Makine Öğrenimi Stok Tükenmelerini 3 Hafta Önceden Nasıl Tahmin Ediyor?

Yaklaşık 3.500 SKU ile çalışan orta ölçekli bir güzellik perakendecisinin süregelen bir sorunu vardı. Her ay, en çok satan ürünlerinin %8-12'si ikmal gelmeden önce sıfır envantere düşüyordu. Popüler bir üründeki her stok tükenmesi, günlük tahmini 2.800 $ kayıp satışa mal oluyordu; müşteri memnuniyeti kaybı ve stokta olmayan ürün sayfalarına trafik çekmek için harcanan reklam bütçesi cabası.

Envanter ekibi stok seviyelerini günlük kontrol ediyor ve envanter önceden belirlenmiş bir eşiğe ulaştığında yeniden sipariş veriyordu. Sorun, eşiğin statik olmasıydı — son 90 günün ortalama günlük satışlarına dayanan sabit bir birim sayısı. Viral bir TikTok paylaşımı veya bir rakibin benzer üründe stok tükenmesi nedeniyle talep ani artış gösterdiğinde, statik eşik yeterince hızlı tepki veremiyordu.

Statik Yeniden Sipariş Noktaları Neden Başarısız Olur?

Statik bir yeniden sipariş noktası, gelecekteki talebin geçmiş talebe benzeyeceğini ve tedarikçi teslim sürelerinin tutarlı olacağını varsayar. Her iki varsayım da düzenli olarak çöker. E-ticarette bireysel SKU'lara olan talep düzensizdir. Bir ürün üç hafta boyunca günde 20 adet satabilir ve ardından bir influencer'ın bahsetmesi, bir rakibin fiyat artırması veya mevsimsel bir değişimin devreye girmesiyle aniden günde 60 adet satmaya başlayabilir. Günlük envanter kontrolünüzde bu ivmelenmeyi fark ettiğinizde, yükselen talebin iki haftası geride kalmış ve önünüzde üç haftalık tedarikçi teslim süresi olabilir.

Tedarikçi teslim süreleri de aynı derecede değişkendir. Normalde 14 günde teslimat yapan bir tedarikçi, yoğun sezonunda, hammadde kıtlığından sonra veya nakliye gecikmeleri nedeniyle 21 gün sürebilir. Yeniden sipariş noktanız 14 günlük teslim süresi varsayıyorsa ve gerçek teslim süresi 21 günse, zaten ikmal edilmiş olması gereken envanteri sattığınız yedi günlük bir boşluğunuz var demektir.

ML Modeli Neleri İzler?

Stok tükenme tahmin modeli birden fazla veri akışını eş zamanlı olarak işler. Birincil girdi satış hızıdır — basit bir ortalama olarak değil, trend ve mevsimsellik bileşenleri içeren bir zaman serisi olarak. Model, her SKU'ya özgü ivmelenmeyi (geçen haftadan daha hızlı satış), yavaşlamayı ve döngüsel kalıpları tespit eder.

Envanter pozisyonu (mevcut eldeki stok artı transit halindeki birimler eksi bekleyen siparişlere ayrılmış birimler) modele denklemin arz tarafını verir. Tahmin edilen talep ile birleştirildiğinde, model dinamik olarak güncellenen tahmini stok-gün metriğini hesaplar.

Tedarikçi performans verileri kritik bir boyut ekler. Her tedarikçi için zaman içinde gerçekleşen ve beklenen teslimat tarihlerini takip ederek, model tek bir nokta tahmini kullanmak yerine olası teslim sürelerinin bir dağılımını oluşturur. Tedarikçi A, medyanı 14 gün olmak üzere 12-18 günde teslimat yapıyorsa, model stok tükenme olasılığını hesaplarken tam dağılımı kullanır.

Dış sinyaller, talep değişimlerinin erken uyarısını sağlar. Ürün veya kategori için Google'daki arama hacmi, sosyal medyadaki bahsedilmeler, rakip stok seviyeleri (genellikle ürün sayfalarında sınırlı stok gösteriminden tespit edilebilir) ve mevsimsel takvimler, tamamı talep tahminini besler. Bir ürün için Google arama hacmindeki ani artış, genellikle satış artışından 5-10 gün önce gerçekleşir ve bu, modele mevcut envanter gidişatının sürdürülemeyebileceğine dair erken bir sinyal verir.

Üç Haftalık Uyarı Penceresi

Model, her SKU için çeşitli zaman dilimlerinde stok tükenme olasılığı çıktısı verir: 7 gün, 14 gün ve 21 gün sonrası. Tipik bir uyarı şöyle görünebilir: SKU #4892 (C Vitamini Serum 30ml) şu anda elde 340 birim bulunmaktadır. Günlük 28 birimlik mevcut satış hızıyla stok yaklaşık 12 günde tükenir. Ancak talep trendi haftadan haftaya %15 ivmelenme göstermektedir. Düzeltilmiş tükenme tahmini 9 gündür. 500 birimlik bir sonraki ikmal sevkiyatının tedarikçi teslim süresi dağılımına göre beklenen varışı 16 gün sonradır. 14 gün içinde stok tükenme olasılığı %78'dir.

