Senaryonun özeti
Neden önemli, ne değişti?
Dağınık şube verisi ile hava, uçuş ve tatil gibi canlı dış kaynaklar, tek bir Türkçe görev tarifiyle; Python tahmin modeline, senaryolu bir Excel'e, günlük yönetim sunumuna ve kendini yenileyen bir panoya dönüştü.
- İş değeri
- On bir kaynak, şube ve kategori bazında yedi günlük araç ihtiyacına dönüşüyor.
- Teslim edilen dosyalar
- Python tahmin modeli · Excel modeli · Yönetim sunumu · Canlı HTML pano
- Tekrar kullanım
- Yeni veriyle düzenli olarak yinelenebilir.
Contoso Araç Kiralama'nın 24 şubesi için asıl soru basitti: Önümüzdeki yedi günde hangi şubeye kaç araç gerekir? Yanıt ise rezervasyon, geçmiş talep, filo, kuyruk ve operasyon notlarına dağılmıştı. Hava, tatil ve uçuş yoğunluğu gibi dış etkenler de ayrı kaynaklardaydı.
Cowork, sekiz örnek dosya ile üç canlı beslemeyi tek bir açıklanabilir tahminde topladı. Ekip artık tabloları uzlaştırmak yerine iki karara odaklanabiliyordu: aracı hangi şubeye kaydırmak ve yoğun güne ne zaman ek vardiya koymak?
Sorunu ve Cowork'e verilen görevi aç
Contoso Araç Kiralama'da şube bazında günlük araç talebini önceden görmek çok zor. Veri her yere dağılmış: rezervasyonlar, randevusuz gelen müşteri sayıları, filo ve kategori müsaitliği, kuyruk yoğunluğu, geçmiş talep; üstüne bir de talebi asıl belirleyen dış etkenler var: hava durumu, havalimanı uçuş yoğunluğu, resmi ve okul tatilleri. Her sabah 'hangi şubeye, hangi kategoride kaç araç konumlandıralım' sorusu elle saatler alıyor ve çoğu zaman sezgiye kalıyor.
Contoso Araç Kiralama için şube bazında günlük araç talebi tahmin modeli kur. Ekteki veri setlerini ve canlı çektiğin kaynakları birleştir. Talebi etkileyen etkenleri modele kat: rezervasyon ve randevusuz (anlık) müşteri oranı, sezon ve dönemsellik, resmi ve okul tatilleri, hava durumu, havalimanı uçuş yoğunluğu (havalimanı ve otogar yakını şubeler ile şehir şubeleri farklı davranır), araç ve kategori müsaitliği, kuyruk yoğunluğu, rakip fiyat ve müsaitliği, geçmiş dönüşüm oranları. Önemli: bu listeyle sınırlı kalma; talebi etkileyebilecek ek etkenleri kendin belirleyip modele ekle ve neden eklediğini açıkla. Yapılacaklar: 1) Python ile bir talep tahmin modeli yaz (özellik mühendisliği ve basit ama savunulabilir bir yöntem; tüm varsayımları açıkça yaz). 2) Sonucu Excel'de modelle: girdi sayfaları, etken ve özellik sayfaları, tahmin sayfası ve senaryolar (iyimser, baz, kötümser). 3) Yönetim için günlük bir PowerPoint çıktısı üret (şube bazında tahmin, riskler, öneriler). 4) Excel veya CSV'ye yeni veri geldiğinde ek maliyet doğurmadan güncellenen, kendi içinde çalışan bir HTML pano üret (veriyi tarayıcıda okuyup yeniden çizen). 5) Aynı çıktıyı dört farklı rol için yorumla: Operasyon Müdürü, Bayi Müdürü, Bayi Çalışanı ve Finans Direktörü; her biri bu tahminden nasıl yararlanır, hangi kararı verir, hangi ölçüte bakar. Tüm değerler TL; tüm çıktı ve metin Türkçe olsun. Önemli ve etkili adımlarda onayımı iste.
Kullanılan verileri aç
Kullanılan veriler
örnek veri canlı kaynakBu senaryoda kullanılan örnek dosyaları ve bağlı veri kaynaklarını inceleyebilirsiniz.
Nasıl çalıştı?
