İşletmeler için Tahmine Dayalı Analitik: Pratik Bir Uygulama Kılavuzu

Tahmine dayalı analitik, her iş liderinin sorduğu soruyu yanıtlıyor: "Bundan sonra ne olacak?" Ne olduğunu (tanımlayıcı) ve neden olduğunu (tanılayıcı) bildiren geleneksel iş zekasının aksine, tahmine dayalı analitik, sonuçları (müşteri kaybı, satış geliri, ekipman arızası, çalışan değişimi, pazar talebi ve diğer düzinelerce kritik iş değişkeni) tahmin etmek için geçmiş verileri ve makine öğrenimi modellerini kullanır.

Teknoloji önemli ölçüde olgunlaştı. 2025 yılında yapılan bir Dresner Danışmanlık Hizmetleri anketi, işletmelerin %71'inin bir tür tahmine dayalı analitik kullandığını ortaya çıkardı; bu oran 2021'de %42'ydi. Ancak olgunluk önemli ölçüde değişiklik gösteriyor; çoğu kuruluş hâlâ, dönüştürücü sonuçlar sağlayan "kurum çapında veri kültürü" aşamasından ziyade "tek departman, tek kullanım senaryosu" aşamasında faaliyet gösteriyor.

Aradaki fark teknoloji değil. AWS, Google, Microsoft ve açık kaynak topluluklarının sunduğu bulut tabanlı makine öğrenimi araçları, teknik engeli neredeyse sıfıra indirdi. Boşluk organizasyoneldir: Önce hangi problemlerin çözüleceğini bilmek, temiz verilere sahip olmak, uygun modelleri seçmek ve tahminleri eyleme dönüştüren operasyonel süreçleri oluşturmak.

Bu kılavuz, veri hazırlığı değerlendirmesinden model dağıtımına ve kurumsal değişiklik yönetimine kadar işletmeniz genelinde tahmine dayalı analitiği uygulamaya yönelik pratik bir çerçeve sağlar.

Önemli Çıkarımlar

• Tahmine dayalı analitik, kullanım senaryosunun olgunluğuna bağlı olarak hedeflenen ölçümlerde (kullanmayı bırakma, gelir artışı, maliyet tasarrufu) %5-25 oranında iyileşme sağlar
• Veri kalitesi bir numaralı başarı faktörüdür — Uygulama süresinin %60-70'i veri hazırlama ve temizlemeye harcanmalıdır
• Geniş bir analiz platformu yerine departman başına tek bir yüksek değerli kullanım senaryosuyla başlayın; önce değeri kanıtlayın, sonra ölçeklendirin
• Azure ML entegrasyonuna sahip Power BI, orta ölçekli işletmeler için erişilebilir bir tahmine dayalı analiz platformu sağlar
• Veriye dayalı bir kültür oluşturmak, yönetici sponsorluğunu, işlevler arası veri okuryazarlığı eğitimini ve teşvik uyumunu gerektirir
• Oluşturma veya satın alma kararı, veri hacmine, kullanım senaryosunun özgüllüğüne ve şirket içi teknik yeterliliğe bağlıdır

---

Departmana Göre Kullanım Örnekleri

Satışlar: Gelir Tahmini ve Potansiyel Müşteri Puanlaması

Gelir tahmini, satış hattı verilerine, geçmiş kapanış oranlarına, mevsimsel kalıplara ve ekonomik göstergelere dayalı olarak aylık veya üç aylık geliri tahmin eder. ML modelleri, 30 günlük tahminler için ±%5-10 ve 90 günlük tahminler için ±%10-15 doğruluk elde eder; bu, CRM tabanlı ardışık düzen aşaması tahminlerinin tipik ±%25-40 varyansından önemli ölçüde daha iyidir.

