Bu çalışma, havalimanlarında faaliyet gösteren yakıt dağıtıcılarının aylık yakıt talebini tahmin etmek ve sevkiyat ile stok kararlarını belirsizlik altında desteklemek amacıyla SARIMA ve XGBoost modellerini birleştiren hibrit bir çerçeve önermektedir. SARIMA modeli geçmiş talepteki doğrusal eğilimleri ve yıllık mevsimselliği temsil eden bir başlangıç tahmini üretmekte; XGBoost ise bu tahmini, havayolu ihale hacimleri, etkin sözleşme sayısı, pazar payı değişimleri, rota hareketliliği ve önceki tahmin artıklarından oluşan operasyonel özelliklerle düzeltmektedir.

Sistem yalnızca tek bir talep değeri üretmemekte; P10, P50 ve P90 kantillerini tahmin ederek olası talep aralığını göstermektedir. P50 merkezi planlama tahmini, P90 yüksek talep ve yakıt yetersizliği riski için üst sınır, P10 ise düşük talep ve depolama-demuraj riski için alt sınır olarak kullanılmaktadır. Model tahmin aralığının olağandışı genişlemesi, ani rota iptalleri, havayolu sözleşme değişiklikleri veya jeopolitik gelişmeler gibi durumlarda insan uzman müdahalesi öngörülmektedir.

Çalışma, kimliği açıklanmayan büyük bir havacılık yakıt dağıtıcısının beş yıllık kayıtlarını kullanmıştır. Günlük ve havayolu düzeyindeki kayıtlar aylık toplam talebe dönüştürülmüş ve model değerlendirmesinde 60 aylık gözlem kullanılmıştır. İlk 36 ay başlangıç eğitim dönemi olarak alınmış, sonraki 24 ayda her ay model yeniden eğitilerek ileriye dönük tahmin yapılmıştır. Araştırmacı; Excel tabanlı manuel yaklaşım için yüzde 9, SARIMA için yüzde 6,5, yalnız XGBoost için yüzde 5,8 ve hibrit model için yüzde 4 ortalama aylık mutlak yüzde sapma bildirmiştir.

P10-P90 aralığının beklenen kapsama oranı yüzde 80 iken gözlenen kapsama oranı yüzde 82 olarak verilmiştir. Gerçek talebin P10’un altında ve P90’ın üzerinde kaldığı dönemlerin her biri yaklaşık yüzde 9 olarak raporlanmıştır. Ancak bu sonuçlar yalnızca 24 aylık test dönemi üzerinden hesaplanmıştır ve kesin olay sayıları belirtilmemiştir. Bu nedenle olasılık aralıklarının farklı havalimanlarında veya daha uzun dönemlerde aynı kalibrasyonu koruyacağı gösterilmemiştir.

Türkiye açısından değerlendirme: Çerçeve, Türkiye’de havalimanlarına yakıt sağlayan işletmelerin aylık sevkiyat, depolama kapasitesi ve emniyet stoku planlamalarında araştırma modeli olarak uygulanabilir. Yerel uygulamada havayolu sözleşmeleri, mevsimsel turizm hareketleri, iç ve dış hat uçuşları, rota değişiklikleri, depolama sınırları, gemi veya kara yolu tedarik süreleri ve operasyonel maliyetler birlikte modellenmelidir. Model farklı havalimanları ve farklı yıllar üzerinde ileri-zaman testleriyle doğrulanmalı; tahmin hatalarının yanında gerçek demuraj maliyeti, stok yetersizliği olayı, hizmet seviyesi ve elde tutma maliyeti ölçülmelidir. Tek bir yabancı dağıtıcının anonimleştirilmiş verilerinden Türkiye’de yüzde 56 hata azalması, doğrudan maliyet tasarrufu veya yakıt kesintilerinin önleneceği sonucu çıkarılamaz.

Araştırma hangi sorunu ele almaktadır?

