Zaman Serisi Analizi ile Talep Tahmini: Durağanlık, Eğilim ve Sezonsallık

Kısaca: Zaman serisi yöntemleri, talebin geçmişte aynı aralıklarla ölçülmüş değerlerini inceleyerek gelecekteki talebi tahmin eder. Yöntemin başarısı, serinin yapısının doğru tanınmasına bağlıdır: talep belirli bir düzey etrafında dalgalanıyor (durağan), zamanla artıyor veya azalıyor (eğilimli) ya da belirli dönemlerde tekrar eden dalgalanmalar gösteriyor (sezonsal) olabilir. Her yapı için uygun yöntem farklıdır; yanlış yöntem seçimi tahminde sistematik sapmaya yol açar. Bu yazıda zaman serisi analizinin temel kavramları, durağan, eğilimli ve sezonsal serilerin ayırt edilmesi, başlıca yöntemler ve uygulamada dikkat edilecek noktalar ele alınmakta; verilerin toplanması, analizi ve sapmaların yorumlanmasında teknolojinin rolü ayrıca incelenmektedir. Tahmin yöntemlerinin genel çerçevesine Talep Planlama Nedir? sayfasından ulaşılabilir.

Zaman Serisi Nedir ve Tahminlemede Neden Kullanılır?

Zaman serisi, aynı büyüklüğün eşit aralıklarla (günlük, haftalık, aylık) ölçülmüş değerlerinin zaman sırasına göre dizilmesidir. Talep planlamada bu büyüklük genellikle bir ürünün veya ürün ailesinin satış ya da sevkiyat miktarıdır. Zaman serisi yöntemlerinin temel varsayımı, talebin geçmişteki davranış örüntüsünün yakın gelecekte de devam edeceğidir.

Bu yaklaşımın güçlü yanı, yalnızca talep geçmişine ihtiyaç duyması ve çok sayıda ürün için otomatik uygulanabilmesidir. Zayıf yanı ise talebi etkileyen nedenleri (fiyat, kampanya, ekonomik koşullar) açıkça modellememesidir. Talep bu etkenlerle belirgin biçimde değişiyorsa, zaman serisi yöntemleri nedensel yöntemlerle (regresyon gibi) ya da yargısal düzeltmelerle desteklenir. Yeni ürünlerde ise yeterli geçmiş bulunmadığından zaman serisi yöntemleri tek başına kullanılamaz.

Zaman Serisinin Bileşenleri Nelerdir?

Bir talep serisi birkaç bileşenin birleşimi olarak düşünülebilir:

• Düzey: Serinin etrafında dalgalandığı ortalama talep miktarıdır.
• Eğilim: Serinin uzun dönemde artış veya azalış yönündeki hareketidir. Pazar büyümesi, ürün yaşam döngüsü veya fiyat politikası eğilime neden olabilir.
• Sezonsallık: Her yıl veya her hafta belirli dönemlerde tekrar eden dalgalanmadır. Yaz aylarında artan içecek talebi, Ramazan öncesi artan gıda talebi veya yıl sonu yoğunluğu örnektir.
• Döngüsel hareket: Genellikle ekonomik koşullara bağlı, süresi sabit olmayan ve birkaç yıla yayılan dalgalanmalardır. Sezonsallıktan farkı, süresinin önceden bilinememesidir.
• Rastgele değişim: Açıklanamayan, tahmin edilemeyen küçük dalgalanmalardır. Hiçbir yöntem bu bileşeni ortadan kaldıramaz; yöntemin amacı yalnızca diğer bileşenleri doğru ayırmaktır.

Bileşenlerin birleşme biçimi de önemlidir. Toplamsal modelde sezonsal dalgalanmanın büyüklüğü sabittir (her Temmuz ayında ortalamanın 200 adet üzerinde). Çarpımsal modelde ise dalgalanma seri düzeyiyle orantılı büyür (her Temmuz ayında ortalamanın %20 üzerinde). Talebi zamanla büyüyen ürünlerde çarpımsal model daha sık uygun olmaktadır. Yanlış model seçimi, talep büyüdükçe sezonsal etkinin yanlış hesaplanmasına yol açar.

Durağan, Eğilimli ve Sezonsal Seriler Nasıl Ayırt Edilir?

Durağan seri, belirli bir ortalama etrafında rastgele dalgalanır; belirgin bir eğilimi ve sezonsal örüntüsü yoktur. Olgunluk dönemindeki, istikrarlı talepli tüketim ürünleri bu gruba girebilir. Serinin grafiğinde değerler yatay bir bant içinde kalır.