Potansiyel müşteri puanlaması firma verilerine (şirket büyüklüğü, sektör, konum), davranışsal verilere (web sitesi ziyaretleri, e-posta etkileşimi, içerik indirmeleri) ve bağlamsal verilere (kaynak, kampanya, hazırlık süresi) dayalı olarak her potansiyel müşteriye bir dönüşüm olasılığı atar. Yapay zeka lider puanlamasını uygulayan şirketler, çabalarını yüksek olasılıklı potansiyel müşterilere odaklayarak satış ekibi verimliliğinde %15-30 oranında iyileşme bildiriyor.

Odoo CRM kullanan işletmeler için potansiyel müşteri puanlaması, her potansiyel müşterinin yanında makine öğrenimi tarafından oluşturulan puanı görüntüleyen özel alanlar aracılığıyla entegre olur. Satış temsilcileri, zamanlarını en umut verici fırsatlara harcayarak filtreleyip puana göre sıralıyor.

Pazarlama: Kampanya Optimizasyonu ve Müşteri Yaşam Boyu Değeri

Kampanya yanıt tahmini, hangi müşterilerin belirli bir kampanyaya yanıt vereceğini tahmin ederek, dönüşüm oranlarını %20-40 oranında artıran ve abonelikten çıkma oranlarını azaltan hedefli gönderimlere olanak tanır.

Müşteri yaşam boyu değeri (CLV) tahmini, bir müşterinin işletmenizle olan ilişkisi boyunca elde edeceği toplam geliri tahmin eder. CLV tahminleri şunları sağlar:

• Bütçe tahsisi: tahmini MYBD'nin %25-30'unu satın alma için harcayın
• Segmente özel hizmet seviyeleri: CLV'si yüksek müşteriler premium destek alır
• Müşteriyi kaybetme önceliklendirmesi: elde tutma çabalarını yüksek CLV risk altındaki müşterilere odaklayın

İlişkilendirme modelleme, dönüşüm kredisini pazarlama temas noktaları arasında son tıklama veya ilk tıklama ilişkilendirmesinden daha doğru bir şekilde dağıtmak için ML'yi kullanır ve hangi kanalların ve kampanyaların gerçekten gelir sağladığını ortaya çıkarır.

Operasyonlar: Talep Tahmini ve Kalite Tahmini

Talep tahmini envanteri, personeli ve kapasite planlamasını optimize etmek için ürün veya hizmet talebini tahmin eder. Bu konu ML talep planlama kılavuzumuzda ayrıntılı olarak ele alınmaktadır.

Kalite tahmini, son denetimden önce ürün kalitesini tahmin etmek için üretim süreci verilerini (sıcaklık, basınç, hız, hammadde özellikleri) kullanır. Kalite sapmalarının erken tespiti, hurda oranlarını %15-30 oranında azaltır ve gerçek zamanlı proses ayarlamalarına olanak sağlar.

Kestirimci bakım sensör verilerine (titreşim, sıcaklık, güç tüketimi, akustik modeller) dayanarak ekipman arızasını tahmin eder. Tahmine dayalı bakım uygulayan şirketler, plansız arıza sürelerini %30-50, bakım maliyetlerini ise %15-25 oranında azaltır.

Finans: Nakit Akışı Tahmini ve Kredi Riski

Nakit akışı tahmini, alacak hesaplarının yaşlandırmasına, borç planlarına, geçmiş ödeme modellerine ve gelir tahminlerine dayalı olarak günlük ve haftalık nakit pozisyonlarını tahmin eder. Doğruluğun %60'tan %85'e iyileştirilmesi, işletmelerin kredi tesisi maliyetlerini azaltmasına ve fazla nakit yatırımını optimize etmesine olanak tanır.

Kredi riski puanlaması geçmiş kalıplara, kredi verilerine ve hesap özelliklerine göre müşteri ödeme davranışını tahmin eder. Bu, proaktif tahsilat stratejilerine (yüksek riskli faturalar için erken temas) ve kredi limiti ayarlamalarına olanak tanır.

Sahtekarlık tespiti, sahtekarlık veya hataya işaret eden anormal işlemleri tanımlar. Yapay zeka sahtekarlığını tespit etme kılavuzumuzda ayrıntılı olarak ele alınmıştır.

