Manav, fırın, kasap veya restoran tedarikçisi için günlük sipariş veya üretim miktarı kararı — eksiklikle israf arasında matematiksel denge (literatürde Newsvendor).
Kısaca
Tanıdık geliyor mu?
- Sabah açılırken 'bugün ne kadar yapalım/alalım' sorusunun cevabı 'geçen Pazartesi ne sattık' düzeyinde kalıyor
- Gün sonunda %10-25 arası ürün atılıyor, indirimle çıkıyor ya da personele veriliyor — yıllık kar payını ciddi azaltıyor
- Akşam saat 18 civarında bir veya iki popüler ürün tükeniyor; müşteri gidip rakibinden alıyor, geri dönmüyor
- Yağmurlu güne hava güzel günle aynı miktar üretildi; bir taraf israf, diğer taraf eksik kaldı
- Bayram, Anneler Günü, hava değişimi gibi olaylarda 'fazla mı alsak az mı' tartışması her seferinde sıfırdan yapılıyor
- Çalışan 'müşteri istedi yoktu' diye not bırakıyor ama bu eksiklik kaydı kaybolup gidiyor, sistematik analiz yok
- Üretim ekibi her gün aynı miktar üretiyor; talep değişkenliği üretimle örtüşmüyor, ya stok birikiyor ya yetmiyor
Niye önemli?
Nasıl çözülür?
Teknik derinlik
Nasıl çözülür?
Teknik derinlikTek satırla: Kâr marjı yüksek olan ürünü biraz fazla al (stoksuz kalma cezası ağır); fire maliyeti yüksek (çabuk bozulan, geri kazanımı sıfır) ürünü biraz az al. Yani ‘orta’ miktar değil, her ürün için ayrı bir dengeye göre sipariş miktarı belirle.
Yazılımın yaptığı iş şu: her ürün için ‘fire maliyeti’ ile ‘kayıp satış maliyeti’ oranını dengeleyen optimum sipariş miktarını sayısal olarak hesaplar; ardından geçmiş satış verisinden talep dağılımını öğrenir ve günlük öneri yapar. Üç aşama hâlinde anlatalım:
1. Önce maliyet ve talep verisini toplar. Her ürün için: alış/üretim maliyeti, satış fiyatı, atılan ürünün geri kazanım değeri (sıfır veya çok düşük), stoksuz kalma durumunda kar marjı kaybı, talep değişkenliği (geçmiş 12 haftalık günlük satış). Hava durumu, takvim olayları (bayram, hafta sonu, okul tatili), yerel etkinlikler ek faktör olarak girer.
2. Optimum sipariş miktarını hesaplar. Klasik Newsvendor formülü ‘kritik fraktil’ (yani ‘şu yüzde kadar günde stoksuz kalmamayı hedefleyelim’ eşiği) prensibine dayanır: optimum hizmet düzeyi = kar marjı / (kar marjı + fire başına maliyet). Yani kar marjı yüksek bir ürün için biraz fazla almak ekonomik, fire maliyeti yüksek bir ürün için biraz az almak ekonomik. Yazılım her ürün için bu kritik orana karşılık gelen talep miktarını geçmiş veri dağılımından bulur — bu, optimum sipariş miktarıdır. Talep dağılımı normal, lognormal veya gerçek geçmiş veri olabilir.
3. Günlük öneri masaya gelir. Sabah açılışta veya akşam sipariş zamanında yazılım ürün listesi çıkarır: “Bugün için elma 45 kg, ekmek 180 adet, et 18 kg.” Hava durumu veya kampanya kaydı varsa otomatik ayarlama yapar. Gün sonunda gerçek satışla karşılaştırarak modeli günceller — kendi kendini öğrenir. Manuel müdahale her zaman mümkün: ‘bugün yağmur var, ekmeği %15 az al’ diye yöneticinin kararı geçer.
Tecrübenin yerine geçmez; 20 üründe kafadan yaptığın ‘bugün biraz fazla, bugün biraz az’ kararını 200 ürüne ölçekleyen ve her ürün için sayısal gerekçe veren bir hesap makinesi gibi düşün. Karar yine senin, ama her ürün için ‘optimum’ rakam masada duruyor.
