Restoran Talep Tahmini Nasıl Yapılır? (2026)

Restoran talep tahmini, geçmiş satış verisini, mevsimsel örüntüleri ve dış değişkenleri (hava durumu, tatiller, kampanyalar) bir arada değerlendirerek belirli bir dönemde kaç porsiyon sipariş geleceğini önceden hesaplama sürecidir. Tahmin tuttuğunda fire azalır, stok maliyeti düşer, vardiya planı gerçekçi kalır.

Talep tahmini nedir, restoranlarda neden bu kadar önemli?

Genel tanım ve restoran özeli

Bu disiplin, geçmiş verilere ve çevresel faktörlere bakarak gelecekteki müşteri talebini öngörmeyi amaçlar. Perakende ve üretim sektörlerinde onlarca yıldır kullanılır. Restoran tarafında işler biraz daha karışır: taze ürün ömrü kısadır, sipariş hacmi saatten saate değişir, teslimat platformları kendi dinamiklerini getirir. Bu yüzden standart perakende formülleri restoran operasyonuna doğrudan uygulanamaz.

Doğru tahmin yapamayan işletmelerin 3 tipik kaybı

1. Fire (gıda israfı): Fazla hazırlanan porsiyonlar çöpe gider. FAO verilerine göre küresel gıda üretiminin yaklaşık üçte biri israf olmaktadır (FAO, 2019).
2. Gereksiz personel maliyeti: Sakin saatlerde fazla eleman çalıştırmak prime cost'u (işçilik + malzeme) doğrudan şişirir.
3. Stok tükenmesi (stock-out): Yetersiz hazırlık sipariş iptaline ve platformlarda düşük puana yol açar, bu da organik görünürlüğü geri çeker.

Üçü de birbirine bağlıdır: öngörü isabeti düştükçe hem malzeme hem işçilik tarafında marj erir.

Hangi öngörü yöntemleri kullanılır?

Nitel yöntemler

Uzman görüşü, Delphi tekniği, pazar araştırması. Bunlar özellikle veri geçmişi olmayan yeni şubelerde işe yarar. Deneyimli bir mutfak şefi veya operasyon müdürü haftalık talep senaryosunu kafasında kurabilir. Sorun şu: bu yaklaşım ölçeklenmez. Sonuç kişiden kişiye değişir, hata payı yüksek kalır.

Nicel yöntemler

• Hareketli ortalama: Son N günün (genellikle 4 veya 8 hafta) sipariş ortalamasını alır, bir sonraki dönemi buna göre tahmin eder. Basittir, Excel'de bile kurulur.
• Üstel düzleştirme (exponential smoothing): Yakın geçmişe daha fazla ağırlık verir, mevsimsel dalgalanmaları yakalamakta hareketli ortalamadan iyidir.
• Regresyon analizi: Sıcaklık, yağış, tatil günü gibi bağımsız değişkenleri modele ekler, daha hassas sonuç üretir.

Bu yöntemler en az 8 haftalık veri geçmişi olduğunda güvenilir çıktı verir.

Yapay zeka ve makine öğrenmesi

Zaman serisi modelleri (LSTM, Prophet, ARIMA varyantları) ve gradient boosting algoritmaları yüzlerce değişkeni aynı anda işler. Örnek: son 90 günlük POS verisi, hava durumu API'si ve platform kampanya takvimini bir ML modeline girdi olarak verdiğinizde, yarın için ürün bazlı porsiyon önerisi alırsınız. Harvey AI bu tür agentic asistanlarla öngörü sürecini otonom çalışır hale getirmeyi hedefliyor.

Hangi veriler gerekiyor?

Dahili veriler

Veri Kaynağı	Örnek Veri
POS sistemi	Ürün bazlı satış adedi, saat dilimi, iptal oranı
Online sipariş platformları	Sipariş hacmi, ortalama sepet tutarı, kampanya dönemi satışları
Envanter kayıtları	Günlük stok miktarı, fire kayıtları, satın alma geçmişi

Dış faktörler

• Hava durumu (sıcaklık, yağış)
• Resmi ve dini tatiller, okul takvimi
• Yakın çevredeki etkinlikler (konser, maç, fuar)
• Teslimat platformlarının kampanya takvimleri

Platform verisini birleştirme sorunu

Yemeksepeti, Getir, Trendyol Yemek ve Migros Yemek farklı panellerde, farklı formatta veri sunar. Bu verileri tek bir kaynakta birleştirmek, modelin doğru çalışabilmesinin ön koşuludur. Platform entegrasyonlarını tek panelde toplayan bir sistem bu sorunu ortadan kaldırır: model tutarlı bir veri setiyle beslenir, formatlar arası çeviri derdi kalmaz.