İK: Devir Tahmini ve İşe Alım Optimizasyonu

Çalışan devir tahmini bağlılık puanlarına, pazara göre ücretlendirmeye, görev süresine, yönetici ilişkisine, iş yükü kalıplarına ve kariyer ilerleme sinyallerine göre ayrılma riski taşıyan çalışanları belirler. İK, yola çıkmadan 3-6 ay önce hedefe yönelik elde tutma eylemleriyle (rol değişikliği, ücret ayarlaması, gelişim fırsatı) müdahale edebilir.

İşe alım optimizasyonu özgeçmiş özelliklerine, değerlendirme puanlarına, röportaj geri bildirimlerine ve geçmiş işe alım performansı verilerine göre aday başarısını tahmin eder. Bu, işe alım süresini azaltır ve işe alım kalitesini artırır; bu, işe alım yatırım getirisini artıran iki ölçümdür.

---

Veri Gereksinimleri ve Hazırlanması

%60-70 Kuralı

Başarılı analitik uygulayıcıları proje zamanlarının %60-70'ini veri hazırlığına harcıyorlar. Bu şunları içerir:

Veri envanteri: Mevcut tüm veri kaynaklarını, bunların güncelleme sıklığını, kalite düzeyini ve erişim yöntemini kataloglayın. Ortak kaynaklar:

• CRM (müşteri, potansiyel müşteri, fırsat verileri)
• ERP (işlemler, envanter, satın alma, üretim)
• Pazarlama platformları (kampanya verileri, e-posta etkileşimi, reklam harcaması)
• Web sitesi analitiği (trafik, davranış, dönüşüm hunileri)
• İK sistemleri (çalışan kayıtları, performans verileri, katılım anketleri)
• Finansal sistemler (AP/AR, genel muhasebe, bankacılık)

Veri kalitesi değerlendirmesi: Her kaynak için şunları değerlendirin:

• Tamlık (alanların yüzde kaçı doldurulmuş?)
• Doğruluk (bir örnek kontrol kesin gerçekle eşleşiyor mu?)
• Tutarlılık (ilgili alanlar uyuşuyor mu? Değerler sistemler arasında eşleşiyor mu?)
• Zamanlılık (veriler ne sıklıkla güncellenir? Gecikme nedir?)
• Benzersizlik (yinelenen kayıtlar var mı?)

Veri temizleme: Modellemeden önce kalite sorunlarını giderin:

• Tekilleştirilmiş kayıtlar (özellikle müşteri ve iletişim verileri)
• Formatları standartlaştırın (tarihler, para birimleri, adresler, ürün kodları)
• Eksik değerlerin üstesinden gelin (imputasyon, hariç tutma veya işaretleme)
• Sistemler arasındaki çatışmaları çözün (gerçeğin kaynağı hangisidir?)

Kullanım Durumuna Göre Minimum Veri Eşikleri

---

Model Seçim Kılavuzu

Hangi Algoritma Ne Zaman Kullanılmalı

Doğrusal/Lojistik Regresyon: Her kullanım durumu için buradan başlayın. Basit, yorumlanabilir, hızlı. Doğrusal regresyon doğruluk hedefinizin %80'ine ulaşırsa makine öğrenimi modellerinin ilave karmaşıklığı haklı gösterilmeyebilir.

Rastgele Orman: Mükemmel genel amaçlı algoritma. Karışık veri türlerini işler, eksik değerleri tolere eder, özellik önemi sağlar. Derin öğrenmenin karmaşıklığı olmadan, regresyondan daha iyi doğruluğa ihtiyaç duyduğunuzda kullanın.

Gradient Boosting (XGBoost/LightGBM): Tablo şeklindeki iş verileri için en yüksek performanslı algoritma. Doğruluğun yorumlanabilirlikten daha önemli olduğu üretim modelleri için kullanın. Rastgele ormandan daha fazla ayar gerektirir.