Havacılık yakıtı tedarikinde talep tahmin hatalarının iki farklı operasyonel sonucu bulunmaktadır. Talebin olduğundan yüksek tahmin edilmesi, depolama tanklarında yeterli boşluk oluşmadan yeni yakıt sevkiyatının gelmesine ve taşıma aracının beklemesine yol açabilir. Çalışma bu bekleme maliyetini demuraj riski olarak ele almaktadır. Talebin düşük tahmin edilmesi ise yakıt yetersizliği, havayolu operasyonlarının aksaması, sözleşme sorunları ve itibar kaybıyla sonuçlanabilir.

Araştırmacı, bu iki hatanın maliyetlerinin simetrik olmadığını belirtmektedir. Yakıt yetersizliğinin sonucu, fazla stok veya demuraj maliyetinden daha ağır kabul edildiği için model yalnızca ortalama doğruluğu artırmaya değil, düşük tahmin riskini ayrıca kontrol etmeye çalışmaktadır.

Çalışmanın hedeflediği ikinci sorun, havacılık yakıt talebinin sabit bir mevsimsel örüntü izlememesidir. Havayollarıyla yapılan yıllık ihalelerin kazanılması, kaybedilmesi veya yenilenmesi dağıtıcının müşteri portföyünü değiştirebilmektedir. Bir dönemde geçerli olan mevsimsel talep profili, sonraki dönemdeki havayolu ve rota bileşimini tam olarak temsil etmeyebilir.

Hibrit modelin genel mimarisi

Çalışmanın 5. sayfasındaki Şekil 1, tahmin sürecini dört aşamada göstermektedir:

1. SARIMA ile mevsimsel başlangıç tahmininin oluşturulması,
2. İhale, pazar payı ve operasyon verilerinden özellik üretilmesi,
3. XGBoost ile P10, P50 ve P90 kantil tahminlerinin hesaplanması,
4. Risk koşullarında insan uzman incelemesi ve nihai tahminin oluşturulması.

Şeklin alt bölümünde model çıktılarının üç operasyonel soruya bağlandığı görülmektedir: Yakıtın ne zaman tükeneceği, sevkiyat geldiğinde demuraj riski bulunup bulunmadığı ve ne kadar emniyet stoku gerektiği.

SARIMA başlangıç modeli nasıl çalışmaktadır?

SARIMA, kısa dönemli otoregresif ilişkilerle yıllık mevsimsel yapıyı birlikte modellemek için kullanılmaktadır. Çalışmada genel model şu şekilde ifade edilmektedir:

\[ \Phi_P(B^s)\,\phi_p(B)\,(1-B)^d\,(1-B^s)^D y_t = \Theta_Q(B^s)\,\theta_q(B)\,\varepsilon_t \]

Burada \(B\) geriye kaydırma operatörünü, \(p\) ve \(q\) mevsimsel olmayan otoregresif ve hareketli ortalama derecelerini, \(P\) ve \(Q\) mevsimsel dereceleri, \(d\) ve \(D\) fark alma derecelerini göstermektedir. Aylık veriler için mevsim uzunluğu \(s=12\) olarak belirlenmiştir.

Serinin durağanlığını değerlendirmek için Artırılmış Dickey-Fuller testi kullanılmıştır. Model dereceleri, farklı parametre birleşimleri arasında Bayes Bilgi Ölçütünü en aza indiren yapı seçilerek belirlenmiştir:

\[ BIC=k\ln(n)-2\ln(\hat{L}) \]

\(k\) tahmin edilen parametre sayısını, \(n\) gözlem sayısını ve \(\hat{L}\) en yüksek olabilirlik değerini ifade etmektedir. Çalışma, yalnızca 60 aylık veri bulunduğu için model karmaşıklığını daha güçlü biçimde cezalandıran BIC ölçütünü tercih etmiştir.

SARIMA iki çıktı üretmektedir. Birincisi geçmiş mevsimsellik ve eğilimden türetilen başlangıç tahminidir. İkincisi gerçek talep ile SARIMA tahmini arasındaki artık değerdir:

\[ r_t=y_t-\hat{y}^{SARIMA}_t \]

Bu artıkların; doğrusal mevsimselliğin açıklayamadığı ihale değişimleri, pazar yapısı, dış şoklar ve doğrusal olmayan talep hareketlerini içerdiği kabul edilmektedir.