Cowork görevi adım adım nasıl yürüttü?
-
Cowork aynı tahmini dört rol için ayrı ayrı yorumladı — Operasyon Müdürü, Bayi Müdürü, Bayi Çalışanı ve Finans Direktörü; her biri için yarar, karar ve bakılacak ölçüt. Altında şeffaflık notları: hangi hava verisi canlı, hangisi mevsim normaliyle modellendi. -
Altı adımın tamamı tek görevde bitti: canlı kaynak çekme, Python model, Excel, PowerPoint, HTML pano ve dört rol yorumu. /cost komutu görevin toplam maliyetini 1.207,1 kredi ölçtü.
Cowork önce veri kapsamını ve tahmin ufkunu onaya sundu. Modeli çarpımsal ayrıştırma mantığıyla kurdu: her şube için ay ve haftanın günü ortalamasından bir taban çıkardı. Bu tabanı tatil, hava, uçuş yoğunluğu, rezervasyon eğilimi, bakım, kuyruk kaybı ve rakip baskısıyla düzeltti. Her çarpan görünür kaldığı için ekip tahminin neden değiştiğini izleyebildi.
Son 90 günlük geriye dönük sınamada WAPE %9,3 çıktı; sapma sıfıra yakındı. Senaryo aralıkları da bu hata dağılımından türetildi. 14–20 Temmuz 2026 haftasının karar değiştiren bulguları şunlardı:
- Baz talep: 11.955 araç; iyimser senaryo 13.380, kötümser senaryo 10.531.
- Gelir öngörüsü: Baz senaryoda 13,1 Mn ₺.
- Tatil etkisi: 15 Temmuz talebi şube tipine göre %15–17 artırdı.
- Zirve gün: 18 Temmuz Cumartesi.
- Kapasite riski: Muğla Dalaman'da zirve doluluk %186; mevcut filo talebi karşılamıyor.
- Aktarım adayı: İzmir Adnan Menderes %68 dolulukla araç aktarımı için uygun görünüyor.
Varsayımlar kodda tek yerde tutuldu. Excel çalışma kitabındaki 2.022 formül, kira tarifesi veya senaryo bandı değiştiğinde tahmini yeniden hesaplıyor. Pano da yeni CSV ile tarayıcıda yeniden çiziliyor. Böylece tahmin tek seferlik bir çıktı olmaktan çıkıp düzenli kullanılan bir karar aracına dönüşüyor.
Dört rol, tek tahmin
Aynı tahmin dört rolün farklı kararlarına hizmet etti:
- Operasyon Müdürü: Araç ve vardiya aktarımına karar verir; zirve doluluk ile arz açığını izler.
- Bayi Müdürü: Yedi günlük araç ve çalışan talebini planlar; senaryo bandı ile kategori doluluğuna bakar.
- Bayi Çalışanı: Yoğun saate hazırlanır; günlük talep, kuyruk ve müsait kategorileri izler.
- Finans Direktörü: Gelir riskini ve yatırım ihtiyacını değerlendirir; karşılanamayan talep ile araç başına gelire bakar.
Dağınık şube verisi ile hava, uçuş ve tatil gibi canlı dış kaynaklar, tek bir Türkçe görev tarifiyle; Python tahmin modeline, senaryolu bir Excel'e, günlük yönetim sunumuna ve kendini yenileyen bir panoya dönüştü.
Cowork çıktıları
Tek görevden çıkan teslimatları salt okunur görünümde inceleyin.
Şeffaf çarpımsal ayrıştırma modeli: taban seviye × etken çarpanları (tatil, hava, uçuş, rezervasyon momentumu, kuyruk kaybı, rakip proxy). Tüm varsayımlar kodda tek noktada; son 90 gün üzerinde backtest ile doğrulandı (WAPE %9,3). İndirilebilir .py.
On bir sayfalık, 2.022 canlı formüllü çalışma kitabı: Varsayımlar, girdi sayfaları, etkenler, Tahmin (taban → BAZ → doluluk → gelir), Backtest, Senaryolar ve Rol Yorumları. Kira tarifesini bir hücreden değiştirdiğinizde gelir baştan hesaplanır.