Zaman Serisi (Peygamber/ARIMA): Zamana bağlı tahminler (gelir, talep, trafik) için özel olarak tasarlanmıştır. Tahmin hedefinin net zamansal kalıpları olduğunda kullanın.

Sinir Ağları: Standart iş analitiği için nadiren gereklidir. Yalnızca 100.000'den fazla kaydınız, karmaşık özellik etkileşimleriniz ve ağaç tabanlı modellerin karşılayamayacağı performans gereksinimleriniz olduğunda düşünün.

Model Değerlendirme Çerçevesi

Doğruluk gereklidir, ancak yeterli değildir. Müşterilerinizin %95'i uygulamayı kullanmayı bırakmazsa, kaybı %90 doğrulukla tahmin eden bir model işe yaramaz (her zaman "kaybolma olmadığını" tahmin eden bir model, %95 doğruluk elde eder).

Önemli ölçümler:

Çapraz doğrulama zorunludur. Bir modeli asla üzerinde eğitim aldığı verilere göre değerlendirmeyin. Tahmin için zamana dayalı bölmeleri (geçmişe dayalı eğitim, geleceğe yönelik test) ve sınıflandırma sorunları için k-katlı çapraz doğrulamayı kullanın.

---

Tahmine Dayalı Analitik için Power BI Entegrasyonu

Power BI, kod yazmayan iş kullanıcılarına tahmine dayalı modeller dağıtmak için erişilebilir bir platform sağlar.

Yerleşik Tahmin Edici Özellikler

Öngörme görselleri: Power BI'daki çizgi grafikleri, üstel düzeltme kullanarak trendleri ileriye doğru yansıtan yerleşik tahmin içerir. Sabit zaman serilerinde basit trend ekstrapolasyonu için uygundur.

Önemli etki sahibi görseli: Bir hedef metriğini en çok etkileyen faktörlerin hangileri olduğunu otomatik olarak tanımlar. Keşifsel analiz için kullanışlıdır - "Yüksek müşteri memnuniyetini sağlayan şey nedir?" — ancak uygun makine öğrenimi modellerinin yerini almaz.

Ayrıştırma ağacı: Farklı faktörlerin bir metriğe nasıl katkıda bulunduğunun etkileşimli keşfi. Tahmine dayalı model özelliği seçimini besleyen tanılama analitiği için kullanışlıdır.

Azure ML Entegrasyonu

Özel tahmine dayalı modeller için iş akışı şöyledir:

1. Azure Machine Learning'de modeller oluşturun (Python/scikit-learn veya AutoML kullanarak)
2. Modelleri REST API uç noktaları olarak dağıtın
3. Power BI'ı AI Insights özelliğini veya özel REST veri kaynağını kullanarak dağıtılan modele bağlayın
4. Tahminleri Power BI panolarındaki gerçek verilerle birlikte görselleştirin

Bu mimari, ML destekli arka uca, benimsemeyi teşvik eden, kurumsal kullanıcı dostu ön uç sağlar. İş kullanıcıları, temel modelleri anlamalarına gerek kalmadan tanıdık Power BI panoları ve filtreleri aracılığıyla tahminlerle etkileşime girer.

ECOSIRE'ın Power BI uygulama hizmetleri, Azure ML'ye veya özel Python modellerine bağlı uçtan uca tahmine dayalı analiz panoları oluşturur.

Power BI + Odoo Veri Hattı

Odoo çalıştıran işletmeler için:

┌──────────────┐     ┌───────────────┐     ┌──────────────┐
│   Odoo ERP   │────▶│  Data Warehouse│────▶│   Power BI   │
│  (PostgreSQL) │     │  (Azure SQL/   │     │  Dashboards  │
│               │     │   Snowflake)   │     │  + ML Models │
└──────────────┘     └───────────────┘     └──────────────┘

ETL işlem hatları, Odoo'nun PostgreSQL veritabanından verileri çıkarır, bunları veri ambarında dönüştürür ve temizler ve Power BI, görselleştirme ve tahmin için ambara bağlanır. ECOSIRE'ın Power BI ERP entegrasyon hizmetleri tam olarak bu mimaride uzmanlaşmıştır.