Adım adım uygulama rehberi

Adım 1: Geçmiş veriyi temizle ve standartlaştır

Ham veriden anlam çıkarmak için önce tutarsızlıkları giderin:

• Eksik günleri (tatil nedeniyle kapalı olunan günler) işaretleyin.
• Olağandışı spike'ları (bir günlük viral kampanya etkisi gibi) outlier olarak ayırın.
• Farklı platformlardan gelen tarihleri ve ürün isimlerini ortak formata getirin.

Adım 2: Mevsimsellik ve trendleri ayıkla

Haftalık döngü (cuma, cumartesi yoğunluğu) ve aylık trendler (yaz aylarında soğuk içecek artışı) ayrı bileşenler olarak ayrıştırılmalıdır. Seasonal decomposition bu adımda devreye girer: trend, mevsimsellik ve artık (residual) ayrı ayrı görünür hale gelir.

Adım 3: Dış değişkenleri modele ekle

Hava durumu, tatil takvimi ve kampanya programlarını model girdisi olarak tanımlayın. Regresyon veya ML modellerinde bu değişkenler "feature" olarak eklenir. Özellikle hava durumu ve resmi tatiller, restoran siparişleri üzerinde tekrarlayan ve güçlü etkiye sahiptir.

Adım 4: Modeli test et (MAE / MAPE ile doğruluk ölçümü)

Modeli geçmiş verinin son 2-4 haftası üzerinde test edin. Yaygın metrikler:

• MAE (Mean Absolute Error): Ortalama mutlak hata. Porsiyon cinsinden sapmayı verir.
• MAPE (Mean Absolute Percentage Error): Yüzdesel hata oranı. Sektörde %15 altı genellikle "iyi" sayılır.

Adım 5: Otomasyona geçiş, rutin karar döngüsü kur

Model doğrulandıktan sonra manuel Excel hesaplamalarından çıkın. Günlük veya haftalık otomatik öngörü döngüsü kurun. Çıktıyı doğrudan stok sipariş listesine ve vardiya taslağına bağlayabilirsiniz.

Sonuçları operasyona bağlamak

Çoğu kaynak öngörü yöntemlerini anlatıp orada bırakır. Oysa getiri, model çıktısının günlük kararlara dönüştüğü noktada başlar.

Öngörü ve stok sipariş miktarı

Öngörülen porsiyon sayısını reçete kartlarındaki gramajla çarpın: günlük hammadde ihtiyacınız ortaya çıkar. Bu hesap, envanter ve satın alma otomasyonunun temel girdisidir. Model isabetli olduğunda ne fazla stok birikir ne ürün eksik kalır.

Öngörü ve vardiya planlama

Saatlik yoğunluk projeksiyonu, o saat diliminde kaç kişilik kadro gerektiğini gösterir. Düşük sipariş beklenen öğlen saatlerinde minimum kadro, pik saatlerde tam kadro planlamak işçilik maliyetini kontrol altında tutar. Öngörüye dayalı işgücü yönetimi ile prime cost'un işçilik bacağı yönetilebilir hale gelir.

Öngörü ve kampanya zamanlama

Düşük sipariş beklenen günlerde promosyon açmak, yüksek yoğunluk günlerinde tam fiyat uygulamak basit ama etkili bir marj koruma stratejisidir. Projeksiyon verisini kampanya takvimiyle eşleştiren işletmeler indirim bütçesini daha verimli kullanır.

Çok şubeli ve franchise modellerde fark ne?

Şube bazlı mı, merkezi model mi?

Tek şubeli bir işletmede yerel model yeterlidir. Beş ve üzeri şubede iki seçenek belirir:

• Şube bazlı ayrı modeller: her şubenin kendi veri seti kullanılır, lokasyona özgü dinamikler yakalanır.
• Merkezi havuz modeli: tüm şubelerin verisi birleşir, daha büyük veri kümesi daha güçlü örüntü tespiti sağlar. Ama şubeler arası farklılıkları kaçırabilir.

Pratikte hibrit yaklaşım (merkezi model + şube özelinde ince ayar) en tutarlı sonucu verir. Çok şubeli markalar ve franchise yapılar için bu mimari seçim kritik bir karardır.

Yeni şube için soğuk başlangıç problemi

Henüz veri geçmişi olmayan bir şube açıldığında model neye dayanacak? Üç yaygın çözüm:

• Benzer demografik profile sahip mevcut bir şubenin verisini başlangıç noktası almak (transfer learning mantığı).
• İlk 2-4 hafta nitel tahminle (şef deneyimi, bölge gözlemi) yürütüp veri biriktikten sonra modeli devreye almak.
• Bölgenin genel sipariş kalıplarını platform verisinden çıkarmak.

