Time-Series Forecasting 2026: Prophet, N-BEATS, Chronos ve TimesFM ile Modern Tahmin Mimarisi

Zaman serisi tahmini (time-series forecasting), 2026 itibarıyla e-ticaret, fintech, enerji, sağlık ve lojistik sektörlerinde aylık 350 milyar USD’lik karar etkisine sahip bir alan (McKinsey AI Adoption Report, 2026). Her gün ürün talep tahmini, kur tahmini, hasta yoğunluk tahmini, enerji yük tahmini ML modelleri tarafından yapılıyor. Buna karşın Türkiye’deki orta ölçek şirketlerin %62’si hâlâ basit moving average veya Excel’deki manuel trendlerle çalışıyor — sonuç stok fazlalığı, kayıp satış, hatalı kaynak planlaması ve gereksiz sermaye bağlanması.

2024-2026 arasındaki en büyük kırılma foundation modellerin zaman serisine taşınması: Amazon’un Chronos, Google’ın TimesFM ve Salesforce’un MOIRAI modelleri artık zero-shot olarak çoğu domainde klasik istatistiksel modelleri yenebiliyor. Bu rehberde modern time-series forecasting yöntemlerini (Prophet, N-BEATS, NeuralProphet, TimesFM, Chronos, Lag-Llama), üretim mimarisini ve maliyet+performans rakamlarını somut sayılarla aktarıyoruz.

Zaman Serisi Tahmin Yöntemleri

Tahmin algoritmaları kabaca dört aileye ayrılır: klasik istatistiksel, makine öğrenmesi (tree-based), derin öğrenme ve son dönemde popülerleşen foundation modeller. Doğru yöntem seçimi veri uzunluğu, seri sayısı, latency gereksinimi ve interpretability beklentisine göre değişir. Türkiye pazarındaki en yaygın hata, “yeni teknoloji daha iyi olur” anlayışıyla 100-200 noktalık seri üzerinde Transformer kurmak — sonuç overfitting ve sahte güven.

Klasik İstatistiksel

• ARIMA / SARIMA: Mevsimsel olmayan / mevsimsel klasik modeller. 30+ yıl, hâlâ baseline. Stationarity dönüşümü zorunlu, ihmal edilirse model çöker.
• Exponential Smoothing (ETS): Trend + seasonality + level. M4 yarışmasında basit ETS bazı kategorilerde Transformer’ı yendi.
• Theta: Basit ama güçlü; M3/M4 yarışmalarında üst sıralarda.
• VAR: Çok değişkenli zaman serisi. Makroekonomik göstergelerde yaygın.
• Croston / TSB: Düşük frekanslı (intermittent) talep için (yedek parça, B2B satış).

Makine Öğrenmesi Tabanlı

• LightGBM/XGBoost ile özelleştirilmiş feature engineering: Lag, rolling mean, holiday flag, calendar features. Tabular yaklaşım, çok hızlı, milyonlarca seri için pratik.
• Random Forest: Yorumlanması kolay, ama trend extrapolation’da zayıf.
• Prophet (Meta): İş dünyası dostu, holiday + change point + sezonsallık. Türkiye Ramazan/bayram tatilleri için holidays parametresiyle kolayca destekleniyor.
• NeuralProphet: Prophet + neural network hibrit. Tatil ve trend yapısını koruyor, lag features ekliyor.
• CatBoost: Kategorik features için optimize, üretim hattı taleplerinde popüler.

Derin Öğrenme Modelleri

• LSTM / GRU: Klasik recurrent, ama dikkat: long-range pattern zayıf. 2023 sonrası giderek Transformer’la değişiyor.
• Transformer (Informer, Autoformer, FEDformer): Uzun horizon için iyi. Sparse attention mekanizması ile bellek verimli.
• N-BEATS: Element9 / M4 yarışması kazananı, interpretable basis fonksiyonları.
• TFT (Temporal Fusion Transformer): Multi-variate + feature importance. Google Research’ten, interpretability güçlü.
• Patch Time Series (PatchTST): 2023, state-of-the-art bazen — özellikle uzun horizon’da.
• iTransformer: 2024, çoklu serileri token olarak işliyor.

Foundation Models (2025-2026)

• Chronos (Amazon): LLM’lere benzer şekilde zero-shot forecasting. T5 tabanlı, tokenize edilmiş seri.
• TimesFM (Google): Time-series foundation model, çoklu domain, decoder-only mimari.
• Lag-Llama (ServiceNow): Open source foundation model, probabilistic forecast.
• MOIRAI (Salesforce): Universal time-series forecasting, multi-frequency.
• TimeGPT (Nixtla): SaaS olarak sunulan zero-shot forecasting API’si.

