TL;DR — AI stok tahmini 3 önemli problemi çözer

McKinsey’in “fresh food replenishment” araştırması; makine öğrenmesi tabanlı tahminin perakende-gıda alanında out-of-stock oranlarında %80’e kadar azalma, write-off (atık)‘da %10’dan fazla düşüş ve brüt marjda %9’a kadar artış ile sonuçlandığını raporluyor1. Türkiye’de aynı seviyede etki için modelin yerel mevsimselliğe (Ramazan, bayram, yaz turist sezonu) kalibre edilmesi gerekir.

Restoran stok yönetiminin gerçek maliyeti

T.C. Tarım ve Orman Bakanlığı’nın “Türkiye’nin Gıda Kayıplarının Önlenmesi Ulusal Strateji Belgesi”ne göre 2020’de Türkiye’de 18,1 milyon ton gıda atık olarak kayda geçti; toplam atığın %52’sinden fazlası gıdadır2. Sektör tahminleri, yıllık toplam gıda atığının ~26 milyon tona, kişi başı atığın ise ~100 kg/yıla ulaştığını gösteriyor.

Bu rakamın bir kısmı ev tarafında oluşur, bir kısmı tarımsal hasat ve dağıtımda. HORECA tarafı (Hotel, Restaurant, Cafe) ulusal toplamın belirgin bir bölümünü oluşturuyor; ancak restoran-spesifik kırılım kamuya açık tier-1 kaynaktan tek bir orana indirgenmiş hâlde değil.

Restoran sahibi açısından somut etki: 2025 yılı gıda ve alkolsüz içecek yıllık enflasyonu %28,313. Bu da; 6 ay önce satın aldığınız ham maddenin bugünkü maliyetinin yaklaşık %14 daha yüksek olduğu anlamına gelir. Bu enflasyon ortamında atık yönetimi, sadece bir sürdürülebilirlik konusu değil; doğrudan kâr-zarar kalemine dokunan bir operasyon kararıdır.

Geleneksel stok tahmin yöntemleri ve sınırları

Türkiye’de tipik bir restoran üç yöntemden biriyle çalışır:

  1. Hareketli ortalama (son 4 hafta ortalaması). Basit, ama bayram/hava etkilerini yutamaz. Tatil sonrası 2-3 hafta yanlış kalır.
  2. Geçen yılın aynı haftası. Mevsimsel pattern’i yakalar ama yeni ürün, fiyat değişikliği, yeni rakip restoran açılması gibi yapısal değişiklikleri yakalayamaz.
  3. Şefin/yöneticinin deneyimi. Sezgisel ama kişi bağımlı; o kişi tatildeyken vardiya alan yedek aynı tahmini yapamaz.

Üçü de tek değişkenle çalışır. Hava durumu, sosyal medya etkisi, yakındaki etkinlik takvimi, asgari ücret zamlarının fiyat dalgasına etkisi gibi sinyaller modele girmez.

AI talep tahmini nasıl çalışır?

“AI” burada büyülü bir şey değil — istatistiksel bir model + makine öğrenmesi. Süreç tipik olarak şöyle çalışır:

  1. Geçmiş POS satış verisi girdi olarak alınır (en az 3 ay, ideal 12+ ay). Saat ve gün bazında kalem kalem veri gerekir; “günlük ciro” tek satır yetersiz.
  2. Dış sinyaller eklenir: hava durumu API’sinden geçmiş sıcaklık/ yağış verileri, takvim verileri (resmi tatil, yerel etkinlik, okul tatili, Ramazan-bayram tarihleri), promosyon ve fiyat değişikliği geçmişi.
  3. Model eğitilir: her ürün için talep eğrisi çıkarılır. Cuma akşamı yağmurlu havada Latte talebi nasıl davranır? Bayram öncesi pazar günü tatlı satışı kaç katına çıkar?
  4. Tahmin üretilir: önümüzdeki 7 gün için ürün bazında talep aralığı verilir (örn. “Latte: 80-120 adet, beklenen 100”).
  5. Sürekli güncellenir: her yeni günün gerçekleşen verisi modele geri besleme olarak girer; model giderek hassaslaşır.