Hangi operasyonel özellikler kullanılmıştır?

Havayolu düzeyindeki günlük kayıtlar önce bu özelliklerin hesaplanmasında kullanılmış, daha sonra aylık toplam talep düzeyine getirilmiştir. Bu nedenle modelin hedef değişkeni aylık toplam yakıt talebi olmakla birlikte bazı açıklayıcı değişkenler daha ayrıntılı havayolu kayıtlarından üretilmiştir.

XGBoost, SARIMA tahminini nasıl geliştirmektedir?

XGBoost, çok sayıda karar ağacının ardışık biçimde birleştirildiği bir topluluk modelidir. Her yeni ağaç, önceki ağaçların açıklayamadığı hatayı azaltacak biçimde eğitilmektedir. Modelin genel tahmini:

\[ \hat{y}_i=\sum_{k=1}^{K}f_k(x_i) \]

şeklindedir. \(K\) ağaç sayısını, \(f_k\) ise k numaralı regresyon ağacını göstermektedir. Eğitim amacı tahmin kaybıyla ağaç karmaşıklığı cezasını birlikte en aza indirmektir:

\[ \mathcal{L}^{(t)} = \sum_{i=1}^{n} l\left(y_i,\hat{y}^{(t-1)}_i+f_t(x_i)\right) + \Omega(f_t) \]

Hibrit modelde XGBoost yalnızca SARIMA artıklarını tahmin etmemektedir. SARIMA başlangıç tahmini, gecikmeli artıklar ve bütün operasyonel özelliklerle birlikte doğrudan modele girdi olarak verilmektedir:

\[ \hat{y}^{hybrid}_t = f_{XGB} \left( \hat{y}^{SARIMA}_t, r_{t-1}, x^{tender}_t, x^{market}_t, x^{ops}_t \right) \]

Bu yapı, XGBoost’un SARIMA tahminine ne ölçüde bağlı kalacağını ve operasyonel özelliklere göre ne kadar düzeltme yapacağını veriden öğrenmesine izin vermektedir.

Kantil regresyonu neden kullanılmıştır?

Tek değerli bir tahmin, gelecekteki talebin belirsizliğini göstermez. Çalışmada üç ayrı XGBoost modeli, talebin yüzde 10, yüzde 50 ve yüzde 90 kantillerini tahmin etmek üzere eğitilmiştir. Kullanılan pinball kaybı:

\[ L_{\tau}(y,\hat{y}) = \tau\max(y-\hat{y},0) + (1-\tau)\max(\hat{y}-y,0) \]

şeklindedir. \(\tau\) seçilen kantili göstermektedir. Bu kayıp fonksiyonunda düşük ve yüksek tahminlerin cezaları kantile göre farklılaşmaktadır.

P10 ve P90, klasik anlamda sabit yüzde 90 güven garantileri değildir. Bunlar, veriden tahmin edilen koşullu talep kantilleridir. İstenen kapsama oranının yeni dönemlerde korunması, modelin kalibrasyonuna ve veri dağılımının değişmemesine bağlıdır.

Asimetrik operasyon maliyeti nasıl modele eklenmiştir?

Çalışma, yakıt talebini düşük tahmin etmenin maliyetini yüksek tahminden daha ağır kabul etmektedir. Bu nedenle pinball kaybına ek bir maliyet katsayısı uygulanmıştır:

\[ L_{asymmetric}(y,\hat{y}) = \begin{cases} \alpha L_{\tau}(y,\hat{y}), & y>\hat{y}\\ L_{\tau}(y,\hat{y}), & y\leq\hat{y} \end{cases} \]

\(\alpha>1\) olduğunda gerçekleşen talebin tahminden yüksek kaldığı dönemlere daha fazla ceza verilmektedir. Araştırmacı, katsayının yakıt yetersizliğinin tahmini maliyeti ile demuraj maliyeti arasındaki orana göre ayarlandığını belirtmektedir. Ancak kullanılan kesin \(\alpha\) değeri ve maliyet hesaplaması raporlanmamıştır.