Bu üç haftalık pencere ile envanter ekibinin seçenekleri vardır. Mevcut siparişi tedarikçiden hızlandırabilir, daha hızlı nakliye için potansiyel olarak ek ücret ödeyebilirler. Daha kısa teslim sürelerine sahip alternatif bir tedarikçiden daha küçük bir köprü siparişi verebilirler. Organik satışları korurken talebi yavaşlatmak için ürüne yönelik pazarlama harcamalarını azaltabilirler. Herhangi bir stok tükenme döneminde talebi yakalamak için tekrar stoğa girdiğinde bildirim ayarlayabilirler.

Erken uyarı olmadan bu azaltma seçeneklerinin hiçbiri mevcut değildir. Manuel kontrollerle bir insan envanterinin düşük olduğunu fark ettiğinde, teslim süresi kalan stoğu çoktan eritmeye başlamıştır.

Modelin Oluşturulması

Teknik uygulama, talep için zaman serisi tahmini (genellikle Prophet veya özel bir LSTM modeli) ile stok tükenme olasılığı için bir sınıflandırma modelinin kombinasyonunu kullanır. Sınıflandırma modeli, talep tahminini, mevcut envanter pozisyonunu ve tedarikçi teslim süresi dağılımını girdi olarak alır ve her zaman penceresi içinde stok tükenme olasılığını çıktı olarak verir.

Eğitim verileri geçmiş envanter kayıtlarınızdan gelir. Her geçmiş stok tükenmesi pozitif bir örnek, belirli bir dönem boyunca yeterli stok seviyesini koruyan her SKU ise negatif bir örnektir. Kullanışlı bir model eğitmek için en az 12-18 aylık günlük envanter anlık görüntülerine ve karşılık gelen satış verilerine ihtiyacınız vardır. Günlük envanter seviyelerini kaydetmiyorsanız, şimdi başlayın çünkü bu verileri geriye dönük olarak yeniden oluşturmak şaşırtıcı derecede zordur.

Değerin büyük bölümünün yaratıldığı yer özellik mühendisliğidir. Ham satış rakamları, 7 günlük hareketli ortalama hız, haftadan haftaya hız değişimi, günlük satışlardaki varyasyon katsayısı (talep oynaklığının bir ölçüsü) ve mevcut hızın 90 günlük ortalamaya oranı gibi türetilmiş özelliklerden daha az kullanışlıdır. Bu türetilmiş özellikler, modelin yeniden sipariş noktasına yaklaşan istikrarlı bir satıcı ile envanteri beklenenden çok daha hızlı tüketecek bir talep artışı yaşayan bir ürün arasında ayrım yapmasına yardımcı olur.

Mevcut Sistemlerle Entegrasyon

Modelin envanter yönetimi iş akışınıza entegre olması gerekir, onun yerini alması değil. En yaygın yaklaşım, SKU'ları stok tükenme riskine göre sıralayan ve her biri için önerilen eylemleri gösteren günlük bir uyarı panosu oluşturmaktır. Envanter planlamacıları her sabah panoyu inceler ve yüksek riskli kalemler için harekete geçer.

Daha gelişmiş uygulamalar, düşük riskli eylemler için yanıtı otomatikleştirir. Model bir stok tükenmesi tahmin ediyorsa ve önerilen eylem mevcut bir tedarikçiye standart bir yeniden sipariş vermekse, sistem satın alma siparişini otomatik olarak oluşturabilir ve envanter yöneticisinin tek tıkla onaylaması için sıraya alabilir. Bu, karar için döngüde bir insanı tutarken siparişi oluşturmanın manuel işini ortadan kaldırır.

Binlerce SKU ile çalışan e-ticaret perakendecileri için manuel envanter izleme basitçe ölçeklenemez. Günde 3.500 SKU'yu kontrol eden bir insan, sessizce stok tükenmesine doğru hızlanan ürünleri kaçınılmaz olarak gözden kaçıracaktır. ML modeli her SKU'yu her saat kontrol eder, ince kalıpları yakalar ve dikkat gerektirenleri yüzeye çıkarır. Bu yazının başında bahsettiğimiz güzellik perakendecisi, tahmin modelini devreye aldıktan sonraki altı ay içinde stok tükenme oranını %8-12'den %3'ün altına düşürdü ve bu, yaklaşık 940.000 $ geri kazanılmış yıllık gelire dönüştü.