istanbul teknik üniversitesi fen bilimleri enstitüsü yüksek lisans tezi

İSTANBUL TEKNİK ÜNİVERSİTESİ  FEN BİLİMLERİ ENSTİTÜSÜ
PERAKENDE ÜRÜNLERİNİN PROMOSYON DÖNEMLERİNDEKİ
TALEBİNİN TAHMİN EDİLMESİ VE BİR TAHMİN MODELİ UYGULAMASI
YÜKSEK LİSANS TEZİ
Gökhan SÜRMELİ
İşletme Mühendisliği Anabilim Dalı
İşletme Mühendisliği Programı
Anabilim Dalı : Herhangi Mühendislik, Bilim
Programı : Herhangi Program
HAZİRAN 2013
İSTANBUL TEKNİK ÜNİVERSİTESİ  FEN BİLİMLERİ ENSTİTÜSÜ
PERAKENDE ÜRÜNLERİNİN PROMOSYON DÖNEMLERİNDEKİ
TALEBİNİN TAHMİN EDİLMESİ VE BİR TAHMİN MODELİ UYGULAMASI
YÜKSEK LİSANS TEZİ
Gökhan SÜRMELİ
(507091034)
İşletme Mühendisliği Anabilim Dalı
İşletme Mühendisliği Programı
Tez Danışmanı: Doç. Dr. Dilay ÇELEBİ
Anabilim Dalı : Herhangi Mühendislik, Bilim
Programı : Herhangi Program
HAZİRAN 2013
İTÜ, Fen Bilimleri Enstitüsü’nün 507091034 numaralı Yüksek Lisans Öğrencisi
Gökhan SÜRMELİ, ilgili yönetmeliklerin belirlediği gerekli tüm şartları yerine
getirdikten sonra hazırladığı “PERAKENDE ÜRÜNLERİNİN PROMOSYON
DÖNEMLERİNDEKİ TALEBİNİN TAHMİN EDİLMESİ VE BİR TAHMİN
MODELİ UYGULAMASI” başlıklı tezini aşağıda imzaları olan jüri önünde başarı
ile sunmuştur.
Tez Danışmanı :
Doç. Dr. Dilay ÇELEBİ
İstanbul Teknik Üniversitesi
..............................
Jüri Üyeleri :
Prof. Dr. İlker TOPÇU
İstanbul Teknik Üniversitesi
.............................
Doç. Dr. Raziye SELİM
İstanbul Teknik Üniversitesi
..............................
Teslim Tarihi :
Savunma Tarihi :
03 Mayıs 2013
05 Haziran 2013
iii
iv
Aileme,
v
vi
ÖNSÖZ
Yüksek lisans eğitimimin son aşaması olan tez çalışmamı tamamlıyor ve hayatımda
yeni bir sayfa açıyor olmanın mutluluğu ve heyecanı içerisindeyim. Bu mutluluğuma
ortak olması gerektiğini düşündüğüm çok değerli bazı kişileri burada anmak
istiyorum.
Perakende Ürünlerinin Promosyon Dönemlerindeki Talebinin Tahmin Edilmesi ve
Bir Tahmin Modeli Uygulaması konulu yüksek lisans tez çalışmamda öncelikle bana
danışmanlık yapmayı kabul eden ve benden desteğini esirgemeyen danışman hocam
Doç. Dr. Dilay Çelebi’ye en içten teşekkürlerimi sunarım. Tez araştırması için
Hollanda’da bulunduğum dönemde danışmanlığımı yapan ve tez çalışmamın
şekillenmesinde çok önemli katkıları olan Dr. Karel van Donselaar’a da büyük bir
teşekkür borçluyum. Ayrıca, araştırma görevlisi olarak çalıştığım İTÜ İşletme
Mühendisliği Bölümü Sayısal Yöntemler Çalışma Grubu’ndaki tüm hocalarıma ve
bölümümüzdeki tüm meslektaşlarıma bana verdikleri her türlü destek ve tezimi
yazdığım süre boyunca gösterdikleri anlayış için teşekkür ederim.
Yüksek lisans eğitimim süresince bana burs sağlayan Türkiye Bilimsel ve Teknolojik
Araştırmalar Kurumu’na (TÜBİTAK) teşekkür ederim.
Son olarak, beni yetiştirirken hiçbir fedakarlıktan kaçınmayan anneme ve her konuda
benim yanımda olan ablam Gülçin’e minnettarım.
Gökhan SÜRMELİ
Haziran 2013
vii
viii
İÇİNDEKİLER
Sayfa
ÖNSÖZ ...................................................................................................................... vii
İÇİNDEKİLER ......................................................................................................... ix
KISALTMALAR....................................................................................................... xi
ÇİZELGE LİSTESİ ................................................................................................ xiii
ŞEKİL LİSTESİ ....................................................................................................... xv
ÖZET ....................................................................................................................... xvii
SUMMARY ............................................................................................................. xix
1. GİRİŞ ...................................................................................................................... 1
1.1 Tezin Amacı ....................................................................................................... 2
1.2 Türkiye’de Hızlı Tüketim Ürünleri Perakendeciliği .......................................... 2
2. PROMOSYON ....................................................................................................... 5
2.1 Promosyon Nedir................................................................................................ 5
2.2 Promosyonun Amaçları ...................................................................................... 6
2.3 Promosyon Araçları............................................................................................ 7
2.4 Promosyonlar ile İlgili Deneysel Genellemeler ................................................. 9
3. PROMOSYONEL SATIŞLARI ETKİLEYEN FAKTÖRLER ...................... 11
3.1 Promosyon Değişkenleri .................................................................................. 14
3.2 Kategori Değişkenleri....................................................................................... 15
3.3 Marka Değişkeleri ............................................................................................ 16
3.4 Mağaza Değişkenleri ........................................................................................ 16
3.5 Tüketici Değişkenleri ....................................................................................... 17
3.6 Promosyon Geçmişi Değişkenleri .................................................................... 17
4. TAHMİN TEKNİKLERİ VE PROMOSYON TAHMİN MODELLERİ ...... 19
4.1 Talep Tahmin Teknikleri .................................................................................. 19
4.1.1 Yargısal yöntemler .................................................................................... 20
4.1.2 Zaman serisi modelleri .............................................................................. 20
4.1.3 Açıklayıcı tahmin modelleri...................................................................... 21
4.1.3.1 Doğrusal regresyon yöntemi .............................................................. 21
4.2 Farklı Tahmin Yöntemlerinin Birleştirilmesi ................................................... 23
4.3 Promosyon Talep Tahmin Modelleri ............................................................... 23
4.3.1 Mevcut dört model .................................................................................... 24
4.3.1.1 SCAN*PRO ....................................................................................... 24
4.3.1.2 Promoter ............................................................................................. 24
4.3.1.3 PromoCast .......................................................................................... 25
4.3.1.4 CHAN4CAST .................................................................................... 25
4.3.2 Mevcut modellerin performansı ................................................................ 26
4.3.3 Promosyon talep tahmini modelleri üzerine değerlendirme ..................... 27
5. PROMOSYON TALEP TAHMİNİ ÜZERİNE UYGULAMALI
ARAŞTIRMALAR ................................................................................................... 29
5.1 De Schrijver...................................................................................................... 29
5.2 Van den Heuvel ................................................................................................ 30
ix
5.3 Van der Poel ..................................................................................................... 31
5.4 Van Dinter ........................................................................................................ 34
5.5 Peters ................................................................................................................ 36
6. ÇALIŞMA KAPSAMININ BELİRLENMESİ .................................................. 39
6.1 Şirket Bilgileri .................................................................................................. 39
6.2 Problemin Tanımlanması ve Kapsamı .............................................................. 41
6.3 Ürün Kapsamı ................................................................................................... 42
7. ARAŞTIRMA YÖNTEMİ ................................................................................... 45
8. TAHMİN MODELİ ............................................................................................. 47
8.1 Bağımlı Değişken ............................................................................................. 47
8.2 Bağımsız Değişkenler ....................................................................................... 47
8.3 Hipotezler ......................................................................................................... 52
9. VERİ ...................................................................................................................... 55
9.1 Veri Toplama Süreci......................................................................................... 55
9.2 Veri Analizi ...................................................................................................... 55
9.2.1 Veri kümelerinin oluşturulması ................................................................. 55
9.2.2 Geliştirilen farklı regresyon modelleri ...................................................... 57
9.2.3 Gölge değişken kullanımı.......................................................................... 58
9.2.4 Dönüştürmeler ........................................................................................... 59
10. MODEL PERFORMANSININ ÖLÇÜLMESİ ............................................... 61
11. MODEL SONUÇLARI VE BULGULAR ........................................................ 63
11.1 Regresyon Analizi Varsayımları .................................................................... 63
11.1.1 Bağımlı değişkenin normal dağılıma uyması .......................................... 63
11.1.2 Hata teriminin normal dağılıma uyması .................................................. 63
11.1.3 Hata teriminin sabit varyansı olması ....................................................... 63
11.1.4 Çoklu doğrusallık .................................................................................... 63
11.1.5 Hata terimlerinin bağımsızlığı ................................................................. 64
11.1.6 Doğrusallık .............................................................................................. 64
11.2 Regresyon Analizi Sonuçları .......................................................................... 64
11.3 Değişkenlerin İncelenmesi ............................................................................. 66
11.3.1 İndirim miktarı ........................................................................................ 66
11.3.2 Normal fiyat ............................................................................................ 68
11.3.3 Önceki yükseltme faktörü ....................................................................... 68
11.3.4 Taban satış ............................................................................................... 69
11.3.5 Aynı ürün grubunda promosyondaki ürün sayısı .................................... 69
11.3.6 Promosyon süresi .................................................................................... 70
11.3.7 Önceki promosyon X insert önce ............................................................ 70
11.3.8 Ürün kategorisi ........................................................................................ 71
11.3.9 Tatiller ..................................................................................................... 71
11.4 Hipotezlerin Değerlendirilmesi ...................................................................... 71
11.5 Model Sonuçlarının Kıyaslanması ................................................................. 73
12. GENEL DEĞERLENDİRME VE SONUÇ ..................................................... 75
KAYNAKLAR .......................................................................................................... 79
EKLER ...................................................................................................................... 83
ÖZGEÇMİŞ .............................................................................................................. 95
x
KISALTMALAR
HTÜ
LN
OMYH
STB
YF
: Hızlı Tüketim Ürünleri
: Doğal Logaritma
: Ortalama Mutlak Yüzde Hata
: Stok Tutma Birimi
: Yükseltme Faktörü
xi
xii
ÇİZELGE LİSTESİ
Sayfa
Çizelge 2.1 : Promosyon araçları ................................................................................. 8
Çizelge 3.1 : Promosyon talebini etkileyen faktörler ................................................ 12
Çizelge 6.1 : AAA Süpermarket’in operasyonel göstergeleri ................................... 39
Çizelge 8.1 : Çalışma kapsamındaki bağımsız değişkenler ....................................... 49
Çizelge 9.1 : Veri kümesinin oluşturulma süreci....................................................... 56
Çizelge 9.2 : Gölge değişken grupları ....................................................................... 58
Çizelge 11.1 : Geliştirilen modellerin performans karşılaştırması ............................ 65
Çizelge 11.2 : Hipotezlerin araştırma bulguları ile karşılaştırılması ......................... 72
Çizelge 11.3 : Mevcut çalışmanın önceki araştırmalarla karşılaştırılması ................ 73
xiii
xiv
ŞEKİL LİSTESİ
Sayfa
Şekil 2.1 : Tedarik zincirindeki konumuna göre promosyon türleri............................ 8
Şekil 4.1 : Talep tahmin yöntemlerinin sınıflandırılması
(Makridakis ve diğ, 1979) ........................................................................ 19
Şekil 6.1 : AAA’nın ve diğer marketlerin m2 başına düşen ortalama satış geliri ...... 40
Şekil 6.2 : AAA’nın yıllara göre m2 başına düşen satış geliri ................................... 41
Şekil 8.1 : Promosyon talep tahmini modeli .............................................................. 48
Şekil 11.1 : Mevcut çalışmada farklı indirim düzeyleri için B-katsayısı .................. 67
Şekil 11.2 : Farklı indirim düzeyleri için B-katsayısı (Peters, 2012) ........................ 68