İnsan denetimi hangi durumlarda devreye girmektedir?

Çalışma, yüksek maliyetli yakıt planlamasının tamamen otomatik hâle getirilmesini önermemektedir. İnsan incelemesini başlatabilecek koşullar şunlardır:

• P90 ile P10 arasındaki tahmin aralığının tarihsel değerlerden olağandışı ölçüde genişlemesi,
• Ani rota iptalleri veya beklenmedik trafik artışları,
• Havayolu ihalesinin planlanmamış biçimde başlaması, sona ermesi veya değişmesi,
• Jeopolitik gelişmeler nedeniyle uçuş rotalarının etkilenmesi,
• Pist kapanması veya havalimanı kapasite kısıtlaması,
• Geçmiş verilerin mevcut operasyon koşullarını temsil etmediğinin değerlendirilmesi.

Uzman P10, P50 ve P90 tahminleriyle risk uyarılarını birlikte inceleyebilmekte ve gerekirse nihai tahmini değiştirebilmektedir. Müdahalenin gerekçesinin kaydedilmesi öngörülmüştür. Bununla birlikte çalışmada kaç tahminin değiştirildiği, uzman müdahalesinin hata oranını ne kadar etkilediği veya uzmanlar arası tutarlılık ölçülmemiştir.

Çalışmadaki grafikler ne göstermektedir?

Hibrit sistem mimarisi

5. sayfadaki Şekil 1, geçmiş ikmal verileri, havayolu ihale bilgileri ve pazar-operasyon değişkenlerinin SARIMA ve özellik mühendisliği katmanlarına aktarıldığını göstermektedir. P10, P50 ve P90 XGBoost çıktıları insan denetiminden geçerek nihai tahmine dönüşmektedir.

Gerçek ve tahmin edilen talep

12. sayfadaki Şekil 2, Haziran-Kasım 2025 dönemindeki normalize edilmiş yakıt talebini göstermektedir. Hibrit SARIMA-XGBoost çizgisi gerçek talebi büyük ölçüde yakından izlerken, tek başına SARIMA çizgisi bazı ani yükseliş ve düşüşlerde daha belirgin sapmalar göstermektedir. Görsel yalnızca yaklaşık altı aylık örnek kesiti göstermekte, 24 aylık değerlendirme döneminin tamamını sunmamaktadır.

Modellerin hata karşılaştırması

13. sayfadaki Şekil 4’te manuel yöntem yüzde 9, SARIMA yüzde 6,5, XGBoost yüzde 5,8 ve hibrit model yüzde 4 hata düzeyinde gösterilmiştir. Manuel yaklaşımdan hibrit modele geçişteki göreli azalma:

\[ \frac{9{,}0-4{,}0}{9{,}0}\times100 \approx 55{,}6\% \]

olup çalışmada yuvarlanarak yüzde 56 şeklinde sunulmuştur. Bu oran yakıt tüketiminde veya demuraj maliyetinde yüzde 56 azalma değil, araştırmacının kullandığı tahmin hata ölçütündeki göreli azalmadır.

Olasılıksal tahmin aralığı

14. sayfadaki Şekil 3, Haziran-Kasım 2025 dönemi için P10-P90 aralığını gölgeli bantla, P50 tahminini kesikli çizgiyle ve gerçek talebi ayrı çizgiyle göstermektedir. Görselde gerçek talep değerleri çoğunlukla tahmin bandı içinde kalmaktadır. Ancak bu grafik yalnızca seçilmiş altı aylık bir dönemi göstermektedir.

Özellik önem sıralaması

15. sayfadaki Şekil 5, SARIMA başlangıç tahminini 0,28 bağıl önem değeriyle modelin en etkili değişkeni olarak göstermektedir. Bunu 3 aylık hareketli ihale hacmi, etkin ihale sayısı ve aylık yakıt ikmal büyümesi izlemektedir.