---

Veriye Dayalı Bir Kültür Oluşturmak

Kültür değişimi olmayan teknoloji, kimsenin kullanmadığı pahalı gösterge tabloları üretir. Veriye dayalı bir kültür oluşturmak şunları gerektirir:

Yönetici Sponsorluğu

CEO veya COO, veriye dayalı karar almayı gözle görülür şekilde desteklemelidir. Bu şu anlama gelir:

• Liderlik toplantılarında analitiklere atıfta bulunmak ("Kaybolma modeli şunu gösteriyor...")
• Önemli kararlar için veriye dayalı önerilere ihtiyaç duyulması
• Her bileşen için anında yatırım getirisi talep etmeden analitik altyapısına yatırım yapmak
• Analitik zaferlerini herkesin önünde kutlamak

Veri Okuryazarlığı Eğitimi

Çoğu çalışan temel istatistikleri (güven aralıkları, anlamlılık testi veya korelasyona karşı nedensellik) yorumlayamaz. Yatırım yapın:

• Yönetici atölye çalışmaları (4 saat): Gösterge tabloları nasıl okunur, doğru sorular nasıl sorulur, tahminler nasıl yorumlanır
• Yönetici eğitimi (8 saat): Karar vermede tahminler nasıl kullanılır, model sınırlamalarını anlama
• Analist sertifikası (40+ saat): Uzman kullanıcılar için model oluşturma, değerlendirme ve devreye alma
• Self servis analizleri (devam ediyor): Tüm bilgi çalışanları için Power BI eğitimi

Teşvik Uyumlaması

Eğer satış elemanları içgüdüsel tahminlere göre ölçülürse ve bunları geçmeleri karşılığında prim verilirse, tahminleri kum torbasına koyarak sistemle oynayacaklar. Teşvikleri veri odaklı davranışlarla uyumlu hale getirin:

• Ödül tahminlerinin doğruluğu (iyimserlik veya kötümserlik değil)
• Atfedilen satış hattına göre pazarlamayı ölçün (gösteriş ölçümleri değil)
• Operasyonel bonusları tahmine dayalı model benimseme oranlarına bağlayın

Yönetişim ve Güven

İnsanlar verilere güvenmediğinde analiz başarısız olur. Aşağıdakiler aracılığıyla güven oluşturun:

• Veri sahipliği: Her metriğin doğruluğundan sorumlu tek bir sahibi vardır
• Belgelenmiş tanımlar: "Gelir" her raporda aynı anlama gelir
• Kalite SLA'ları: Veriler X saat içinde yenilenir, doğruluk %Y'nin üzerindedir
• Denetlenebilirlik: Kullanıcılar, girdileri ve metodolojiyi anlamak için herhangi bir tahminin ayrıntısına girebilir

---

Oluşturma ve Satın Alma Karar Çerçevesi

Karma yaklaşım (çoğu orta ölçekli işletme için önerilir): Görselleştirme ve temel tahminler için bir BI platformu (Power BI, Looker, Tableau) satın alın. En yüksek değere sahip 2-3 kullanım senaryonuz için Python'da özel modeller oluşturun. İş kullanıcısı tüketimi için özel modelleri BI platformu aracılığıyla devreye alın.

---

Uygulama Yol Haritası

Aşama 1: Temel (1-3. Aylar)

• Veri denetimi: Tüm veri kaynaklarının envanterini çıkarın, kaliteyi değerlendirin, boşlukları tespit edin
• Kullanım senaryosu önceliklendirmesi: 1-2 yüksek değerli, yüksek fizibiliteli kullanım senaryosu seçin
• Veri altyapısı: Veri ambarı ve ETL işlem hatlarını oluşturun
• BI dağıtımı: Açıklayıcı panolarla Power BI'ı (veya tercih edilen platformu) kurun
• Hızlı kazanç: Değeri ortaya koymak için tek bir yerleşik tahmin özelliği (Power BI tahmin görseli) uygulayın