xv
xvi
PERAKENDE ÜRÜNLERİNİN PROMOSYON DÖNEMLERİNDEKİ
TALEBİNİN TAHMİN EDİLMESİ VE BİR TAHMİN MODELİ
UYGULAMASI
ÖZET
Hızlı tüketim ürünleri perakendeciliği; rekabetin yoğun, kar oranlarının ise düşük
olduğu dinamik bir sektördür. Süpermarket, hipermarket gibi perakendecilerde
satılan ürünler, genellikle her yerde kolaylıkla bulunabilecek tarzda ve tüketiciler
tarafından sıklıkla kullanılan ürünler olduğundan, perakendecilerin tüketicileri kendi
mağazalarına çekebilmesinin yolu, müşterilerine sunduğu çeşitli promosyon
aktivitelerinden geçmektedir. Promosyonlar genellikle ürün fiyatlarında yapılan
indirimler şeklinde olmakla birlikte, bu indirimler tanıtım ve teşhir faaliyetleriyle
desteklenerek tüketicilerin cezbedilmesi amaçlanmaktadır. Promosyonlar her ne
kadar mağazadaki müşteri yoğunluğunu artırıp satışları canlandırıyor olsa da, bir
yandan da perakendecilerin envanterlerini doğru yönetmelerini de zorlaştırmaktadır.
Promosyonlara olan talep pek çok içsel ve dışsal faktörden etkilenebildiği için,
mağazalardaki satışlarda değişkenliğe yol açmaktadırlar. Bu durum da talebin
isabetli bir şekilde tahmin edilmesini güç hale getirmektedir. Yapılan tahmin,
gerçekleşecek talepten fazla olursa, ürünler mağazalarda envanter taşıma maliyetine
neden olmaktadır. Tahmin gerçek talepten az olduğunda ise tüketicinin satın alma
talebi karşılanamayacak böylece hem satış kaybından direkt olarak, hem de müşteri
memnuniyetsizliğinden dolaylı olarak bir maliyet ortaya çıkacaktır. Bu bağlamda,
promosyon dönemlerindeki talebini isabetli bir biçimde tahmin edebilen firmalar, kar
oranlarının düşük olduğu sektörde operasyonel verimlilik sağlayarak rekabet avantajı
elde edebilirler.
Bu tez çalışması, İstanbul’daki yerel bir süpermarket zincirinin işbirliği ile
gerçekleştirilmiştir. Çalışmanın amaçları, promosyon talebini etkileyen faktörlerin
belirlenmesi ve söz konusu firma için bir promosyon talep tahmin modeli
geliştirilmesidir. Çalışma kapsamında öncelikle promosyon talebini etkileyen
faktörler incelenmiş, bu faktörler içerisinden firma bünyesinde erişilebilen sınırlı
sayıda değişken belirlenerek bir çoklu regresyon modeli oluşturulmuştur. Tahmin
modelinde yüzde indirim miktarı, ürünün önceki promosyonlardaki performansı,
ürünün promosyon sıklığı ve ürün grubunda aynı anda promosyonda olan ürün sayısı
gibi çeşitli faktörler dikkate alınmış ve en önemlisi indirim miktarı olmak üzere pek
çoğu anlamlı bulunmuştur. Ardından modelin talep tahmin performansı incelenmiş
ve literatürde daha çok değişken ve daha çok gözlemden yararlanan promosyon talep
tahmin modelleriyle benzer bir tahmin başarısı gösterdiği görülmüştür.
xvii
xviii
FORECASTING THE PROMOTIONAL DEMAND OF RETAIL PRODUCTS
AND THE APPLICATION OF A FORECASTING MODEL
SUMMARY
Fast moving consumer goods retailing is a very dynamic industry with very harsh
competition and accordingly low profit margins. Retailers such as groceries and
supermarkets usually offer products that can easily be found elsewhere. Therefore,
the only reasonable way to attract consumers to the stores is to offer attractive
promotions. These promotions usually focus on discounting the products, and these
discounts on products are usually supported by in-store display and feature
advertising. Even though these promotions are enhancing sales and increasing store
traffic, they are also a potential threat for the management of operations at the
retailers. Many different internal and external factors affect promotional sales. This
causes an increased amount of variability at the stores, particularly in terms of sales
amount. The existence of promotions makes it much more difficult to estimate the
sales for store managers and forecasters. Overestimating the promotional demand
causes the retailers carry unnecessary inventories at their stores. On the other hand,
underestimating the promotional demand even has a worse impact. It causes lost
sales and diminished customer satisfaction. In an environment where profit margins
are low, retailers can gain competitive advantage by better inventory management
and better operational effectiveness. Accurate forecasting is the first step to be taken
to achieve these goals.
This master thesis is conducted in cooperation with a local supermarket chain
operating in İstanbul. It aims to provide insights into the various factors influencing
promotional sales in retail stores and to develop a promotional sales forecasting
model for the related supermarket. After a number of interviews with managers in
the company, it is observed that there was no formal process in the company for
forecasting the promotional demand of the products. Forecasts and ordering
decisions were based on the judgements and personal experience of store managers
and category experts. This approach is not reliable because the decision of managers
are usually biased and they tend to order more products than required in order to
avoid stock-outs. Furthermore, they do not take many significant factors into
consideration which are, in fact, affecting promotional demand. This situation causes
inefficient inventory management at the stores. Allocation of promotional products to
the stores is another problem observed in the company. However, this research only
focuses on forecasting the promotional demand, not the allocation process.
Fast moving non-food items are within the product scope of this research. Fast and
slow moving items are distinguished by Pareto analysis. 27 % of stock keeping units
in non-food categories that account for 80 % of total non-food sales are defined as
fast-moving items. Cosmetics, tissue products,sanitary pads and baby diapers, Soaps,
and cleaning products are the non-food categories included in the scope of the study.
xix
Most common method used in recent empirical studies regarding promotional
forecasting is regression analysis. Since promotional sales are affected by numerous
factors, an explanatory forecasting model is determined to be the most suitable
approach to the problem. Therefore, multiple regression analysis is performed in this
study. Developed regression model is tested on a sample store data.
Dependent variable of the developed regression model is lift factor, which is
indicated by the promotional sales of a product divided by its average nonpromotional sales. In the models, natural logarithm of lift factor is used in order to
obtain normality.
Even though there are several factors influencing promotional sales, it is not possible
to have all this information available in practice. In this study, variables that are
available in the database of the company and that are easily accessible are selected
and added to the regression models as independent variables. Promotion variables,
product characteristics, holiday variables, and product category variables are the four
groups of independent variables that are designed for the forecasting model.
Promotion variables include variables such as relative discount rate, promotion
length, number of products in the product group that are on promotion, and
promotion frequency. Variables regarding promotion characteristics are regular
price, baseline sales and previous lift factor. Holiday variables represent the special
periods such as ramadan festival and new year’s week, during which store traffic
increases. Finally, product category variables are nominal variables each of which
representing one of product categories within the scope of research. In one of the
proposed models, relative discount is defined as a group of nominal variables, each
of them representing a certain interval of discount rate. In this way, it is aimed to
observe the impact of various discount levels on promotonial sales.
Current research includes promotions during 31 consecutive promotional periods
from May 2011 to August 2012. Promotions of slow moving products, promotions
with missing data, promotions with a lift factor lower than 1 or greater than 50 are
removed from the dataset. Final dataset consists of 1009 product level promotion
events. First 792 cases are selected for calibration and the remaining 217 cases are
selected for validation set.
In order to determine the best regression setting in terms of forecast accuracy and
ease of implementation, four different models are developed. First two models check
whether using dummy coding for some certain variables provides any improvement
in the performance of the forecasting model. On the other hand, Model-3 and Model4 check whether applying two different regression models separating the dataset by
product categories instead of one regression analysis with the full dataset helps to
improve the forecasting performance.
For this study, two different measures are used in order to see the performance of the
forecasting model. Adjusted coefficient of determination (adjusted R 2) shows how
much of the variability in dependent variable is explained by independent variables.
The other performance measure is the mean absolute percentage error (MAPE),
which indicates the average rate of error in forecast values compared to the actual
values.
Stepwise regression method is applied to these four different models and the results
are compared in terms of predefined performance measures. According to the
regression results, adjusted R2 values are found to be changing between 0.519 and
0.538, whereas MAPE values of validation set are found between 31.3 % and 33.7
xx
%. Since explanatory power and forecast accuracy of the proposed models are
similar, it is more reasonable for the company to implement the model with less
variables and with one single regression equation.
Since the company does not have a formal forecasting process and therefore does not
record their forecasts for the sales of promotional items, it is not possible to compare
the forecasting accuracy of the proposed model to the current performance of the
company. Instead, two different ways are followed for the evaluating the
performance of the regression model. First benchmarking approach is comparing the
performance of the proposed model to the results of similar studies conducted
recently. In this sense, proposed regression model performs as good as the previous
studies despite having relatively lower number of observations and less variables
included in the model. Furthermore, an alternative scenario is considered as a second
benchmark where the previous lift factor of an item is used as the forecast value of
the current promotion of that item. In this case, proposed model reduces the MAPE
value from 73 % to 33 %.
According to the results of the regression analysis, relative discount is unsurprisingly
found to have the strongest impact on the promotional lift. Besides; previous lift
factor, baseline sales, number of products in subcategory that are on promotion,
baseline sales, length of promotion period, timing of previous promotion, summer
holiday are among other variables that are found to have a significant influence on
lift factor.
Moreover, some insights regarding the effect of different discount levels on
promotional sales are obtained by defining different discount levels as nominal
variables. It is found that even a small amount of discount is increasing promotional
sales significantly. That finding is in contradiction with recent research claiming that
there is a threshold value for discount rate above which promotional sales boom.
Another finding is that above 60 % discount, the increase in lift factor slows down.
This finding supports the studies in literature claiming a saturation level for price
discount.
xxi
xxii
1. GİRİŞ
Tüketiciler alışveriş yapmak amacıyla bir süpermarkete girdiklerinde karşılarında
sayısız ürün ve marka seçeneği bulurlar. Bunun yanında, pek çok ürünün de
promosyonda olduğunu farkederler. Özellikle piyasa rekabetinin yoğun bir biçimde
yaşandığı hızlı tüketim ürünleri sektöründe, promosyonda olan ürünlerin oranı
oldukça yüksektir. Örneğin, Hollanda’da hızlı tüketim ürünleri sektöründeki
promosyon
satışlarının
hacmi,
toplam
satış
hacminin
yaklaşık
%40’ını
oluşturmaktadır (Van der Poel, 2010). Bununla birlikte, son yıllarda satış
promosyonları için yapılan harcamalar da ciddi ölçüde artmıştır. Blattberg ve diğ.
(1995) hızlı tüketim malları üreticilerinin promosyonlara harcadığı paranın
reklamlara harcadığından daha fazla olduğunu belirtmişlerdir. Promosyonların
pazarlama bütçesi içindeki payı giderek artmaktadır. Ailawadi ve diğ. (1995)’ne göre
pek çok hızlı tüketim malları firmasında ticari promosyonlar ve tüketici
promosyonları
pazarlama
bütçesinin
yaklaşık
%70’ini
oluşturmaktadır.
Promosyonlar hem perakendeciler hem de üreticiler için büyük öneme sahiptir.
Üreticiler yaptıkları promosyonlarla öncelikli olarak markalarının pazar payını
arttırmayı amaçlarlar. Perakendeciler ise promosyonlar yoluyla mağazalarındaki
müşteri trafiğini artırmak ve satışları yükseltmek amacındadırlar (Blattberg ve diğ,
1995).
Promosyonların faydalarının yanında üretici ve perakendeciler açısından bir takım
zorlukları da vardır. Promosyonlar, çoğunlukla ilgili ürünün satışlarının normal
dönemlere göre büyük oranda artmasını sağlamaktadır. Perakendecilerde promosyon
satışlarının
artması,
satış
hacmindeki
değişkenliğin
de
artması
sonucu
doğurmaktadır. Promosyon satış hacmi çok sayıda etkene bağlı olduğundan,
promosyon satışının tahmin edilmesi, normal zamanlardaki taban satışın tahmin
edilmesine göre oldukça zordur. Promosyon talep tahmininin gerçekleşenden satıştan
yüksek olması durumunda mağazalarda stok birikmekte ve bu da envanter taşıma
maliyetlerinin
artmasına
neden
olmaktadır.
Promosyon
talep
tahmininin
gerçekleşenden az olması durumunda ise mağazadaki stoklar müşteri talebini
1
karşılayamamaktadır. Cooper ve diğ. (1999) promosyon yapılan ürünlere olan talebin
yaklaşık %15’inin stoksuz kalınması nedeniyle karşılanamadığını tahmin etmektedir.
Taylor ve Fawcett (2001) ise yaptıkları araştırmada promosyonu yapılan ürünlerin
mağazalarda stoksuz kalma oranının promosyon yapılmayan ürünlerin neredeyse iki
katı olduğunu tespit etmiştir. Mağazanın stoksuz kalması, hem o ürünlerden elde
edilecek satış gelirinin kaybedilecek olması hem de müşteri memnuniyetinin
azalacak olması nedeniyle perakendeciler tarafından hiç istenmeyen bir durumdur.