On bir slaytlık günlük yönetim brifi: şube bazında tahmin, senaryo aralığı, kapasite riskleri (Muğla Dalaman %186 zirve doluluk), etken kartları, öncelikli aksiyonlar ve dört rol kadranı. Düzenlenebilir .pptx; tüm değerler TL.
Tek dosya, harici bağımlılık olmadan çalışan pano: veriyi tarayıcıda okuyup grafikleri kendisi çizer. Güncel CSV'yi sürükleyip bıraktığınızda sunucu ya da ek kredi gerektirmeden anında yeniden çizilir.
Maliyet ve getiri
ölçülmüş · Microsoft 365 Copilot (Cowork, Auto)Elle yapım maliyeti kaynağı: Kariyer.net, Glassdoor TR ve talent.com ilanlarından derlenen aralık · Temmuz 2026. Yüklü saatlik maliyet = brüt × 1.45 (SGK + yan haklar) ÷ 180 saat/ay. kaynak
Yöntem: Cowork maliyeti = /cost ile ölçülen kredi × $0.01/kredi (ABD doları).
TL karşılığı, günlük resmî TCMB kuruyla (1 USD = 47,77 TL) hesaplanır. İnsan tarafı, iyi bir
şirkette kıdemli analistin yan haklar ve vergiler dâhil saatlik toplam maliyetine (yüklü) dayanan bir varsayımdır.
Bu çalışmayı siz de denemek ister misiniz?
Örnek dosyaları indirin, aşağıdaki görev tarifini kopyalayın ve Cowork'te kendi sonucunuzu üretin. Birkaç dakikada deneyebilirsiniz.
- 1 Örnek dosyaları tek seferde indirin Tüm örnek dosyalar (.zip)
- 2 Görev tarifini kopyalayıp Cowork'e yapıştırın
Contoso Araç Kiralama için şube bazında günlük araç talebi tahmin modeli kur. Ekteki veri setlerini ve canlı çektiğin kaynakları birleştir. Talebi etkileyen etkenleri modele kat: rezervasyon ve randevusuz (anlık) müşteri oranı, sezon ve dönemsellik, resmi ve okul tatilleri, hava durumu, havalimanı uçuş yoğunluğu (havalimanı ve otogar yakını şubeler ile şehir şubeleri farklı davranır), araç ve kategori müsaitliği, kuyruk yoğunluğu, rakip fiyat ve müsaitliği, geçmiş dönüşüm oranları. Önemli: bu listeyle sınırlı kalma; talebi etkileyebilecek ek etkenleri kendin belirleyip modele ekle ve neden eklediğini açıkla. Yapılacaklar: 1) Python ile bir talep tahmin modeli yaz (özellik mühendisliği ve basit ama savunulabilir bir yöntem; tüm varsayımları açıkça yaz). 2) Sonucu Excel'de modelle: girdi sayfaları, etken ve özellik sayfaları, tahmin sayfası ve senaryolar (iyimser, baz, kötümser). 3) Yönetim için günlük bir PowerPoint çıktısı üret (şube bazında tahmin, riskler, öneriler). 4) Excel veya CSV'ye yeni veri geldiğinde ek maliyet doğurmadan güncellenen, kendi içinde çalışan bir HTML pano üret (veriyi tarayıcıda okuyup yeniden çizen). 5) Aynı çıktıyı dört farklı rol için yorumla: Operasyon Müdürü, Bayi Müdürü, Bayi Çalışanı ve Finans Direktörü; her biri bu tahminden nasıl yararlanır, hangi kararı verir, hangi ölçüte bakar. Tüm değerler TL; tüm çıktı ve metin Türkçe olsun. Önemli ve etkili adımlarda onayımı iste.
- 3 Cowork'ü açıp deneyin Cowork'ü aç ↗
Dürüst değerlendirme
Ne iyi çalıştı, nerede dikkat gerekiyor?
On bir kaynak, şube ve kategori bazında yedi günlük araç ihtiyacına dönüşüyor.
Yeni CSV panoyu yeniden çizer; yeni bir tahmin üretmek için modelin yeniden çalıştırılması gerekir.
Bu senaryo işine yaradı mı?
Oyunuz anonim; toplam sonuç herkese açık görünür.
Teşekkürler! Oyunuz sayıldı.