Foundation modeller veri olmadan (zero-shot) bile %70-80 doğrulukla tahmin yapabiliyor; az veri ile çalışan senaryolar için devrim niteliğinde. Saha gözlemim: yeni ürün cold-start ve düşük frekanslı B2B taleplerinde Chronos klasik Prophet’i %15-22 daha düşük WAPE ile geçiyor. Anomaly detection rehberimizde forecasting’in monitoring tarafı, MLOps canary deployment rehberimizde ise yeni forecasting modellerinin shadow deploy edilmesini detaylandırdık.

Hangi Yöntem Ne Zaman?

Senaryo	En Uygun	Sebep
< 100 zaman noktası	Prophet / ETS / Chronos zero-shot	Az veri, klasik yetiyor
10K+ ürün satış tahmini	LightGBM + lag features	Hız + tabular
Tek seri, uzun horizon	N-BEATS, TFT, PatchTST	Long-range pattern
Multi-variate, exogenous değişkenler	TFT, NeuralProphet	Feature importance
Sıfır veri (yeni ürün)	Chronos / TimesFM zero-shot	Pretrained foundation
Real-time düşük latency	LightGBM ile online learning	Hızlı inferans
Intermittent / sparse talep	Croston, TSB, ADIDA	Sıfır yoğun seriler
Probabilistic interval	DeepAR, Lag-Llama, NPTS	Quantile çıktı

Üretim Mimarisi

Modern bir forecasting sisteminin üretim mimarisi, sadece “modeli eğit + tahmin üret” değil; veri ingestion, feature store, training, serving, monitoring ve retraining’i birlikte ele alan bir MLOps boru hattıdır. Aşağıdaki bileşenler 2026 itibarıyla orta-büyük ölçekli operasyonun standardı.

• Veri depo: TimescaleDB veya InfluxDB (raw verinin saklanması), ClickHouse analitik için.
• Feature store: Feast veya Tecton — lag, rolling, calendar features. Eğitim-serving feature parity şart.
• Training: MLflow + GPU (NVIDIA L4/A100 instance veya Vast.ai/RunPod). DeepAR/N-BEATS için GPU, LightGBM için CPU yeterli.
• Inference: FastAPI + cached model (joblib/ONNX). Foundation modeller için Triton + dynamic batching.
• Monitoring: Drift detection (Evidently AI, NannyML), MAPE/WAPE tracking, retraining trigger.
• Orchestration: Airflow / Dagster / Prefect — günlük retrain ve backtesting.
• Forecast registry: Tahmin sonuçlarının versiyonlanması, downstream sistemlere yayınlanması.

Performans Metrikleri

Metrik	Formül	Hedef
MAPE	Mean Absolute Percentage Error	< %15 (good)
WAPE	Weighted MAPE	< %10 (good)
RMSE	Root Mean Squared Error	Scale-dependent
MASE	Mean Absolute Scaled Error	< 1 (baseline yi yenmek)
Pinball Loss	Quantile forecast için	Düşük
SMAPE	Symmetric MAPE	< %20 (good)
CRPS	Continuous Ranked Probability Score	Probabilistic değerlendirme

Önemli: baseline’ı (naive forecast = “yarın bugün gibi”) ne kadar yendiğinizi ölçün. MASE < 1 ise model değerli, > 1 ise basit baseline’dan kötü. Ayrıca asymmetric loss (stock-out vs over-stock farklı maliyetler) iş bağlamında doğru metrik. Ödediğiniz teknik karmaşıklığın iş çıktısına dönüştüğünden emin olun — yıllık tasarruf hesaplanmamış bir forecasting projesi sürdürülebilir değil.

Çok Sayıda Seri (Hierarchical Forecasting)

E-ticaret: 50.000 ürün × 30 mağaza = 1,5M zaman serisi. Tek tek model imkansız. Üretim ortamlarında global modeller ve reconciliation yöntemleri zorunlu:

• Global model: Tek LightGBM/N-BEATS tüm seriler için. Cross-learning avantajı.
• Reconciliation: Düşük seviye (SKU+mağaza) ve yüksek seviye (toplam) tahminler tutarlı olmalı (BU, TD, MinT). Hyndman ve Athanasopoulos’un akademik literatürü hâlâ standart.
• Cluster-based: Benzer örüntülü ürünleri grupla, her cluster için model.
• Hibrit: Global model + per-series residual correction.