Eğilimli seri, zaman içinde sürekli yükselir veya alçalır. Büyüme dönemindeki bir ürün ya da pazarı küçülen bir ürün örnek verilebilir. Bu seride ortalamaya dayalı basit yöntemler, eğilimin gerisinde kalarak sürekli düşük veya yüksek tahmin üretir.

Sezonsal seri, belirli aralıklarla tekrar eden yüksek ve düşük dönemler içerir. Dalgalanma yılın aylarına, haftanın günlerine veya tatil dönemlerine bağlı olabilir. Sezonsallığı dikkate almayan yöntemler, her yıl aynı dönemlerde aynı yönde sapma üretir.

Uygulamada çoğu seri eğilim ve sezonsallığı birlikte taşır. Bu nedenle ilk adım, serinin grafiğinin çizilmesi ve yıllara göre üst üste bindirilmesidir; yıllar arasında benzer biçimli dalgalanmalar sezonsallığa, ortalamadaki kalıcı kayma ise eğilime işaret eder. Yöntem seçimi bu yapıya göre yapılır: durağan seriler için hareketli ortalama ve basit üstel düzeltme, eğilimli seriler için Holt yöntemi (eğilimli üstel düzeltme), eğilim ve sezonsallığın birlikte bulunduğu seriler için Holt-Winters yöntemi veya ayrıştırma yaklaşımı uygundur.

Durağanlık Kavramı Neyi İfade Eder?

Durağanlık, zaman serisi analizinde iki farklı anlamda kullanılabilmektedir. Planlama dilinde "durağan talep", belirli bir düzey etrafında dalgalanan ve eğilimi ile sezonsallığı olmayan talebi ifade eder. İstatistik dilinde ise durağan seri, ortalaması, değişkenliği ve zamana bağlı ilişki yapısı zaman içinde değişmeyen seridir. Eğilim ve sezonsallık içeren bir seri bu anlamda durağan değildir.

İstatistiksel durağanlığın önemi, bazı modellerin yalnızca durağan seriler üzerinde güvenilir çalışmasıdır. Otoregresif Modeller (ARIMA) bunun en bilinen örneğidir. Durağan olmayan bir seri, ardışık değerlerin farkı alınarak (fark alma) ya da sezonsal farklar kullanılarak durağan hale getirilir ve model bu dönüştürülmüş seri üzerinde kurulur. Üstel düzeltme yöntemleri ise eğilim ve sezonsallığı doğrudan bileşen olarak modellediği için serinin önceden durağanlaştırılmasını gerektirmez.

Planlamacı açısından bu ayrımın pratik sonucu, serinin durağan olmaması halinde ortalamaya dayalı basit bir yöntem yerine eğilim ve sezonsallığı açıkça modelleyen bir yöntemin seçilmesi ya da serinin uygun bir dönüşümle durağan hale getirilmesidir.

Başlıca Zaman Serisi Yöntemleri Nelerdir?

Naif tahmin: Bir sonraki dönemin tahmini, son gerçekleşen değerdir (sezonsal naif yöntemde bir önceki yılın aynı dönemidir). Basitliği nedeniyle diğer yöntemler için karşılaştırma tabanı olarak yararlıdır.

Hareketli ortalama: Son belirli sayıda dönemin ortalaması tahmin olarak kullanılır. Pencere uzadıkça tahmin daha düzgün ancak değişimlere daha geç tepki veren bir hal alır. Yalnızca durağan serilerde uygundur.

Basit üstel düzeltme: Yeni tahmin, önceki tahmin ile son gerçekleşenin ağırlıklı birleşimidir: Yeni tahmin = Önceki tahmin + α × (Gerçekleşen − Önceki tahmin). α düzeltme katsayısı 0 ile 1 arasındadır. Örneğin önceki tahmin 100, gerçekleşen 110 ve α = 0,3 ise yeni tahmin 100 + 0,3 × 10 = 103 olur (rakamlar açıklama amaçlıdır). Büyük α değeri son verilere hızlı tepki verir ancak rastgele dalgalanmayı da izler; küçük α değeri daha kararlı fakat yavaş bir tahmin üretir.

Holt yöntemi (eğilimli üstel düzeltme): Düzeye ek olarak eğilim bileşenini de güncelleyen yöntemdir. Eğilimli seriler için uygundur. Uzun ufuklarda eğilimin sonsuza dek sürdürüldüğü varsayımı yüksek tahmine yol açabileceğinden, eğilimin zamanla sönümlendiği (sönümlü eğilim) varyantı sıkça tercih edilir.

