Tahminleme Serisi #1: ArcGIS ile Zaman Serisi Tahminleme

Karar vericilerin en büyük ihtiyaçlarından biri geleceğe dair öngörülerde bulunmaktır. İş süreçlerinde verimliliği artırmak, maliyetleri azaltmak veya riskleri önceden görmek için yalnızca geçmişi bilmek yetmez; geleceğe dair tahminlere de ihtiyaç vardır. İşte bu noktada zaman serisi tahminleme devreye girer.

Zaman Serisi Tahminleme Nedir?

Zaman serisi tahminleme (time series forecasting), geçmiş eğilimleri yorumlayarak gelecekteki olayları öngörmek için kullanılan bir tekniktir. Ancak bu yalnızca zamana bağlı değildir; veriler aynı zamanda mekânda da bir dağılım gösterebilir. ArcGIS, mekânsal ve zamansal tahminlemeyi bir araya getirerek karar vericilerin çok daha güçlü içgörüler elde etmesine imkân tanır.

Zaman serisi, belirli bir zamana (örneğin saat, gün, ay, yıl vb.) bağlı veri noktalarının bir kümesidir. İdeal olarak zaman serisi verileri, belirli bir süre boyunca tutarlı aralıklarla toplanmalıdır; rastgele veya düzensiz şekilde toplanmamalıdır. Bu düzenlilik, zaman serisi analizlerinin verilerdeki eğilimleri daha etkili bir şekilde belirlemesine ve gelecekte benzer veri noktalarının nasıl ortaya çıkabileceğine dair daha doğru tahminler yapılmasına olanak tanır.

Zaman serisi tahminlemedeki temel varsayım, gelecekteki olayların geçmişteki benzer kalıpları takip etmeye devam edeceğidir. Bu yöntem, tarihsel verilerde gözlemlenen eğilimleri en iyi temsil eden modeller kurar ve bu modelleri geleceğe yönelik değerler öngörmek için kullanır. Ancak zaman serisi tahminleme, gelecekte ne olacağının kesin bir tahmini değildir. Modele ne kadar kapsamlı ve kaliteli veri sağlanırsa tahminler de o kadar isabetli olur.

Örneğin bir perakende zinciri, her yıl tatil dönemlerinde satış gelirlerinin arttığını gözlemler. Dönem dışında ise satışlarda düşüş yaşanır. Satışların artıp artmayacağı kabaca öngörülebilir; ancak ne kadar artacağını bilmek zordur. Günlük, haftalık veya aylık satış verileri yıllar boyunca kaydedilmişse zaman serisi tahminleme bu tarihsel verileri kullanarak yaklaşan satış hacimlerini modelleyebilir ve tekrar eden eğilimleri daha net bir şekilde ortaya çıkarabilir.

Kullanım Alanları

• Personel planlamasını optimize etmek için müşteri trafiğini tahmin etmek
• Envanter yönetimini geliştirmek için ürün talebini öngörmek
• Farklı bölgelerdeki satış oranlarını tahmin ederek kampanya planlarını optimize etmek

ArcGIS’te Zaman Serisi Tahminleme Araçları

ArcGIS Pro, Space Time Cube veri modeli ve çeşitli analiz araçları sayesinde mekânsal-zamansal tahminlemeyi mümkün kılar.

• Curve Fit Forecast: Veriye en uygun matematiksel eğriyi (Linear, Parabolic, Exponential, Gompertz) seçerek geleceğe yönelik tahmin üretir.

• Exponential Smoothing Forecast: Zaman serisindeki trend ile mevsimsel veya döngüsel eğilimleri dikkate alır. Özellikle tekrarlayan desenleri yakalamada etkilidir ve bu bilgiyi kullanarak geleceğe yönelik tahminler üretir.

• Forest-based Forecast: Makine öğrenmesi (Random Forest regresyonu) ile karmaşık zaman serilerini modelleyebilir.
• Evaluate Forecasts by Location: Farklı yöntemleri karşılaştırarak her lokasyon için en uygun tahmin yöntemini seçer. Çalışma alanındaki tüm bölgeler için tek bir tahmin modeli kullanılabileceği gibi, modellerin bölgeden bölgeye değişmesine de izin verir. Örneğin bazı bölgelerde veriler düzenli bir şekilde ilerlediği için araç “Curve Fit Forecast” yöntemini seçebilirken, daha karmaşık verilerin bulunduğu bölgelerde “Forest-based Forecast” tercih edilebilir. Bu sayede harita üzerinde her bölgeye en uygun modelin uygulandığı görülebilir. Eğer farklı bölgelerde aynı model seçiliyorsa, bu durum o bölgelerin benzer özellikler taşıdığına dair önemli bir ipucu verir.