Şekildeki değerler XGBoost bölünme kullanımına dayalı bağıl özellik önemleridir. Bunlar nedensel etkiyi göstermez ve bir değişkendeki değişimin talebi belirli miktarda artırdığı veya azalttığı şeklinde yorumlanamaz.

Çalışmanın desteklediği sonuçlar nelerdir?

• SARIMA ve XGBoost’un birlikte kullanılması, aynı veri ve değerlendirme düzeninde her iki tekil modelden daha düşük ortalama tahmin hatası üretmiştir.
• Havayolu ihalesi ve pazar payı özelliklerinin eklenmesi, yalnızca tarihsel mevsimselliğe dayanan tahmini geliştirmiştir.
• P10-P90 aralığı, 24 aylık test döneminde bildirilen hedef kapsama oranına yakın sonuç vermiştir.
• Zaman sırasını koruyan geriye yürüyen değerlendirme, rastgele eğitim-test ayırımına göre gerçek operasyon koşullarına daha yakın bir sınama sunmuştur.
• Hibrit yapı, tek değerli tahmin yerine farklı stok ve sevkiyat riskleri için ayrı talep senaryoları üretmiştir.

Çalışma neyi kanıtlamamaktadır?

• Modelin farklı havalimanlarında veya farklı yakıt dağıtıcılarında aynı hata oranına ulaşacağını kanıtlamamaktadır.
• Demuraj maliyetinin veya yakıt yetersizliği olaylarının yüzde 56 azaldığını göstermemektedir.
• İnsan uzman müdahalesinin tahmin performansını artırdığını sayısal olarak göstermemektedir.
• P10-P90 aralığının bütün gelecek dönemlerde yüzde 80 kapsama sağlayacağını garanti etmemektedir.
• Modelin günlük veya haftalık operasyonlarda aynı performansı göstereceğini kanıtlamamaktadır.
• Jeopolitik gelişmelerin etkisinin model tarafından otomatik ve güvenilir biçimde ölçüldüğünü göstermemektedir.
• Hibrit modelin yeni sözleşme rejimleri veya olağanüstü krizler karşısındaki dayanıklılığını bağımsız bir stres testiyle göstermemektedir.

Çalışmanın Yöntemi ve Bulguları

Veri kümesinin yapısı

Günlük kayıtlardan on binlerce satır bulunduğu belirtilse de tahmin hedefi aylık düzeye toplandığı için modelin bağımsız zaman noktası sayısı 60’tır. XGBoost modeli her ileri tahmin adımında en fazla 36 ile 59 aylık geçmiş üzerinden eğitilmiştir. Bu durum, çok sayıdaki özellik ve 300 ağaca sahip bir model için örneklem büyüklüğünün sınırlı olduğunu göstermektedir.

Değerlendirme tasarımı

Çalışma, geriye yürüyen veya walk-forward doğrulama kullanmıştır. İlk tahmin için ay 1-36 eğitimde kullanılmış ve 37. ay tahmin edilmiştir. Sonraki adımda 37. ay da eğitime eklenerek 38. ay tahmin edilmiştir. Bu işlem 60. aya kadar sürdürülmüştür.

Bu yöntem gelecekteki verinin geçmiş tahminlere sızmasını önlemektedir. Ancak aynı takvim dönemlerinden elde edilen 24 ardışık hata birbirinden tamamen bağımsız olmayabilir. Çalışmada zaman bağımlılığını koruyan blok bootstrap yerine aylık hataların tek tek yeniden örneklendiği standart bootstrap tarif edilmektedir.