Alternatifler
Sezgi + geçmiş hafta defteri
ÜcretsizÜcretsiz
Kim için: 10-30 ürün, sabit talep, küçük dükkân
- + Sıfır maliyet
- + Esnek — anlık karar değişikliği kolay
- + Yatırım kararı gerekmez
- − 30'dan fazla ürün için her ürünün optimum miktarı kafadan tutulamaz
- − Talep değişkenliği (hava, kampanya, etkinlik) sezgisel kalır
- − Geçen yılki Anneler Günü ne kadar sattığımız hatırlanmıyor
- − Fire ve kayıp satış sayısal izlenmiyor
Hesap tablosu + manuel günlük takip
ÜcretsizÜcretsiz (kendi emeğin)
Kim için: 20-60 ürün, ortalama gözlemini yazılı tutmak isteyen
- + Sıfır yazılım maliyeti
- + Kendi formüllerinle özelleştirme
- + Veri tek yerde toplanır
- − Olasılıksal Newsvendor formülü elle uygulamak zor
- − Her gün manuel veri girişi gerekir
- − Modelin kendi kendini öğrenme özelliği yok
Yerel kasa-sipariş yazılımı içindeki tahmin modülü
Kurumsal5.000–25.000 TRY kurulum + aylık 1.000–4.000 TRY (TR pazar gözlemi)
Kim için: 50-300 ürün, kasa sistemi olan market/manav/fırın
- + Türkçe arayüz ve destek
- + Kasa-sipariş entegre
- + Günlük öneri otomatik mail/SMS ile gelir
- − Tahmin motoru genelde 'son hafta ortalaması'; gerçek Newsvendor matematiği yok
- − Maliyet parametreleri (kar marjı, fire) ürün bazında girilemez
- − Hava ve etkinlik faktörü dahil değil
Uluslararası uzmanlaşmış taze ürün talep tahmin yazılımı
Kurumsal20–100 EUR/ürün/yıl veya 25.000–150.000 EUR yıllık lisans
Kim için: 300+ ürün, market zinciri, restoran ağı, üretim tesisi
- + Olgun: Newsvendor + makine öğrenmesi tahmin, çoklu kategori, hava ve etkinlik faktörü
- + Kasa ve depo sistemi entegrasyonu hazır
- + Algoritması yıllar boyunca olgunlaşmış
- − Yüksek lisans + danışmanlık maliyeti
- − Kurulum 2-4 ay sürer
- − Yerel ürün ve tedarikçi uyarlaması gerekir
Açık kaynak kütüphanesi ile özel yazılım
Açık KaynakLisans ücretsiz; geliştirme 4-8 hafta kendi ekibinle veya 80.000-300.000 TRY danışmanlık
Kim için: İçinde veri ekibi olan zincir veya teknoloji odaklı işletme
- + Lisans maliyeti yok
- + Tam özelleştirme — kendi ürün ve maliyet yapına göre
- + Buluta veya kendi sunucuna kurulabilir
- − İçeride veri bilimi kapasitesi şart
- − Sürekli bakım gerekir
- − Geçmiş veri kalitesi yetersizse sonuçlar yanıltıcı
Tavsiye
Çözüm görüşmesinde sor
- Tahmin motoru gerçek Newsvendor matematiğini mi uyguluyor (kritik fraktil ile optimum sipariş) yoksa sadece geçmiş ortalama mı veriyor?
- Her ürün için fire maliyeti, kar marjı, raf ömrü ayrı parametre olarak girilebiliyor mu? Yoksa tüm ürünler aynı 'güvenlik stoku' ile mi hesaplanıyor?
- Hava durumu, takvim olayları (bayram, hafta sonu) ve yerel etkinlikler tahmine otomatik mi giriyor?
- Geçmiş satış verisinde stoksuz kalma dönemleri otomatik düzeltiliyor mu (censored demand correction)?
- Aynı kategoride farklı ürünler (örnek beyaz peynir + kaşar) arasında ikame etkisi (substitution) modeli var mı?
- Tedarikçi minimum sipariş miktarı (MOQ) ve kademeli fiyat indirimi tahmine giriyor mu?
- Pilot dönemini nasıl kurguluyorsunuz — kaç ürün, kaç hafta, başarılı sayılma kriteri nedir?
- Bizimle çalışmayı bırakırsak ürün geçmişi, fire kayıtları ve sipariş önerileri verisini nasıl alırız? Standart format export var mı?
