreç haftada iki saatlik bir çalışmayla yönetilebilir ve ilk üç ay içinde plan/gerçek sapmasını kayda değer ölçüde azaltır.
E-ticaret işletmeleri için özellikle önerilen nokta: Trendyol ve Hepsiburada panellerinden satış verisini düzenli dışa aktararak kendi veritabanınızı oluşturmaya mümkün olan en kısa sürede başlayın. Sahip olmadığınız veriyi tahmin edemezsiniz.
Satış Tahmini ile Karar Döngüsünü Kısaltmak
Bir işletmenin karar döngüsü şu sorudan başlar: “Ne kadar ürün almalıyım?” Bu sorunun cevabı satış tahminiyle başlayıp tedarik kapasitesi, depolama maliyeti ve nakit akışıyla tamamlanır. Tahminleme analitiği bu döngüyü kısaltır çünkü belirsizliği azaltır.
Belirsizlik azaldıkça kararlar daha hızlı alınır. Daha hızlı kararlar daha az fırsatın kaçırılması anlamına gelir. Stok kırılma dönemlerinin maliyeti, fazla stok taşımanın maliyeti ve her ikisinin yarattığı marka hasarı düşünüldüğünde bu döngüyü kısaltmanın yatırım getirisi (ROI) genellikle yüksek çıkar.
Konuyu daha geniş bir çerçevede ele almak için dijital pazarlama nedir yazısına bakmanızı öneririz. Veriye dayalı pazarlama anlayışının büyük resmini görmek, tahminleme analitiğini nereye yerleştirmeniz gerektiğini netleştiriyor.
Nereden Başlamalısınız?
Tahminleme analitiği, büyük teknoloji bütçeleri gerektiren bir uzmanlık alanı olmaktan çıktı. Türkiye’deki işletmeler için bu metodoloji artık erişilebilir. Tek gereken: doğru veri, doğru yöntem ve düzenli güncelleme.
Şimdi ne yapmalısınız?
- Bugün: Google Analytics 4 veya e-ticaret panelinizden son 24 aylık satış verisini indirin.
- Bu hafta: Aylık bazda temiz bir veri tablosu oluşturun, stok kırılmalarını işaretleyin.
- Bu ay: Mevsimsellik katsayılarınızı hesaplayın ve gelecek 3 aya tahmin oluşturun.
- Sürekli: Her ay gerçek satışla karşılaştırın ve modeli güncelleyin.
Tahminleme analitiği mükemmel bir kesinlik sağlamaz. Ama planlamayı tahmine değil, veriye dayandırmak büyük fark yaratır. Türkiye pazarının oynaklığında bu fark rekabetçi avantaja dönüşür.
Veri analizi stratejiniz hakkında daha fazla içerik için Growth Türkiye’nin veri analizi bölümünü takip edin.
