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 bir XGBoost modeli kurduk. Hat her gün çalışıyor, hata 14 gün sonra gerçekleşenle ölçülüyor ve planlamacı bir demo arayüzünde beş psikolojik fiyatı yan yana deneyebiliyor. 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 sezonun nasıl kapanacağını büyük ölçüde indirim kararı belirler. Erken ve derin indirim marjı eritir; geç ve sığ kalan indirim ise 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.
Sorunun iki yönü var. Aynı model, indirimin satışı ne kadar artıracağını da fiyat artışının satışı ne kadar düşüreceğini de söyleyebilmeli. Cevabın ürün bazında olması da gerekiyor, çünkü bir tişörtle bir montun fiyata tepkisi aynı değil.
Model: fiyat değişiminden sonraki 14 gün
DISCO’nun hedef değişkeni, bir option’ın (stil × renk × sezon) fiyatı değiştikten sonraki 14 günde kaç adet satacağı. 14 günü, indirim etkisinin en belirgin olduğu ve planlamacının bir sonraki karar için geri bildirim alabileceği süre olduğu için seçtik.
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. Bedenleri kırık bir ürün derin indirimde de satmıyor ve model bunu veriden 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.
Maliyet de özellikler arasında olduğu için her fiyat için tahmin edilen adet ciroya ve karlılığa çevrilebiliyor.
Günlük hat
Modeli her gün koşan bir hat olarak kurduk:
- 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 birini seçiyor; kararı yine o veriyor.
Neden canlıya alınmadı
Model, günlük hat, hata izleme ve demo hazırdı. Eksik olan, bunları sürece alma kararıydı. Fiyatlandırma bir şirketin en hassas kararlarından biri ve algoritmanın önerisini sürecin içine almak teknik olduğu kadar örgütsel bir tercih. Yönetim bu tercihi yapmadı; DISCO MVP olarak kaldı.
Bize göre proje doğru noktada durdu. MVP’nin işi “yapılabilir mi, güvenilir mi” sorusunu cevaplamaktı ve bu cevap alındı. Burada kurulan yapı (fiyat değişim olaylarından öğrenen model, günlük tahmin, 14 gün sonra kapanan hata döngüsü ve psikolojik fiyat senaryoları) Lumtify’ın DISCO ürününün temelini oluşturdu.