Bankacılık Sektöründe Zaman Serisi Tahminleme

Bankacılık sektöründe müşteri davranışlarını ve şube performanslarını öngörmek, doğru yatırım ve planlama kararları açısından kritik öneme sahiptir. Özellikle işlem hacmi ve gelir verilerinin zamana bağlı değişimini analiz etmek, geleceğe yönelik stratejilerin oluşturulmasına değerli katkılar sağlar. ArcGIS Pro, sunduğu zaman serisi tahminleme araçları sayesinde bu süreci hem mekânsal hem de zamansal boyutta ele almayı mümkün kılar.

Bu yazıda, Ankara’daki banka şubelerinin aylık gelir verileri üzerinden oluşturulmuş örnek bir senaryo ile zaman serisi tahminleme adımlarını inceleyeceğiz.

1. Veri Hazırlığı: Analiz için Ankara’daki şubelere ait aylık gelir verileri kullanılmıştır. Şubelerin konum bilgisi ve gelir değerleri kullanılarak “Create Space Time Cube From Defined Locations” aracıyla her şube için zaman serisi içeren bir Space Time Cube oluşturulur. Bu aşama, mekânsal-zamansal verilerin analiz edilmesi için temel yapı taşını oluşturur.

2. Analiz: Şube Davranışlarının Kümelenmesi

Oluşturulan Space Time Cube üzerinde “Time Series Clustering” aracı çalıştırılmıştır. Bu sayede benzer gelir trendlerine sahip şubeler aynı küme altında toplanır. Analiz sonucunda, hangi şubelerin belirgin bir artış eğiliminde olduğu, hangilerinin ise durağan veya azalan bir gelir desenine sahip olduğu görülebilir. Bu kümeler, bankanın müşteri tabanı ve bölgesel davranışlarını anlaması açısından önemli ipuçları sunar.

3. Tahminleme: Tahminleme aşamasında iki farklı yöntem uygulanmıştır:

• Curve Fit Forecast: Her şubenin geçmiş verileri doğrultusunda eğilim (trend) modelleri oluşturulmuştur.
• Forest-based Forecast: Daha karmaşık, ağaç tabanlı algoritmalar kullanılarak geleceğe dair öngörüler üretilmiştir.

Her iki yöntemin sonuçları “Evaluate Forecasts by Location” aracıyla karşılaştırılmıştır. Böylece hangi bölgelerde hangi modelin daha başarılı sonuçlar verdiği ortaya konmuştur.

5. Görselleştirme: Tahmin sonuçlarının daha iyi anlaşılabilmesi için “Visualize Space Time Cube in 3D” aracı kullanılmıştır. Bu sayede her şubenin aylık gelir değişimleri 3B küpler hâlinde görselleştirilmiştir. Zamana bağlı olarak yükselen veya düşen gelir trendleri mekânsal bağlamda analiz edilmiştir. 3B görselleştirme, bankacılık stratejilerinin yalnızca sayısal tablolar üzerinden değil, aynı zamanda mekânsal-zamansal boyutta da yorumlanmasını sağlamıştır.

Sonuç olarak bu analiz, yatırım yapılacak şubeleri ve müşteri davranışlarının değiştiği bölgeleri ortaya koyarak karar vericilere stratejik avantaj sağlar.

ArcGIS, mekânsal ve zamansal tahminleme için güçlü ve erişilebilir bir çözüm sunar. İster perakende, ister bankacılık, ister üretim sektöründe olsun; doğru veri ve doğru yöntemle desteklenen tahminler, karar vericilerin geleceğe daha hazırlıklı yaklaşmasına yardımcı olur.

ArcGIS’in tahminleme çözümleri için detaylı bilgiye Geleceği Planlamak: Konum Verisi ile Tahminleme Çözümleri webinarımızdan ulaşabilirsiniz.

Zaman serisi tahminleme araçlarını denemek isterseniz Time Series Forecasting in ArcGIS Pro eğitim serisinden yararlanabilirsiniz.