Holt-Winters yöntemi: Düzey, eğilim ve sezonsal bileşenleri birlikte güncelleyen yöntemdir. Sezonsal bileşen toplamsal ya da çarpımsal olarak tanımlanabilir. Eğilim ve sezonsallık içeren seriler için yaygın bir başlangıç yöntemidir.

Ayrıştırma: Seri önce eğilim, sezonsallık ve kalan bileşenlere ayrılır. Sezonsal indeksler hesaplanır, seri sezonsallıktan arındırılarak eğilim tahmin edilir ve tahmin sezonsal indekslerle yeniden çarpılır. Her bileşenin ayrı görülebilmesi nedeniyle açıklama kolaylığı sağlar.

Otoregresif Modeller (ARIMA): Serinin geçmiş değerleri ve geçmiş sapmaları arasındaki ilişkileri modelleyen yöntemlerdir. Durağan hale getirilmiş seri üzerinde çalışır ve karmaşık otokorelasyon yapılarını yakalayabilir. Model kurulumu uzmanlık gerektirir; otomatik model seçimi bu yükü azaltmaktadır.

Zaman Serisi Tahmininde Nelere Dikkat Edilmelidir?

Geçmiş Verinin Uzunluğu ve Kalitesi

Sezonsallığın güvenilir biçimde tahmin edilebilmesi için en az iki, tercihen üç tam sezon (aylık veride 24-36 ay) verisi gerekir. Daha kısa serilerde sezonsal indeksler rastgele dalgalanmayı sezonsallık sanabilir. Veri miktarı yetersizse sezonsallık, benzer ürün gruplarından ya da üst düzeyden türetilerek kullanılır.

Temizleme ve Olayların İşaretlenmesi

Zaman serisi yöntemleri geçmişi olduğu gibi öğrenir. Stoksuzluk nedeniyle düşük kalan satışlar, kampanya zirveleri, tek seferlik büyük siparişler ve sistem hataları serinin yapısını bozar. Bu dönemler serideki olay olarak işaretlenmeli, düzeltilmeli ya da modelden çıkarılmalıdır. Aksi halde kampanya zirveleri normal talep, stoksuzluk dönemleri düşük talep olarak öğrenilir.

Takvim Etkileri

Dinî bayramlar ve Ramazan her yıl yaklaşık 11 gün öne kaydığı için sabit aylara bağlı sezonsal indeksler bu etkiyi yanlış aylara yazar; bu dönemler ayrı bir olay değişkeni olarak ele alınmalıdır. Ayrıca aylar arasındaki iş günü sayısı farkı da aylık seride dalgalanma yaratır; iş günü başına talep üzerinden çalışmak bu etkiyi azaltır.

Yapısal Değişimler

Yeni bir büyük müşterinin kazanılması veya kaybı, fiyat politikası değişikliği, mevzuat değişikliği ya da ürün yenilemesi serinin düzeyini kalıcı olarak kaydırabilir. Bu tür kırılmalardan önceki veri, yeni durumu temsil etmeyebilir; kırılma sonrası verinin ağırlığının artırılması veya modelin yeniden başlatılması gerekebilir.

Aşırı Uyum ve Doğrulama

Çok sayıda parametreli bir model geçmiş veriye çok iyi uyabilir, ancak bu başarı geleceği iyi tahmin edeceği anlamına gelmez. Yöntem seçiminde modelin geçmişe uyumu değil, görmediği veri üzerindeki başarısı esas alınmalıdır. Bunun için verinin son bölümü ayrılır, model önceki bölümle kurulur ve ayrılan bölümde sınanır; bu işlem ileri doğru kaydırılarak tekrarlanır (kayan başlangıç noktası ile doğrulama).

Tahmin Ufku ve Düzey

Tahmin ufku uzadıkça doğruluk düşer; bir hafta sonrası için iyi çalışan yöntem altı ay sonrası için uygun olmayabilir. Yöntem, kararın verildiği ufka göre değerlendirilmelidir. Ayrıca düzey de önemlidir: ürün-lokasyon düzeyinde gürültülü olan seri, ürün ailesi düzeyinde çok daha düzgün görünür. Yukarıdan aşağı ve aşağıdan yukarı tahmin yaklaşımları bu nedenle birlikte değerlendirilir.