McKinsey’in 2023 F&B anketi, AI tabanlı talep tahminini benimseyen işletmelerde forecast hatasında %35’e kadar azalma ve envanter maliyetinde %20-30 azalma raporluyor4. Bu rakamlar uluslararası ortalama; Türkiye’de yerel kalibrasyon ile ulaşılabilir bandın alt-orta seviyesine yaklaşmak makuldür.

Model girdileri (data inputs)

İyi bir AI tahmin sistemi tipik olarak şu beş kaynaktan beslenir:

  • Geçmiş POS satış verisi — saat-dakika hassasiyetinde, ürün bazında. Reçete-stok eşleştirmesi ile her satışın hangi ham maddeyi tükettiği bilinir.
  • Hava durumu API verisi — geçmiş ve önümüzdeki 7 gün; sıcaklık, yağış, rüzgâr.
  • Takvim verisi — resmi tatiller, dini bayram tarihleri (Ramazan, Kurban Bayramı), okul tatil takvimi, yerel etkinlikler (festival, konser, maç).
  • Promosyon ve fiyat değişikliği geçmişi — “%20 indirim varken Latte 1,8 katı satılmıştı” gibi tarihsel etkinlikler.
  • Mevsimsel etiketler — Ramazan, yaz turist sezonu, kış sömestir tatili gibi takvim ötesi yapısal etiketler.

Pratik uygulamalar restoran için

Pazartesi sabahı sipariş kararı

Pazartesi 08:00; haftanın ham madde siparişini vermek gerekiyor. AI tahmin paneli, yedi gün için ürün bazında beklenen talep aralığını gösterir. Şef veya işletme sahibi tahmini görür, kendi notuyla düzeltir (“Cumartesi bir özel rezervasyon var, +30 ekle”), siparişi onaylar. Üç haftada AI’ın önerisi ile gerçekleşen arasındaki sapma ölçülür; model giderek hassaslaşır.

Cuma akşamı kalan stok yönetimi

Cuma 19:00; bozulabilir ham maddenin bir kısmı kalmış. AI, hafta sonu beklentisi düşükse “bu ürünü %15 indirimle özel kampanyaya çıkar” önerisi sunabilir; pazartesi tüm partiyi atmak yerine cuma akşamı satışa dönüştürmek hem nakit hem atık tarafında kazanç.

Bayram öncesi hazırlık

Ramazan Bayramı’nın sahur-iftar takvimi geleneksel mevsimsellik modellerine sığmaz. AI, geçmiş bayram dönemlerinin saat-bazlı verisini birleştirerek “Bayram’ın 1. günü 19:00-21:00 arası tatlı talebi 2,4 katı” gibi spesifik öneriler üretir. Bu, fazla mesai planlamasını ve özel sipariş hazırlığını mümkün kılar.

Yeni menü kalemini tanıtma stratejisi

Yeni bir ürün eklendiğinde geçmiş veri yoktur. AI bu durumda benzer ürün proxy’si kullanır: “yeni vegan burger, mevcut soya burger satış pattern’ine yakın olabilir” varsayımıyla başlangıç tahmini verir. İlk 2-4 haftada gerçekleşen verisi modele girer; tahmin kalibre olur.

AI’dan tam fayda almak için 5 kural

  1. Veri temizliği: Hatalı POS girişlerinin etkisi modele yıkıcıdır. Kapanış sonrası girilen fişler, manuel adisyonlar, iptal edilmiş kalemler ayrı işaretli olmalı. POS hijyeni AI başarısının ön koşuludur.

