Talep tahmini, ürün veya hizmet talebinin miktarını kestirme sürecidir. Talep tahmini, genel anlamda, belirli bir zaman aralığı ile sınırlandırılır. İşletmelerin talep tahminini kullanma sebeplerinden biri satış fiyatını belirlemeye yardımcı olmasıdır. Talep tahmininin yaygın kullanımının diğer bir sebebi, üretim miktarı ve uygun envanter seviyesinin kontrolüne yardımcı olmasıdır. Talep tahmini, bir parametrik dağılımın, ortalama, varyans ve/veya diğer parametrelerinin istatistiksel tahmini sonucu elde edilir. Gözlenemeyen kayıp satışların olması halinde, parametre tahminleri, talebin gözlemlenemeyen kısımların açıklamasını yapmak için gereğine uygun şekilde düzenlenmiş olmalıdır. Bu tezde; tekstil sektörüne ait gözlemlenemeyen kayıp satış adetlerinin belirlenebilmesi için Bayesci yaklaşımdan faydalanılmıştır. Bayesci yaklaşımda elde edilen yeni bilgi, daha önce var olan bilgi ile entegre edilerek güncellenir. Bu noktada önsel bilgi (dağılım fonksiyonu) geçmiş veriye ve/veya karar vericinin süreçle ilgili parametre hakkındaki kişisel görüşüne karşılık gelmektedir. Buna bağlı sonuç kararı veya sonsal dağılım, ilgilenilen belirsiz parametre hakkındaki tüm bilginin toplam sonucudur. Önerilen Bayesci yaklaşım, 1997-2013 yıllarına ait aylık kadın kıyafeti satış adedine ilişkin veri üzerinde uygulanmıştır. Bu veriye ait sonsal dağılımın parametrelerini elde etmek için biri Eşlenik Aileleri Önseli, diğeri önsel bilgiye ait bilginin olmadığı Jeffreys Önseli olmak üzere iki yaklaşım kullanılmıştır.
Demand estimation is a process that comes up with an estimate of the amount of demand for a product or service. The estimate of demand is typically confined to a particular period of time. One of the reasons that companies use demand estimation is to assist with pricing. Another reason that demand estimation is commonly used is so that it can help with production amount and controlling the serviceable inventory level. Demand estimation derived from a parametric distribution requires statistical estimation of its mean and variance or other parameters. In the case of unobserved lost sales, the parameter estimates must be adjusted appropriately to account for the unobserved component of demand. In this thesis to cope with the observable lost sales in the textile sector we utilize the Bayesian approach. In Bayesian analysis the new information is combined with the previously available information. At this point the prior information (distribution) corresponds to the historical data or the subjective thought of the decision maker about the random parameter of the involved process. The consequential decision or inferential statement (posterior distribution) pooled all available information about the uncertain parameter of the interest. The proposed Bayesian approach is applied to women clothing monthly sales data between the years 1997 to 2013. To obtain the posterior distribution parameters we utilized two approaches; conjugate families’ priors and Jeffreys’ priors where the lack of information about the priors.