Gerçek senaryo: 3 örnek uygulama

Tek şubeli restoran, Excel bazlı hareketli ortalama

Tek şubeli bir işletme son 4 haftanın günlük sipariş ortalamasını basit bir Excel tablosunda tutarak haftalık hazırlık miktarını belirleyebilir. Maliyeti sıfırdır, mevcut veriyle yapılır. Doğruluğu sınırlı olsa da tamamen sezgisel karar vermeye göre ölçülebilir bir iyileşme sağlar.

5 şubeli zincir, POS entegrasyonlu dashboard

Beş şubeli bir zincir POS entegrasyonuyla verileri otomatik toplar, basit istatistiksel modeller (üstel düzleştirme) uygulayarak şube bazlı günlük projeksiyon üretir. Projeksiyon çıktısı merkezi satın alma listesini doğrudan besler.

20+ şubeli marka, ML destekli otonom tahmin

Bu ölçekte makine öğrenmesi devreye girer. Yüzlerce değişken (hava, kampanya, geçmiş satış, bölge demografisi) aynı anda işlenir. Model sonuçları otomatik olarak stok siparişine, vardiya taslağına ve kampanya önerisine dönüşür. Harvey'in yapay zeka destekli mimarisi bu ölçekte agentic asistanlarla operasyonu yönetmeyi hedefliyor.

Sıkça Sorulan Sorular

Talep tahmini nedir ve restoranlarda neden önemlidir?

Talep tahmini, geçmiş veri ve dış faktörlere dayanarak gelecekteki sipariş hacmini öngörmektir. Restoranlarda önemlidir çünkü taze gıda ömrü kısadır; isabetsiz tahmin doğrudan fire, stok eksikliği veya gereksiz personel maliyetine dönüşür.

Restoranda günlük sipariş sayısı nasıl tahmin edilir?

En basit yöntem, son 4-8 haftanın aynı gününe ait sipariş ortalamalarını almaktır. Daha gelişmiş modeller hava durumu, tatil ve kampanya bilgisini de hesaba katar.

Talep tahmininde hangi yöntemler kullanılır?

İki ana kategori vardır: nitel yöntemler (uzman görüşü, Delphi) ve nicel yöntemler (hareketli ortalama, üstel düzleştirme, regresyon, makine öğrenmesi). Restoran ölçeğine göre basit Excel hesaplamasından ML modeline kadar geniş bir yelpaze mevcuttur.

Bu süreç ile gıda israfı (fire) arasındaki ilişki nedir?

Doğru öngörü, yalnızca ihtiyaç kadar hazırlık yapılmasını sağlar. Fazla hazırlanan porsiyon fire olarak kaybolur. UNEP Food Waste Index'e göre gıda hizmeti sektörü, küresel gıda israfının önemli bir payını oluşturmaktadır (UNEP, 2024).

Restoranda talep tahmini için hangi veriler gerekir?

Dahili veriler (POS satış geçmişi, envanter, sipariş platform verileri) ve dış faktörler (hava durumu, tatil takvimi, etkinlik, kampanya programları). Veri kalitesi ve tutarlılığı, modelin doğruluğunu doğrudan etkiler.

Yapay zeka ile öngörü, geleneksel yöntemlerden ne farkı var?

Geleneksel yöntemler (hareketli ortalama, regresyon) sınırlı sayıda değişkenle çalışır. Makine öğrenmesi modelleri yüzlerce değişkeni aynı anda analiz eder, örüntüleri otomatik keşfeder ve veri arttıkça kendini iyileştirir.

Çok şubeli restoranlarda talep tahmini nasıl farklılaşır?

Her şubenin konumu, müşteri profili ve platform karması farklıdır. Bu nedenle ya şube bazlı ayrı modeller ya da merkezi model üzerinde şube özelinde ince ayar yapılır. Yeni şubeler için soğuk başlangıç stratejileri (benzer şubeden transfer, kısa süreli nitel tahmin) gerekir.

Öngörü sonuçları vardiya planlamayı nasıl etkiler?

Saatlik projeksiyon, o saatte kaç kişilik kadro gerektiğini gösterir. Yoğun saatlere doğru personel kaydırılır, düşük sipariş saatlerinde kadro daraltılır. Bu, işçilik maliyetini gerçek yoğunluğa orantılı hale getirir ve prime cost'u kontrol altında tutar.

---

İşletmenizin mevcut operasyonel performansını sektör ortalamalarıyla kıyaslamak için ücretsiz benchmark aracımızı deneyin.