Tahmin nedir?

Tahmin, tarihsel veriler ve geçmişte oluşan düzenler üzerinde çalışarak yapılan bir öngörüdür. İşletmeler, uzun bir dönem boyunca toplanan büyük miktardaki verileri analiz etmek için çeşitli yazılım araçları ve sistemler kullanır. Sonrasında ise yazılım, şirketlerin daha isabetli finans, pazarlama ve operasyon kararları almasına yardımcı olmak için gelecekteki talebi ve trendleri tahmin eder.

Makine Öğrenimiyle Tahmin Doğruluğunu İyileştirme

Tahmin neden önemlidir?

Tahmin, kurumların gelecekte yaşanabilecek belirsizliklere hazırlanmasına yardımcı olan bir planlama aracı işlevi görür. Değişimlere güvenle yanıt verme, işletme operasyonlarını denetleme ve gelecekte büyümeyi tetikleyecek stratejik kararlar alma konusunda yöneticilere yardımcı olur. Örneğin, bir işletme olarak tahminler sayesinde yapabileceklerinizden bazıları şunlardır:

  • Kaynakları daha verimli bir şekilde kullanmak
  • İşletme performansını görselleştirmek
  • Yeni ürün ve hizmet lansmanlarını zamanlamak
  • Yinelenen maliyetleri tahmin etmek
  • Satış hacimleri ve kazançlar gibi gelecekteki olayları tahmin etmek
  • Yönetim kararlarını incelemek

Tahmin yöntemlerinin farklı türleri nelerdir?

Tahmin yöntemleri nitel veya nicel olabilir:

Nitel yöntemler

Nitel tahmin, pazarlama uzmanlarının yaptığı kısa vadeli tahminlere dayalıdır. Geçmiş veri miktarı yetersiz olduğunda nitel yöntemleri kullanabilirsiniz. Buna örnek olarak verilebilecek kullanım senaryolarından ikisi şöyledir:

  • Oylamalar ve anketler gibi, müşteri talebini belirleme amaçlı pazar araştırması teknikleri.
  • Delphi modelleme teknikleri, belirli bir alandaki uzmanlar arasında oylama yaparak onların fikirlerini toplar ve alandaki trendleri tahmin eder.

Nicel yöntemler

Nicel tahmin modelleri, gelecekteki uzun vadeli trendleri tahmin etmek için anlamlı istatistikleri ve geçmiş verileri kullanır. Standart nicel yöntemlerin bazı örneklerini aşağıda bulabilirsiniz:

  • Ekonometrik modelleme, önemli ekonomik değişimleri ve bunların şirkete etkisini tahmin etmek için kredi ve yatırım verileri gibi finansal veri kümelerini analiz eder.
  • Gösterge yaklaşımı, alakasız gibi görünen veriler arasındaki ilişkileri belirlemek için veri noktalarını karşılaştırır. Örneğin, işsizlik oranlarını tahmin etmek için GSYH'deki değişimleri kullanabilirsiniz.
  • Bu senaryoda, GSYH verileri öncü gösterge, işsizlik oranı ise gecikmeli gösterge olarak adlandırılır.
  • Zaman serisi tahmini, gelecekteki trendleri tahmin etmek üzere, farklı zaman aralıklarında toplanan verileri analiz eder. 

Zaman serisi verisi nedir?

Kesitleri alınan veriler aracılığıyla, aynı dönem içerisindeki bireyler ve şirketler gözlemlenir. Bununla birlikte, çeşitli zaman aralıklarında bilgi toplayan her veri kümesi bir zaman serisi verisidir. Bu verinin ayırt edici özelliği, veri noktalarını zamana göre sıralamasıdır. Sonuç olarak, bitişik aralıklarda yapılan gözlemler arasında bağıntı potansiyeli mevcuttur.

Zaman serisi verileri, artımlı aralıkların (diğer adıyla zaman çizelgelerinin) x ekseninde, gözlemlenen örnek veri değerlerinin ise y ekseninde yer aldığı bir grafiğe çizilebilir. Bu tür zaman serisi grafikleri, verilerin görselleştirilmesi açısından değerli araçlardır. Veri bilimciler bunları tahmin verilerinin özelliklerini belirlemek için kullanır. Zaman serisi verilerinin özelliklerine ilişkin bazı örnekleri aşağıda bulabilirsiniz:

Trend verilerinde, y değerleri zamanla birlikte arttığından veya düştüğünden, grafik doğrusal görünür. Örneğin, nüfus verileri zamanla birlikte doğrusal bir şekilde artabilir veya düşebilir.