Cooper ve diğ. (1999), talep edilen bir ürünün mağazada bulunmaması durumunda
müşterilerin yaklaşık %20’sinin mağazayı herhangi bir ürün almadan terk ettiğini
belirtmiştir. Özetle, promosyon dönemlerinde etkin bir tedarik zinciri süreci ve
envanter yönetimi uygulanabilmesi için başlangıç noktası promosyon talebinin
isabetli bir biçimde tahmin edilmesidir.
1.1 Tezin Amacı
Bu tez çalışmasında, promosyon talebinin doğru tahmini için gerekli olan faktörlerin
belirlenmesi ve bu faktörlerden uygun olanları kullanarak bir promosyon talep
tahmin modeli geliştirilmesi amaçlanmıştır. Çalışmada, Türkiye’deki yerel bir
süpermarket zinciri olan AAA Süpermarketleri1 ile ortaklaşa çalışılmış, geliştirilen
tahmin modeli bu firmanın bir mağazasının verileri kullanılarak test edilmiştir.
1.2 Türkiye’de Hızlı Tüketim Ürünleri Perakendeciliği
Hızlı tüketim ürünleri (HTÜ) endüstrisi temel olarak üç bileşenden oluşmaktadır:
müşteriler, üreticiler ve perakendeciler. Bu üç grup içerisinde perakendecilerin gücü
giderek artmaktadır. Perakendeciler nihai tüketici ile doğrudan bağlantı halinde
olduğundan önemli bir gücü ellerinde tutmaktadır.
2006-2011 arası dönemde Türkiye’deki HTÜ perakendecilerinin yıllık toplam satış
gelirleri %26 artış göstererek 98.9 milyar TL’den 124.6 milyar TL’ye ulaşmıştır. Son
yıllarda HTÜ perakendeciliği, geleneksel kanal olarak adlandırılan ve çoğunluğunu
bakkalların oluşturduğu bir yapıdan organize perakendecilerin rolünün arttığı daha
modern bir yapıya doğru kaymaya başlamıştır. Organize perakendecilerin satış
gelirlerinin artmasında tüketicilerin ekonomik koşullarının iyileşmesi ve nüfus
1
Gizlilik gerekçesiyle bu tez çalışmasında söz konusu firmanın gerçek adı kullanılmamıştır.
2
artışının yanı sıra, zincir mağazaların sayısının artmasının ve bu tür perakendecilerin
müşterilerine genellikle bir mağaza üyelik kartı edinmesi halinde sunduğu etkileyici
promosyonların rolü büyüktür (Rekabet Kurumu, 2012; Euromonitor International,
2011)
Türkiye’deki modern perakendeciler içinde ise indirim mağazacılığı stratejisini
belirlemiş olan market zincirleri son yıllarda büyük bir hızla yükselmektedir. 2010
yılı itibariyle, indirim marketi BİM AŞ uzun yıllardır pazar lideri olan Migros
T.A.Ş’nin liderliğine son vermiştir (Rekabet Kurumu, 2012; Euromonitor
International, 2011). İndirim marketlerinin bu yükselişi, geleneksel bakkalların
eskiden sahip olduğu gücü azaltırken, diğer organize HTÜ perakende zincirlerini de
daha rekabetçi politikalar izlemeye sevketmiştir. Böyle bir rekabet ortamında da
tüketicileri teşvik etmek amacıyla zincir mağazalar tarafından promosyon
faaliyetlerinin yoğunlaştırılması beklenebilir.
Diğer yandan, Türkiye’deki HTÜ perakendeciliğinde yoğun rekabet yaşanmasının
nedenlerinden biri de çok sayıda yerel ve bölgesel perakendecinin piyasada yer
almasıdır. Rekabet Kurumu’nun yayınladığı HTÜ Perakendeciliği Sektör Raporu
(2012)’na göre, Türkiye’deki en büyük dört HTÜ perakendecisinin sahip olduğu
toplam pazar payı, pek çok batılı ülkedekine kıyasla oldukça düşüktür. Bu da
Türkiye’deki HTÜ perakendeciliği sektöründe görece küçük pazar paylarına sahip
çok sayıda aktif oyuncu olduğunu ve bu perakendeciler arasındaki rekabetin de
yoğun olduğunu göstermektedir.
3
4
2. PROMOSYON
2.1 Promosyon Nedir
Genel anlamıyla promosyon ya da tutundurma kavramı, pazarlama karmasını
oluşturan dört temel öğeden biridir. Pazarlama karmasını oluşturan dört öğenin de
İngilizce’deki karşılıkları P harfi ile başladığından, söz konusu öğeler “pazarlamanın
4P’si” olarak da anılmaktadır. Bu öğeler; ürün (Product), fiyat (Price) , tutundurma
(Promotion), ve dağıtım (Place) olarak sınıflandırılmaktadır. Bu dörtlüden
tutundurma öğesinin de kendi karması bulunmaktadır. Tutundurma ya da diğer adıyla
pazarlama iletişimi karması, temel olarak bir şirketin müşteri ilişkileri inşa etmek ve
ikna edici bir şekilde müşterilerle iletişim kurmak için kullandığı araçların bütünüdür
(Kotler ve Armstrong, 2009). Tutundurma karmasını oluşturan bu araçlar beşe
ayrılır. Bunlar; reklam, satış promosyonu, hakla ilişkiler, kişisel satış, ve doğrudan
pazarlama olarak adlandırılmaktadır.
Uygulandığı sektöre göre değişebilmekle birlikte, tutundurma araçlarından belki de
en önemlisi satış promosyonudur. Kotler ve Armstrong (2009)’a göre satış
promosyonu, bir ürünün satın alınması ya da satılmasını desteklemek için uygulanan
kısa dönemli teşvik faaliyetleridir. Bir başka tutundurma aracı olan reklamlar bir
ürünün satın alınması için gerekçeler sunarken, satış promosyonları “o anda” satın
alınması için gerekçeler sunar. Blattberg ve Neslin (1990) ise satış promosyonunu,
firmanın müşterilerine doğrudan etkide bulunmayı amaçlayan eylem odaklı bir
pazarlama etkinliği olarak tanımlamaktadır.
Satış promosyonları da hedef kitlesine göre üçe ayrılır. Nihai tüketiciye yönelik
yapılanlara tüketici yönlü satış promosyonu, perakendeci ve toptancılara yönelik ve
genellikle üreticiler tarafından yapılanlara ticari yönlü promosyon, kurumsal
müşterilere yönelik yönelik yapılan promosyonlara da kurumsal promosyon adı
verilir (Kotler ve Armstrong, 2009; Blattberg ve Neslin, 1990).
Satış promosyonları şirketler tarafından genellikle reklam, kişisel satış gibi diğer
tutundurma araçlarıyla birlikte kullanılır. Örneğin, bu çalışmanın kapsamında olması
5
bakımından süpermarketleri ele aldığımızda, yaptıkları satış promosyonlarını haftalık
ya da 2-3 haftalık periyotlarla yayınladıkları tanıtım broşürlerinde duyururlar. Hatta
büyük çaplı ulusal süpermarket zincirlerinin televizyon ve gazeteler gibi medya
araçlarını kullanarak promosyona soktukları ürünlerin reklamlarını yaptıklarını
görürüz. Nihai tüketicilere yönelik satış promosyonları genellikle reklamlarla
desteklenirken, ticari yönlü satış promosyonları daha çok kişisel satış faaliyetleriyle
güçlendirilmektedir
Çalışmanın bundan sonraki kısımlarında promosyon sözcüğü ile pazarlama
karmasının bir bileşeni olan genel tutundurma faaliyetleri değil, tutundurma
faaliyetlerinin bir öğesi olan satış promosyonları (satış özendirme) kastedilecektir.
2.2 Promosyonun Amaçları
Promosyonların çok çeşitli amaç ve hedefleri olabilir. Bu amaçlar promosyonu yapan
firmanın pazarlama stratejilerine ve hedef kitlesinin kim olduğuna bağlı olarak
değişebilmektedir. Satıcıların tüketicilere yönelik promosyon yapmalarındaki
amaçlardan biri kısa vadede müşterileri satın almaya teşvik ederek satışları
artırmaktır. Bir diğer amaç ise bir markanın ya da perakendecinin pazar payını
artırmaktır. Pazar payındaki bu artış iki nedenden ileri geliyor olabilir. Bunlardan biri
müşterilerin promosyonlardan etkilenerek marka tercihlerini değiştirmeleri, diğeri ise
kategori satışlarının genişlemesi, yani satışlarının marka tercihinin değişmesinden
dolayı değil, ürünlerin promosyon sonucunda müşteriler tarafından daha fazla
miktarda satın alınması ya da daha fazla müşteri tarafından satın alınmasıdır.
Perakendecilerin promosyon yapmasındaki bir diğer amaç da, yüksek rekabetin
yaşandığı bu sektörde ayakta kalabilmektir. Yoğun rekabet nedeniyle tüketiciler
perakendecilerden sürekli olarak etkileyici promosyonlar beklemektedir. Herhangi
bir perakendecinin promosyon yapmamaya karar verdiğini düşünelim. Böyle bir
durumda müşterilerin pek çoğunun etkili promosyonlar yapan rakip firmalardan
alışveriş yapması ve firmanın müşterilerini kaybetmesi kaçınılmaz hale gelir. Bu
nedenle özellikle rekabetin yoğun olduğu hızlı tüketim malları perakendeciliğinde
tüm firmalar promosyon faaliyetlerini sürdürmektedirler. Ayrıca, reklamı yapılan
promosyonlar ilgili mağazalardaki genel müşteri trafiğini artırıcı bir etkiye sahiptir
(Blattberg ve diğ, 1995). Bu nedenle perakendeciler belirledikleri bazı ürünleri
6
promosyona sokarak dolaylı yoldan promosyonda olmayan ürünlerin de satışını
artırmayı amaçlarlar.
Doğrudan tüketiciye yönelik satış promosyonlarına ek olarak, üretici firmalar da
perakendecilere bir takım ticari promosyonlar sunmaktadırlar. Bu şekilde
perakendecilerin firmanın yeni ürünlerini mağazalarında sunması ya da mevcut
ürünlerden daha çok envanter taşıması, üreticinin ürünlerinin reklamının yapılması
ve perakendecilerin bu ürünler için daha fazla ve daha iyi raf yeri ayırması gibi
amaçlar gerçekleştirilmeye çalışılır (Kotler ve Armstrong, 2009).
2.3 Promosyon Araçları
Promosyonel faaliyetlerin amaçlarının yanında, bu amaçları gerçekleştirmek için
kullanılan çeşitli araçları da mevcuttur.
Hızlı tüketim malları endüstrisinde en
yaygın promosyon türü fiyat promosyonudur. Bu tür promosyonlarda müşteriye
geçici olarak ürün fiyatları üzerinden indirim sunulur. Promosyon kuponları geçmişte
sıklıkla kullanılan bir diğer promosyon aracıdır. Promosyon kuponları müşterilere
postayla, gazete ve dergi reklamlarıyla ya da son yıllarda olduğu gibi cep
telefonlarına kısa mesaj olarak ya da internet aracılığıyla gönderilebilir ve müşteriler
bu kuponları kullanarak belli ürünlerde indirim kazanırlar. Son yıllarda kupon
promosyonlarının kullanımı devam etmekle birlikte azalmıştır ve günümüzde özellikle de hızlı tüketim ürünleri sektöründe- daha çok fiyat promosyonu tercih
edilmektedir (Silva-Risso, 1999; Kotler ve Armstrong, 2009).
Abraham ve diğ. (1987) promosyonları ticari yönlü ve tüketici yönlü olmak üzere iki
sınıfa ayırmıştır. Uygulanan promosyon aracı, promosyonun ticari yönlü ya da
tüketici yönlü olmasına göre farklılık gösterebilmektedir. Ticari promosyonların
uygulanması genellikle perakendeci ve üretici arasındaki ikili anlaşmalara bağlı
olarak gerçekleşmektedir. Üretici firmalar tedarikçilere geçici indirimler ve çeşitli
teşvikler sunmakta, karşılığında da perakendeciden ürünlerinin raf fiyatını
düşürmesini, ürünlerini müşterilerin dikkatini çekecek şekilde teşhir etmesini ve
benzeri
promosyon
faaliyetleri
uygulamasını
beklemektedir.
perakendecilere bağımlılıklarını azaltmak için doğrudan tüketiciye
Üreticiler
yönelik
promosyonlar da yapabilirler. Tedarik zincirindeki konumlarına göre promosyonların
türleri Şekil 2.1’de sunulmaktadır.
7
Şekil 2.1 : Tedarik zincirindeki konumuna göre promosyon türleri.
Ticari
yönlü
promosyonlar,
tüketici
yönlü
promosyonlar
ve
perakendeci
promosyonları için kullanılan çok çeşitli yöntem ve araçlar bulunmaktadır. Bu
promosyon araçlarından en yaygın olanları Çizelge 2.1’de özetlenmiştir (Blattberg &
Neslin, 1990; Kotler & Armstrong, 2009).
Çizelge 2.1 : Promosyon araçları.
Tüketici Promosyonları
Kuponlar
Numune/tadım
Paket fiyat
Para iadesi
Eşantiyon
Özel etkinlik
Çekiliş/yarışma/oyunlar
Ticari Promosyonlar
İndirim
Reklam desteği
Teşhir desteği
Ticari kuponlar
Finansman teşvikleri
Yarışmalar
8
Perakendeci
Promosyonları
Fiyat indirimi
Teşhir
Ürün özelliği tanıtımı
Bedava ürünler
Perakendeci kuponları
Eşantiyon
Yarışmalar
2.4 Promosyonlar ile İlgili Deneysel Genellemeler
Promosyonların karakteristik özellikleri ile ilgili akademik çalışmalar özellikle
seksenli yılların sonu ile doksanlı yılların başında büyük hız kazanmıştır. Elektronik
barkod okuyucu sistemlerin üretici ve perakendeciler tarafından yaygın olarak
kullanılmaya başlanması satın alma ile ilgili daha etkin veri toplanmasına olanak
tanımış, elde edilen verilerin analiz edilmesi ve yorumlanması sonucunda da pek çok
deneysel çalışma gerçekleştirilmiştir.
Blattberg ve diğ. (1995) perakendeci promosyonları ve ticari yönlü promosyonlar
üzerine yapılmış çalışmaları inceleyerek bazı deneysel genellemelerde bulunmuşlar
ve promosyonlarla ilgili bir yargıyı genelleme olarak tanımlayabilmek için üç farklı
kıstas belirlemişlerdir:
1) Analiz edilen konu iyi tanımlanmış olmalıdır.
2) Deneysel araştırmanın gerçekleştirildiği konuda en az üç farklı yazar tarafından en
az üç farklı makale yayınlanmış olmalıdır.
3) Tüm bu makalelerin sonuçları birbiriyle örtüşmelidir.
Blattberg ve diğ. (1995), belirledikleri bu üç kıstası sağlayan dokuz farklı
genellemede bulunmuşlardır:
1) Perakendecilerin geçici fiyat indirimleri satışları önemli ölçüde artırır.
2) Pazar payı yüksek olan markaların promosyona karşı esnekliği daha azdır.
3) Promosyonların sıklığı tüketicinin zihnindeki referans fiyatı değiştirir.
4) Promosyonlar sıklaştıkça promosyonel satışların miktarı azalır
5) Promosyonların çapraz etkileri asimetriktir. Yüksek kaliteli markalarda yapılan
promosyonun, daha zayıf imaja sahip veya fason markalardaki etkisi orantılı değildir.
6) Perakendeciler ticari yönlü promosyonların % 100’ünden daha azını müşterilerine
yansıtırlar
7) Teşhir yöntemleri ve özellik tanıtımının promosyonel satış üzerinde güçlü bir
etkisi vardır.
8) Reklamı yapılan promosyonlar mağazadaki müşteri trafiğini artırır.
9) Promosyonlar tamamlayıcı ve rakip ürün kategorilerinin satışlarını da etkiler.
Blattberg ve diğ. (1995) , promosyonların bazı özelliklerine ilişkin literatürdeki
deneysel çalışmaların çelişkili sonuçları olduğunu belirtmişlerdir:
9
1) Promosyonel satış hacminin büyük çoğunluğu tüketicilerin marka tercihini
değiştirmesinden ileri gelmektedir.
2) Promosyon esnekliği fiyat esnekliğini aşmaktadır.
3) Promosyon dönemi sonrasında ürün satışları normal satışlara göre daha az
miktarda gerçekleşmektedir.
4) Promosyonların uzun dönemde ürüne olumsuz etkisi olmaktadır.
10
3. PROMOSYONEL SATIŞLARI ETKİLEYEN FAKTÖRLER
Promosyon süresince gerçekleşen talebi etkileyen pek çok değişken vardır. Bu
anlamda, promosyon dönemindeki satış tahminini yapmak, promosyon olmayan
dönemlerdeki satışın tahminine göre çok daha karmaşıktır.
Literatürde
promosyonu
etkileyen
faktörler için çeşitli
değişken
grupları
tanımlanmıştır. Bell ve diğ. (1999) kategori, marka ve tüketici değişkenlerinden
bahsetmektedir. Kategori değişkenleri tüketicinin bütçe ayırma sürecini etkiler.
Marka değişkenleri herhangi bir markanın fiyatına göre tüketicinin algıladığı kalite
ile ilgilidir. Tüketici değişkenleri ise markanın müşterilerinin ekonomik profilini
yansıtır. Bu değişkenler markayı satın alan tüketicilerin demografik bilgilerini içeren
değişkenler olarak ifade edilebilir (Bell ve diğ, 1999). Benzer bir sınıflandırma
Ailawadi (2006) tarafından da yapılmış, bu kez promosyon satışlarını etkileyen
faktörler promosyon değişkenleri, marka değişkenleri, kategori değişkenleri ve
mağaza değişkenleri olarak sınıflandırılmıştır. Cooper ve diğ. (1999) promosyonel
talep tahmini için gerekli olan bilgiyi üç farklı bakış açısıyla açıklamaya