Aşama 2: İlk Tahmin Modeli (4-6. Aylar)

• Özellik mühendisliği: Öncelikli kullanım senaryosu için ML'ye hazır özellikler hazırlayın
• Model geliştirme: İlk özel modeli oluşturun, doğrulayın ve dağıtın
• Kullanıcı eğitimi: Paydaşları tahminleri yorumlama ve tahminlere göre hareket etme konusunda eğitin
• Ölçüm: Temel ölçümleri oluşturun ve modelin etkisini izlemeye başlayın
• Belgeleme: Belge modeli metodolojisi, veri kaynakları ve sınırlamalar

Aşama 3: Ölçek (7-12. Aylar)

• Ek kullanım örnekleri: Farklı departmanlara 2-3 model daha dağıtın
• Otomasyon: Modelin yeniden eğitilmesini, veri yenilemeyi ve uyarı tetiklemeyi otomatikleştirin
• Self servis: Uzman kullanıcıların kendi tahmine dayalı sorgularını oluşturmasına olanak tanıyın
• Kültür oluşturma: Veri okuryazarlığı programını başlatın, teşvikleri uyumlu hale getirin

Aşama 4: Optimizasyon (2. Yıl+)

• Gelişmiş modeller: Doğruluğun iyileştirilmesinin karmaşıklığı haklı çıkardığı basit modellerden toplu modellere geçiş
• Gerçek zamanlı tahmin: Zamana duyarlı kullanım örnekleri için toplu puanlamadan gerçek zamanlı puanlamaya geçin
• Kuralcı işlemler: Tahminleri otomatik karar sistemlerine (fiyatlandırma, envanter, kampanya tetikleyicileri) bağlayın
• İşlevler arası modeller: Bütünsel iş tahmini için departmanlar arasındaki verileri birleştiren modeller oluşturun

---

Yaygın Tuzaklar

İş probleminden değil, verilerden başlamak. "Çok fazla verimiz var, bakalım hangi öngörüleri bulabileceğimize bakalım" ilginç ancak eyleme geçirilemez sonuçlar üretir. "Tahminle hangi karar daha iyi olur?" ile başlayın. ve ihtiyaç duyulan verilere geriye doğru çalışın.

Tarihsel kalıplara aşırı uyum. 2019-2024 verileriyle eğitilen bir model, 2026 piyasa koşullarına genellenemeyebilir. Eğitim setinize her zaman güncel verileri ekleyin ve yeni veriler üzerindeki model performansını sürekli olarak izleyin.

Son aşamayı göz ardı etmek. Kontrol panelinde yer alan ve iş akışına entegre edilmeyen mükemmel bir tahminin iş değeri sıfırdır. Her model için tetiklediği eylemi, eylemden sorumlu kişiyi ve eylemin işe yaradığını kanıtlayan ölçümü tanımlayın.

Nedensellik ile kafa karıştırıcı korelasyon. Modeliniz, destek ekibiyle 3'ten fazla kez iletişime geçen müşterilerin daha sık kaybedildiğini görebilir. Bu, destek bağlantılarının kesintiye neden olduğu anlamına gelmez; temeldeki ürün sorunu her ikisine de neden olur. Korelasyona göre hareket etmek (destek temaslarından kaçınmak) sorunları daha da kötüleştirebilir.

---

Sıkça Sorulan Sorular

Orta ölçekli bir işletme için tahmine dayalı analizin maliyeti ne kadardır?

Temel bir uygulamanın (BI platformu + 1-2 özel model) ilk yıl maliyeti lisanslama, danışmanlık ve eğitim dahil 50.000-100.000 ABD dolarıdır. Platform lisanslaması, veri altyapısı ve model bakımı için devam eden maliyetler yıllık 20.000-40.000 ABD dolarıdır. İyi seçilmiş kullanım durumları için yatırım getirisi genellikle 6-12 ay içinde maliyetleri aşar.

Veri bilimcilerini işe almam gerekiyor mu?