XGBoost hiperparametreleri

Ana model karşılaştırması

Hibrit modelin raporlanan güven aralığı manuel yaklaşımın aralığıyla örtüşmemektedir. Çalışma bunu istatistiksel olarak anlamlı fark biçiminde yorumlamaktadır. Ancak aralıkların örtüşmemesi, modeller arasındaki aylık eşleştirilmiş hata farklarını doğrudan sınayan bir test değildir. Aynı 24 ay üzerinde üretilen tahminler için eşleştirilmiş farkların ve zaman bağımlılığının ayrıca analiz edilmesi daha güçlü kanıt sağlayacaktır.

“Tahmin varyansı” ölçütünün anlamı

Çalışmada ana ölçüt aşağıdaki formülle tanımlanmıştır:

\[ \mathrm{Aylık\ Sapma}(\%) = \frac{|Gerçek-Tahmin|}{Gerçek}\times100 \]

Bu formül istatistiksel varyansın formülü değildir; tek bir dönem için mutlak yüzde hatadır. Dönemler üzerinden ortalaması alındığında MAPE’ye karşılık gelir. Tabloda “ortalama varyans” ile MAPE değerlerinin yüzde 9,0-yüzde 9,1 ve yüzde 4,0-yüzde 4,1 gibi birbirine yakın fakat aynı olmayan değerlerde verilmesinin nedeni açıklanmamıştır.

Bu nedenle sonuçların “varyans yüzde 9’dan yüzde 4’e düştü” yerine “ortalama mutlak yüzde tahmin sapması yaklaşık yüzde 9’dan yüzde 4’e düştü” şeklinde ifade edilmesi daha doğrudur.

Kantil kalibrasyon sonuçları

Oranlar hedef değerlere yakın görünmektedir. Bununla birlikte test kümesi yalnızca 24 aydan oluştuğu için tek bir ay yaklaşık 4,17 yüzde puana karşılık gelmektedir. Yüzde 82 ve yüzde 9 değerlerinin hangi kesin gözlem sayılarından ve hangi yuvarlama yöntemiyle elde edildiği belirtilmemiştir.

P10, P50 ve P90 için ayrı XGBoost modelleri eğitilmiştir. Ayrı kantil modellerinde bazen P10’un P50’den veya P50’nin P90’dan yüksek çıkması olarak bilinen kantil kesişmesi oluşabilir. Çalışmada kesişmeyi engelleyen ortak kayıp, sıralama kısıtı veya sonradan düzeltme yöntemi açıklanmamıştır.

Özellik önem değerleri

SARIMA tahmininin en yüksek önem değerine sahip olması, mevsimsel temel yapının hibrit modelde korunmaya devam ettiğini göstermektedir. İhale değişkenlerinin toplam ağırlığı ise müşteri portföyündeki değişimlerin geçmiş mevsimselliğe ek bilgi sağladığını düşündürmektedir.

Operasyonel etki iddialarının sınırı

Çalışma, daha isabetli tahminlerin sevkiyat zamanlamasını geliştirdiğini, demuraj maruziyetini azalttığını ve P90 tabanlı emniyet stokunun yakıt yetersizliğini önlemeye yardımcı olduğunu belirtmektedir. Ancak aşağıdaki operasyonel göstergeler raporlanmamıştır:

• Önceki ve sonraki döneme ait toplam demuraj tutarı,
• Yakıt yetersizliği veya hizmet kesintisi sayısı,
• Ortalama stok seviyesi ve elde tutma maliyeti,
• Erken veya gecikmiş sevkiyat sayısı,
• İnsan müdahalesiyle değiştirilen tahmin sayısı,
• Model tahmininin doğrudan kullanıldığı üretim dönemi.

Bu nedenle çalışma tahmin doğruluğunda iyileşme göstermekte, fakat doğrudan finansal tasarruf veya hizmet güvenilirliği etkisini nicel olarak doğrulamamaktadır.