çalışmışlardır. Bunlardan birincisi tutundurma karmasıdır. Ürün ne olursa olsun ya
da promosyon hangi mağazada yapılıyor olursa olsun; fiyat indirimi, reklam ve teşhir
yönteminin farklı kombinasyonları için birbirinden farklı sonuçlar beklenir. İkinci
bakış açısı, promosyon talebi tahmin edilen stok tutma biriminin promosyon
geçmişidir. Bu ürün için geçmişte ne tür promosyonlar yapıldığı ve bunlardan nasıl
sonuç edildiği bilgisi mevcut promosyonun performansının kestirilmesi açısından
önemlidir. Üçüncü bakış açısı ise mağazanın promosyona olan etkisine odaklanır.
Farklı mağazalar herhangi bir promosyonun performansını farklı biçimde
etkileyebilir. Özetle Cooper ve diğ. (1999), tutundurma karmasına, promosyon
geçmişine ve mağaza potansiyeline bakmaktadır. Bu üç bakış açısından yola çıkarak
Cooper ve diğ. (1999) 67 değişkenden oluşan Promocast kestirim modelini
oluşturmuştur. Bu çalışmaya Promosyon Talep Tahmin Modelleri bölümünde
değinilecektir.
11
Literatürde promosyonel ürün talebini etkileyen çok sayıda değişken bulunmuştur.
Bu değişkenler Çizelge 3.1’de gösterilmiştir. Söz konusu değişkenler altı farklı grup
altında sıralanmıştır. Bunlar: Promosyon değişkenleri, kategori değişkenleri, marka
değişkenleri, mağaza değişkenleri, tüketici değişkenleri ve promosyon geçmişi
değişkenleridir. Çizelge 3.1’de toplam 50 değişken bulunmaktadır. Bu sayının
Cooper ve diğ. (1999) tarafından yapılan araştırmadaki 67 değişkenden az olmasının
nedeni o çalışmada etkileşim etkilerinin ve bazı değişkenlerin log değerlerinin ayrı
değişkenler olarak tanımlanmasıdır.
Çizelge 3.1 : Promosyon talebini etkileyen faktörler.
Değişken
Kaynak
Promosyon Değişkenleri
Kullanılan tanıtım aracı (TV, Radyo,
Broşür, Poster vb.)
Kupon büyüklüğü
Teşhir türü (Mağazadaki pozisyon)
Mağazada destekleme (Anons ile)
Promosyon sıklığı / Promosyonlar arası
süre
Önceki promosyonun indirim miktarı
Tatiller ve özel günler
Promosyon döneminin uzunluğu
Perakendeci reklamı
Üretici reklamı
Kategorideki promosyonda olan ürün
oranı
Önceki haftada promosyonda olan
kategorideki ürünlerin oranı
Promosyondaki ürünün varyantlarının
sayısı
Mutlak fiyat indirimi (Para birimi
cinsinden)
Yüzde fiyat indirimi
Rakiplerin promosyonları
Bolton (1989); Fader ve Lodish (1990);
Cooper ve diğ. (1999); van Heerde ve
diğ. (2002); Ailawadi ve diğ. (2006)
Bolton (1989)
Bolton (1989); Blattberg ve diğ. (1995);
van Heerde ve diğ. (2002)
Christen ve diğ. (1997)
Blattberg ve diğ. (1995); Christen ve diğ.
(1997); Cooper ve diğ. (1999); Foekens
ve diğ. (1999); van Heerde ve diğ.
(2002); Srinivasan ve diğ. (2004); Ali ve
diğ. (2009)
Foekens ve diğ. (1999); van Heerde ve
diğ. (2002)
Bunn ve Vassilopoulos (1999); Divakar
ve diğ. (2005)
Cooper ve diğ. (1999)
Bolton (1989)
Bolton (1989)
Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Ali ve diğ. (2009)
Raju (1992)
Blattberg ve diğ. (1995); Narasimhan ve
diğ. (1996); Christen ve diğ. (1997);
Cooper ve diğ. (1999); Van Heerde ve
diğ. (2002)
Leeflang ve Wittink (1996)
12
Promosyon mekanizması (1+1, 3 al 2
öde vb.)
Hava durumu
Kategori değişkenleri
Ailawadi ve diğ. (2006)
Kategori içindeki rekabet yoğunluğu
(kategoride satılan farklı marka sayısı)
Kategorideki özel markaların pazar payı
Raju (1992); Narasimhan ve diğ. (1996);
Bell ve diğ. (1999)
Fader ve Lodish (1990); Narasimhan ve
diğ. (1996); Srinivasan ve diğ. (2004)
Narasimhan ve diğ. (1996); Bell ve diğ.
(1999)
Fader ve Lodish (1990); Narasimhan ve
diğ. (1996); Ailawadi ve diğ. (2006)
Raju (1992)
Raju (1992); Narasimhan ve diğ. (1996)
Kategorinin gerekliliği
Kategorinin pazara nüfuz etme düzeyi
Ürünün hacmi / büyüklüğü
Kategorinin ortalama fiyat düzeyi
Marka Değişkenleri
Markanın diğer mağazalarda
bulunabilirliği
Marka deneyimi
Marka sadakati
Marka türü (Özel marka - normal marka)
Markanın Pazar payı
Ulusal marka / İthal marka
Markanın fiyat değişkenliği
Markanın tüketici bütçesindeki oranı
Tüketici stoklamasına duyarlılık
Plansız satın almaya duyarlılık
Satın alma sıklığı
Saklanabilirlik (stoklama ile ilgili)
Üründen bir defada satın alma miktarı
Bunn ve Vassilopoulos (1999)
Ailawadi ve diğ. (2006)
Bell ve diğ. (1999)
Bell ve diğ. (1999)
Ailawadi ve diğ. (2006)
Blattberg ve diğ. (1995); Srinivasan ve
diğ. (2004)
Fader ve Lodish (1990); Narasimhan ve
diğ. (1996); Srinivasan ve diğ. (2004)
Bolton (1989); Bell ve diğ. (1999)
Bell ve diğ. (1999)
Narasimhan ve diğ. (1996); Van Heerde
ve diğ. (2002)
Narasimhan ve diğ. (1996); Srinivasan
ve diğ. (2004)
Fader ve Lodish (1990); Ailawadi ve
diğ. (2006)
Blattberg ve diğ. (1995)
Fader ve Lodish (1990); Narasimhan ve
diğ. (1996); Ailawadi ve diğ. (2006)
Mağaza değişkenleri
Mağazadaki ürün sayısı
Mağaza büyüklüğü (m2)
Mağaza konumu (kırsal bölge, şehir
merkezi, sanayi bölgesi vb.)
Mağaza çevresindeki rakip sayısı
Rakip mağazaların türü
Tüketici değişkenleri
Tüketicinin yaşı
Narasimhan ve diğ. (1996); Srinivasan
ve diğ. (2004); Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Bell ve diğ. (1999); Ailawadi ve diğ.
(2006)
13
Tüketicinin eğitim düzeyi
Tüketicinin milliyeti, etnik kökeni
Tüketicinin aile büyüklüğü
Promosyon geçmişi değişkenleri
Ürünün geçmiş promosyonlardaki
ortalama satış miktarı
Ürünün geçmiş promosyonlar
öncesindeki ortalama taban satış miktarı
Ürünün aynı teşhir ve tanıtım
özelliklerine sahip geçmiş
promosyonlarındaki ortalama satış
miktarı
Ürünün aynı teşhir ve tanıtım
özelliklerine sahip geçmiş
promosyonları öncesindeki ortalama
taban satış miktarı
Bell ve diğ. (1999); Ailawadi ve diğ.
(2006)
Ailawadi ve diğ. (2006)
Ailawadi ve diğ. (2006)
Cooper ve diğ. (1999)
Cooper ve diğ. (1999)
Cooper ve diğ. (1999)
Cooper ve diğ. (1999)
3.1 Promosyon Değişkenleri
Çizelge 3.1’de görülebileceği gibi, promosyon değişkenleri grubu diğerlerinden daha
fazla sayıda değişken içermektedir. Tanıtım türü, promosyonun teşhir edildiği konum
ve fiyat indirimi gibi önemli unsurlar bu kategorinin altında incelenmektedir.
Dolayısıyla promosyonun özelliklerine ilişkin değişkenler talebin artmasında en
önemli paya sahiptir.
Perakende sektöründe geçici olarak yapılan fiyat indirimlerinin satışları ciddi
anlamda arttırdığı, promosyonlar alanında yapılan araştırmaların vardığı en temel
ortak sonuçtur ve bir genelleme olarak kabul edilmiştir (Blattberg ve diğ, 1995).
Ailawadi ve diğ. (2006), daha fazla tanıtım ve daha yüksek fiyat indirimlerinin
promosyonda olan ürüne olan talebi arttırdığı sonucuna ulaşmıştır. Araştırmacılar her
ne kadar fiyat indirimlerinin satış miktarını artırıcı bir etkiye sahip olduğu konusunda
hemfikir olsa da, bu etkinin düzeyi konusunda farklı görüşler ve bulgular söz
konusudur. Wittink ve diğ. (1988) fiyat indiriminin esnekliğini incelemişler, bu
esneklik değerinin çoğunlukla |-2|’den daha büyük olduğunu ve bu bulgudan
hareketle geçici fiyat indirimlerinin satışlarda güçlü bir etkisi olduğunu
belirtmişlerdir. Gupta ve Cooper (1992) ile Van Heerde ve diğ. (2002) ise fiyat
indirimi için eşik ve doyma düzeyleri olduğunu destekleyen bulgulara ulaşmışlardır.
Buna göre, fiyat indiriminin eşik düzeyine kadar promosyondaki ürünün satışları
normal dönemdeki satışlardan çok farklı değildir, eşik düzeyinden sonra ciddi bir
14
artış göstermektedir. Doyma noktasından sonra ise satışların artış hızı yeniden
yavaşlamaktadır.
Bir ürüne fiyat indirimi uygulanmasa bile tanıtım ve teşhir faaliyetleri ile ürünün
satışlarını ciddi ölçüde artırmak mümkün olabilir. Blattberg ve diğ. (1995), teşhir ve
özellik tanıtımının promosyon satışları üzerinde güçlü bir etkisi olduğunu ifade
etmişlerdir. Wittink ve diğ. (1988), fiyat indirimi olmadığı durumlarda, sadece
tanıtım ve teşhir ile talebin çoğu zaman ikiye katlandığını savunmuşlardır. Bunun
yanında, kullanılan tanıtım ve/veya teşhir yönteminin de promosyonda olan ürünlerin
satış miktarında rolü vardır. Tanıtım; TV reklamı, radyo reklamı, broşür, gazete eki
gibi araçlarla yapılabilir. Bolton (1989), perakendeci ve üretici tarafından yapılan
reklamların genelde birbirinden farklı stratejiler izlediğini, bu nedenle tüketici
üzerindeki etkilerinin farklı olduğunu öne sürer. Buna göre, perakendeciler
tarafından yapılan reklamlar daha çok ürünün fiyatına odaklanırken, üretici
tarafından yapılan reklamlar ürünün niteliğine ve fiyat harici özelliklerine
odaklanmaktadır. İnsert adı verilen ve bir veya birkaç haftalığına promosyonda olan
ürünlerin genellikle sadece resimleri ile promosyon fiyatlarını gösteren broşürler,
özellikle süpermarketler tarafından yaygın olarak kullanılan bir tanıtım aracıdır.
Ailawadi ve diğ. (2006), promosyondaki bir ürünün insert’te ön sayfa, ara sayfalar
veya arka sayfada yer almasının satışlar üzerinde etkisi olduğunu iddia etmiştir.
Teşhir yöntemi ise promosyonu yapılan ürünün mağazadaki konumu ile ilgilidir.
Promosyonda olan ürünler koridor sonu, koridor ortası, mağaza ön bölümü, mağaza
arka bölümü gibi özel alanlarda sergilenerek, bu ürünlerin dikkat çekmesi sonucu
satışlarının artırılması amaçlanır. Cooper ve diğ. (1999) promosyonel ürün satışlarını
etkileyebilecek dokuz farklı teşhir konumu tanımlamıştır.
3.2 Kategori Değişkenleri
Kategori değişkenleri, bir ürünün içinde yer aldığı kategori ile ilgili özellikleri ifade
etmektedir. Kategoriye özgü değişkenler, promosyonel talepteki değişkenlik üzerinde
markaya özgü değişkenlere göre daha fazla etkiye sahiptir (Bell ve diğ, 1999). Fader
ve Lodish (1990)’e göre; pazara nüfuz etme düzeyi daha yüksek, yeniden satın alma
süreleri daha kısa, özel markalı (private label) ürünlerin oranı daha fazla, ve fiyat
düzeyi daha düşük olan kategorilerin promosyon satış hacmi daha fazladır. Raju
(1992)’ya göre, büyük hacimli ürünler içeren kategoriler daha az değişkenlik
15
gösterir, dolayısıyla da büyük hacimli kategoriler promosyon dönemlerinde talep
artışı için daha düşük potansiyele sahiptir. Ayrıca, bir kategori içerisindeki rekabet
yoğunluğunun fazla olması da o kategorideki promosyon satışlarının gücünü azaltır
(Raju, 1992).
3.3 Marka Değişkeleri
Her ne kadar Bell ve diğ. (1999) kategori özelliklerinin marka özelliklerinden daha
önemli olduğunu savunmuş olsa da, marka özellikleri de promosyondaki ürünlere
olan talepte oldukça önemlidir. Bell ve diğ. (1999), yüksek pazar payına sahip ve
daha fazla reklamı yapılan markaların promosyonel satışlarının daha fazla; yerli
markaların ve sıklıkla promosyonu yapılan markaların ise promosyonel satışlarının
daha düşük olduğu sonucuna varmıştır. Buna karşılık, Bolton (1989) daha düşük
pazar payına sahip markaların promosyonel satışlarının daha fazla olduğunu ileri
sürmüştür. Blattberg ve diğ. (1995) de bir markanın pazar payı ve promosyonel satışı
arasında negatif yönlü bir ilişki olduğunu iddia etmiştir. Foekens ve diğ. (1999) de
promosyon sıklığının fazla olmasının promosyon satışlarını olumsuz etkilediğini
belirtmiştir. Ayrıca, en son promosyondaki fiyat indirimi fazla olursa da, mevcut
promosyondaki satışlar olumsuz etkilenir (Foekens ve diğ, 1999). Bu durum;
promosyon sıklığı ve geçmişteki yüksek indirimler sonucunda tüketicilerin o
markalara referans olarak kafalarında daha düşük fiyatlar belirlemeleri ile
açıklanmaktadır (Blattberg ve diğ, 1995).
3.4 Mağaza Değişkenleri
Genel olarak mağaza özelliklerinin promosyonel satışlara etkisi, promosyon, kategori
ve marka özelliklerine göre daha küçüktür (Ailawadi ve diğ, 2006). Mağazanın
promosyonel talepteki rolü perakendeciler için üreticilere göre daha fazla önem arz
etmektedir. Bir üretici promosyonel talebi tahmin ederken, her bir mağazadaki
promosyonel satışı önemsemez, bunun yerine tedarik zincirindeki toplam talebi en
doğru biçimde kestirmeye gayret gösterir. Perakendeci ise promosyonları genellikle
tüm mağazalarında uyguladığından, elindeki envanteri mağazalara doğru biçimde
dağıtabilmek ve satış kaybı yaşamamak için her bir mağazada gerçekleşecek talebi
tahmin etmek durumundadır.
16
3.5 Tüketici Değişkenleri
Mağaza değişkenlerinde olduğu gibi, markanın müşterisi olan tüketicilerle ilgili
özelliklerin de promosyon satışları üzerindeki açıklayıcı gücü sınırlıdır. (Bell ve diğ,
1999). Tüketici özellikleriyle ilgili az bilgi olsa da ve şimdiye kadar konuyla ilgili
anlamlı çıktılar elde edilen çok çalışma olmasa da, bir tüketicinin bir promosyona
yönelik tepkisinin yaş, gelir, cinsiyet gibi bazı karakteristik özelliklerle ilişkili olması
olasıdır. Her ürünün bir hedef kitlesi olduğu gerçeği göz önünde bulundurulduğunda,
tüketicilerin çeşitli özelliklerinin promosyondaki ürünlerin satışını etkileyebileceği
düşünülebilir.
3.6 Promosyon Geçmişi Değişkenleri
Promosyondaki ürünün talebinin tahmin edilmesinde, o ürünün geçmişteki
promosyonlarıyla ilgili özellikler önemli bir bilgi kaynağıdır. Hem üreticiler hem de
perakendeciler bunu promosyon türü ve promosyon reklamı ile birlikte en önemli
bilgi
kaynağı
olarak
kullanmaktadırlar.
Genellikle
de
tahminlerini
dayandırabilecekleri geçmişteki benzer promosyonları bulmaya çalışmaktadırlar.
Cooper ve diğ. (1999), geliştirdikleri promosyonel talep tahmini modeline aynı
tanıtım ve teşhir özelliklerine sahip geçmiş promosyonların ve tüm geçmiş
promosyonların promosyon satışları ve taban satışlarını ayrı ayrı değişkenler olarak
eklemiştir.
17
18
4. TAHMİN TEKNİKLERİ VE PROMOSYON TAHMİN MODELLERİ
4.1 Talep Tahmin Teknikleri
Literatürde talep tahmini için çeşitli yöntemler bulunmaktadır. Öncelikle tahmin
tekniklerini yargısal tahmin yöntemleri ve istatistiksel tahmin yöntemleri olmak
üzere ikiye ayırmak gerekir. Yargısal yöntemlerde tahmin genellikle çalışanlar
tarafından ve nitel bilgiye dayanarak yapılmaktadır. Formel ya da istatistiksel tahmin
yöntemlerini ise tahminini sayısal verilere dayandırır. İstatistiksel tahmin yöntemleri
de zaman serisi modelleri ve açıklayıcı modeller olmak üzere iki gruba
ayrılmaktadır. Zaman serisi modellerinde sadece geçmiş talep bilgisi kullanılır.
Açıklayıcı tahmin teknikleri ise buna ek olarak diğer pazarlama verilerinden de
faydalanır (Makridakis ve diğ, 1979). Silver ve diğ. (1998)’ne göre tahminler,
istatistiksel tahmin olarak bilinen geçmişteki gözlemler ile yargısal tahmin olarak
bilinen geleceğe dönük ve bilinçli yargıların birleşimine dayanır. Makridakis (1988),
hem yargısal hem de istatistiksel tahmin yöntemlerinin bazı dezavantajları olduğunu
belirtmiştir. Buna göre,
Yargısal yöntemlerin dezavantajları

