VERİ ÖN İŞLEME SÜRECİ

Tedarik Zinciri Planlama Çözümleri kapsamında, talep planlama süreçlerinin detaylarını paylaşacağım blog serimizin ikincisinde, Gelişmiş (İleri Seviye) İstatistiki Tahmin Methodlarına değinmeden önce tarihsel verinin tutarlılığını oluşturmak için tarihsel verideki aykırı değerlerin tespiti veya düzeltilmesini sağlayan faktörlere değineceğim.

Gelişmiş İstatistiksel Tahmin Modelleri

İşletmeler için ihtiyaçlar doğrultusunda geleceği en az hata oranıyla tahmin edebilmek kritik bir konu haline gelmiştir. Günümüzde geleceğe yönelik alınan kararların başarısı, veri analistleri ve planlamacıların yaptıkları tahminlerin gücüne bağlıdır. Bu kapsamda gelişmiş istatistiki tahmin modellerine değinmeden önce geçmiş veri yığının tutarlılığını düzeltmek zorundayız.

Zaman Serileri Tahmini için Ön İşleme

Ön işleme diğer adıyla öngörüyü anlatmaya başlamadan önce, zaman serisi için ön işlemenin ne kadar önemli olduğunu anlamalıyız. Öngörü, tahmininizi doğru tutarlılıkta yapmamızı sağlayabilir veya tamamen bozabilir. Öyleyse, zaman serileri için bazı önemli ön işleme adımlarını gözden geçirelim.

Öngörü hesaplaması için aşağıdaki algoritmalardan birini veya birkaçını kullanabilirsiniz.

  1. Aykırı Düzeltme (Outlier Correction)
  2. Promosyon Satış Artışı Eliminasyonu (Promotion Sales Lift Elimination)
  3. Eksik Değerleri Birleştir (Substitute Missing Values)

1.Aykırı Düzeltme (Outlier Correction)

Bir “aykırı değer” geçmiş verilerde, kabul edilen değerler aralığının dışında bulunan ve tolerans şeridi olarak da adlandırılan bir değerdir. Bu sapmanın çeşitli nedenleri olabilir. Örneğin, satış sonuçlarını etkileyen bir veri girişi hatası veya bir defalık etkinlik.

APO DP ve IBP’de, aykırı değerlerle başa çıkmak için sistemi aşağıdaki düzeltme algoritma yöntemlerinden biriyle ayarlayabilirsiniz.

Aykırı değerlere normal değerlermiş gibi davranabilirsiniz ancak bu da tahminlerin bozulmasına yol açabilir veya tahmin hesaplanmadan önce bunları tespit edip düzeltebilirsiniz.

1.1 Aykırı Değer Tespit Yöntemleri

1.1.1 Çeyrekler açıklığı (Interquartile Range Test)

Sistem, zaman serisi değerlerinin çeyrekler arası aralıkta olup olmadığını kontrol etmektedir. Bu, üçüncü çeyrek ile verilerin ilk çeyreği arasındaki farktır. Bu aralıkta olmayan değerler aykırı değerler olarak tanımlanır. Bu, varsayılan aykırı değer tespit yöntemidir. Zaman serisi verilerinizdeki aykırı değerlerin algılama sonuçlarını etkilemesini istemiyorsanız bunu seçmenizi öneririz.

1.1.2    Varyans Testi (Variance Test)

Sistem, tarihsel değerlerin standart sapmadan bir sabitle çarpılarak ortalamadan sapma olup olmadığını kontrol eder. Daha büyük sapmalar gösteren değerler aykırı değerler olarak tanımlanır.

Varyans testi yöntemini kullanarak aykırı değerleri algılamak için, sistem geçmiş verilerin ortalamasını ve standart sapmasını (SD) kullanarak bir alt ve bir üst sınırı hesaplar:

  • Lower bound (Alt sınır ) = Mean (Ortalama) – Multiplier(Çarpan) × SD
  • Upper bound (Üst sınır) = Mean (Ortalama) + Multiplier(Çarpan) × SD

Çarpan, aykırı değer algılamasının hassasiyetini etkiler.

1.2       Aykırı Değer Düzeltme Yöntemleri

1.2.1    Correction with Mean Excluding Outliers

Sistem, aykırı değerleri, geçmiş dönemler için hesaplanan tüm önemli anahtar değerlerinin (satış verisi) ortalamasıyla değiştirir ve tahmin hesaplama için aykırı değerleri dikkate almaz. Bu method varsayılan aykırı değer düzeltme tekniğidir.

1.2.2    Correction with Mean

Sistem, aykırı değerleri, geçmiş dönemler için hesaplanan tüm önemli rakam değerlerinin ortalaması ile değiştirir. Tahmin hesaplama da sistem bu değerleri (ortalama değeri) dikkate almaktadır.

1.2.3    Correction with Median Excluding Outliers

Sistem, aykırı değerleri, geçmiş dönemler için hesaplanan tüm önemli anahtar değerlerinin (satış verisi) medyanı ile değiştirir ve tahmin hesaplama için aykırı değerleri dikkate almaz.

1.2.4    Correction with Median

Sistem, aykırı değerleri, geçmiş dönemler için hesaplanan tüm önemli rakam değerlerinin medyanı ile değiştirir. Tahmin hesaplama da sistem bu değerleri (medyan değerini) dikkate almaktadır.

1.2.5    Correction with Tolerance Excluding Outliers

Sistem, aykırı değerleri dikkate almadan tolerans aralığını yeniden hesaplar ve aykırı değerleri yeni tolerans aralığının sınırlarında olacak şekilde değiştirir. Tahmin hesaplama için aykırı değerleri dikkate almaz.

1.2.6    Correction with Tolerance

Sistem, aykırı değerleri dikkate almadan tolerans aralığını yeniden hesaplar ve aykırı değerleri yeni tolerans aralığının sınırlarında olacak şekilde değiştirir

1.2.7 No Correction

Aykırı değerler düzeltilmemektedir. Aykırı değer tespiti yalnızca bilgi amaçlı kullanılır.

2. Promosyon Satış Artışı Düzeltme

Bu algoritma, promosyonlarla ilişkili pozitif aykırı değerleri (sales lifts) tanımlamak ve satış geçmişinden kaldırmak için kullanılabilir. Örneğin, talep algılama algoritması kısa vadeli tahmini hesaplamadan önce promosyon satış miktarlarının satış geçmişinden kaldırıldığı bir tahmin modeli oluşturabilirsiniz.

3. Eksik Değerleri Değiştirme

Öngörme sırasında, giriş verilerinde belirli zaman serisi değerlerinin eksik olması durumuyla karşılaşabiliriz. Bu bilgi eksikliğinin çeşitli nedenleri olabilir. Örneğin, kaybolan kayıtlar veya teknik sorunlar zaman serilerinde eksik verilere neden olabilir. Eksik değerler, mevcut değerlerin ortalaması veya ortancası ile değiştirilirse, bu değerlere dayalı tahminler bozulmaz.

Gelişmiş tahmin modellerinin ayrıntılarına bir sonraki blog yazımda yer vereceğim.

Oğuz Çiçek

SAP APO Uygulama Danışmanı

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

Kaydet

2020-03-10T15:38:56+00:00