Teknik detay
Editör notu
Bu problem halk dilinde “bugün ne kadar alalım”, “fire azaltma” veya “günlük üretim miktarı” diye anılır. Akademik literatürde adı Newsvendor Problem — Türkçesi “tek dönemli stok problemi”. Adı şuradan gelir: gazete satıcısı her sabah günün baskısını sipariş eder; akşam sattığını kazanır, satamadığını atar. Aynı yapı taze gıda, mevsimlik moda, etkinlik bileti, kan stoğu, hatta hava yolu koltuk overbooking kararlarında ortaya çıkar. Bunu bilmeden bir yazılım firmasıyla görüşmeye gidersen, sana satılmaya çalışılan “talep tahmin modülü"nün gerçekten fire-kayıp satış dengesini mi optimize ediyor, yoksa sadece geçmiş ortalama mı veriyor, test edemezsin.
Sektörde en sık atlanan nokta: çoğu yazılım “talep tahmini yaparız” diyerek reklam verir ama altında sadece hareketli ortalama vardır — yani ‘son 4 haftanın ortalaması × 1,1’. Bu yaklaşım talep değişkenliği düşükken makul; ama taze gıdada talep her gün %20-50 değişebilir ve daha kötüsü, dağılımın iki ucundaki (eksik kalma ve fire) maliyetleri birbirinden farklı. Gerçek Newsvendor kar marjı / (kar marjı + fire maliyeti) oranına göre ‘kritik fraktil’ hesaplar. Demo gösteriminde mutlaka ‘kar marjı 5 TRY, fire kaybı 8 TRY, ortalama talep 100, standart sapma 30 için optimum sipariş kaç?’ sorusu üzerinden cevap çıkartmasını iste.
Adım adım yol — KOBİ için
Aşama 1 — Önce ölç, sonra plan. En az 8-12 hafta boyunca dört şeyi bir tabloya kaydet:
- Her ürün için günlük gerçek satış miktarı
- Gün sonunda atılan, indirimle satılan ya da iade edilen miktar (fire)
- Stoksuz kaldığı saatler (örnek ’ekmek saat 18’de bitti, 4 saat boyunca alıcı vardı’)
- Hava durumu ve takvim notları (bayram, okul tatili, yerel etkinlik)
Bu veri olmadan hangi yazılımın hangi sonucu vereceğini hesaplayamazsın.
Aşama 2 — Maliyet tablosunu çıkar. Her ürün için: alış maliyeti, satış fiyatı, kar marjı (fiyat - maliyet), atılan birimin maliyeti, kar marjı vs fire maliyeti oranı. Bu oran ‘kritik fraktil’i belirler — gerçek matematiksel öneri için ana parametre. Tablo senin bilgi sermayen — hangi yazılım gelirse gelsin önce bunu soracak.
Aşama 3 — Pilot dönem. En önemli 10-30 üründen başla, 6-10 hafta sürsün. Başarı kriterin önceden yazılı olsun: örnek “60 günde A grubunda fire %25 düşmeli, stoksuz kalma %30 azalmalı.” Hedef tutmazsa pilot iptal — sözleşmede bu hak açıkça yazılı olmalı.
Aşama 4 — Yaygınlaştırma. Pilot başarılıysa tüm ürün yelpazesine 2-3 ay içinde yay. Personel eğitimi 1-2 hafta sürer; her sabah ‘sistem önerdi, kabul’ tıklaması yeterli olmalı.
Riskler — ne yanlış gidebilir
- Geçmiş veri kalitesizliği. Kayıtlar ‘satıldı’ / ‘atıldı’ düzeyindeyse Newsvendor doğru hesap yapamaz. Pilot başlamadan önce satış-fire kaydını günlük + ürün bazında standartlaştır.
- Stoksuz kalma verisinin kaybolması. Sistem stoksuz kaldığında ‘sıfır satış’ olarak kaydederse, geçmiş talep yanıltıcı olur (censored demand). İyi bir yazılım stoksuz kalma sürelerini ayrıca takip etmeli.
- İkame etkisi. Müşteri aradığı ürünü bulamayınca alternatifini alır (sade ekmek yoksa kepekli alır). Bu davranış modele girmezse ‘sade ekmek talebi az’ yanılgısı oluşur.
- Tek tedarikçiye bağımlılık. Ürün geçmişi ve maliyet parametrelerini kendi özel biçiminde tutan yazılımdan, yıllar sonra çıkmak zor. Sözleşmede “verimizi standart açık formatlarda (CSV gibi) istediğimiz zaman alma hakkımız var” maddesi yazılı olsun.