Değişimlere gereğinden fazla tepki verilmesi ya da değişimlerin ihmal
edilmesi,

Geçmiş verilerin kullanılmasında yaşanan tutarsızlıklar,

Kişisel ya da politik görüşlerin tahminler üzerinde fazlaca etkili olması
İstatistiksel yöntemlerin dezavantajları ise

Değişimlerin kestirilememesi

Geçmiş verilerde mevcut olan tüm bilgiden yararlanılamaması

Gelecekteki belirsizliğe gereken önemim verilmemesi olarak ifade edilmiştir.
Şekil 4.1’de talep tahmin yöntemlerinin genel olarak sınıflandırılması gösterilmiştir.
19
Şekil 4.1 : Talep tahmin yöntemlerinin sınıflandırılması (Makridakis ve diğ, 1979).
4.1.1 Yargısal yöntemler
Yargısal tahminler sezgisel yargılara, fikirlere ve öznel olasılık tahminlerine dayanır.
Yargısal tahminler genellikle yeterli veri olmayan durumlarda kullanılır (Makridakis
ve diğ, 1979). İnsan yargılarına dayanan bu tür tahminlerin başarısı genellikle sayısal
yöntemlere göre daha düşüktür. Yine de bazı durumlarda sayısal bir tahmin
modelinin kontrolü için uzman görüşüne ihtiyaç duyulmaktadır (Silver ve diğ, 1998).
Uzmanlar tahminlerde göz önünde bulundurulması gereken en son gelişmeler
hakkında bilgi sahibidirler. İnsanla olan etkileşimi nedeniyle bu yöntemler genellikle
enformel bir tahmin süreci olarak algılanmaktadır. Anketler ve senaryo analizleri
yargısal tahmin için kullanılan yöntemlere örnek olarak verilebilir.
4.1.2 Zaman serisi modelleri
Zaman serisi modelleri gelecekteki sonuçları kestirebilmek için geçmiş verilerden
yararlanır. Bir zaman serisi, zaman içinde sıralı olarak yapılan gözlemlerin bir araya
getirilmiş hali olarak tanımlanabilir (Chatfield, 2004). Talep tahmini, zaman serisi
analizlerinin kullanım alanlarından bir tanesidir. Mevsimsel değişkenlik, döngüsel
değişkenlik, trend (genel eğilim), ve diğer düzensiz dalgalanmalar gibi zaman
serisindeki değişkenliğin kaynakları analiz edilerek, serinin gelecekteki değerleri
20
hakkında kestirimde bulunulabilmektedir. Zaman serisi yöntemlerinden bazıları;
basit hareketli ortalamalar, ardışık bağlanımlı hareketli ortalamalar, ardışık
bağlanımlı bütünleşik hareketli ortalamalar, üstel düzeltme, dış değer kestirimi
(ekstrapolasyon), genel eğilim kestirimi, ve büyüme eğrisi olarak sıralanabilir
(Chatfield, 2004; Wilson ve Keating, 2002; Box ve diğ, 2011). Bu tür modeller, her
ne kadar verideki çeşitli değişkenlik kaynakları ile birlikte çalışabiliyor olsa da, bu
değişkenlik kaynakları ortadan kaldırıldığında zaman serisinde durağan bir örüntü
olduğunu varsayarlar. Ayrıca, zaman serisine dayalı tahminler, sadece tahmin edilen
değişkenin geçmiş verilerine dayanmaktadır. Oysa ki, promosyona olan talebi
etkileyen pek çok pazarlama değişkeni bulunmaktadır.
4.1.3 Açıklayıcı tahmin modelleri
Bazı
tahmin
yöntemleri,
tahmin
edilen
değişkeni
etkileyen
faktörlerin
belirlenebilmesinin mümkün olduğu varsayımını kullanır. Bu tür modeller daha
formel bir yaklaşıma sahiptir. Nedenler anlaşıldığı takdirde, tahmin edilen değişkeni
etkileyen değişkenler hakkında öngörüde bulunulabilir ve bu değişkenler tahmin
modelinde kullanılabilir.
Açıklayıcı tahmin teknikleri içerisinde en yaygın olarak kullanılanı regresyon
analizidir. Regresyon analizi, bir bağımlı değişken ile bir veya birden fazla bağımsız
değişken arasındaki ilişkiyi analiz eden bir istatistiksel tekniktir (Hair ve diğ, 2006).
Promosyonel talep tahmininde en çok kullanılan yöntem olduğundan, bir sonraki
bölümde doğrusal regresyon yöntemi daha detaylı olarak anlatılacaktır. Ekonometrik
modeller, yapay sinir ağları gibi başka açıklayıcı tahmin teknikleri de bulunmaktadır
ancak bu çalışmada bunlara değinilmeyecektir.
4.1.3.1 Doğrusal regresyon yöntemi
Doğrusal regresyon analizi; basit ve çoklu doğrusal regresyon olmak üzere iki gruba
ayrılabilir. Basit doğrusal regresyonda bağımlı değişken ile tek bir bağımsız değişken
arasındaki ilişki analiz edilirken, çoklu doğrusal regresyonda bağımsız değişken
sayısı birden fazladır. Doğrusal regresyonda her bağımsız değişken ve bağımlı
değişken arasındaki ilişki doğrusaldır. Doğrusal regresyon modelinin pratikteki
performansı doğru açıklayıcı değişkenlerin seçilmesiyle ve kullanılan verinin
kalitesiyle yakından ilgilidir.
21
Regresyon analizinde genel olarak bağımlı değişken; bağımsız değişkenlerin ve
regresyon katsayılarının doğrusal bir fonksiyonudur. Basit doğrusal regresyon
modelinin ve ‘k’ farklı açıklayıcı değişkene sahip bir çoklu doğrusal regresyon
modelinin matematiksel gösterimi sırasıyla denklem 4.1 ve denklem 4.2’deki gibidir
(Hair ve diğ, 2006):
(4.1)
(4.2)
Bu denklemlerde;

