Talep Tahmini — Canlı Demo

Örnek veriyle deneyin ya da kendi CSV dosyanızı yükleyin. Modeli kendiniz ayarlayın, kararlarını denetleyin: düzeltme parametrelerini kaydırın, kalıntıları ve hatanın ufukla nasıl büyüdüğünü görün. Her şey tarayıcınızda çalışır.

Kendi CSV dosyanızı nasıl hazırlarsınız?

Dosyanız basit olmalı: her satır bir zaman noktası (örneğin bir gün). En az 10 satır gerekir. İki biçim de kabul edilir:

  • Tek sütun: sadece sayısal değer (talep ya da fiyat).
  • İki sütun: ilk sütun tarih/etiket, ikinci sütun sayısal değer.

Örnek (iki sütun):

date,demand
2026-01-01,120
2026-01-02,135
2026-01-03,98
...

İlk satır başlık olabilir (sayısal değilse otomatik atlanır). Değerler virgül, noktalı virgül ya da sekme ile ayrılabilir. Dosyanız tarayıcınızdan çıkmaz — hiçbir sunucuya gönderilmez.

Örnek CSV indir

Product demand

units/day

İçi dolu çizgi geçmiş; ince çizgi modelin geçmişe uyumu; kesikli çizgi tahmin; gölge bant belirsizliktir. Noktaların üzerine gelin.

Geçmiş Model uyumu Tahmin Belirsizlik (~%80)

Kalıntılar

Gerçek − model. Sıfır etrafında rastgele = iyi uyum; bir örüntü kalan yapıyı gösterir.

Hata × ufuk

Yuvarlanan geri-test: her adım ileri için ortalama % hata.

SEÇİLEN MODEL

—
Holdout MAPE—
Örnek-içi MAPE—
Doğruluk—

MODELİ AYARLA (HOLT-WINTERS)

α (seviye)0.30
Seviyenin yeni veriye ne kadar hizli tepki verdigi. Yuksek = daha cevik, daha gurultulu.
β (egim)0.05
Trendin ne kadar hizli guncellendigi. Yuksek = trend donuslerini hizli yakalar.
γ (sezon)0.20
Sezonluk desenin ne kadar hizli uyarlandigi. Yuksek = kayan mevsimselligi izler.
Ayarladiginiz modelin holdout MAPE'si: —  · 

MODEL KARSILASTIRMASI

Bir modele tiklayip grafikte gorun.