Tahminleyici Yapay Zeka (Predictive AI)
Tahminleyici AI, geçmiş verilerden öğrenerek talep, satış ve müşteri kaybını öngörür; Prophet, ARIMA, LSTM ve XGBoost modelleri %75-95 aralığında doğrulukla planlama sağlar.
Tahminleyici AI (predictive analytics) nedir?
Tahminleyici analitik, geçmiş verilerden örüntü öğrenerek gelecekteki olay, trend ve davranışları öngören makine öğrenmesi yaklaşımıdır. Amaç, "ne olacak?" sorusunu veriyle yanıtlayarak stok, personel, bütçe ve pazarlama kararlarını proaktif hale getirmektir. Doğruluk; veri kalitesine, geçmiş uzunluğuna ve problemin karmaşıklığına göre tipik olarak %75-95 aralığında değişir.
Üç ana kullanım kategorisi
- Zaman serisi: Satış forecasting, talep tahmini, stok optimizasyonu, mevsimsellik analizi.
- Müşteri tahmini: Churn (kayıp) öngörüsü, yaşam boyu değer (LTV), satın alma olasılığı.
- Operasyonel: Kestirimci bakım (arıza tahmini), kalite kontrol, risk skorlama.
Model karşılaştırması
Aşağıdaki doğruluk değerleri yaklaşık, örnek referanslardır ve veri kümesine göre değişir.
| Model | Tipik kullanım | Doğruluk (yaklaşık) | Hız / veri ihtiyacı |
|---|---|---|---|
| ARIMA | Klasik zaman serisi | ~%75-85 | Çok hızlı, az veri |
| Prophet | Mevsimsellik + tatil etkileri | ~%85-92 | Hızlı, orta veri |
| LSTM | Karmaşık, uzun vadeli örüntü | ~%88-95 | Yavaş, çok veri + GPU |
| XGBoost | Sınıflandırma (churn, LTV) | ~%90-96 | Hızlı, orta veri |
| Random Forest | Genel amaçlı tahmin | ~%85-92 | Orta |
Doğruluk metrikleri
Bir tahmin modelinin değeri, doğru metriklerle ölçülmesine bağlıdır. Zaman serisi ve regresyonda en yaygın metrikler:
- MAPE (ortalama mutlak yüzde hata): tahminlerin yüzde olarak ne kadar saptığı. Örneğin %8 MAPE, tahminlerin ortalama %8 yanıldığını gösterir.
- MAE (ortalama mutlak hata): birim cinsinden ortalama sapma.
- RMSE (kök ortalama kare hata): büyük hataları daha ağır cezalandırır.
- R2 skoru: modelin veri varyansını açıklama oranı; 1 değerine yakın olması daha iyidir.
Sınıflandırma (churn gibi) tarafında ise doğruluk, kesinlik/duyarlılık (precision/recall), F1 ve AUC-ROC kullanılır. Dengesiz veri kümelerinde tek başına "accuracy" yanıltıcıdır; AUC-ROC ve recall daha sağlıklı ölçüttür.
Churn (müşteri kaybı) tahmini
Churn modeli, her müşteri için bir kayıp olasılığı üretir. Tipik girdi özellikleri: hesap yaşı, toplam ve ortalama harcama, son alışverişten geçen gün, destek talep sayısı, e-posta açma oranı, uygulama kullanım sıklığı ve iade davranışı. Çıkan risk skoruna göre önleyici aksiyon tetiklenir.
| Risk skoru | Önerilen aksiyon |
|---|---|
| 0,70 üzeri (yüksek) | Kişiselleştirilmiş indirim / kupon |
| 0,50 - 0,70 (orta) | Proaktif müşteri hizmetleri araması |
| 0,30 - 0,50 (düşük) | Hedefli e-posta kampanyası |
| 30 gün aktivite yok | Yeniden kazanım ("seni özledik") akışı |
ROI çerçevesi: örnek senaryo
Tahminleyici AI çözümlerinin iş değeri çoğunlukla iki yerden gelir: fazla/eksik stoğun azalması ve müşteri kaybının önlenmesi. Örnek senaryo (hipotetik): Talep tahminini iyileştiren bir perakendeci, güvenlik stoğunu düşürerek elde tutma maliyetini azaltabilir; churn modeli ise riskli müşterilere zamanında dokunarak kayıpları sınırlayabilir.
