Ne kadar stok almalı, kaç personel planlamalı, nakit akışı önümüzdeki aylarda nasıl olacak? Bu soruların hepsi bir satış tahminine dayanır. Tahmin hiçbir zaman kusursuz değildir; ama sistematik bir tahmin, tamamen sezgiye dayalı kararlardan neredeyse her zaman daha iyidir.
Neden tahmin?
- Stok: Fazla stok nakit bağlar, eksik stok satış kaybettirir. Bkz. stok takip programı.
- Personel: Yoğun dönemler önceden planlanır.
- Nakit akışı: Ödemeler ve yatırımlar gerçekçi beklentilere göre zamanlanır.
- Hedef belirleme: Ekip hedefleri veriyle desteklenir.
Basit yöntemler
1. Geçen yılın aynı dönemi
En basit ve çoğu zaman şaşırtıcı derecede iyi çalışan yöntemdir: "Geçen Ekim X sattık, bu yıl genel büyüme oranımız %Y, o halde bu Ekim beklentimiz..." Mevsimselliği doğal olarak hesaba katar.
2. Hareketli ortalama
Son 3, 6 veya 12 ayın ortalaması bir sonraki ayın tahmini olarak kullanılır. Ani dalgalanmaları yumuşatır ama trend ve mevsimselliği geç yakalar.
3. Mevsimsellik endeksi
Her ayın yıllık ortalamaya göre ne kadar yüksek veya düşük olduğu hesaplanır. Örneğin Aralık endeksi 1,4 ise Aralık satışları ortalama aydan %40 fazladır. Yıllık tahmin aylara bu endekslerle dağıtılır.
4. Satış hunisi tabanlı tahmin
B2B işlerde açık teklifler ve kazanma olasılıkları üzerinden tahmin yapılır: 100.000 TL'lik ve %50 olasılıklı bir teklif, beklenen değer olarak 50.000 TL sayılır. Bunun için tekliflerin düzenli bir CRM içinde tutulması gerekir.
Tahmin hatasını ölçün
Tahmin yapmak kadar, tahminin ne kadar tuttuğunu izlemek de önemlidir. En anlaşılır ölçü ortalama mutlak yüzde hatasıdır: her dönemde tahmin ile gerçekleşen arasındaki farkın yüzdesi alınır ve ortalaması hesaplanır. Bu değer zamanla düşüyorsa yöntem iyileşiyor demektir.
| Ay | Tahmin | Gerçekleşen | Hata |
|---|---|---|---|
| Temmuz | 120 | 110 | %9 |
| Ağustos | 100 | 104 | %4 |
| Eylül | 130 | 150 | %13 |
Tek sayı yerine aralık
"Ekim'de 1.000 adet satacağız" yerine "900 ile 1.100 arasında, en olası 1.000" demek, hem daha dürüst hem daha kullanışlıdır. Stok kararlarında güvenlik payı bu aralığa göre belirlenir.
Gelişmiş yöntemler ve yapay zekâ
Kampanyalar, fiyat değişiklikleri, hava durumu ve tatiller gibi etkenleri hesaba katan istatistiksel ve makine öğrenmesi modelleri daha isabetli olabilir. Ancak bunların değeri, temiz ve yeterli geçmiş veriye bağlıdır. Önce basit yöntemlerle başlamak ve hata oranını ölçmek, karmaşık bir modele geçmenin gerçekten fayda sağlayıp sağlamayacağını da gösterir. Bkz. yapay zekâ ile veri analizi.
Sık sorulan sorular
Yeni bir ürün için tahmin nasıl yapılır?
Geçmiş veri olmadığından benzer ürünlerin ilk aylarındaki satışları referans alınır ve ilk haftaların verisiyle tahmin hızla güncellenir.
Tahmin ne sıklıkla güncellenmeli?
Genellikle aylık; hızlı değişen işlerde haftalık. Her güncellemede bir önceki tahminin hatası da kaydedilmelidir.
Sonuç
İyi bir satış tahmini için karmaşık modeller değil, düzenli veri, basit bir yöntem ve hatayı ölçme alışkanlığı gerekir. Bu üçlü, stoktan nakit akışına kadar birçok kararı daha güvenli hale getirir.
