1.24 Gıda Tedarik Zinciri ve Talep Tahmini

1. Problem Tanımı ve Sistemik Etki

Küresel gıda tedarik zinciri, tarladan sofraya uzanan süreçte üretilen gıdanın %30-40'ını kayba uğratmaktadır; bu kayıp yıllık ~1,3 milyar ton gıda ve ~940 milyar USD ekonomik değere karşılık gelmektedir (FAO, 2019). Taze meyve-sebze kategorisinde kayıp oranı %40-50'ye çıkmakta; bunun %15-20'si tedarik zincirindeki talep-arz uyumsuzluğundan kaynaklanmaktadır. Gelişmekte olan ülkelerde kayıpların %40'ı hasat sonrası aşamada, gelişmiş ülkelerde ise %40'ı perakende ve tüketici aşamasında gerçekleşir.

Gıda tedarik zinciri yönetiminde üç temel mühendislik kısıtı mevcuttur:

• Bozulabilirlik (perishability): Taze gıda ürünlerinin raf ömrü 2-14 gün arasındadır. Talep tahminindeki her %1'lik hata, bozulma kayıplarını %2-3 artırmakta veya stok kırılmalarına yol açmaktadır.
• Talep belirsizliği: Gıda talebi hava durumu, tatil dönemleri, promosyonlar, sosyal eğilimler ve beklenmedik olaylar (pandemi, doğal afet) tarafından şekillenir. Bu çok değişkenli ve stokastik yapı, geleneksel istatistiksel yöntemlerle yeterli doğrulukta modellenemez.
• Mevsimsel dalgalanma: Tarımsal ürünlerin arz tarafı güçlü mevsimsel döngülere tabidir; talep tarafı ise farklı mevsimsel kalıplar izleyebilir. Arz-talep mevsimsellik uyumsuzluğu, depolama ve lojistik planlamasını karmaşıklaştırır.

Bu zorluklar, makine öğrenmesi tabanlı talep tahmin sistemlerini gıda tedarik zincirinin verimlilik ve sürdürülebilirlik açısından en kritik dijitalleşme alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1970-2010)

Gıda talep tahmini uzun süre klasik zaman serisi yöntemlerine dayanmıştır:

• ARIMA (AutoRegressive Integrated Moving Average): Box ve Jenkins (1970) tarafından formalize edilen ARIMA, durağan zaman serilerinde otokorelasyon yapısını modelleyerek kısa vadeli tahminler üretir. Gıda perakendeciliğinde MAPE %15-25 aralığında performans göstermiştir (Fildes et al., 2019). Limitasyon: Dışsal değişkenleri (hava durumu, promosyon) doğrudan modele dahil edemez; doğrusal ilişki varsayımı güçlü mevsimsel etkileşimleri yakalar ancak ani talep şoklarını modelleyemez.
• Üstel düzleştirme (Exponential Smoothing): Holt-Winters yöntemi, trend ve mevsimselliği ayrıştırarak tahmin üretir. Basitliği ve düşük hesaplama maliyeti avantajdır; ancak birden fazla mevsimsellik döngüsünü (haftalık + yıllık) eşzamanlı olarak yakalamada zayıftır.
• Regresyon modelleri: Çoklu doğrusal regresyon ile fiyat, hava durumu, promosyon gibi dışsal değişkenler modele dahil edilir. Ancak değişkenler arasındaki doğrusal olmayan etkileşimler göz ardı edilir ve çok sayıda değişkenle aşırı uyum riski artar.

2.2 Modern Yaklaşımlar (2012-Günümüz)

LSTM Tabanlı Talep Tahmini

Uzun kısa süreli bellek ağları ile gıda talep zaman serilerinin modellenmesi.