Kaba çerçeve: ROI = (yıllık kazanç − yıllık sistem maliyeti) ÷ yıllık sistem maliyeti. Buradaki "kazanç" azalan stok maliyeti ve korunan müşteri gelirinden oluşur. Somut yüzdeler kuruma, sektöre ve veri olgunluğuna göre büyük farklılık gösterir; bu yüzden tek bir "kesin ROI" vaadi gerçekçi değildir ve değer, pilot projeyle ölçülmelidir.
2026 eğilimleri
- Temel zaman serisi modelleri (foundation models): Önceden eğitilmiş, az veriyle uyarlanabilen genel amaçlı forecasting modelleri yaygınlaşıyor.
- Nedensel çıkarım: Sadece "ne olacak" değil "neden" ve "müdahale edersem ne değişir" sorularına odak.
- Otomatikleştirilmiş özellik mühendisliği: AutoML araçlarıyla model kurma süresinin kısalması.
- Gerçek zamanlı tahmin: Stok ve talep tahminlerinin canlı verilerle sürekli güncellenmesi.
Ne zaman hangisini seçmeli?
- Kısa geçmiş, hızlı sonuç: ARIMA veya Prophet.
- Güçlü mevsimsellik / tatil etkisi: Prophet.
- Karmaşık, doğrusal olmayan, uzun bağımlılık: LSTM (yeterli veri + GPU varsa).
- Sınıflandırma (churn / satın alma olasılığı): XGBoost veya Random Forest.
Talep tahmini, tedarik ve fiyatlandırma kararlarını doğrudan besler; ilgili yaklaşımları tedarik zincirinde yapay zeka ve fiyatlandırma optimizasyonu yazılarımızda ele alıyoruz.
Merak edilenler
Tahminleyici AI (predictive analytics) nedir?
Tahminleyici analitik, geçmiş verilerden örüntü öğrenerek gelecekteki olay, trend ve davranışları öngören makine öğrenmesi yaklaşımıdır. Satış forecasting, talep tahmini, müşteri kaybı (churn) ve arıza tahmini başlıca kullanım alanlarıdır. Doğruluk problem ve veri kalitesine göre tipik olarak %75-95 aralığında değişir.
Prophet, ARIMA ve LSTM arasında hangisini seçmeliyim?
ARIMA klasik, hızlı ve az veriyle çalışan bir zaman serisi yöntemidir. Prophet mevsimsellik ve tatil etkilerini kolayca modelleyen, kurulumu basit bir kütüphanedir. LSTM ise karmaşık, uzun vadeli ve doğrusal olmayan örüntülerde güçlüdür ama daha çok veri ve GPU gerektirir. Sınıflandırma (churn) için XGBoost sık tercih edilir.
Tahmin doğruluğu nasıl ölçülür?
Regresyon/zaman serisinde en yaygın metrikler MAPE (ortalama mutlak yüzde hata), MAE (ortalama mutlak hata), RMSE (kök ortalama kare hata) ve R2 (açıklanan varyans) skorudur. Sınıflandırmada ise doğruluk, kesinlik/duyarlılık (precision/recall), F1 ve AUC-ROC kullanılır. Düşük MAPE ve yüksek R2 daha iyi tahmin demektir.
Churn prediction hangi verilerle çalışır?
Churn (müşteri kaybı) modelleri genellikle hesap yaşı, toplam ve ortalama harcama, son alışverişten geçen süre, destek talep sayısı, e-posta açma oranı ve uygulama kullanım sıklığı gibi davranışsal özellikleri kullanır. Model, her müşteri için bir kayıp olasılığı üretir ve yüksek riskli segmentlere önleyici aksiyon tetiklenir.
Kurumunuza özel çözümü konuşalım.
İhtiyacınızı yazın; yapay zeka, veri analitiği ve siber güvenlik çözümlerini değerlendirip 1 iş günü içinde dönelim. Aradığınız yoksa talep üzerine geliştiririz.
Talep Oluştur