📚 Operasyon Yönetimi: Tahminleme Çalışma Materyali

Bu çalışma materyali, "Operations Management: Sustainability and Supply Chain Management, Thirteenth Edition, Global Edition, Chapter 4: Forecasting" başlıklı ders notları/PDF metinleri ve ilgili ders ses kaydından derlenmiştir.

---

💡 Giriş: Tahminlemenin Temelleri ve Stratejik Önemi

Tahminleme, gelecekteki bir olayı öngörme sürecidir. ✅ İşletmelerdeki tüm kararların temelini oluşturur; üretimden envanter yönetimine, personel planlamasından tesis yatırımlarına kadar her alanda kritik rol oynar.

Bir ürünün yaşam döngüsündeki konumu (Giriş, Büyüme, Olgunluk, Düşüş), tahminleri önemli ölçüde etkiler. Örneğin, yeni ürünlerin tanıtım ve büyüme aşamaları, olgunluk ve düşüş aşamalarına göre daha uzun vadeli tahminler gerektirir. Ürün yaşam döngüsü boyunca yapılan tahminler, personel seviyelerini, envanter düzeylerini ve fabrika kapasitesini belirlemede hayati öneme sahiptir.

Tahminlemenin stratejik önemi büyüktür, çünkü fiili talep bilinene kadar elimizdeki tek talep tahmini budur.

• Tedarik Zinciri Yönetimi: İyi tedarikçi ilişkileri, ürün inovasyonunda avantaj ve pazara çıkış hızı için doğru tahminler esastır.
• İnsan Kaynakları: İşe alım, eğitim ve işten çıkarma kararlarında yol gösterir. Ani işe alımlar eğitim kalitesini düşürebilir.
• Kapasite: Yetersiz kapasite, güvenilmez teslimatlara, müşteri kaybına ve pazar payı düşüşüne yol açabilir.

⏳ Tahminlemenin Zaman Ufukları

Tahminler, kapsadıkları zaman dilimine göre üç ana kategoriye ayrılır:

1. Kısa Vadeli Tahminler:
   • Süre: Genellikle 3 aydan az, en fazla 1 yıla kadar.
   • Kullanım Alanları: Satın alma, iş çizelgeleme, iş gücü seviyeleri, iş atamaları, üretim düzeyleri.
2. Orta Vadeli Tahminler:
   • Süre: 3 aydan 3 yıla kadar.
   • Kullanım Alanları: Satış ve üretim planlaması, bütçeleme.
3. Uzun Vadeli Tahminler:
   • Süre: 3 yıldan daha uzun.
   • Kullanım Alanları: Yeni ürün planlaması, tesis yeri seçimi, sermaye harcamaları, araştırma ve geliştirme.

⚠️ Önemli Farklar:

• Orta ve uzun vadeli tahminler, yönetim kararlarını destekleyen daha kapsamlı konularla ilgilenir (ürünler, tesisler, süreçler).
• Kısa vadeli tahminler genellikle uzun vadeli tahminlerden daha doğrudur. Talebi etkileyen faktörler sürekli değiştiği için, her satış döneminden sonra tahminler gözden geçirilmeli ve revize edilmelidir.

📊 Tahmin Türleri

1. Ekonomik Tahminler: Enflasyon oranı, para arzı, konut başlangıçları gibi iş döngüsünü etkileyen faktörleri ele alır.
2. Teknolojik Tahminler: Teknolojik ilerleme hızını öngörür ve yeni ürünlerin geliştirilmesini etkiler.
3. Talep Tahminleri: Mevcut ürün ve hizmetlerin satışlarını öngörür. Genellikle güncel satış noktası verileri ve müşteri tercih raporları kullanılır.

7️⃣ Tahminleme Sürecinin Adımları

Etkili bir tahmin süreci şu yedi adımdan oluşur:

1. Tahminin kullanım amacını belirle.
2. Tahmin edilecek öğeleri seç.
3. Tahminin zaman ufkunu belirle.
4. Uygun tahmin modelini/modellerini seç.
5. Tahmin yapmak için gerekli verileri topla.
6. Tahmini yap.
7. Sonuçları doğrula ve uygula.

⚠️ Tahminlemenin Gerçekleri

• Tahminler nadiren mükemmeldir; öngörülemeyen dış faktörler tahmini etkileyebilir.
• Çoğu teknik, sistemde temel bir istikrar olduğunu varsayar.
• Ürün ailesi ve toplu tahminler, bireysel ürün tahminlerinden daha doğru olma eğilimindedir.

📈 Tahminleme Yaklaşımları

Tahminleme yaklaşımları, niteliksel ve niceliksel olmak üzere iki ana gruba ayrılır.