İlk uygulama için danışmanlık veya kısmi veri bilimi kaynakları iyi sonuç verir. Sürdürülebilir tahmine dayalı analiz operasyonları için (departmanlar arasında 3'ten fazla aktif model), tam zamanlı bir veri bilimci veya makine öğrenimi mühendisi uygun maliyetli hale gelir. Birçok işletme danışmanlarla başlar ve uygulama olgunlaştıkça işe alınır.

Tahminsel analiz için minimum şirket büyüklüğü nedir?

1.000'den fazla müşteri kaydına ve 12'den fazla aylık işlem verisine sahip her işletme, temel tahmine dayalı analizlerden (potansiyel müşteri puanlaması, müşteri kaybı tahmini) yararlanabilir. Gelişmiş kullanım durumları (talep tahmini, CLV modelleme) daha fazla veri gerektirir. Geliri 5 milyon doların altında olan işletmeler, uygulama maliyetinin özel modellerin faydasını aştığını görebilir; bunun yerine yerleşik platform tahminlerini kullanın.

Tahminsel analitiğin yatırım getirisini nasıl ölçebilirim?

Her kullanım durumu için, model dağıtımından önce bir temel ölçüm tanımlayın (ör. mevcut kayıp oranı, mevcut tahmin doğruluğu, mevcut dönüşüm oranı). Dağıtımdan sonra aynı ölçümü ölçün ve diğer değişiklikleri kontrol ederek iyileştirmeyi tahmin modeline bağlayın. A/B testi (rastgele bölünmüş gruplarda model tahminleri ve insan kararı) en titiz yatırım getirisi ölçümünü sağlar.

Tahminsel analizler küçük veri kümeleriyle çalışabilir mi?

Geleneksel makine öğrenimi binlerce kayıt gerektirir. Küçük veri kümeleri (100-500 kayıt) için güçlü düzenlemeye sahip daha basit modeller (lojistik regresyon, karar ağaçları) kullanın. Büyük genel veri kümelerinde önceden eğitilmiş ve küçük veri kümenizde ince ayar yapılmış modelleri kullanan transfer öğrenimi, metin ve görüntü tabanlı kullanım örnekleri için giderek daha uygun hale geliyor. Küçük veri kümelerine sahip tablo halindeki iş verileri için, basit istatistiklerle zenginleştirilmiş uzman görüşü, karmaşık makine öğreniminden daha iyi performans gösterir.

Tahmin edici modeller ne sıklıkla yeniden eğitilmelidir?

Model doğruluğunu sürekli izleyin. Doğruluk eşiğinizin altına düştüğünde (genellikle dağıtım doğruluğunda %5-10'luk bir düşüş) yeniden eğitim verin. Çoğu iş kullanımı durumunda, en son verilerle aylık veya üç ayda bir yapılan yeniden eğitim, doğruluğu korur. Hızla değişen ortamlar (dolandırıcılık tespiti, fiyatlandırma) haftalık olarak yeniden eğitim gerektirebilir.

---

Sonraki Adımlar

Tahmine dayalı analitik bir teknoloji projesi değildir; teknolojiyi kullanan bir iş dönüşümüdür. En başarılı uygulamalar, bir teknoloji çözümüyle ("Bir makine öğrenimi platformu dağıtalım") değil, net bir iş sorusuyla ("Önümüzdeki çeyrekte kaç müşteri kaybedeceğiz?") başlar.

En yüksek değere sahip tahmin sorunuzu belirleyin, veri hazırlığınızı değerlendirin, eyleme dönüştürülebilir doğruluk sağlayan en basit modeli seçin ve tahminleri kararlara dönüştüren operasyonel süreci oluşturun.

Odoo ERP verilerinize bağlı Power BI kontrol panelleri ile tahmine dayalı analizler uygulamaya hazır işletmeler için, veri hazırlığı değerlendirmesi için ECOSIRE'ın analitik hizmetlerini keşfedin veya ekibimizle iletişime geçin.