Y değeri bağımlı değişkeni

X değerleri bağımsız değişkenleri

β değerleri regresyon katsayılarını

ε değeri ise hata terimini ifade etmektedir.
Regresyon analizinde en iyi uyum, gerçekleşen gözlemlere göre hata kareler
toplamını minimize eden doğru denkleminin bulunmasıyla elde edilmektedir.
Çoklu regresyon analizinde sadece sürekli değişkenler değil, genellikle nitel
değişkenlerin faklı durumlarını ifade etmek için 1 ve 0 değerlerini alan gölge (kukla)
değişkenler de sıklıkla kullanılmaktadır. Ayrıca, bazı durumlarda bağımsız
değişkenlerin
kendi
arasındaki
etkileşimden
de
bağımlı
değişken
ayrıca
etkilenebilmektedir. Etkileşim etkisi adı verilen bu durumun da dikkate alındığı daha
karmaşık regresyon modellerini de analiz etmek mümkündür (Chatfield, 2004).
Örnek bir model, Denklem 4.3’te verilmiştir.
(4.3)
Çoklu regresyon analizinin kullanılabilmesi için test edilmesi ve doğrulanması
gereken bazı varsayımlar vardır (Hair ve diğ, 2006; Field, 2005):

Bağımlı ve bağımsız değişkenler arasında doğrusallık

Hata terimi dağılımının normalliği

Hata terimlerinin sabit varyansı olması

Çoklu doğrusallık olmaması

Hata terimlerinin bağımsızlığı

Bağımlı değişkenin normal dağılıma uyması
22
Bu varsayımların test edilmesi için çeşitli yöntemler bulunmaktadır. Regresyon
analizinden güvenilir sonuçlar almak için bu varsayımların ihlal edilmemesi
önemlidir.
4.2 Farklı Tahmin Yöntemlerinin Birleştirilmesi
Farklı talep tahmin yöntemlerinin olumsuz yanları nedeniyle bazı durumlarda bu
yöntemlerin birleştirilmesi tercih edilebilir. Bunn ve Wright (1991), istatistiksel
modellere yargısal düzeltmeler yapılması için iki neden ileri sürmüştür. Birinci
neden, modelin belirlenmesindeki hatalardır. Belirlenen model iyi bir tahmin
performansı göstermiyor olabilir. Böyle durumlarda genellikle modelin yapısını
değiştirmektense, model çıktılarında yargısal bir takım düzeltmeler yapmak daha
kolaydır. Aksi takdirde modelden değişken çıkarılması ve regresyon katsayılarının
değiştirilmesi gerekebilir. Yargısal düzeltmelerin yapılmasının ikinci nedeni ise
yapısal değişikliklerdir. Modele dahil edilemeyen bazı dışsal faktörlerin ya da arka
plandaki bazı varsayımların değişmesinin gelecekteki olayları etkilemesi beklenir.
Bir modele sadece sınırlı sayıda değişken dahil edilebileceğinden, uzman tarafından
deneyim ve sezgilere dayalı olarak yapılan müdahaleler tahmin performansını
artırabilir.
4.3 Promosyon Talep Tahmin Modelleri
Cooper ve diğ. (1999), önde gelen süpermarket zincirlerinin yöneticileriyle yapılan
mülakatlar sonucunda, gelecek promosyonun planlanmasında kullanılan en gelişmiş
yöntemin, en son benzer promosyonun tedarik zinciri düzeyinde verilen sipariş
miktarı kadar sipariş vermek olduğunu görmüşlerdir. En son benzer promosyon, bir
ürünün mevcut promosyon ile aynı fiyat seviyesinden sunulduğu en son promosyon
olarak tanımlanmaktadır. Bu uygulamanın pek çok olumsuz yanı vardır. Birincisi, en
son benzer promosyon uygulamasında, promosyonla ilgili diğer hiçbir etken dikkate
alınmamış olmaktadır. İkincisi, promosyon fiyatı pek çok farklı düzeyde olabilir; bu
da en son benzer promosyon ile karşılaştırmayı zorlaştırmaktadır. Dolayısıyla, sadece
fiyat düzeyine bakmanın çok isabetli bir tahmin yöntemi olmayacağı düşünülebilir.
Ayrıca, söz konusu uygulama öğrenemeyen bir sistemi temsil etmektedir (Cooper ve
diğ, 1999). Her ne kadar formel tahmin yöntemlerinin sektördeki kullanımı yaygın
olmasa da, mevcut uygulamalardaki bahsi geçen problemler dikkate alınarak
23
promosyonel satışların tahmini için birtakım yöntemler geliştirilmiştir. Bu
yöntemlerden en bilinen dört tanesi SCAN*PRO, Promoter, PromoCast, ve
CHAN4CAST modelleridir.
4.3.1 Mevcut dört model
4.3.1.1 SCAN*PRO
SCAN*PRO modeli, ACNielsen firmasının müşterilerine geçici fiyat indirimleri,
özellik tanıtımı ve özel teşhir gibi promosyon faaliyetlerinin perakende satışlarına
etkisini göstermek amacıyla ortaya çıkmıştır (van Heerde ve diğ, 2002). SCAN*PRO
promosyonel satışları mağaza düzeyinde analiz etmektedir. Hızlı tüketim mallara
endüstrisindeki hemen hemen tüm promosyonlar en az bir hafta sürdüğünden,
modelde haftalık zaman dilimi kullanılmaktadır. Bu model ve bu modelin benzer
biçimleri dünyada üç binden fazla ticari uygulamada kullanılmıştır (van Heerde ve
diğ, 2002). Model, bağımlı değişken ve bağımsız değişkenler arasında çarpımsal
ilişkilerin olduğu bir doğrusal regresyon modelidir. Orijinal SCAN*PRO modelinde,
bir mağazadaki bir ürünün haftalık satışı bağımlı değişken olarak tanımlanmıştır.
Bağımsız değişkenler olarak ise birim fiyat, normal birim fiyatın medyanı, tanıtım,
teşhir, tanıtım ile teşhir arasındaki etkileşim, ve mağaza ile hafta arasındaki etkileşim
modele dahil edilmiştir (van Heerde ve diğ, 2002).
4.3.1.2 Promoter
Promoter, üreticilerin yaptığı ticari promosyonların değerlendirilmesi amacıyla
tasarlanan bir karar destek sistemidir. Ürün müdürlerinin böylece promosyon
harcamalarının dağıtımını geliştirmeleri hedeflenir. Bu sistem, yapılan ticari
promosyonların
perakendeciler
tarafından
tüketiciye
aktarılma
oranını
ve
perakendeciler tarafından sunulan promosyonlara tüketicilerin gösterdiği tepkiyi
ölçelerek birleştirir ve promosyona verilen toplam tepkiyi tahmin eder. Bunu
gerçekleştirebilmek için, Promoter öncelikle bir ürünün promosyon olmadığı
dönemlerdeki normal satışını, yani taban satışı; trend, mevsimsellik etkileri ve
istisnai durumları dikkate alarak kestirmeye çalışır. Promosyonun etkileri ise, bu
dinamik taban satış miktarına göre tahmin edilir (van Heerde ve diğ, 2002).
24
4.3.1.3 PromoCast
PromoCast, bağımlı değişken ve bağımsız değişkenler arasında doğrusal ilişkiler
kuran, 67 değişkenli bir regresyon modelidir. Bağımlı değişken, bir ürünün
promosyon haftasındaki satış miktarının doğal logaritmasıdır. Bağımsız değişken
olarak modelde promosyon özellikleri, ürünün ve mağazanın promosyon geçmişi, ve
mevsimsellik özelliklerine ilişkin bilgiler kullanılmıştır. Modelde fiyat ve birimle
ilgili değişkenler için log-log, tanıtım ve teşhirin farklı kombinasyonlarını yansıtan
değişkenler için ise log-doğrusal ilişkiler kullanılmıştır. Ayrıca PromoCast yavaş ve
hızlı hareket eden ürünlerin ayrımını yapmış ve bunlar için ayrı tahmin modelleri
uygulamıştır. Bunun da ötesinde, her ürün ve her mağaza için model ayrı olarak
çalıştırılmıştır (Cooper ve diğ, 1999).
Cooper
ve
diğ.
(1999),
ürettikleri
talep
tahminlerinin
performansını
değerlendirebilmek için bunları aynı tanıtım ve teşhir özelliklerine sahip
promosyonların ortalama satışları ile karşılaştırmıştır. Tahminler geçmiş promosyon
ortalamalarından daha iyi sonuç vermiyorsa, talep tahmini için böyle bir çaba
sarfetmenin anlamı olmadığı düşünülebilir. Söz konusu kıyaslama yöntemini şu
nedenle kullanmışlardır: Promosyon analizi için sektördeki en yaygın yaklaşım, bir
kategorideki ortalama taban satışın promosyon satışları ile karşılaştırılmasıdır. Bir
kategorinin içerisindeki ürün kalemi bazındaki değişkenliklerden yola çıkarak, belli
bir ürünün, belli promosyon koşullarında, belli bir mağazadaki satışlarının geçmiş
ortalamalarının tahmin hatasının; yaygın olarak kullanılan kategori bazındaki tahmin
hatasından daha az olması beklenir. Ürün kalemi düzeyinde çok büyük miktarda
geçmiş satış verisine sahip olunması, tahmin performansındaki bu iyileşmeyi
mümkün kılmaktadır (Cooper ve diğ, 1999). Bu ifade ile Cooper ve diğ. (1999)
mevcut durumdaki sorunu promosyonel satışın taban satışa bölünerek analiz
edilmesine bağlamakta ise de, asıl sorunun promosyon analizlerinin genellikle ürün
kalemi bazında değil, kategori bazında yapılması olduğu söylenebilir.
4.3.1.4 CHAN4CAST
CHAN4CAST modeli bir perakende zinciri için değil; alkolsüz içecek, atıştırmalık
ve kahvaltılık ürünler satan bir gıda üreticisi için tasarlanmıştır. Bu yönüyle model,
bahsedilen diğer modellerden ayrılmaktadır. Üretici firma, markalarını 200’den fazla
ülkede satmaktadır. CHAN4CAST hem taban satışlarının tahmini hem de
25
promosyonel satışların tahmini için bir model olarak kullanılmaktadır. Bu
promosyon talep tahmini modelinde tatil dönemleri, teşhir türü, bölge, tanıtım,
sıcaklık, ve fiyatın logaritması ile ilgili değişkenler bulunmaktadır. Tahmin edilen
bağımlı değişken ise adet cinsinden satış hacmidir. Anlamlı değişkenlerin tespit
edilmesi için aşamalı regresyon yöntemi kullanılmıştır (Divakar ve diğ, 2005).
4.3.2 Mevcut modellerin performansı
Bahsedilen promosyon talep tahmini araçlarının performanslarının karşılaştırıldığı
herhangi bir çalışma bulunmamaktadır. Elde edilen bazı sonuçlar, yalnızca o
promosyon talep tahmin modeli ile ilgili makalede bulunmaktadır. Örneğin,
PromoCast ile ilgili makalede yazarlar, geliştirdikleri promosyon tahmin modelinin
ellerindeki örnek vakada kullanılmış olması halinde, stok dışı kalma oranının %43
azalacağını ve bunun sonucunda da 2.77 milyon dolar kar artışı elde edilebileceğini
belirtmişlerdir (Cooper ve diğ, 1999). Söz konusu çalışmada siparişler adet cinsinden
değil, genellikle 12’li olmak üzere koli ya da paket cinsinden verildiğinden, talep
tahmin performansı da buna göre ölçülmüştür. Buna göre, mağaza düzeyinde
tahminlerin % 69’u en fazla bir koli hata ile, % 83’ü ise en fazla iki koli hata ile
tahmin edilmiştir. Kıyaslama amacıyla kullanılan benzer tanıtım ve teşhir
özelliklerine sahip geçmiş satışların ortalaması yönteminde ise tahminlerin % 39’ü
en fazla bir koli hata ile, % 62’si ise iki koli hata ile gerçekleşmiştir. Bu durumda
Promocast, kıyaslandığı yönteme göre daha iyi tahminler yapmıştır (Cooper ve diğ,
1999). Ne var ki, bu sonuçlar sadece söz konusu çalışmaya özgü olup, diğer
modellerin sonuçları ile karşılaştırılabilir değildir. Van Heerde ve diğ. (2002),
SCAN*PRO modeli ve uzantılarının performansı ile ilgili nicel sonuçlar
yayınlamamışlardır. Divakar ve diğ. (2005) , CHAN4CAST modelinin yaklaşık 1
milyon dolar yatırım maliyeti ile 11 milyon dolar tasarruf sağladığını belirtmişlerdir.
Ne var ki, promosyon talep tahmini, söz konusu modelin sadece bir bölümünü
oluşturmaktadır. Bu nedenle sonuçların promosyonlar açısından yorumu kolay
değildir.
Özetle,
farklı
promosyon
tahmin
modellerinin
tümü
ayrıntılı
olarak
yayınlanmamıştır. Örneğin, Cooper ve diğ. (1999) kurdukları modelde yer alan
değişkenlerin listesini yayınlamışlar ama modelin kendisi hakkında detaylı bilgi
26
vermemişlerdir. Bu duruma bağlı olarak da farklı talep tahmin modellerini
karşılaştıran bir araştırma bulunmamaktadır.
4.3.3 Promosyon talep tahmini modelleri üzerine değerlendirme
İncelenen modeller bağımlı değişken olarak satış miktarını ya da satış miktarının
logaritmasını tahmin etmektedir. Bir regresyon modelinde, satış hacminin
logaritması bağımlı değişken olarak tahmin edildiğinde ve taban satışın logaritması
da bağımsız değişken olarak modelde yer aldığında, aslında bağımlı değişken olarak
yükseltme faktörü tahmin edilmektedir (denklem 4.5 ve denklem 4.6). Yükseltme
faktörü, promosyon satışının taban satışa bölünmesi ile elde edilen çarpan olarak
tanımlanabilir (denklem 4.4). Söz konusu durum, bahsedilen dört tahmin modeli
içinde sadece PromoCast’te gözlenmektedir.
(4.4)
( )
(
)
( )
(
(
)
)
(4.5)
(
) (4.6)
CHAN4CAST haricindeki üç model de perakendeci odaklıdır, sadece CHAN4CAST
üreticiye yönelik olarak üretilmiştir. Bu model promosyon talep tahminine diğer
modellerden daha az odaklanmıştır ve genel olarak taban satışı tahmin etmektedir.
Genellikle modeller doğrusal ya da log-doğrusal biçimdedir. Literatürdeki çalışmalar
logaritmik ya da doğrusal değişken ve modellerin seçimi üzerine kesin ve
genelleştirilebilir sonuçlar sunmamaktadır. Divakar ve diğ. (2005) kurdukları logdoğursal ve doğrusal modeller için benzer tahmin sonuçları bulmuşlardır. De
Schrijver
(2009)
bağımlı
değişkenin
logaritmik
ve
doğrusal
değerlerinin
performansları açısından önemli bir farklılık gözlemlememiştir.
Geçmiş çalışmalarda çoğunlukla log-doğrusal, log-log, ve doğrusal modeller benzer
sonuçlar verdiğinden, daha anlaşılabilir olması bakımından doğrusal modeller tercih
edilmiştir. Ayrıca, bağımlı değişkenin logaritmasının kullanılmasının, bağımsız
değişkenin
logaritmasının
kullanılmasından
düşünülmektedir.
27
daha
fazla
fayda
sağlayacağı
28
5. PROMOSYON TALEP TAHMİNİ ÜZERİNE UYGULAMALI
ARAŞTIRMALAR
5.1 De Schrijver
De Schrijver (2009), yaptığı araştırmada Hollanda’daki bir perakendecinin
promosyon talep tahmini sürecini analiz etmiştir. Araştırma; piller ve kameralar
olmak üzere iki ürün kategorisine odaklanmaktadır. Bu da kurulan doğrusal
regresyon modellerinin oldukça spesifik olmasına yol açmıştır. Modellerde marka
bile bir bağımsız değişken olarak kullanılmıştır. Bu özelleşme nedeniyle, modelleri
diğer ürün kategorileri için de genelleştirmek kolay değildir. Kameralar için
oluşturulan tahmin modeli ürün düzeyinde toplulaştırılırken, sınırlı bilgi olması
nedeniyle piller kategori düzeyinde toplulaştırılmıştır.
Potansiyel bağımsız
değişkenler konuyla ilgili olması, ölçülebilirliği ve müşterinin değişken üzerindeki
etkisi bakımından ele alınmıştır. Bunun sonucunda 16 bağımsız değişken elde
edilmiştir. Bağımlı değişken olarak yükseltme faktörü ve mutlak promosyon satışı
ayrı regresyon modellerinde analiz edilmiştir. Ek olarak, De Schrijver (2009)
değişkenleri hem doğrusal formda (denklem 5.1) hem de doğal logaritma formunda
(denklem 5.2) ayrı ayrı analiz etmiştir. Değişkenler arasındaki etkileşim etkileri bu
araştırmada dikkate alınmamıştır.
(5.1)
( )
( )
( )
(
)
(5.2)
De Schrijver (2009), modelindeki gölge değişkenlerin çokluğu nedeniyle tüm
değişkenlerin aynı anda regresyon analizine eklendiği ‘enter’ yöntemini kullanmıştır.
Üretilen modellerin genel uyumu yüksektir. R 2 değeri yaklaşık 0.5 olarak
bulunmuştur. Bu yüksek uyumun modellerin ürün kategorisine özgü olmasından ileri
geldiği düşünülmektedir. Mutlak promosyon fiyatı uzak ara en önemli bağımsız
değişken olarak bulunmuştur. Bunun yanında, reklam büyüklüğü, tatiller ve tanıtım
broşüründe yer alan promosyonların sayısı da iki kategoriye de etki eden değişkenler
olarak bulunmuştur.
29
5.2 Van den Heuvel
Van den Heuvel (2009), Hollanda’daki bir süpermarkette satılan promosyon
ürünlerinin envanter yönetimi açısından performansını araştırmıştır. Bu çalışmada 10
farklı promosyonel ürününün performansı takip edilmiş ve promosyondaki ürünlerin
talep tahmin performansının ve envanter yönetiminin geliştirilebileceği sonucuna
varılmıştır. Promosyondaki tüm ürünleri kapsayan daha geniş bir analizde ise
mağazalara gereğinden çok daha fazla envanter dağıtıldığı tespit edilmiştir. Van den
Heuvel (2009) promosyonel satışları tahmin etmek için en uygun yöntemin doğrusal
regresyon olduğu sonucuna vararak 22 değişkenin olduğu bir veri seti oluşturmuştur.
Sekiz farklı regresyon modeli kurulmuş ve analiz edilmiştir. Bu modeller üç farklı
açıdan birbirinden ayrışmaktadır.