1. Niteliksel Yöntemler

Durum belirsiz olduğunda, çok az veri bulunduğunda (örneğin, yeni ürünler veya yeni teknolojiler için) kullanılır. Sezgi, deneyim ve değer sistemlerini içerir.

• Yönetici Görüşleri Jürisi: Yüksek düzeyli uzmanların ve yöneticilerin görüşleri bir araya getirilir. İstatistiksel modellerle desteklenebilir. Hızlıdır ancak "grup düşüncesi" dezavantajı olabilir.
• Delphi Yöntemi: Uzmanlar paneli, fikir birliğine ulaşılana kadar tekrarlayan bir süreçle sorgulanır. Karar vericiler, personel ve katılımcılar olmak üzere üç tür katılımcı içerir.
• Satış Gücü Bileşimi: Her satış elemanının kendi satış tahminlerini yapması ve bu tahminlerin bölge ve ulusal düzeyde birleştirilmesiyle oluşur. Satış temsilcileri müşteri isteklerini iyi bilir ancak aşırı iyimser olabilirler.
• Pazar Araştırması: Müşterilere satın alma planları hakkında sorular sorulur. Talep ve ürün tasarımı için faydalıdır, ancak müşterilerin söyledikleri ile yaptıkları farklılık gösterebilir.

2. Niceliksel Yöntemler

Durum istikrarlı olduğunda ve geçmiş veriler mevcut olduğunda (örneğin, mevcut ürünlerin satışlarını tahmin etmek için) kullanılır. Matematiksel teknikleri içerir.

• Zaman Serisi Modelleri: Geleceğin geçmişin bir fonksiyonu olduğu varsayımına dayanır. Geçmiş verileri kullanarak tahmin yapar.
  • Zaman Serisi Bileşenleri:
    • Trend Bileşeni: Nüfus, teknoloji, yaş, kültür gibi faktörlere bağlı olarak genel yukarı veya aşağı yönlü kalıcı bir desendir. Genellikle birkaç yıl sürer.
    • Mevsimsel Bileşen: Hava durumu, gelenekler gibi faktörlere bağlı olarak bir yıl içinde tekrarlayan düzenli iniş ve çıkışlardır (örneğin, haftalık, aylık, üç aylık).
    • Döngüsel Bileşen: İş döngüsü, politik ve ekonomik faktörlerden etkilenen, birden fazla yıl süren tekrarlayan hareketlerdir. Tahmini zordur.
    • Rastgele Bileşen: Düzensiz, sistemsiz, "artık" dalgalanmalardır. Rastgele varyasyon veya öngörülemeyen olaylardan kaynaklanır. Kısa süreli ve tekrarlamayan yapıdadır.
• İlişkisel Modeller: Tahmin edilen miktarı etkileyebilecek değişkenleri veya faktörleri içerir (örneğin, yeni konut başlangıçları, reklam bütçesi, rakiplerin fiyatları).

Niceliksel Tahminleme Teknikleri

1. Naif Yaklaşım:

   • Bir sonraki dönemin talebinin, en son dönemin talebiyle aynı olacağını varsayar.
   • Örnek: Ocak ayı satışları 68 ise, Şubat ayı satışları da 68 olacaktır.
   • Bazen maliyet etkin ve verimli bir başlangıç noktası olabilir.

2. Hareketli Ortalamalar (Moving Averages - MA):

   • Eğer trend azsa veya hiç yoksa (piyasa talepleri zamanla oldukça sabit kalıyorsa) kullanılır.
   • Veri serisindeki kısa vadeli düzensizlikleri yumuşatmak için kullanılır.
   • Hesaplama: Belirli bir dönemdeki (n) gözlemlerin aritmetik ortalaması alınır.
   • Örnek: Son 3 ayın satışları (10, 12, 14) ise, bir sonraki ayın tahmini (10+12+14)/3 = 12 olacaktır.

3. Ağırlıklı Hareketli Ortalamalar (Weighted Moving Average):

   • Bir miktar trend olabileceği durumlarda kullanılır.
   • Daha eski veriler genellikle daha az önemlidir, bu nedenle en yeni verilere daha yüksek ağırlık verilir.
   • Hesaplama: Her dönemin talebi, belirlenen bir ağırlıkla çarpılır ve bu çarpımların toplamı ağırlıkların toplamına bölünür.
   • Formül: Ağırlıklı Hareketli Ortalama = Σ (Dönem için Ağırlık * Dönemdeki Talep) / Σ Ağırlıklar
   • Örnek: Son 3 ayın satışları (10, 12, 14) ve ağırlıklar (0.2, 0.3, 0.5) ise, tahmin = (100.2 + 120.3 + 14*0.5) / (0.2+0.3+0.5) = (2 + 3.6 + 7) / 1 = 12.6 olacaktır.