Sezona dayalılık

Sezona dayalı düzenler, zaman serisi verileri bir yıldan kısa aralıklarda düzenli ve tahmin edilebilir düzenler gösterdiğinde meydana gelir. Bu veri düzeni, çoğunlukla doğrusal olan bir grafik içerisindeki ani artışlar veya diğer anormallikler şeklinde görünebilir. Örneğin, bir mağazanın perakende satışları, Aralık ve Nisan aylarındaki bayram dönemlerinde artabilir.

Yapısal kırılmalar

Bazen bir zaman serisi verisi, zamanın belirli bir noktasında aniden davranışını değiştirir. Zaman serisi grafiği aniden yukarı veya aşağı yönelerek bir yapısal kırılma veya doğrusalsızlık oluşturabilir. Örneğin, 2008 yılındaki küresel finansal krizin başlangıcından sonra birçok ekonomik göstergede keskin değişimler yaşandı.

Zaman serisi tahmini nedir?

Zaman serisi tahmini, geçmiş gözlemler üzerinde çalışmak ve zaman serisi verilerinin gelecekteki değerlerini tahmin etmek için makine öğrenimini ve diğer bilgisayar teknolojilerini kullanan bir veri bilimi tekniğidir. Zaman serisi tahminine ilişkin birkaç örneğe göz atalım:

  • Astronomi verileri, gezegenlerin yüzlerce yıllık dönemlerdeki tekrarlayan hareketlerinden oluşur. Bu verileri kullanarak, tutulmalar ve kuyruklu yıldızlar gibi astronomik olayları isabetli bir şekilde tahmin edebilirsiniz.
  • Meteoroloji tahminleri, hava durumundaki değişimleri tahmin etmek için rüzgar ve sıcaklık düzenlerini kullanır.
  • Bilim insanları, nüfus artışını tahmin etmek için doğum oranlarını ve göç verilerini kullanabilir.

Zaman serisi analizi ile zaman serisi tahmini arasındaki farklar

Zaman serisi analizi, herhangi bir zaman serisi verisinin altında yatan sebepleri inceler. Bu çalışma alanı, bir zaman serisi veri kümesinin ardındaki "neden" sorusunun cevabını anlamaya çalışır. Analistler, anlamlı istatistikler ve diğer özellikler ortaya çıkarabilmek için çoğu zaman varsayımlarda bulunmak ve verileri ayrıştırmak veya parçalamak zorunda kalır.

Zaman serisi analizinde amaç veri kümesini anlamak iken, tahminde ise amaç veri kümesinin geleceğini tahmin etmektir. Tahmine dayalı modellemenin üç adımı şunlardır:

  • Bir soru sorun ve geçmişteki bir dönemde bu soruyu cevaplayan bir örnek zaman serisi veri kümesi toplayın.
  • Geçmiş değerleri kullanarak bilgisayar yazılımını veya tahmin algoritmasını eğitin.
  • Geleceğe dair gözlemler yapmak için tahmin algoritmasını kullanın.

Zaman serisi tahmini nasıl çalışır?

Veri bilimciler, daha isabetli tahminlerde bulunmak için zaman serisi tahmini modelleri kullanır. Önce en iyi tahmin algoritmalarını seçmek için bir miktar keşif amaçlı veri analizi gerçekleştirirler ve ardından tahminlerde bulunmak için makine öğrenimi modellerini kullanırlar. Aşağıda bazı yaygın tahmin modellerini inceleyelim:

Ayrıştırma modelleri

Ayrıştırma modelleri, zaman serisi verilerini üç ayrı bileşene ayrıştırır veya parçalar:

  1. Trend bileşeni
  2. Sezon bileşeni
  3. Yukarıdaki iki gruba da ait olmayan gürültü bileşeni

Zaman serisi verilerini analiz etmenin bir başka yöntemi ise verileri tahmin edilebilen ve tahmin edilemeyen veri bileşenleri şeklinde ikiye bölmektir.

Yumuşatmaya dayalı modeller

Veri yumuşatma, aykırı değerlerin veya veri kümesindeki diğer noktalardan önemli farklılıklar gösteren veri noktalarının kaldırıldığı bir istatistiksel tekniktir. Bu tahmin modelleri, verilerde rastgele oluşan varyasyonları ortadan kaldırarak altta yatan düzen kategorisini daha görünür kılar.

Regresyona dayalı modeller

Otoregresyon, iki veri noktası arasında matematiksel bir ilişki tanımlamak amacıyla, önceki zaman adımlarından elde edilen gözlemleri kullanan bir tahmin modelidir. Devamında ise gelecekteki bilinmeyen bir değeri tahmin etmek için matematiksel ilişkiyi kullanır. Kullanılan regresyon modeline dayalı olarak, geçmiş tahmin hataları ve sezona dayalı geçmiş değerler de matematiksel eşitlikte hesaba katılarak tahminler zaman içinde iyileştirilebilir.