Fiyat indirimi haricindeki promosyon türleri; X tane alana Y tane bedava ya
da Z tanesi T fiyata olmak üzere iki farklı gruba ayrılmıştır.

Ürün kategorilerinin 3 gölge değişkenle açıklandığı özet ve 10 gölge
değişkenle açıklandığı detaylı ürün kategorizasyonu olmak üzere iki grup
oluşturulmuştur.

Bir önceki promosyon haftasıyla ilgili bilgi içeren ve içermeyen iki grup
oluşturulmuştur.
Bu üç faklı boyuttan elde edilen 8 regresyon modeline bakıldığında, sadece üçüncü
boyutun modellerin açıklayıcılığında etkili olduğu görülmüştür. Önceki promosyon
haftası hakkında bilgi içeren modellerde R 2 değerinin 0.27’den yaklaşık 0.45’e
yükseldiği gözlenmiştir.
Van Den Heuvel (2009), kurduğu regresyon modelinin çok fazla bilgi gerektirmesi,
dolayısıyla süpermarket için pratikte çok kullanışlı olmayacağı düşüncesiyle daha az
değişken içeren geliştirilmiş, özet bir regresyon modeli oluşturmuştur. Yeni
modeldeki değişkenler; son beş haftadaki ortalama satış, aynı ana gruptaki
promosyonlar, aynı gruptaki promosyonlar, normal fiyat, yüzde cinsinden indirim ve
ürün kategorisi olarak belirlenmiştir. Bu model, daha az bağımsız değişken
içerdiğinden, R2 değeri 0.45’ten 0.22’ye düşmüştür. Buna rağmen, Van den Heuvel
(2009)’e göre modelin yeni hali pratikte kullanılabilirliğini artırmıştır. Ortalama hata
karesi yeni modelde eskiyle kıyaslanabilir düzeydedir. Ayrıca, promosyon sonunda
30
mağazalarda arta kalan ürün miktarı özetlenmiş modelde detaylı modele göre daha
azdır.
5.3 Van der Poel
Van der Poel (2010), yaptığı çalışmada Hollanda’daki en önemli hızlı tüketim
malları üreticilerinden bir olan Unilever’in ürünlerine olan promosyonel talebin
tahmin performansını iyileştirmeyi amaçlamıştır. Bu çalışmanın önceki diğer iki
uygulamalı çalışmadan en önemli farkı tahminlerin üretici bazlı olarak yapılmasıdır.
Çalışma kapsamında üretici firmanın müşterisi olan dört perakendeci seçilerek
bunların satış ve promosyon bilgilerinden yararlanılmıştır. Firmanın satışını yaptığı
8’i gıda, 5’i ise gıda dışı olmak üzere toplam 13 kategorideki ürünlerinden toplam 86
tanesi kurulacak model için seçilmiştir. Promosyonların incelendiği 65 haftalık
süreçte ürünler yaklaşık 15283 kez promosyona girmiştir ve bu promosyonlardan
1238 tanesi örneklem olarak alınmıştır.
Van der Poel (2010), promosyon talebinin tahmini için çoklu doğrusal regresyon
yöntemini kullanmıştır. Bağımlı değişken olarak promosyonel satışların taban satışa
oranının, yani yükseltme faktörünün doğal logaritması kullanmıştır. Taban satış,
ürünün tahmini yapılan haftadan önceki promosyonsuz beş haftanın ortalama satış
miktarı olarak tanımlanmıştır. Promosyonel talebe etki edebileceği düşünülen 21
farklı bağımsız değişken analiz edilmiştir. Söz konusu değişkenler promosyon,
tedarikçi ve marka değişkenleri olmak üzere üç gruba ayrılmıştır (Van der Poel,
2010).
Promosyon değişkenleri:

Teşhir durumu

İnsertte yer alıp almadığı

TV reklamı ile destekleme

Tatil günleriyle bu tatillerde daha fazla satan ürünlerin etkileşim etkisi

Promosyon süresi (1 hafta ya da 2 hafta)

Mutlak indirim (Euro cinsinden)

Yüzde indirim

Promosyon mekanizması (1+1, fiyat indirimi, vb.)

Aynı anda promosyonda olan ürün sayısı
31
Perakendeci değişkenleri:

Perakendeci bilgisi

Satış noktalarının artış miktarı
Marka değişkenleri:

Tekrar satın alınma oranı

Promosyon baskısı (promosyonel satışların toplam satışlardaki payı)

Önceki promosyonun yükseltme faktörü

Pazara nüfuz etme oranı

Saklanabilirlik

Ürünün büyüklüğü

Satın alma sıklığı

Ürün kategorisi

Kışın satılan ürünler ve sıcaklığın etkileşim etkisi

Yazın satılan ürünler ve sıcaklığın etkileşim etkisi
Tedarikçi düzeyindeki diğer araştırmalardan farklı olarak, bu çalışmanın üretici bir
firmada yürütülmüş olması, farklı tedarikçilerin tahmin modellerine gölge değişken
olarak eklenerek promosyonel satışlara etkisinin incelenmesine olanak tanımıştır.
Bunun yanında, promosyon süresi önceki çalışmaların aksine sabit değildir.
Promosyonlar, tedarikçilerin politikasına göre bir ya da iki hafta sürebilmektedir. Bu
durum, promosyon süresinin de kurulan modellere değişken olarak eklenmesi
ihtiyacını doğurmuştur.
Van der Poel (2010), ilk aşamada elindeki tüm bağımsız değişkenleri kullanarak beş
farklı model oluşturmuştur. Bu beş model, içerdikleri ürünler bakımından birbirinden
ayrılmaktadır:

Model-1: Tüm ürünler

Model-2: Gıda ürünleri

Model-3: Gıda dışı ürünler (Ev temizliği ve kişisel bakım ürünleri)