• Girdi: Geçmiş satış verileri, hava durumu değişkenleri, takvim bilgileri (tatil, hafta sonu), promosyon bayrakları
• Çalışma prensibi: LSTM hücreleri, gating mekanizmaları (forget gate, input gate, output gate) ile uzun vadeli bağımlılıkları öğrenir. Vanishing gradient problemini çözerek yüzlerce zaman adımı öncesindeki bilgiyi korur.
• Eğitim: Kaydırmalı pencere (sliding window) yaklaşımı; Adam optimizer ile gradyan tabanlı optimizasyon.
• Performans: Bandara et al. (2020), perakende gıda talebi tahmininde LSTM'in ARIMA'ya göre MAPE'yi %18-25 iyileştirdiğini raporlamıştır. Ancak eğitim süresi ARIMA'nın 100-500 katıdır.

Facebook Prophet

Ayrıştırılabilir zaman serisi modeli ile otomatik tahmin.

• Girdi: Günlük/haftalık satış verileri + tatil takvimi + regresör değişkenleri
• Çalışma prensibi: Trend (logistic/piecewise linear) + mevsimsellik (Fourier serileri) + tatil etkileri toplamsal modeli. Bayesyen çerçevede parametre tahmini.
• Performans: Taylor ve Letham (2018), Prophet'in birçok perakende zaman serisinde ARIMA ile rekabetçi ve bazen üstün performans gösterdiğini raporlamıştır. Manuel parametre ayarı minimal olup analist dışı kullanıcılar için erişilebilirdir. Ancak çok değişkenli etkileşimleri yakalamada RF veya LSTM'e göre zayıftır.

XGBoost Tabanlı Hibrit Modeller

Gradient boosting ile tablo formatındaki çok değişkenli talep tahmini.

• Girdi: Gecikmeli satış değerleri (lag features), hareketli ortalamalar, hava durumu metrikleri, promosyon parametreleri, fiyat elastikiyeti
• Çalışma prensibi: Sıralı karar ağacı ekleme ile artık hataları (residuals) minimize eder. Özellik mühendisliği kritik önem taşır.
• Performans: M5 Forecasting yarışmasında (Makridakis et al., 2022), XGBoost ve LightGBM tabanlı modeller en iyi sonuçları üretmiştir. Walmart perakende verisinde WRMSSE = 0,52; geleneksel yöntemlere göre %20-30 iyileşme sağlanmıştır.

Transformer Tabanlı Tahmin

Dikkat mekanizması ile çok adımlı gıda talep tahmini.

• Girdi: Çok değişkenli zaman serisi verileri
• Çalışma prensibi: Self-attention mekanizması, zaman serisi içindeki herhangi iki nokta arasındaki bağımlılığı doğrudan modelleyerek LSTM'in sıralı işleme kısıtını aşar. Informer (Zhou et al., 2021) ve Temporal Fusion Transformer (TFT) bu alanda öne çıkan mimarilerdir.
• Performans: Lim et al. (2021), TFT ile perakende talebinde LSTM'e göre %7-12 daha düşük MAE raporlamıştır. Ancak küçük veri setlerinde LSTM veya XGBoost'a göre avantaj sağlayamaz; hesaplama maliyeti yüksektir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Talep Belirsizliği ve Dışsal Şoklar

COVID-19 pandemisi, gıda tedarik zinciri tahmin modellerinin yapısal kırılmalara karşı kırılganlığını açıkça ortaya koymuştur. Pandemi döneminde taze gıda talebi bazı kategorilerde %30-50 artarken, restoran tedarik zincirinde %60-80 düşüş yaşanmıştır. Geçmiş veriler üzerinde eğitilmiş modeller bu şokları öngörememiş ve MAPE değerleri %50-200 aralığına fırlamıştır. Online öğrenme (online learning) ve concept drift algılama mekanizmaları bu soruna çözüm arar; ancak eğitim verisinin güncellenmesi ile modelin kararlılığı arasında trade-off mevcuttur.

