Talep Tahmin Teknikleri

Literatürde talep tahmini için çeşitli yöntemler bulunmaktadır. Öncelikle tahmin tekniklerini yargısal tahmin yöntemleri ve istatistiksel tahmin yöntemleri olmak üzere ikiye ayırmak gerekir. Yargısal yöntemlerde tahmin genellikle çalışanlar tarafından ve nitel bilgiye dayanarak yapılmaktadır. Formel ya da istatistiksel tahmin yöntemlerini ise tahminini sayısal verilere dayandırır. İstatistiksel tahmin yöntemleri de zaman serisi modelleri ve açıklayıcı modeller olmak üzere iki gruba ayrılmaktadır. Zaman serisi modellerinde sadece geçmiş talep bilgisi kullanılır. Açıklayıcı tahmin teknikleri ise buna ek olarak diğer pazarlama verilerinden de faydalanır (Makridakis ve diğ, 1979). Silver ve diğ. (1998)’ne göre tahminler, istatistiksel tahmin olarak bilinen geçmişteki gözlemler ile yargısal tahmin olarak bilinen geleceğe dönük ve bilinçli yargıların birleşimine dayanır. Makridakis (1988), hem yargısal hem de istatistiksel tahmin yöntemlerinin bazı dezavantajları olduğunu belirtmiştir. Buna göre,

Yargısal yöntemlerin dezavantajları

 Değişimlere gereğinden fazla tepki verilmesi ya da değişimlerin ihmal edilmesi,

 Geçmiş verilerin kullanılmasında yaşanan tutarsızlıklar,

 Kişisel ya da politik görüşlerin tahminler üzerinde fazlaca etkili olması İstatistiksel yöntemlerin dezavantajları ise

 Değişimlerin kestirilememesi

 Geçmiş verilerde mevcut olan tüm bilgiden yararlanılamaması

 Gelecekteki belirsizliğe gereken önemim verilmemesi olarak ifade edilmiştir. Şekil 4.1’de talep tahmin yöntemlerinin genel olarak sınıflandırılması gösterilmiştir.

Şekil 4.1 : Talep tahmin yöntemlerinin sınıflandırılması (Makridakis ve diğ, 1979).

4.1.1 Yargısal yöntemler

Yargısal tahminler sezgisel yargılara, fikirlere ve öznel olasılık tahminlerine dayanır. Yargısal tahminler genellikle yeterli veri olmayan durumlarda kullanılır (Makridakis ve diğ, 1979). İnsan yargılarına dayanan bu tür tahminlerin başarısı genellikle sayısal yöntemlere göre daha düşüktür. Yine de bazı durumlarda sayısal bir tahmin modelinin kontrolü için uzman görüşüne ihtiyaç duyulmaktadır (Silver ve diğ, 1998). Uzmanlar tahminlerde göz önünde bulundurulması gereken en son gelişmeler hakkında bilgi sahibidirler. İnsanla olan etkileşimi nedeniyle bu yöntemler genellikle enformel bir tahmin süreci olarak algılanmaktadır. Anketler ve senaryo analizleri yargısal tahmin için kullanılan yöntemlere örnek olarak verilebilir.

4.1.2 Zaman serisi modelleri

Zaman serisi modelleri gelecekteki sonuçları kestirebilmek için geçmiş verilerden yararlanır. Bir zaman serisi, zaman içinde sıralı olarak yapılan gözlemlerin bir araya getirilmiş hali olarak tanımlanabilir (Chatfield, 2004). Talep tahmini, zaman serisi analizlerinin kullanım alanlarından bir tanesidir. Mevsimsel değişkenlik, döngüsel değişkenlik, trend (genel eğilim), ve diğer düzensiz dalgalanmalar gibi zaman

hakkında kestirimde bulunulabilmektedir. Zaman serisi yöntemlerinden bazıları; basit hareketli ortalamalar, ardışık bağlanımlı hareketli ortalamalar, ardışık bağlanımlı bütünleşik hareketli ortalamalar, üstel düzeltme, dış değer kestirimi (ekstrapolasyon), genel eğilim kestirimi, ve büyüme eğrisi olarak sıralanabilir (Chatfield, 2004; Wilson ve Keating, 2002; Box ve diğ, 2011). Bu tür modeller, her ne kadar verideki çeşitli değişkenlik kaynakları ile birlikte çalışabiliyor olsa da, bu değişkenlik kaynakları ortadan kaldırıldığında zaman serisinde durağan bir örüntü olduğunu varsayarlar. Ayrıca, zaman serisine dayalı tahminler, sadece tahmin edilen değişkenin geçmiş verilerine dayanmaktadır. Oysa ki, promosyona olan talebi etkileyen pek çok pazarlama değişkeni bulunmaktadır.