İlgili acı ders (yayına geçince linkli olur): “Orta ölçekli bir market zincirinde 9 ayda terk edilen sipariş öneri yazılımı — neyi atladılar”.
Çözüm yöntemine teknik bakış
Bu bölüm, yazılım ekibiyle veya danışmanla konuşurken ihtiyaç duyacağın temel bilgileri tutar. Operatörün günlük ekranında göreceği şey değil — perde arkasında olan iş.
Bozulabilir ürün sipariş kararı için kullanılan ana yaklaşımlar:
| Yaklaşım | Türkçe adı | Tipik kullanım | Veri ihtiyacı | Karar mantığı |
|---|---|---|---|---|
| Hareketli ortalama | Basit ortalama | Geçmiş veri var, talep sabit | Düşük | Son N günün ortalaması |
| Klasik Newsvendor | Tek dönemli optimum | Bozulabilir, tek karar | Orta | Kritik fraktil × talep dağılımı |
| Çoklu dönemli + kalıntı | Çok günlük raf ömrü | 2-7 günlük raf ömrü | Orta | Dinamik programlama |
| Makine öğrenmesi tahmini | ML talep tahmini | Çok ürün + hava + etkinlik faktörü | Yüksek | Regresyon ağaçları, sinir ağları |
| Stokastik MIP | Belirsizlikli karma model | Çoklu ürün + tedarikçi kısıtı | Yüksek | Tam optimizasyon |
Pratik öneri: 30 ürün altı küçük dükkân için klasik Newsvendor yeterli. 100+ ürün, çoklu kategori, mevsim etkili işletmede ML talep tahmini + Newsvendor karışımı tercih edilir. Tedarikçi MOQ ve çoklu ürün kararı varsa stokastik MIP.
Hedef fonksiyonu seçimi çözümün biçimini değiştirir:
- Beklenen kâr (fire + kayıp satış dengesi): “Net kâr en yüksek olsun” — kar marjı yüksek ürün için
- Toplam fire: “Atılan en az olsun” — etik ya da sürdürülebilirlik odaklı işletme için
- Hizmet düzeyi (örnek %95 stoksuz kalmama): “Müşteri her zaman bulsun” — pazar payı için
- Maliyet asimetrisi: “Kayıp satış maliyeti fire maliyetinin 3 katı” — kar marjı dar ürün için
Çoğu pratik vakada bu dördünün ağırlıklı bir karışımı kullanılır; en yaygın hedef beklenen kâr × hizmet düzeyi.
Akademik kaynaklar
Sayfanın sources bölümünde listelidir. Türkçe akademik çalışmalar için: YÖK Tez Merkezi’nde “newsvendor” veya “tek dönemli stok” anahtar kelimesiyle 110+ tez bulunur — özellikle endüstri mühendisliği ve gıda işletmeciliği yüksek lisans tezleri Türk taze gıda pratiğine yakındır. Newsvendor problemi 1951’de Arrow, Harris ve Marschak tarafından matematiksel olarak kurulmuş, operasyon araştırmasının en eski ve hâlâ aktif olan konularından biridir; günümüzde makine öğrenmesi tabanlı talep tahmini ve çok ürünlü ikame etkisi modelleri ile zenginleşiyor.
Kaynaklar
- Arrow, K. J., Harris, T. ve Marschak, J. (1951). Optimal inventory policy. Econometrica, 19. cilt — Newsvendor probleminin matematiksel temelini kuran makale.
- Khouja, M. (1999). The single-period (news-vendor) problem: literature review and suggestions for future research. Omega, 27. cilt — alanın kapsamlı derlemesi.
- Porteus, E. L. (2002). Foundations of Stochastic Inventory Theory. Stanford University Press. Stokastik envanter teorisinin standart ders kitabı.
- YÖK Tez Merkezi — anahtar kelime: ’newsvendor’, ’tek dönemli stok’, ‘bozulabilir ürün’ — TR akademisinden 110+ tez. tez.yok.gov.tr
Sözlük
- Newsvendor
- Bozulabilir veya tek dönemli ürün için optimum sipariş miktarını fire ve kayıp satış maliyetlerinin dengesinden hesaplayan klasik problem.
- Hizmet Düzeyi
- Müşterinin aradığında istediği ürünü bulma olasılığı — envanter ve sipariş kararlarının hedefi olarak sayısal bir oran.
- MIP
- Karar değişkenlerinin bir kısmının tam sayı (örn. 'kaç kamyon', 'kaç vardiya') olduğu optimizasyon türü.