Vaka Çalışması · Perakende
Defacto DISCO: bu ürüne şu fiyatı verirsem 14 günde kaç adet satar?
İndirim kararını tahmine dayandıran sistem: fiyatı değişen her ürün için sonraki 14 günün satış adedini stok, kırıklık, satış hızı, fiyat geçmişi ve takvim etkilerinden öğrenen XGBoost modeli; her gün çalışan bir hat, 14 gün sonra gerçekleşenle ölçülen hata ve planlamacının beş psikolojik fiyatı yan yana denediği bir demo arayüzü. MVP tamamlandı; yönetim kararıyla fiyatlandırma sürecine alınmadı.
- Fiyat → adet
- Soru
- İki yönlü
- Yön
- MAPE
- Ölçüm
- 5 psikolojik fiyat
- Demo
Fiyat değişiminden sonraki 14 gün
İndirim ve fiyat artışı
Her tahmin 14 gün sonra gerçekleşenle kıyaslanır
Planlamacı fiyatları yan yana görür
Problem
Hızlı moda perakendesinde indirim, sezonun kaderini belirleyen karar: erken ve derin indirim marjı eritir, geç ve sığ indirim stoğu sezon sonuna taşır. Planlamacının elinde “bu ürüne şu fiyatı verirsem ne olur” sorusuna sayısal bir cevap yoktu; karar tecrübeye, geçen yılın hafızasına ve toplu indirim kurallarına dayanıyordu.
Soru basit görünür ama iki yönü var: aynı model hem indirimin satışı ne kadar artıracağını hem fiyat artışının ne kadar düşüreceğini söylemeli. Ve cevap ürün bazında olmalı — bir tişört ile bir montun fiyata tepkisi aynı değil.
Model — fiyat değişiminden 14 gün sonrası
DISCO’nun hedef değişkeni net: bir option’ın (stil × renk × sezon) fiyatı değiştikten sonraki 14 günde kaç adet satacağı. Bu ufuk bilinçli seçildi — indirim etkisinin en belirgin olduğu ve planlamacının bir sonraki karar için geri bildirim alabileceği süre.
Model XGBoost regresyon; eğitim verisi geçmiş fiyat değişim olaylarından kurulu. Pandemi bu veriyi ikiye böldü: 2017–2020 ve 2021 sonrası olaylar ayrı ayrı hazırlanıp birleştirildi, çünkü kapanma dönemlerinin fiyat–satış ilişkisi öncesine benzemiyordu. Eğitim seti altı ayda bir yenileniyor.
Özellikler dört grupta toplanıyor:
- Stok ve bulunurluk — son 14 günün ortalama mağaza, depo ve yoldaki stoğu; beden bulunurluğu ve kırıklık, hem son 14 günde hem indirim gününde. Kırık bir ürün ne kadar indirilirse indirilsin satmaz; model bunu öğreniyor.
- Satış hızı — son 14 günün satış adedi ve cirosu.
- Fiyat — önceki fiyat, yeni fiyat, ilk (etiket) fiyatı ve değişim oranı. Ürünün ilk fiyatının ne kadar altına inildiği, indirimin kaçıncı olduğu.
- Bağlam — yaşam döngüsü, bölüm ve alt bölüm, sezon, ay, özel gün ve bayram öncesi/sonrası bayrakları, raf ömrü, maliyet.
Maliyetin özellik olarak girmesi bir yan sonuç veriyor: her fiyat için tahmin edilen adet, ciro ve kârlılığa çevrilebiliyor.
Günlük hat
Model bir defalık analiz değil, her gün koşan bir hat olarak kuruldu:
- SQL prosedürleri o gün fiyatı değişen ürünleri tespit eder; stok, satış ve fiyat geçmişinden test verisini hazırlar. Bir çalışma log’u günün durumunu tutar — başlamadı, veri hazır, tahmin bitti.
- Python hattı veri hazır olduğunda devreye girer (üç saat boyunca yarım saatte bir dener); önceden eğitilmiş encoder, ölçekleyici ve modelle tahmin üretir, sonuçları veritabanına yazar.
- On dört gün sonra gerçekleşen satış tahminle karşılaştırılır; MAPE her tahmin için hesaplanır ve birikir. Model sapmaya başlarsa bu görünür.
- Power BI’daki Discount Elasticity Dashboard hem tahminleri hem hata izini gösterir.
Her adım DSO’nun ortak log yapısına yazar.
Planlamacı demosu — Markdown Forecast
Modelin işe yaraması için planlamacının ona soru sorabilmesi gerekiyordu. Streamlit ile kurulan demo arayüzünde planlamacı stil, renk ve sezon kodunu girip düşündüğü fiyatı yazıyor. Sistem, geçmiş fiyat geçişlerinden türetilmiş psikolojik fiyat listesinden (x9,99 / x4,99 gibi) girilen fiyata en yakın beşini seçiyor ve her biri için 14 günlük satış adedi, ciro ve değişim oranı tahmini üretiyor. Planlamacı beş senaryoyu yan yana görüp seçiyor — model karar vermiyor, kararı somutlaştırıyor.
Neden canlıya alınmadı
Model, günlük hat, hata izleme ve demo hazırdı; eksik olan karardı. Fiyatlandırma bir şirketin en hassas kararlarından biridir ve algoritmanın önerisini sürecin içine almak yalnızca teknik değil örgütsel bir tercih gerektirir. Yönetim bu tercihi yapmadı; DISCO MVP olarak kaldı.
Bunu projenin doğru noktada durdurulması olarak görüyoruz: MVP’nin işi “yapılabilir mi, güvenilir mi” sorusuna cevap vermekti ve verdi. Burada kurulan yapı — fiyat değişim olaylarından öğrenen model, günlük tahmin ve 14 gün sonra kapanan hata döngüsü, psikolojik fiyat senaryoları — Lumtify’ın DISCO ürününün temelini oluşturdu.