4.1.3 Açıklayıcı tahmin modelleri

Bazı tahmin yöntemleri, tahmin edilen değişkeni etkileyen faktörlerin belirlenebilmesinin mümkün olduğu varsayımını kullanır. Bu tür modeller daha formel bir yaklaşıma sahiptir. Nedenler anlaşıldığı takdirde, tahmin edilen değişkeni etkileyen değişkenler hakkında öngörüde bulunulabilir ve bu değişkenler tahmin modelinde kullanılabilir.

Açıklayıcı tahmin teknikleri içerisinde en yaygın olarak kullanılanı regresyon analizidir. Regresyon analizi, bir bağımlı değişken ile bir veya birden fazla bağımsız değişken arasındaki ilişkiyi analiz eden bir istatistiksel tekniktir (Hair ve diğ, 2006). Promosyonel talep tahmininde en çok kullanılan yöntem olduğundan, bir sonraki bölümde doğrusal regresyon yöntemi daha detaylı olarak anlatılacaktır. Ekonometrik modeller, yapay sinir ağları gibi başka açıklayıcı tahmin teknikleri de bulunmaktadır ancak bu çalışmada bunlara değinilmeyecektir.

4.1.3.1 Doğrusal regresyon yöntemi

Doğrusal regresyon analizi; basit ve çoklu doğrusal regresyon olmak üzere iki gruba ayrılabilir. Basit doğrusal regresyonda bağımlı değişken ile tek bir bağımsız değişken arasındaki ilişki analiz edilirken, çoklu doğrusal regresyonda bağımsız değişken sayısı birden fazladır. Doğrusal regresyonda her bağımsız değişken ve bağımlı değişken arasındaki ilişki doğrusaldır. Doğrusal regresyon modelinin pratikteki performansı doğru açıklayıcı değişkenlerin seçilmesiyle ve kullanılan verinin kalitesiyle yakından ilgilidir.

Regresyon analizinde genel olarak bağımlı değişken; bağımsız değişkenlerin ve regresyon katsayılarının doğrusal bir fonksiyonudur. Basit doğrusal regresyon modelinin ve ‘k’ farklı açıklayıcı değişkene sahip bir çoklu doğrusal regresyon modelinin matematiksel gösterimi sırasıyla denklem 4.1 ve denklem 4.2’deki gibidir (Hair ve diğ, 2006):

(4.1)

(4.2)

Bu denklemlerde;

 Y değeri bağımlı değişkeni

 X değerleri bağımsız değişkenleri

 β değerleri regresyon katsayılarını

 ε değeri ise hata terimini ifade etmektedir.

Regresyon analizinde en iyi uyum, gerçekleşen gözlemlere göre hata kareler toplamını minimize eden doğru denkleminin bulunmasıyla elde edilmektedir.

Çoklu regresyon analizinde sadece sürekli değişkenler değil, genellikle nitel değişkenlerin faklı durumlarını ifade etmek için 1 ve 0 değerlerini alan gölge (kukla) değişkenler de sıklıkla kullanılmaktadır. Ayrıca, bazı durumlarda bağımsız değişkenlerin kendi arasındaki etkileşimden de bağımlı değişken ayrıca etkilenebilmektedir. Etkileşim etkisi adı verilen bu durumun da dikkate alındığı daha karmaşık regresyon modellerini de analiz etmek mümkündür (Chatfield, 2004). Örnek bir model, Denklem 4.3’te verilmiştir.

(4.3)

Çoklu regresyon analizinin kullanılabilmesi için test edilmesi ve doğrulanması gereken bazı varsayımlar vardır (Hair ve diğ, 2006; Field, 2005):

 Bağımlı ve bağımsız değişkenler arasında doğrusallık

 Hata terimi dağılımının normalliği

 Hata terimlerinin sabit varyansı olması

 Çoklu doğrusallık olmaması

 Hata terimlerinin bağımsızlığı

Bu varsayımların test edilmesi için çeşitli yöntemler bulunmaktadır. Regresyon analizinden güvenilir sonuçlar almak için bu varsayımların ihlal edilmemesi önemlidir.