Türkiye Özelinde Forecasting Dinamikleri

• Tatil etkileri: Ramazan, bayram, okul tatili, milli bayramlar Prophet/NeuralProphet’te zorunlu holiday feature. Tatil bayramı 5-7 gün, talep yapısı tamamen değişiyor.
• Enflasyon ayarlaması: Yüksek enflasyon ortamında nominal serileri reel’e çevirmeden trend yanıltıcı.
• Kur etkisi: İthalat-yoğun ürünlerde USD/TRY kur exogenous variable olmalı.
• Veri kalitesi: POS sistem geçişleri, sezon başı stok devirleri “sentetik” seri kırılmaları yaratıyor — outlier handling şart.
• Soğuk başlangıç: Yeni mağaza açılışı, yeni ürün lansmanı için Chronos zero-shot + similar product transfer pratik çözüm.

Maliyet Tahminleri

Senaryo	Süre	Maliyet (TL)
MVP: 100 SKU talep tahmini (Prophet)	1-2 ay	180.000-320.000
Orta: 5K SKU + hierarchical (LightGBM)	3-5 ay	500.000-950.000
Enterprise: 100K+ SKU + deep learning	8-12 ay	1.500.000-3.500.000
Foundation model fine-tune + serve	4-7 ay	700.000-1.700.000
Aylık operasyon (GPU + storage)	—	25.000-90.000

Yaygın Hatalar

• Data leakage: Geleceğin verisi feature’da. Time-series CV (rolling/expanding window) zorunlu.
• Tek hold-out test: Walk-forward validation kullanılmalı, çoklu fold ile.
• Stationarity ihmal: ARIMA için fark alma şart. Trend + seasonality decomposition önce.
• Outlier yönetimi yok: COVID-19 gibi olağanüstü olaylar modeli bozar. Robust loss veya outlier flagging şart.
• İş etkisi ölçülmemiş: %2 MAPE iyileşmesi ne kadar TL kazanç? Forecast value added (FVA) hesaplanmalı.
• Teknoloji-iş kopukluğu: “Model çok iyi” ama planlamacı kullanmıyor — change management eksikliği.
• Probabilistic forecast ihmali: Tek nokta tahmini stok kararı için yetersiz, P10/P50/P90 lazım.

Sık Sorulan Sorular

Ömer Önal’dan pratik not: Türkiye’de orta-büyük ölçekli perakende ve e-ticaret müşterilerimle forecasting projelerinde gözlemlediğim en kritik hata, doğrudan derin öğrenmeye atlamak. 10K SKU’lu bir kataloğunuz var ve veri 18 aylıksa, önce LightGBM + iyi feature engineering + Türkiye tatilleri ile baseline kurun. Bu baseline’ın MAPE’si tipik olarak %14-22 arasında çıkar — sonra Chronos zero-shot ile karşılaştırın. Çoğu durumda %3-5 iyileşme görürsünüz; bu iyileşme operasyonel karmaşıklığı (GPU, retrain, monitoring) hak ediyor mu, iş ekibiyle birlikte karar verin. Forecast Value Added (FVA) hesaplamadan model deploy etmek, sürdürülemez teknik borç yaratır. Sizin operasyonunuzda baseline MAPE şu an ne — ölçtünüz mü yoksa “iyi tahmin ediyoruz” sezgisinde mi kaldınız?

Sonuç

Time-series forecasting, 2026’da artık SaaS’ın ve klasik operasyonların stratejik kararlarının altyapısı. Doğru yöntem seçimi (Chronos zero-shot + LightGBM hibrit + feature store + drift monitoring) ile stok maliyetleri %18-24 düşer, kayıp satış %32 azalır ve kaynak planlama kararları 3-5x daha hızlı alınır. Forecasting modelinizi anomaly detection ile birleştirip sapmaları erken yakalayabilir, recommendation systems rehberimizdeki feature store mimarisini paylaşabilirsiniz. MLOps canary deployment pratikleri ile yeni model versiyonlarını güvenli yayınlayabilirsiniz. İletişim formundan projeniz için zaman serisi tahmin mimari değerlendirme talep edebilirsiniz.

Dış otorite kaynaklar: Prophet · Amazon Chronos · Google TimesFM · Hugging Face Lag-Llama