Senaryo 38: Haftalık talep için basit eğilim ve tahmin çalışması

Kim ve hangi durumda

Adana’da bir e-ticaret işletmesinde kategori operasyon uzmanı olan Derya, ürün kategorilerinin haftalık siparişlerini planlama toplantısına hazırlıyor. Amacı kesin söz vermek değil, eğilimi ve belirsizlikleri görünür kılmak.

Bugün nasıl yapılıyor

Derya geçmiş haftaları çizgi grafiğe döküyor ve son haftayı ileri uzatıyor. Kampanya etkisini ayrıca not ediyor.

Yapay zekâ ile nasıl yapılır

1. Tarih, kategori, sipariş ve kampanya alanlarını içeren CSV’yi ChatGPT’ye yükler. ChatGPT zaman serisi analizi, regresyon ve farklı yöntemleri kullanabilir. [75]
2. Eksik tarih, aykırı değer, tekrar ve kategori değişimi için kalite raporu ister; kod, çıktı ve varsayımları göstermesini talep eder. [71]
3. “Bu veri için hangi yöntem uygun, hangi varsayımlar bozulursa tahmin güvenilmez olur?” diye sorar ve gerekirse ARIMA veya mevsimsel ayrıştırmayı açıklatır. [75]
4. Geçmiş gözlemler üzerinde geriye dönük kontrol yapar, kampanyalı haftaları ayrı işaretletir ve sonucu üç varsayımlı senaryo olarak raporlar.

Örnek komut

{Yüklediğim sipariş zaman serisini} eksik hafta, aykırı değer ve kampanya etkisi açısından denetle. Tahmin için uygun yöntemi ve varsayımları açıkla. Geçmiş veride geriye dönük kontrol yap, Python kodunu göster ve gelecek {dönem} için varsayımları yazılmış üç senaryo üret.

Kanıt ve gerçek örnek

Bu e-ticaret senaryosu için yayımlanmış bağımsız bir vaka bulunamadı. OpenAI’nin resmi kaynakları ChatGPT’nin zaman serisi analizi, regresyon, ARIMA ve Python tabanlı hesaplama yapabildiğini belgeler. [71] [75]

Dikkat edilecekler

ChatGPT ilk seferde amaca uymayan yöntem seçebilir; OpenAI sonuç, kod ve varsayımların incelenmesini önerir. [71] Analiz ortamı dış web isteği veya API çağrısı yapamaz; güncel fiyat veya kampanya bilgisi gerekiyorsa onaylı bir kaynaktan ayrıca sağlayın. [71]

Bu senaryonun kaynakları

71. Data analysis with ChatGPT (help.openai.com)
75. Extracting insights with ChatGPT data analysis (help.openai.com)