Başlıca sınırlılıklar

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yalnızca tek yakıt dağıtıcısının ve tek pazarın verileri kullanılmıştır.
• Model eğitimi için yalnızca 60 aylık zaman noktası bulunmaktadır.
• Test dönemi 24 ayla sınırlıdır.
• Şirket, havalimanı ve gerçek talep değerleri anonimleştirilmiştir.
• Ham veri ve uygulama kodu paylaşılmamıştır.
• Model sonuçları bağımsız bir araştırma grubu tarafından yeniden üretilmemiştir.
• “Tahmin varyansı” olarak adlandırılan ölçüt gerçekte mutlak yüzde hatadır.
• Bootstrap yaklaşımında aylık zaman bağımlılığının nasıl ele alındığı açıklanmamıştır.
• P10, P50 ve P90 modelleri arasında kantil kesişmesi kontrolü bildirilmemiştir.
• Asimetrik maliyet katsayısının değeri ve maliyet kalibrasyonu verilmemiştir.
• Uzman müdahalesinin performansı ayrı bir deneyle ölçülmemiştir.
• Demuraj ve yakıt yetersizliği üzerindeki gerçek finansal etki sayısallaştırılmamıştır.
• Model yalnızca aylık tahmin üretmektedir; günlük ve haftalık uygulanabilirlik gösterilmemiştir.

Gelecekte yapılması gereken doğrulamalar

Model, birden fazla yakıt dağıtıcısı ve farklı büyüklükteki havalimanları üzerinde dış doğrulamaya tabi tutulmalıdır. Eğitim bir dönemde ve bir havalimanında yapılıp test farklı bir havalimanında gerçekleştirilerek coğrafi ve operasyonel genellenebilirlik ölçülmelidir.

Aylık tahminin yanında haftalık ve günlük tahminler incelenmeli; artan veri sıklığının gürültü, eksik veri ve hesaplama maliyeti üzerindeki etkileri raporlanmalıdır. Uçuş takip verileri, hava durumu ve güncel rota bilgileri ancak ileriye dönük tahmin anında gerçekten erişilebilir olacak biçimde kullanılmalıdır.

Olasılık aralıkları daha uzun test dönemlerinde değerlendirilmeli; kantil kesişmesini önleyen yöntemler ve sonlu örneklem kapsama garantisi sağlayabilen kalibrasyon yaklaşımları karşılaştırılmalıdır. Tahmin doğruluğu, gerçek stok politikasıyla birlikte sınanmalı ve demuraj, stok yetersizliği, elde tutma maliyeti ve hizmet düzeyi tek bir ekonomik değerlendirmede birleştirilmelidir.

Kaynak ve Yöntem Notu

Bu çalışma hakem değerlendirmesinden geçmemiş bir SSRN preprintidir. DOI, SSRN çalışma kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI şeklinde sunulmamalıdır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen çalışmaya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca başlık, yazar, SSRN kayıt numarası, DOI, sayfa sayısı, yüklenme tarihi ve resmî bağlantı gibi bibliyografik kimlik bilgilerinin doğrulanması amacıyla kullanılmıştır. Çalışmada bulunmayan dış deney sonuçları makaleye eklenmemiştir.

Araştırmanın en güçlü yönleri, zaman sırasını koruyan geriye yürüyen değerlendirme kullanması, manuel yöntem ile tekil ve hibrit modelleri aynı dönemlerde karşılaştırması ve nokta tahminine ek olarak kantil tahminleri üretmesidir.

En önemli yorum sınırları ise 60 aylık küçük veri kümesi, tek dağıtıcıya dayalı değerlendirme, veri ve kodun erişilebilir olmaması, ana hata ölçütünün yanlış biçimde “varyans” olarak adlandırılması ve operasyonel maliyet etkilerinin doğrudan ölçülmemesidir. Bildirilen yüzde 56 iyileşme yalnızca manuel yaklaşımın yüzde 9’luk ortalama mutlak yüzde sapmasıyla hibrit modelin yüzde 4’lük sapması arasındaki göreli farktır.

Model çıktıları tek başına yakıt siparişi veya sevkiyat kararının otomatik olarak uygulanması için yeterli kanıt oluşturmaz. Depolama kapasitesi, tedarik süresi, sözleşme yükümlülükleri, güncel uçuş hareketleri ve insan uzman değerlendirmesiyle birlikte kullanılmalıdır.