   ⚠️ Potansiyel Sorunlar:

   • n değerini artırmak tahmini yumuşatır ancak değişikliklere karşı daha az duyarlı hale getirir.
   • Trendleri iyi tahmin edemez; her zaman geçmiş seviyelerde kalır ve yukarı veya aşağı yönlü değişiklikleri öngörmez.
   • Kapsamlı geçmiş veri gerektirir.

4. Üstel Düzeltme (Exponential Smoothing):

   • Ağırlıklı hareketli ortalamanın bir biçimidir; ağırlıklar üstel olarak azalır ve en yeni verilere en yüksek ağırlık verilir.
   • Düzeltme Sabiti (α): 0 ile 1 arasında değişen, sübjektif olarak seçilen bir sabittir.
   • Geçmiş verilerin az kaydını gerektirir.
   • Formül: Yeni Tahmin (Ft) = Önceki Dönemin Tahmini (Ft-1) + α * (Önceki Dönemin Fiili Talebi (At-1) - Önceki Dönemin Tahmini (Ft-1))
   • Örnek: Önceki tahmin 142, fiili talep 153 ve α = 0.20 ise, Yeni Tahmin = 142 + 0.20 * (153 - 142) = 142 + 0.20 * 11 = 142 + 2.2 = 144.2 olacaktır.
   • α'nın Etkisi: α değeri arttıkça, eski değerler daha az önemli hale gelir ve tahmin güncel verilere daha duyarlı olur. Temel ortalama değişme eğilimindeyse yüksek α, istikrarlıysa düşük α seçilir.

   📊 Hata Ölçütleri (Düzeltme Sabitini Seçmek İçin):

   • Ortalama Mutlak Sapma (MAD): Tahminin hedefi ne kadar kaçırdığını gösterir.
   • Ortalama Kare Hata (MSE): Tahminin hedefi ne kadar kaçırdığının karesini gösterir. Fiziksel bir anlamı olmasa da, farklı tahminlerin MSE'lerini karşılaştırmak için kullanışlıdır.
   • Ortalama Mutlak Yüzde Hata (MAPE): Ortalama yüzde hatayı gösterir.

5. Trend Ayarlı Üstel Düzeltme (Exponential Smoothing with Trend Adjustment):

   • Trendin mevcut olduğu durumlarda üstel düzeltme modelinin modifiye edilmiş halidir.
   • Hem ortalama hem de trend için düzeltme sabitleri (α ve β) kullanılır.
   • Formül:
     • Ft = α * At-1 + (1 - α) * (Ft-1 + Tt-1) (Düzeltilmiş ortalama)
     • Tt = β * (Ft - Ft-1) + (1 - β) * Tt-1 (Düzeltilmiş trend)
     • FITt = Ft + Tt (Trend dahil tahmin)
     • Burada: FITt = Trend dahil tahmin, Ft = Düzeltilmiş ortalama, Tt = Düzeltilmiş trend, At = Fiili talep, α = Ortalama için düzeltme sabiti, β = Trend için düzeltme sabiti.

6. Trend Projeksiyonları (Trend Projections):

   • Orta ve uzun vadeli tahminler için geçmiş veri noktalarına bir trend çizgisi uydurularak ve bu çizginin eğiminin geleceğe yansıtılmasıyla yapılır.
   • En Küçük Kareler Yöntemi (Least Squares Method): Doğrusal bir ilişki için kullanılır. Gözlemlerden çizgiye olan sapmaların karelerinin toplamını minimize eden bir doğru çizer.
   • Formül: ŷ = a + bx
     • ŷ = Tahmin edilecek değişkenin hesaplanan değeri (bağımlı değişken)
     • a = y-ekseni kesişim noktası
     • b = Regresyon doğrusunun eğimi
     • x = Bağımsız değişken
   • Gereksinimler:
     • Doğrusal bir ilişki olduğundan emin olmak için veriler her zaman çizilmelidir. Eğrisel bir ilişki varsa, eğrisel analiz gerekebilir.
     • Veritabanının çok ötesindeki zaman dilimleri tahmin edilmemelidir.
     • En küçük kareler doğrusu etrafındaki sapmaların rastgele ve normal dağıldığı varsayılır.

7. Verilerdeki Mevsimsel Değişimler:

   • Çarpımsal mevsimsel model, talepteki mevsimsel değişimler için trend verilerini ayarlayabilir.
   • Örnek: Doğal gaz talebi kış aylarında zirve yapar; güneş kremi talebi yazın en yüksek seviyededir.

---