Çok kaynaklı veri ve Python modeliyle araç kiralama günlük talep tahmini: Excel, sunum ve canlı beslenen pano

Görev tek bir Türkçe istemle başladı: talebi etkileyen etkenleri birleştir, gerekirse kendi ek etkenlerini belirle, bir tahmin modeli kur ve sonucu Python, Excel, PowerPoint ile tarayıcıda çalışan bir pano olarak üret; ayrıca aynı tahmini dört farklı rol için yorumla. Cowork önce on bir kaynağı inceledi, bir veri özeti çıkardı ve yaklaşımını onaya sundu. Önemli adımlarda onay istedi: yöntem ve tahmin ufku, canlı verinin çekilip çekilmeyeceği, üç çıktının birlikte üretilmesi ve kira varsayımları hep tek tek onaylandı.

Seçtiği yöntem bilinçli olarak şeffaftı: çarpımsal ayrıştırma. Her şube ve gün için taban bir talep seviyesi — şube × ay × haftanın günü geçmiş ortalaması — hesaplandı, sonra bu taban tatil, tatil öncesi, hava, uçuş yoğunluğu, rezervasyon momentumu, bakım penceresi, kuyruk kaybı ve rakip baskısı çarpanlarıyla düzeltildi. Böylece her etkenin katkısı tek tek görülebilir ve yönetime savunulabilir kaldı. Cowork listeyle yetinmedi; talebi etkileyebilecek ek etkenleri kendi belirleyip gerekçeledi: haftanın günü kurumsal/bireysel deseni, bakım penceresinin arz kısıtı, kronik kuyrukta kaybedilen gizli talebin telafisi, bayram dönüş dalgası ve sahil şubelerinde aşırı sıcağın etkisi.

Modelin doğruluğu boş bir iddia değil, ölçülmüş bir değerdi. Son 90 gün üzerinde yapılan geriye dönük sınamada (backtest) ortalama hata WAPE %9,3 çıktı ve sapma sıfıra yakındı — şube tipine göre %9–10 aralığında, savunulabilir bir bant. Senaryo aralıkları da keyfi yüzdelerle değil, bu sınama hatasının dağılımından türetildi (±1,28σ ≈ %80 kapsama). Sonuç 14–20 Temmuz 2026 için netti: 7 günlük sistem talebi baz senaryoda 11.955 araç, iyimserde 13.380, kötümserde 10.531; baz gelir projeksiyonu 13,1 Mn ₺. 15 Temmuz resmi tatili talebi şube tipine göre %15–17 artırıyordu, zirve gün 18 Temmuz Cumartesi’ydi. En kritik uyarı kapasitedeydi: Muğla Dalaman’da zirve doluluk %186’ya çıkıyor, yani mevcut filo talebi karşılamaya yetmiyordu; buna karşılık İzmir Adnan Menderes %68 doluluk ile araç aktarımı için doğal bir aday olarak öne çıktı.

Son aşamada dört çıktı birlikte teslim edildi. Python modeli tüm varsayımları kodda tek noktada tutuyor ve çıktı dosyalarını üretiyor. On bir sayfalık Excel çalışma kitabı 2.022 canlı formülle kuruldu: kira tarifesini ya da senaryo bandını bir hücreden değiştirdiğinizde tahmin ve gelir baştan hesaplanıyor. On bir slaytlık yönetim sunumu şube tahminini, kapasite risklerini ve önerileri özetliyor. Pano ise tek dosya, harici bağımlılık olmadan çalışıyor; veriyi tarayıcıda okuyup grafikleri kendi çiziyor.