Bozulabilirlik ve Raf Ömrü Dinamikleri

Taze gıda tedarik zincirinde talep tahmini, raf ömrü dinamikleriyle birleştirilmelidir. Aşırı sipariş bozulma kayıplarına, yetersiz sipariş stok kırılmasına yol açar. Bu problem, newsvendor modeli çerçevesinde formalize edilir; ancak bozulma hızı sıcaklık, nem ve ürün çeşidine göre değişkendir. IoT sensörleri ile soğuk zincir sıcaklık verilerinin talep tahmini modeline entegrasyonu, dinamik raf ömrü tahmini sağlayabilir; ancak sensör altyapı maliyeti ve veri entegrasyon karmaşıklığı engel oluşturmaktadır.

Mevsimsel Dalgalanma ve Arz Kısıtları

Tarımsal ürünlerin arzı hasat dönemleriyle sınırlıdır; talep ise yıl boyunca sürer. Bu uyumsuzluk, depolama kapasitesi planlamasını ve fiyat tahminini zorlaştırır. Üretim miktarındaki iklime bağlı belirsizlik (%10-30 yıllık verim varyasyonu), talep tarafındaki tahmin doğruluğunu arz kısıtlarıyla birlikte değerlendirmeyi gerekli hale getirir. Entegre arz-talep modelleri bu soruna yaklaşır; ancak arzı etkileyen faktörlerin (iklim, zararlı, politika) tahmin ufku genellikle talep tahmin ufkundan (1-4 hafta) çok daha uzundur (3-12 ay).

Veri Siloları ve Bilgi Asimetrisi

Gıda tedarik zinciri, üretici-toptancı-perakendeci-tüketici arasında çok aktörlü bir yapıdadır. Her aktörün verileri (üretim, stok, satış, fiyat) ayrı sistemlerde tutulur ve paylaşım kısıtlarına tabidir. Bu bilgi asimetrisi, kamçı etkisine (bullwhip effect) yol açar: Tüketici talebindeki %5'lik bir dalgalanma, üretici düzeyinde %40-50 sipariş varyasyonuna dönüşebilir (Lee et al., 1997). ML tabanlı tahmin sistemleri ancak zincir boyunca veri paylaşımı sağlandığında tam potansiyeline ulaşabilir.

Bölgesel Senaryo: Siirt Fıstık Tedarik Zinciri

Siirt fıstığı tedarik zinciri, Eylül-Ekim hasat döneminde yoğunlaşan arz ile yıl boyunca süren talep arasında kritik bir zamanlama problemi taşır.

1. Hasat dönemi fiyat baskısı: Hasat döneminde arz bolluğu fiyatları %30-50 düşürür; üreticiler satış zamanlamasını optimize etmek için talep tahminine ihtiyaç duyar. ARIMA tabanlı fiyat tahmini, Siirt fıstığının sınırlı pazar hacmi ve alternans döngüsü nedeniyle yüksek MAPE (%20-35) gösterir.
2. Soğuk zincir eksikliği: Bölgede soğuk depolama kapasitesi sınırlıdır; fıstığın depolama koşullarına bağlı aflatoksin riski, raf ömrü tahminini kritik kılar. IoT tabanlı nem/sıcaklık izleme ile ML destekli bozulma tahmini entegrasyonu gereklidir ancak altyapı yatırımı karşılanamamaktadır.
3. Aracı katmanları: Üretici-toptancı-ihracatçı zincirinde 3-4 aracı bulunmakta; bilgi asimetrisi nedeniyle fiyat dalgalanmaları üretici aleyhine %20-30 marj kaybına yol açmaktadır. Dijital pazar yeri platformları bu sorunu çözme potansiyeline sahiptir.

