Ürün yaşam döngüsünde (Product Life Cycle – PLM) decline fazının doğru zamanda belirlenmesi, işletmelerin stratejik ve operasyonel kararları açısından kritik öneme sahiptir. Bu fazın zamanlaması; mevcut ürüne yönelik satın almaların ne zaman azaltılacağı veya sonlandırılacağı, üretim stratejisinin ne zaman değiştirileceği ve yeni ikame ürünlerin ne zaman pazara sunulacağı gibi temel kararları doğrudan etkiler. Decline fazının geç veya hatalı belirlenmesi; gereksiz satın alımlara, yeni ürünlerin pazara girişinde gecikmelere ve satılamayan ürün stoklarının artmasına yol açabilir. Bu nedenle, decline fazının zamanında ve doğru şekilde tespit edilmesi işletmeler için kritik bir gerekliliktir.
Ancak bu sürecin pratikte yönetimi oldukça zordur. Yüzlerce hatta binlerce ürünün bulunduğu, her birinin farklı ve zaman içinde değişebilen talep davranışları sergilediği ortamlarda manuel takip sürdürülebilir değildir. Bu zorlukların temelinde, ürünlerin heterojen talep yapıları yer almaktadır.
Talep davranışları literatürde yaygın olarak smooth, intermittent, erratic ve lumpy olarak sınıflandırılmakta olup (Synteos & Boylan), bu ayrım ADI (Average Demand Interval) ve CV² (Coefficient of Variation squared) metrikleri ile yapılır. Bu metrikler, talebin sürekliliği ve değişkenliğini ölçerek ürünler arasındaki davranış farklılıklarını ortaya koyar. Her bir talep tipi farklı dinamikler içerdiğinden, ürün yaşam eğrileri de ürün bazında farklı şekillerde oluşur. Bu nedenle decline fazının tespiti, yalnızca satış trendlerine dayalı basit analizlerle değil, çok boyutlu ve davranış temelli değerlendirmelerle mümkündür.
Bu noktada makine öğrenmesi (ML) tabanlı yaklaşımlar güçlü bir çözüm sunmaktadır. ERP sistemlerinden elde edilen satış, müşteri, sipariş, fiyat ve ciro gibi veriler, feature engineering teknikleri ile zenginleştirilerek daha anlamlı hale getirilir. Özellikle büyüme oranları (growth trends), tepe noktası sonrası değişim (post-peak behavior), talep sürekliliği (ADI) ve talep varyansı (CV²) gibi değişkenler, ürünün yaşam döngüsündeki konumunu temsil eden kritik göstergeler olarak öne çıkar.
Bu özellikler kullanılarak geliştirilen ML tabanlı sınıflandırma modelleri (örneğin logistic regression, random forest veya gradient boosting), her bir ürün için decline fazında olma olasılığını hesaplayabilir. Böylece problem, sabit kurallara dayalı bir yapıdan çıkarak olasılıksal ve veri temelli bir çerçevede ele alınır.
Bu yaklaşımın en önemli avantajı ölçeklenebilir olmasıdır. Geniş ürün portföylerinde manuel takibi ortadan kaldırarak sistematik ve sürekli analiz imkânı sağlar. Ayrıca model çıktılarının karar destek mekanizmalarına entegre edilmesi sayesinde yüksek riskli ürünler için erken aksiyon alınabilir.
Özetle; ML destekli ürün yaşam döngüsü faz tahmini işletmelere proaktif ve veri odaklı karar alma yetkinliği kazandıran kritik bir sistem olarak davranmaktadır. Bunun üzerine bir düşünün…