Sapmanın Düzenli İzlenmesi

Hiçbir yöntem sonsuza kadar doğru kalmaz. Talebin yapısı değiştiğinde seçilen model de eskir. Bu nedenle tahmin sapması düzenli olarak ölçülmeli, yanlılık sürekli aynı yönde ise yöntem ya da parametreler gözden geçirilmelidir. Sapmanın hesaplanması ve yorumlanması için bkz. Tahmin Sapması Nasıl Ölçülür ve Yorumlanır? Yanlılık (Bias) ve Yüzde Sapma Göstergeleri.

Aralıklı Talepte Zaman Serisi Yaklaşımı Nasıl Değişir?

Bazı ürünlerde (yedek parçalar, özel siparişli kalemler) talep birçok dönem sıfır olur, ardından değişken miktarlarda gelir. Bu seriler yukarıdaki yöntemlerle iyi modellenemez: sıfırlar ortalamayı aşağı çeker, üstel düzeltme ise talep gelmeyen dönemlerde tahmini sürekli düşürüp talep geldiğinde yükseltir.

Bu tür serilerde önce talep deseni sınıflandırılır. Talepler arasındaki ortalama süre (ADI) ile talep büyüklüğündeki değişkenlik katsayısının karesi (CV²) kullanılır; literatürde yaygın kesme değerleri ADI için 1,32 ve CV² için 0,49'dur. Bu değerlere göre seri düzgün, düzensiz, aralıklı veya kesikli olarak adlandırılır. Aralıklı ve kesikli seriler için Croston yöntemi, talep miktarını ve talepler arası süreyi ayrı ayrı düzelterek tahmin eder. Croston yönteminin yukarı yönlü yanlılığını azaltan Syntetos-Boylan düzeltmesi (SBA) de yaygın kullanılmaktadır. Bu serilerde doğruluk, yüzde sapma yerine mutlak sapma veya hizmet düzeyi bazlı ölçütlerle değerlendirilir. Savunma ve havacılık gibi alanlardaki yedek parça uygulaması için bkz. Savunma ve Havacılıkta Yedek Parça Planlama: Onarım Döngüsü, Kritiklik ve Eskime.

Teknoloji ve Dijitalleşme: Verilerin Toplanması, Analizi ve Sapmaların Yorumlanması

Zaman serisi analizi, küçük bir ürün grubunda tablo üzerinde yapılabilir. Güçlük, aynı analizin binlerce ürün-lokasyon serisinde her dönem tutarlı biçimde yürütülmesidir. Teknolojinin katkısı üç aşamada ele alınabilir: verilerin toplanması ve hazırlanması, serilerin analizi ve model seçimi, sapmaların hesaplanması ve yorumlanması.

Verilerin Toplanması ve Hazırlanması

Kurumsal Kaynak Planlama (ERP) sistemleri sipariş, sevkiyat, stok ve fiyat işlemlerinin kaynağıdır; zaman serisinin ham maddesi bu kayıtlardır. Dağıtıcı ve zincir mağazalardan Elektronik Veri Değişimi (EDI) yoluyla alınan satış ve stok verisi ile Nesnelerin İnterneti (IoT) kapsamındaki bağlı satış noktaları ve akıllı raflardan gelen tüketim verisi, sevkiyata göre gerçek talebe daha yakın seriler üretir. Bu veriler kaynak sistemlerden otomatik toplanarak ortak bir veri ambarında birleştirilir; veri ambarı, farklı kaynaklardan gelen verinin tek ve tutarlı bir yapıda saklandığı analiz veri tabanıdır.

Ham veriyi zaman serisine dönüştürmek, başlı başına bir hazırlık adımıdır. Eksik dönemlerin sıfır satıştan ayrılması, birim dönüşümleri, ürün kodu değişikliklerinin birleştirilmesi, stoksuzluk ve kampanya dönemlerinin işaretlenmesi ve takvim değişkenlerinin eklenmesi otomatik veri akışlarıyla yapılabilmektedir. Bu adım otomatikleştirildiğinde seriler her dönem aynı kurallarla hazırlanır.

Serilerin Analizi ve Model Seçimi

İstatistiksel tahmin motorları her seri için eğilim ve sezonsallığı otomatik sınıflandırır, aralıklı serileri ayırır ve aday yöntemler arasından en uygun olanı seçer. Otomatik model seçimi, adayların görmediği veri üzerindeki başarısını (kayan başlangıç noktası ile doğrulama) veya model bilgi ölçütlerini karşılaştırarak yapılır. Böylece binlerce seri için tek tek uzman değerlendirmesi gerekmez; uzman, yalnızca önemli ve sorunlu seriler üzerinde çalışır.