4. Literatür: Seminal Çalışmalar

Makridakis et al. (2022) — M5 Forecasting yarışması sonuç analizi. Walmart'ın 42.840 ürün zaman serisinde 28 günlük tahmin. LightGBM tabanlı modeller en iyi performansı göstermiş; WRMSSE = 0,52. ARIMA ve ETS gibi istatistiksel yöntemlere göre ML modellerinin %15-25 üstün olduğu doğrulanmıştır. (1.200+ atıf)

Bandara et al. (2020) — LSTM ile çok değişkenli perakende talep tahmini. Küresel LSTM modelinin (tüm zaman serileri birlikte eğitim) yerel modellere (her seri ayrı eğitim) göre %18-25 daha düşük MAPE sağladığı gösterilmiştir. Cross-learning etkisinin özellikle kısa tarihçeli ürünlerde güçlü olduğu raporlanmıştır. (580+ atıf)

Lim et al. (2021) — Temporal Fusion Transformer (TFT): Çok horizonlu tahmin için dikkat tabanlı mimari. Statik ve zaman-bağımlı değişkenleri ayrı ayrı işler; değişken seçim ağı (variable selection network) ile otomatik özellik önem sıralaması yapar. Perakende verisinde LSTM'e göre %7-12 iyileşme. (2.800+ atıf)

Taylor ve Letham (2018) — Facebook Prophet: İş zaman serileri için ölçeklenebilir tahmin aracı. Ayrıştırılabilir modelin (trend + mevsimsellik + tatil) analist dışı kullanıcılar için erişilebilirliğini vurgulamıştır. Birden fazla mevsimsellik döngüsünü Fourier serisi ile yakalar. PeerJ dergisinde yayımlanmış. (7.500+ atıf)

Fildes et al. (2019) — Perakende gıda tahmininde yargısal düzeltmelerin (judgmental adjustments) istatistiksel tahminler üzerindeki etkisi. 1,1 milyon tahmin analizi; uzman düzeltmelerinin %40 oranında doğruluğu iyileştirdiği ancak geri kalan %60'ında tahmini bozduğu gösterilmiştir. İnsan-model işbirliğinin koşullarını tartışmıştır. (310+ atıf)

5. Gelecek Vizyonu

Dijital İkiz Tedarik Zincirleri

Gıda tedarik zincirinin tamamını kapsayan dijital ikiz (digital twin) modeli, gerçek zamanlı veri akışıyla beslenerek alternatif senaryoların simülasyonunu mümkün kılar. Talep artışı, tedarikçi kesintisi veya lojistik darboğaz gibi senaryolar sanal ortamda test edilerek proaktif karar alınabilir. Ancak zincirdeki tüm aktörlerin dijitalleşme düzeyi eşit olmadığından, veri boşlukları simülasyon güvenilirliğini kısıtlar. Küçük üreticilerin dijitalleşme maliyetlerinin karşılanması, kamu desteği olmadan sürdürülebilir değildir.

Pekiştirmeli Öğrenme ile Envanter Optimizasyonu

Talep tahmini, envanter kararlarının girdisidir; nihai hedef ise optimal sipariş miktarı ve zamanlamasıdır. Pekiştirmeli öğrenme (Reinforcement Learning), çevresel belirsizlik altında sıralı karar alma problemini doğrudan optimize eder. Stokastik talep, bozulma dinamikleri ve tedarik gecikmeleri ile birleşik envanter politikasını öğrenme kapasitesine sahiptir. Ancak gerçek tedarik zincirlerinde eğitim ortamının (simülasyon) gerçek dünyadan sapması (sim-to-real gap) önemli bir engel oluşturmaktadır.

Çok Modlu Tahmin Modelleri

Geleneksel zaman serisi verilerinin ötesinde, sosyal medya duygu analizi, Google Trends arama hacmi ve haber akışı gibi alternatif veri kaynaklarının (alternative data) talep tahminine entegrasyonu araştırılmaktadır. NLP tabanlı duygu skoru, pandemi veya gıda güvenliği krizi dönemlerinde erken uyarı sinyali sağlayabilir. Ancak sinyal-gürültü oranı düşüktür ve sahte korelasyonlar aşırı uyuma yol açabilir.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği