Nicel Talep TahminiSayısal verilere dayalı istatistiksel yöntemlerle gelecekteki talebin öngörülmesidir. Örneğin, geçmiş 5 yılın satış verilerini kullanarak gelecek yılın satışını tahmin etmek nicel bir yaklaşımdır.
Zaman Serisi ModelleriGeleceğin geçmişin bir fonksiyonu olduğu varsayımıyla, geçmiş satış verilerine dayanarak tahmin yapan modellerdir. Haftalık çamaşır makinesi satışlarını tahmin etmek için önceki haftaların verilerini kullanmak buna örnektir.
Nedensel ModellerSatış miktarı ile dışsal değişkenler (sıcaklık, faiz vb.) arasındaki ilişkiyi kullanarak tahmin yapan yöntemlerdir. Klima satışlarının hava sıcaklığına göre tahmin edilmesi tipik bir nedensel model örneğidir.
Kırbaç EtkisiBilgi akışının mamul zincirinde geriye doğru gittikçe sapmaların büyümesi durumudur. Tüketiciden hammadde tedarikçisine doğru tahminlerin giderek daha fazla artış göstermesi bu etkiyi açıklar.
Hata Payı (et)Gerçek talep ile tahmin edilen değer arasındaki farktır (et = Dt - Ft). Tahmin yönteminin başarısını ölçmek için kullanılır.
Basit Ortalama YöntemiTüm geçmiş verilerin aritmetik ortalamasının veya bir önceki dönemin değerinin tahmin olarak kullanılmasıdır. Ekim ayı tahminini Eylül ayı gerçekleşen satışına eşitlemek basit bir yöntemdir.
Hareketli Ortalama (MA)Son N dönemin satış verilerinin ortalamasının alınmasıdır. Son 3 ayın satışlarını toplayıp 3'e bölerek gelecek ayın tahminini yapmak buna örnektir.
Ağırlıklı Hareketli OrtalamaYakın dönemlere daha yüksek, uzak dönemlere daha düşük ağırlık verilerek yapılan tahmin yöntemidir. Son ayın verisine %60, bir önceki aya %40 ağırlık vermek gibi.
Üstel DüzeltmeBir önceki tahmin ve hata payına dayalı, α katsayısı ile ağırlıklandırılmış tahmin yöntemidir. α=0,1 seçildiğinde tahmin, ani değişimlerden daha az etkilenir.
Düzeltme Katsayısı (α)Üstel düzeltmede kullanılan ve 0 ile 1 arasında değişen katsayıdır. Küçük değerler durağan taleplerde, büyük değerler değişken taleplerde tercih edilir.
Trend AnaliziSatışlardaki düzenli artış veya azalışın matematiksel olarak modellenmesidir. y = a + bx formülü ile zaman içindeki satış eğilimi belirlenir.
Korelasyon Katsayısı (r)İki değişken arasındaki ilişkinin yönünü ve gücünü ölçen -1 ile +1 arasındaki değerdir. %70 üzeri korelasyon, tahminin güvenilirliği için referans alınır.
Mevsimsellik İndeksi (SI)Dönemsel dalgalanmaları belirlemek için kullanılan katsayıdır. Bir ürünün yaz aylarındaki satış artış oranını kış aylarına göre belirleyen katsayıdır.
Bağımlı DeğişkenTahmin edilmek istenen değerdir (y). Örneğin, satış miktarı bir bağımlı değişkendir.
Bağımsız DeğişkenTahmini etkileyen faktördür (x). Örneğin, zaman veya hava sıcaklığı birer bağımsız değişkendir.
Mevsimsellik Etkisi AyrıştırmaYıl içi dalgalanmaları veriden arındırarak trendi görmeyi sağlayan yöntemdir. Yazın artan dondurma satışlarının etkisini arındırıp gerçek satış trendini bulmak buna örnektir.
Regresyon AnaliziBağımlı ve bağımsız değişkenler arasındaki ilişkiyi matematiksel denklemlerle açıklayan yöntemdir. Trend analizi bunun bir türüdür.
Ekonometrik ModellerEkonomik değişkenlerin (faiz, enflasyon vb.) talep üzerindeki etkisini inceleyen nedensel modellerdir.
Girdi/Çıktı ModelleriBir sektörün diğer sektörlerden aldığı girdilere göre üretim tahmininde bulunmasıdır.
Öncül İndikatörlerGelecekteki satışları önceden haber veren ekonomik göstergelerdir. İnşaat ruhsatı sayısının mobilya satışlarını önceden tahmin etmesi gibi.
Simülasyon ModelleriGerçek sistemin bilgisayar ortamında taklit edilerek farklı senaryoların test edildiği nicel tahmin yöntemidir.