Yapay Zeka (AI), veriden örüntü öğrenerek tahmin, sınıflandırma ve öneri üreten yöntemlerin genel adıdır; Makine Öğrenmesi (ML) bunun veriden öğrenen alt dalıdır. Ağaç tabanlı modeller ve sinir ağları, çok sayıda seriyi birlikte öğrenerek kısa geçmişi olan ürünlerde diğer serilerin örüntülerinden yararlanabilir; fiyat, hava ve takvim gibi dış değişkenleri de kolayca ekleyebilir. Önceden eğitilmiş genel amaçlı zaman serisi modelleri de kullanıma girmiştir. Bu modellerin tamamı klasik yöntemlerle aynı doğrulama disiplinine tabi tutulmalıdır: yeni bir model, mevcut istatistiksel yöntemden ölçülebilir biçimde daha iyi sonuç vermiyorsa sürece alınmaz.

Sapmaların Hesaplanması ve Yorumlanması

Tahmin ve gerçekleşen aynı yapıda saklandığında yanlılık ve yüzde sapma göstergeleri ürün, ürün ailesi ve kanal kırılımlarında otomatik hesaplanabilir. İş Zekası (BI) araçları, farklı kaynaklardaki veriyi birleştirip gösterge panelleri ve raporlarla karar vericilere sunan analitik katmandır; sapma ısı haritaları, seri başına tahmin ve gerçekleşen grafikleri ve eşik değeri aşan kalemlerin istisna listeleri bu katmanda sunulur. Sapma, modelin eskidiğinin de erken göstergesidir; yanlılığı süreklilik kazanan seriler model yeniden değerlendirmesi için işaretlenir.

Üretken Yapay Zeka (GenAI), büyük dil modellerine dayanarak doğal dilde özet ve açıklama taslağı üreten yapay zeka türüdür. Sapma bulgularını okunabilir bir değerlendirmeye dönüştürebilir; ancak olası nedenlerin doğrulanması ve karar planlamacının sorumluluğunda kalır.

Zaman serisi yöntemi geçmişi öğrenir, nedeni bilmez;
nedenin bilgisi ise planlamacıdan ve satış ekibinden gelmektedir

Uygulamaya Geçiş: Kontrol Listesi

1. Her seri için grafiği çizin; eğilim, sezonsallık ve aralıklı yapıyı gözle doğrulayın.
2. Stoksuzluk, kampanya ve tek seferlik olay dönemlerini seride işaretleyin ve temizleyin.
3. Sezonsallık için en az iki, tercihen üç tam sezon veri kullanın.
4. Ramazan, bayram ve iş günü etkilerini ayrı değişkenlerle modelleyin.
5. Yöntem seçiminde geçmişe uyumu değil, görmediği veri üzerindeki başarıyı esas alın.
6. Tahmin sapmasını ve yanlılığı düzenli izleyin; sürekli aynı yönde sapan serilerde modeli yeniden değerlendirin.
7. ERP, satış noktası ve sevkiyat verisini ortak bir veri ambarında birleştirin; seri hazırlama adımlarını otomatikleştirin.
8. Makine öğrenmesi modellerini devreye almadan önce mevcut istatistiksel yöntemle aynı doğrulamaya tabi tutun.

İlgili Yazılar

• Tahmin Sapması Nasıl Ölçülür ve Yorumlanır? Yanlılık (Bias) ve Yüzde Sapma Göstergeleri
• Promosyon Etkisi Nasıl Tahmin Edilir? Kampanya Türleri ve Etki Hesabı
• Emniyet Stoğu Hesabında 5 Yaygın Hata ve Doğru Yaklaşım
• Savunma ve Havacılıkta Yedek Parça Planlama: Onarım Döngüsü, Kritiklik ve Eskime

Sıkça Sorulan Sorular

Zaman serisi yöntemleri ne zaman yeterli olmaz?

Talep fiyat, kampanya veya dış etkenlerle belirgin biçimde değişiyorsa, yeni ürünlerde yeterli geçmiş yoksa ya da talebin yapısı kalıcı olarak değişmişse zaman serisi yöntemleri tek başına yetersiz kalır. Bu durumlarda nedensel yöntemler ve yargısal bilgi ile desteklenmelidir.