  2. Reçete-stok eşleştirmesi: Her satılan ürünün hangi ham maddeyi ne miktarda tükettiği reçete bazında tanımlı olmalı. Bir cheeseburger satıldığında ekmek + köfte + peynir + marul + sos stoktan otomatik düşmeli.

  3. Personel eğitimi: AI öneri katmanıdır, karar değil. Şef “tahminin sebebini” görmeden öneriyi körü körüne uygulamamalı; “neden bu hafta %20 daha az fasulye?” sorusuna model bir açıklama (hava + takvim) verebilmeli.

  4. Sürekli geri besleme döngüsü: Her hafta gerçekleşen vs öneri farkı raporlanır; modelin nerede iyileştirilmesi gerektiği görülür. Bir kez kurup unutulan AI, 6 ay sonra eski bir model olur.

  5. İstisnaları işaretleme: Özel rezervasyonlar (40 kişilik özel düğün), kayıp gün (sistem arızası), olağandışı bir hava (kar fırtınası nedeniyle kapalı) — bu tür anomaliler modelin “öğrenmemesi gereken” dataya dönüşmemeli. Ayrı bayrakla işaretlenir, normal veriden ayrılır.

Türkiye-spesifik dikkat edilecekler

  • Ramazan ayında değişen yemek vakitleri. Sahur (03:00-05:00) ve iftar (gün batımı) talebinin geleneksel öğle/akşam pattern’iyle ilgisi yok. AI modeli ay başında otomatik Ramazan profiline geçmeli; ayın sonunda normale dönmeli.

  • Bayram tatillerinde uzun kapalı dönemler ve sonrası. Bazı restoranlar bayramın ilk 2-3 gününü kapatır; sonrasında 1 hafta alışveriş trafiği zayıf seyreder, sonra “bayram sonrası iş yemeği” talebi yükselir. Model bu pattern’i ezbere bilmeli.

  • Yaz turist sezonu (Antalya, Bodrum, Çeşme, Kapadokya). T.C. Kültür ve Turizm Bakanlığı 2024 verilerine göre Türkiye yıllık 62 milyon yabancı ziyaretçi ağırlıyor; bu ziyaretçilerin önemli bir kısmı kıyı şehirlerinde Haziran-Eylül aralığında yoğunlaşıyor. Yaz aylarında bu şehirlerde günlük talep 2-3 katına ulaşır; AI modelinin kıyı işletmelerinde sezon-dışı/sezon-içi geçişi tanıması kritik.

  • Hava durumu hassasiyeti. Kış-yağmurda kapalı mekan dolar, açık mekan boşalır; yaz-sıcakta tam tersi. Aynı restoranın iki alanı için ayrı tahmin profili gerekir.

  • Asgari ücret zamlarının fiyat döngüsüne etkisi. 2026 başında %27 oranında asgari ücret zammı yapıldı; gıda enflasyonu bunun arkasında %28,31 seyretti3. Fiyat zammı sonrası ilk 4-6 hafta talep elastiyetinde dalgalanma görülür. Model fiyat değişikliği bayrağıyla beslenmeli.

Atık azaltma + maliyet hesabı (örnek)

Hesap, McKinsey’in raporladığı %20-30 envanter maliyet azalması bandını referans alıyor4. Türkiye’de yerel kalibrasyon ile ulaşılabilir bandın orta noktası — pilotlu bir uygulamayla 6-12 ayda doğrulanabilir.

Atık tasarrufu, AI yatırımının doğrudan ROI’sıdır; ek olarak out-of-stock kayıplarının azalması (müşterinin “yok” dediği için kaybedilen sipariş) hesaba dahil edilmedi. Bu kalem ölçülmesi zor ama gerçek bir kazanç olarak modele eklendiğinde ROI tablosu daha güçlü çıkar.

