Çevremde e-ticaret ile uğraşan bir kaç kişiden açıkça görüyorum ki bu işte en çok mesai harcadıkları zorluk, yüksek talep olacak bir ürün bulmak. Ürünün çok fazla satıcısı olmaması yani rekabetin düşük olması, satışı hızlı, sürekli talep gören ve bunlara ek olarak iyi bir kâr oranına sahip bir ürün bulmak hiç de kolay olmuyor. Her iş gibi e-ticaretin de zorlukları ve riskleri var. Ancak ürün bulma sürecini kolaylaştıracak ve sizi bir adım öne çıkaracak yeni yapay zeka araçları bir ürünün ne kadar talep göreceği konusunda tahminde bulunabiliyor.
E-ticarette Talep Tahmininde Yeni Dönem
E-ticaretin evrilen yapısında talep tahmini, artık yalnızca tedarik zincirinin bir parçası olmaktan çıkıp, şirketlerin rekabette öne geçmesini sağlayan stratejik bir unsur haline geldi. Yeni yayımlanan bir akademik araştırma, üç farklı yapay zekâ modelini analiz ederek bu alandaki en güncel yaklaşımları gözler önüne seriyor.
Ürün talebinin doğru şekilde tahmin edilmesi, yalnızca müşteri memnuniyetini artırmakla kalmıyor; aynı zamanda stok yükünü hafifletiyor ve operasyonel süreçleri daha verimli kılıyor. Bu nedenle, yapay zekâ destekli talep tahmin sistemleri, dijital ticaret dünyasında önemli bir rekabet avantajı sunuyor.
Akademik Araştırmadan Çarpıcı Sonuçlar
Innovance firmasının iki farklı ürünü üzerinden yapılan kapsamlı bir analiz, e-ticaret dünyasında yapay zekâ destekli talep tahmininin ne kadar değişken olabileceğini ortaya koyuyor. Araştırmada üç farklı algoritma (sinir ağı tabanlı MLP, zaman serileriyle çalışan MQRNN ve istatistiksel karar ağaçlarına dayalı RF) karşılaştırmalı olarak test edildi. Ocak 2023 ile Ağustos 2024 arasında toplanan satış verileri, döviz kurları, kampanya etkileri ve borsa verileri gibi onlarca değişkenle zenginleştirilerek modeller üzerinde denendi. Amaç elbette, hangi model, hangi ürünü ne kadar doğru tahmin ediyor? sorusuna bir cevap bulmaktı.
Bırakın stok planlaması yapsınlar
Temmuz ayında en tutarlı sonuçları RF modeli verdi. Hem A hem de B ürünlerinin gelecekteki satışlarını, gerçeğe en yakın şekilde öngörebildi. Özellikle stok planlaması gibi kararlar için bu model, işletmelere güven verecek düzeydeydi.
Ancak Ağustos’ta tablo tamamen değişti. Bu kez B ürünü için en doğru tahmini, zaman serilerinde uzmanlaşmış MQRNN modeli yaptı. A ürünü tarafında ise ipi göğüsleyen, sinir ağı temelli MLP oldu. RF modeli ise bu kez A ürününü tahmin etmede sınıfta kaldı.
Bu değişkenlik, tek bir modelin her ürün ve her dönem için işe yaramayabileceğini net biçimde gösteriyor. Ürünün türü, satış dinamikleri ve hatta yılın hangi ayında olduğunuz, doğru tahmin için en az model seçimi kadar belirleyici.
Kaynak: Fırat, A. T., Aygün, O., Göğebakan, M., Akay, M. F., vd. (2025). Development of machine learning based demand forecasting models for the e-commerce sector. Uluslararası Mühendislik Tasarım Ve Teknoloji Dergisi, 7(1), 13-20. DOI10.70669/ijedt.1567739