Kaç dönemlik geçmiş veri gerekir?

Durağan seriler için birkaç düzine gözlem çoğu zaman yeterlidir. Sezonsallığın tahmini için ise en az iki, tercihen üç tam sezon gerekir; aylık veride bu 24-36 aya karşılık gelir.

Durağanlık planlamada neden önemlidir?

Serinin durağan olup olmadığı yöntem seçimini belirler. Eğilim veya sezonsallık içeren bir seriye durağan seriler için tasarlanmış basit bir yöntem uygulandığında, tahmin sürekli aynı yönde sapar.

Üstel düzeltme katsayısı nasıl seçilir?

Katsayı, geçmiş veri üzerinde görmediği dönemlerdeki sapmayı en aza indirecek biçimde belirlenir. Talebi istikrarlı ürünlerde küçük, değişimlere hızlı tepki gereken ürünlerde büyük değerler tercih edilir. Modern tahmin motorları bu seçimi otomatik yapmaktadır.

Yapay zeka klasik zaman serisi yöntemlerinin yerini alır mı?

Hayır. Yapay zeka modelleri bazı serilerde daha iyi sonuç verebilir, ancak çoğu zaman klasik yöntemlerle birlikte kullanılır ve aynı doğrulamayla karşılaştırılır. Güvenilir bir karar, modelin ölçülebilir biçimde değer kattığının gösterilmesine dayanır.

Kaynaklar

• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3. baskı). OTexts.
• Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications (3. baskı). Wiley.
• Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5. baskı). Wiley.
• Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324-342.
• Gardner, E. S., & McKenzie, E. (1985). Forecasting trends in time series. Management Science, 31(10), 1237-1246.
• Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289-303.
• Syntetos, A. A., Boylan, J. E., & Croston, J. D. (2005). On the categorization of demand patterns. Journal of the Operational Research Society, 56(5), 495-503.

İlgili Optimum Planlama Eğitimleri

Bize Güvenen Firmalar

Akkim, 2023

Alarko Holding, 2011

Anadolu Efes, 2021

Barilla Gıda, 2015

BVN (Bahçıvan), 2020

Civil Mağazacılık, 2019

Çilek Mobilya, 2017

Eczacıbaşı Esan, 2021

EssilorLuxottica, 2022

Global Bilgi, 2021

Global İlaç Firması, 2023

Haribo, 2017

Hasçelik, 2015, 2022

Ibavalresa, 2025

İstikbal Mobilya, 2012

Jantsa, 2019

Kaleseramik, 2015

Kastamonu Entegre, 2017

LCWaikiki, 2010, 2012

Makbul Kuruyemiş, 2021, 2022

Migros, 2021

Nivea Türkiye, 2019

Opet Fuchs, 2014

Panasonic Electric Works, 2022

Red Bull Türkiye, 2023, 2025

Rengarenk Mobilya, 2017

Sarsılmaz Silah, 2023, 2024

Sika Türkiye, 2018

SKT Yedek Parça, 2019, 2023

Şişecam Holding, 2013–2016

Türk Telekom, 2013–2018

Zorluteks, 2023

Yorumlar

“İki gün boyunca verimli bir eğitim geçirdik. Firma olarak eksiklerimizi görüp iyileştirme yapabileceğimiz fırsatları yakaladık. Çok teşekkür ediyorum.”

Yiğit Doruk Turguter, Üretim ve Talep Planlama Kıdemli Mühendisi, Petrol Ofisi (Talep Planlama, 2024)

“Satış ve planlama grubumuz için faydalı olan bir eğitimdi. Teşekkür ederiz.”

Murat Işık, Planlama & Erp Müdürü, Sarsılmaz Silah (Talep Planlama, 2023)

“Özellikle Türkiye gibi son derece dinamik, değişken ve her geçen gün belirsizliğin arttığı bir coğrafyada faaliyet gösteren her firmanın alması gerektiği bir eğitim. Agresif rekabet ortamında doğru kararlar alabilmek ve buna paralel olarak doğru tahminlerin yapılması oldukça kritik bir önem kazandığından bu eğitimin iş yapış süreçlerimizde büyük bir avantaj sağlayacağını düşünüyorum.”

Hale Topaloğlu, Kıdemli Ürün Müdürü, Global İlaç Firması (Talep Planlama, 2023)

Tüm yorumları görüntülemek için tıklayınız.

Kurumunuza özel eğitim veya danışmanlık için teklif talebi oluşturunuz.