Sıkça sorulanlar

AI stok tahmini gerçekten işe yarıyor mu? AI tabanlı talep tahmini; geçmiş satış verileri, mevsimsellik, hava durumu ve özel günler gibi sinyalleri birleştirerek geleneksel tahmin yöntemlerine kıyasla daha tutarlı sonuçlar üretebilir. McKinsey 2023 F&B anketinde forecast hatasında %35’e kadar azalma, envanter maliyetinde %20-30 azalma raporlanmıştır4. Sonuç, model kalitesinden çok veri kalitesine bağlıdır.

Küçük bir cafe için AI tahmin pahalı mı? Modern bulut POS sistemleri AI özelliklerini standart paket içinde sunmaya başlamıştır. Ayrı bir AI yatırımı yapmanız çoğu durumda gerekmez. Önemli olan, mevcut POS’unuzun reçete-stok eşleştirmesi ile çalışıyor ve dış API’lere (hava durumu, takvim) açık olması.

AI tahmin garson/personel kararını alıyor mu? Hayır, AI tahmin bir öneri katmanıdır. Nihai stok kararını işletme yöneticisi verir; AI sadece veriye dayalı bir başlangıç noktası sunar. Şef “bu hafta domates fazla geliyor, sebze çorbasını kampanyaya alalım” tarzı kararı alır; AI o kararın altyapısını besler.

Kaynaklar

Bu yazıdaki istatistikler için kullanılan birincil kaynaklar:

  • T.C. Tarım ve Orman Bakanlığı — “Türkiye’nin Gıda Kayıplarının Önlenmesi, Azaltılması ve Yönetimine İlişkin Ulusal Strateji Belgesi ve Eylem Planı”
  • TÜİK — Tüketici Fiyat Endeksi Aralık 2025 bülteni
  • McKinsey & Company — “The secret to smarter fresh-food replenishment: Machine learning”
  • McKinsey & Company — “How AI can unlock a $127B opportunity by reducing food waste”

HORECA-spesifik gıda atık oranı, Türkiye-spesifik AI restoran case studies ve restoran kâr-zarar tablosundaki “atık-ciro yüzdesi” gibi kalemler tier-1 kaynaktan doğrudan teyit edilemediği yerlerde örnek/ illustrative etiketi ile sunulmuştur.

Mytabble AI Boss ile stok tahmini ve atık azaltmayı keşfedin →

14 gün ücretsiz, kart bilgisi gerekmez.

Footnotes

  1. McKinsey & Company, “The secret to smarter fresh-food replenishment? Machine learning”, https://www.mckinsey.com/industries/retail/our-insights/the-secret-to-smarter-fresh-food-replenishment-machine-learning — out-of-stock oranlarında %80’e kadar azalma, write-off’larda %10’dan fazla düşüş, gross margin’da %9’a kadar artış. ↩

  2. T.C. Tarım ve Orman Bakanlığı, “Türkiye’nin Gıda Kayıpları ve İsrafının Önlenmesi, Azaltılması ve Yönetimine İlişkin Ulusal Strateji Belgesi ve Eylem Planı”, https://www.tarimorman.gov.tr/ABDGM/Belgeler — 2020’de 18,1 milyon ton gıda atığı; toplam atığın %52’sinden fazlası gıdadır. ↩

  3. TÜİK Tüketici Fiyat Endeksi, Aralık 2025 bülteni — yıllık TÜFE %30,89; gıda ve alkolsüz içecek yıllık enflasyonu %28,31. https://data.tuik.gov.tr/Bulten/Index?p=Tuketici-Fiyat-Endeksi-Aralik-2025 ↩ ↩2

  4. McKinsey & Company, “How AI can unlock a $127B opportunity by reducing food waste”, https://www.mckinsey.com/capabilities/sustainability/our-insights/sustainability-blog/how-ai-can-unlock-a-127b-opportunity-by-reducing-food-waste — F&B sektöründe AI tabanlı demand forecasting, forecast hatasında %35’e kadar azalma, envanter maliyetinde %20-30 azalma sağlamaktadır. ↩ ↩2 ↩3