Tahmin için temel kullanım senaryoları nelerdir?

Tahmin, işletmelere hem güncel durum hem de gelecek hakkında alakalı ve güvenilir bilgiler sağlar. Tahmin teknolojisi için bazı örnek kullanım senaryolarını aşağıda bulabilirsiniz:

Operasyon - More Retail Limited, ürün satışlarını tahmin etmek için otomasyonu nasıl kullanıyor?

More Retail Ltd. (MRL), birkaç milyar dolarlık geliriyle Hindistan'ın en büyük dört perakende süpermarketinden biri. Şirketin kapsamlı bir mağaza ağı ve birçok distribütörü içeren karmaşık bir tedarik zinciri bulunuyor. Şirket, eskiden stokları tahmin ve sipariş etmek için mağaza müdürlerinin kendi muhakemesine güveniyordu ancak bu yaklaşım özellikle de taze meyve-sebze kategorisinde müşteri deneyimini olumsuz etkiliyordu. MRL'nin AWS tahmin hizmetlerini kullanarak oluşturduğu otomatik sipariş sistemi, taze gıda israfını %30 azalttı.

İmalat - Foxconn, imalat talebini yönetmek için tahminleri nasıl kullanıyor?

Hon Hai Technology Group (Foxconn), dünyanın en büyük elektronik imalatçısı ve çözüm sağlayıcısıdır. COVID-19 pandemisi sırasında Foxconn; müşteri talebi, tedarik malzemeleri ve kapasite konusunda daha önce eşi benzeri görülmemiş dalgalanmalarla karşılaştı. Şirket, Meksika'daki fabrikası için isabetli net sipariş tahminlerinde bulunmak amacıyla Amazon Machine Learning Solutions Lab ile iş birliği yaptı. Bu tahminler, yıllık 500.000 USD'yi aşan tasarruf sağladı.

Müşteri desteği - Affordable Tours, müşteri deneyimini iyileştirmek için satış tahminlerini nasıl kullanıyor?

Affordable Tours.com, Amerika Birleşik Devletleri'nin en büyük refakatli gezi, gemi turu, nehir turu ve aktif tatil satıcılarından biridir. Şirket, müşterilerin çağrı hacimlerini ele alırken kaynakları tahsis etmekte zorlanıyordu. Bazı günlerde gereğinden çok fazla, bazı günlerde gereğinden çok az müşteri temsilcisinin olması tutarsız müşteri deneyimleriyle sonuçlanıyor ve cevapsız çağrı oranlarında artışa yol açıyordu. Müşteri çağrı hacimlerini öngörmek için Amazon Forecast'i kullanan şirket, bu sayede cevapsız çağrı oranını %20 iyileştirdi.

Amazon Forecast nedir?

Amazon Forecast, makine öğrenimine dayalı ve iş ölçüm analizi için oluşturulmuş, tam olarak yönetilen bir zaman serisi tahmin hizmetidir. Başlamak için makine öğrenimi deneyimi gerektirmez. Geçmiş verileri ve varsa tahminlerinizi etkileyebileceğine inandığınız ek verileri sağlamanız yeterlidir. Siz tüm verileri sağladıktan sonra, Amazon Forecast bunları otomatik olarak inceler ve hangilerinin anlamlı olduğunu belirler. Devamında ise, sadece zaman serisi verilerine bakan modellerinkinden %50'ye kadar daha isabetli tahminlerde bulunabilen bir tahmin modeli üretir.

Hemen ücretsiz bir Amazon Hesabı oluşturarak AWS Ücretsiz Kullanım ile ücretsiz olarak kullanmaya başlayabilirsiniz. Yeni AWS müşterileri, ilk iki aylık Amazon Forecast kullanımlarında her ay 10.000 adede kadar zaman serisi tahmini oluşturma, her ay 10 GB'a kadar veri depolama ve her ay 10 saate kadar eğitim hakkına sahip olur.

Amazon Forecast'e Genel Bakış

Amazon Forecast için sonraki adımlar

Standard Product Icons (Features) Squid Ink
Ürünlerle ilgili diğer kaynaklara göz atın
Amazon Forecast hakkında daha fazla bilgi edinin 
Sign up for a free account
Ücretsiz bir hesap için kaydolun

AWS Ücretsiz Kullanım için anında erişim elde edin. 

AWS Machine Learning ücretsiz kullanımını görüntüleyin 
Standard Product Icons (Start Building) Squid Ink
Konsolda oluşturmaya başlayın

AWS Management Console'da AWS ile oluşturmaya başlayın.

Oturum açın