Model-4: Magnum markası hariç tüm ürünler

Model-5: Magnum markası hariç gıda ürünleri
32
Modellerin gıda ve gıda dışı ürünler olarak farklılaşmasının sebebi, bu iki farklı
kategorinin birbirinden farklı promosyon ve satış davranışı göstereceği varsayımıdır.
Gıda ürünleri, gıda dışı ürünlere göre daha hızlı hareket etmekte, dolayısıyla da daha
fazla miktarda satmaktadır. Öte yandan, Magnum markalı ürünlerin çok yüksek
yükseltme faktörü değerlerine sahip olduğu ve tüm ürünler incelendiğinde yükseltme
faktörü açısından dışadüşenlerin büyük kısmını oluşturduğu görülmüştür. Bu nedenle
Magnum markalı ürünlerin gözlemlere dahil edilmediği iki farklı model daha
kurulmuştur (Van der Poel, 2010). Belirlenen modeller promosyon tahmininde
başarılı bir performans göstermişlerdir. Örneğin, bu beş modelden en uygunu olarak
seçilen Model-4’ün düzletilmiş R2 değeri 0.691, ortalama mutlak yüzde hatası
(OMYH) ise kalibrasyon kümesinde % 28, doğrulama kümesinde is % 31 olarak
hesaplanmıştır.
İlk aşamada kurulan modeller her ne kadar değişkenler hakkında yüksek
açıklayıcılığa sahip olsa da, modellerin firma tarafından pratikte kullanılabilmesi için
bir takım uyarlamalara ihtiyaç duyulmuştur.
Bu uyarlamalardan ilki, modelin firma tarafından uygulanabilir hale gelmesi
amacıyla değişken sayısının azaltılmasıdır. İlk aşamadaki modellerden en az üçünde
standardize edilmiş beta katsayısı 0.150’den büyük ve katsayısının işareti aynı olan
değişkenler yeni modelde kullanılmıştır. Böylece yeni modeldeki anlamlı değişken
sayısı 19’dan 12’ye düşürülmüştür. Yeni durumda düzeltilmiş R 2 değeri 0.671,
OMYH ise kalibrasyon kümesi için %29, doğrulama kümesi için %31 olarak
hesaplanmıştır. Bu durumda uyarlanan model, ilk modelle hemen hemen aynı
performansı daha az değişken kullanarak göstermektedir.
İkinci uyarlama ise üretici açısından verilerin kolay bulunabilirliğine göre
değişkenlerin seçilmesiyle yapılmıştır. Bu durumda ise hem düzeltilmiş R 2 değeri
0.501’e düşmüş, hem de OMYH kalibrasyon kümesinde %37’ye, doğrulama
kümesinde ise % 46’ya yükselmiştir. Başka bir deyişle, modelin açıklayıcı gücü
azalmış, buna bağlı olarak da tahmin performansı düşmüştür.
Van der Poel (2010), son uyarlamayı ise bağımlı değişken olarak belirlenen
yükseltme
faktörünün
pay
kısmında
ürünün
gerçekleşen
satışı
yerine
perakendecilerin verdikleri sipariş miktarlarını kullanarak yapmıştır. Bu modelin
oldukça başarısız olduğu görülmüştür. Van der Poel (2010), bu durumu
33
perakendecilerin gerçekleşen promosyonel satışlara göre %39’dan %85’e kadar
varan oranlarda daha fazla sipariş vermelerine bağlamaktadır.
5.4 Van Dinter
Van Dinter (2011), gıda perakendeciliği alanında faaliyet gösteren Hollanda’daki bir
süpermarketin promosyon sürecini incelemiş ve bu sürecin iyileştirilmesi üzerine
çalışmıştır. Söz konusu çalışma iki araştırma alanına odaklanmıştır. Öncelikli ve ana
araştırma konusu, süpermarketteki promosyonel ürünlerin mevcut dağıtım ve kontrol
mekanizmasının hem kayıp satışları hem de envanter taşıma maliyetlerini dikkate
almak suretiyle iyileştirilmesidir. Bu bağlamda, Van Dinter (2011) promosyonel
ürünlerin dağıtım merkezlerinden mağazalara iki teslimatta gönderildiği esnek bir
dağıtım modeli geliştirmiştir. Bu modele göre, promosyon için tahmin edilen talep
miktarının % 70-80’i kadar bir kısmı birinci teslimatta mağazalara gönderilirken,
ikinci teslimat miktarının belirlenmesi için mevcut promosyonun ilk iki günündeki
satışlara bakarak promosyon haftasının geri kalanı için yeni bir tahmin yapılmakta ve
bu tahmine göre ikinci teslimat gerçekleştirilmektedir. Van Dinter (2011), geliştirdiği
bu modelin promosyonların operasyonel masraflarını azaltacağını, özellikle de
satılmayıp dağıtım merkezine geri gönderilen ürünlerden kaynaklanan envanter
taşıma maliyetlerini düşüreceğini yaptığı senaryo analizleri ve simülasyonlarla ortaya
koymuştur.
Van Dinter (2011)’in çalışmasında ikincil olarak odaklandığı konu ise promosyonel
talebin tahmin edilmesidir. Promosyon dönemindeki talebin tahmini, aynı zamanda
geliştirilen dağıtım modelinin önemli bir girdisi olduğundan, talep tahmin başarısının
artırılmasının dağıtım modelinin performansına da olumlu olarak yansıyacağı
söylenebilir. Bundan hareketle, de Schrijver (2009), Van den Heuvel (2009) ve Van
der Poel (2010) tarafından uygulanan tahmin modellerine benzer bir model
geliştirilmiştir. Çalışma kapsamına DKW olarak adlandırılan uzun ömürlü gıda
ürünleri ile donuk gıda ürünleri dahil edilmiştir. Bunun yanında Van Dinter (2011),
yaptığı Pareto analizi ile süpermarketteki yavaş ve hızlı hareket eden ürünleri
birbirinden ayırarak sadece hızlı hareket eden ürünleri ele almıştır. Önceki
çalışmalarda olduğu gibi çoklu doğrusal regresyon yönteminden yararlanılmış,
bağımlı değişken olarak yine yükseltme faktörünün doğal logaritması kullanılmıştır.
34
Bağımsız değişkenler ise geçmiş çalışmalardaki değişkenler, firmanın elindeki
veriler ve ulaşılabilirlikleri doğrultusunda belirlenmiştir (Van Dinter, 2011):

Normal fiyat

Yüzde indirim

Mutlak indirim

Promosyon mekanizması

Ürünün broşürdeki konumu (ön sayfa, arka sayfa, diğer sayfalar)

Önceki promosyonun yükseltme faktörü

Ürün grubu

Tatiller
Van Dinter (2011), içerdiği ürün kategorilerine göre üç farklı model oluşturmuştur:

Model-1: Tüm uzun ömürlü ve donuk gıdalar

Model-2: Sadece uzun ömürlü gıdalar

Model-3: Sadece donuk gıdalar
Test edilen tüm modeller tedarik zinciri düzeyindedir, yani süpermarketin tüm
mağazalarındaki toplam talebi yansıtmaktadır. Regresyon analizi sonucunda OMYH
değeri, doğrulama kümesinde birinci, ikinci ve üçüncü modelde sırasıyla % 36.4, %
35.6 ve %34.2 olarak bulunmuştur. Her ne kadar ikinci ve üçüncü modelin tahmin
performansı biraz daha iyi olsa da, aradaki fark küçük olduğundan Van Dinter (2011)
çalışma kapsamındaki tüm ürünleri tek bir regresyon modelinde analiz eden,
dolayısıyla da işlem kolaylığı sağlayan birinci modelin kullanılmasının firma için
daha uygun olduğunu savunmuştur. Model-1’in düzeltilmiş R2 değeri ise 0.378
olarak hesaplanmıştır.
Van Dinter (2011), geliştirdiği tahmin modelinin performansını, süpermarketin
mevcut tahmin performansı ile karşılaştırmaktadır. Doğrulama kümesinden seçilen
1300 promosyonun talebini satınalma departmanı % 41.3, süpermarketin talep
tahminlerinden sorumlu çalışanı ise % 38.4 ortalama hata yüzdesi ile tahmin etmiştir.
Bu oran oluşturulan yeni modelde aynı örneklem için % 35.5 olarak hesaplanmıştır.
Geliştirilen promosyonel tahmin modeli şirketin mevcut tahminlerinden daha başarılı
olmasına rağmen, Van Dinter (2011) hata oranını hala yüksek bulduğunu ve modelin
geliştirilmesi gerektiğini ifade etmiştir. Ayrıca, bazı ürün gruplarının promosyon
35
sırasında birbirinden farklı davranış gösterdiği tespit edilmiştir. Bazı ürün gruplarının
ise promosyonlar sırasında stoklarının zaman zaman tükenebildiği, bunun da
geliştirilen tahmin modelinin performansına olumsuz etki ettiği belirtilmiştir. Bu
nedenle Van Dinter (2011), regresyon modelinin ürettiği promosyonel talep
tahminlerine körü körüne bağlı kalınmamasını, uygulama esnasında bir uzman
tarafından gözden geçirilmesini ve gerekirse yargısal düzeltmeler yapılmasını
önermiştir.
5.5 Peters
Peters (2012), çalışmasını Van Dinter (2011) ile aynı süpermarket zincirinde
gerçekleştirmiştir. Bu çalışmada, söz konusu firmadaki çabuk bozulan ürünlerin
promosyonel talep tahmininin iyileştirilmesi amaçlanmıştır. Önceki benzer
çalışmalarda olduğu gibi yine çoklu doğrusal regresyon yönteminden yararlanılmış
ve yine bağımlı değişken olarak yükseltme faktörünün doğal logaritması
kullanılmıştır. İncelenen bağımsız değişkenler ise şu şekilde özetlenebilir (Peters,
2012):

Teşhir özellikleri: Teşhir konumunun kalitesi, teşhir edilen envanter miktarı

Promosyon değişkenleri: Mutlak indirim, yüzde indirim, normal fiyat, ürün
grubunda promosyonda olan ürün sayısı, promosyon mekanizması,
promosyonun reklam broşüründe yer alıp almadığı, promosyonun broşürdeki
konumu (ön sayfa, arka sayfa, iç sayfalar)

Ürün özellikleri: Son kullanma tarihi, önceki yükseltme faktörü, taban satış,
ürünün kilogram ya da adet cinsinden satılması, tazelik algısı, bozulmayı
durdurabilme (dondurarak ya da anında tüketerek), paketleme türü, ürün
grubu

Hava durumu: Sıcaklık, yağış miktarı, yağışlı gün sayısı

Ulusal tatiller
Söz konusu firmada çabuk bozulan ürünler üç farklı kategoriye ayrılmaktadır. Bu
kategoriler; etler ve salatalar, ekmek ve unlu mamuller, süt ürünleri olarak
sınıflandırılmıştır. Peters (2012), içerdiği kategorilere göre çabuk bozulan ürünler
için beş farklı model oluşturmuştur:

Model-1: Tüm ürünler
36

Model-2: Ekmek ve unlu mamuller hariç tüm ürünler

Model-3: Ekmek ve unlu mamuller

Model-4: Süt ürünleri

Model-5: Etler ve salatalar
Model-1’de bütün bozulabilir ürünler tek bir regresyon analizinde yer almaktadır.
Peters (2012)’a göre, ekmek ve unlu mamullerin promosyonlara olan reaksiyonu
diğer çabuk bozulan ürünlerden farklıdır. Bu durum Model-2’de bu kategorinin
analiz dışında bırakılmasına neden olmuştur. Model-3, Model-4 ve Model-5 ise her
bir kategori için ayrı ayrı oluşturulan regresyon modelleridir. Peters (2012), yaptığı
bu farklı regresyon analizlerinin performansını hem yüzde sapma cinsinden hem de
satış birimi cinsinden ölçmüştür. Yaptığı değerlendirme sonucunda Model-2’nin
kullanılmasını, ekmek ve unlu mamullerin ise ayrı olarak tahmin edilmesini
önermiştir. Model-2’nin düzeltilmiş R2 değeri 0.796 olarak bulunurken, doğrulama
kümesinin OMYH değeri % 26.5 olarak hesaplanmıştır. Bulunan bu hata yüzdesi,
süpermarketteki uzman kişilerin mevcut süreçlerde yaptığı yargısal promosyonel
satış tahminlerin hata yüzdesi ile karşılaştırılmıştır. Önerilen modelin hata yüzdesi,
hem satın alma departmanı tarafından yapılan tahminlerin ortalama hata yüzdesi olan
% 38.4’ten hem de talep tahmin uzmanının yaptığı tahminlerin ortalama hata yüzdesi
olan % 33.5’ten daha azdır. Bu da Peters (2012)’ın modelinin promosyonların talep
tahmin performansını mevcut duruma göre geliştirdiğini göstermektedir.
Çalışma kapsamında incelenen ürünler tazeyken tüketilmesi gereken, çabuk
bozulabilir ürünlerdir. Bu tür ürünler, çabuk bozulmayan ürünlerin aksine promosyon
döneminde satılamadıkları zaman ziyan olmakta ve firmanın bu ürünlerden zarar
etmesine yol açmaktadır Bu nedenle bu ürünlerin hem normal zamanlarda hem de
promosyon dönemlerindeki talebinin yüksek başarıyla tahmin edilmesi, diğer
kategorilerden daha kritiktir.
Bu çalışmada, önceki çalışmalarda yer almayan farklı bazı değişkenlerin ele alındığı
görülmektedir. Örneğin taban satışın yüksek olmasının yükseltme faktörünü olumsuz
etkilediği düşünülerek bu değişkenin doğal logaritması regresyon modeline
eklenmiştir ve analizler sonucunda taban satış beklentiyi doğrular şekilde anlamlı
bulunmuştur ve işareti negatiftir.
37
Peters (2012) tazelikle ilgili bir takım değişkenleri de regresyon modelinde
denemiştir.
Bunlardan
kullanılabileceği
gün
biri
sayısı
son
kullanma
arttıkça
tarihidir.
promosyonel
Ürünün
satışlarının
bozulmadan
da
artacağı
öngörülmüştür. Bu öngörü Model-5’te etler ve salatalar için yapılan regresyon
analizinde desteklenirken, Model-4’teki süt ürünlerinin regresyon analizinde
kullanım süresi ve promosyonel satış arasında ters yönde bir ilişki bulunmuştur.
Peters (2012), süt ürünlerindeki bu durumu bu tarz ürünlerin günlük olarak
tüketilmesine bağlamıştır. Tazelikle ilgili olarak incelenen bir diğer değişken, ürünün
bayatlamasının durdurulabilir olup olmadığıdır. Örneğin, çabuk bozulan bir ürün
satın
alındıktan
sonra
derin
dondurucuda
saklanabiliyorsa,
bayatlaması
durdurulabilen bir üründür. Bu özelliğin promosyonel satışları pozitif yönde
etkileyebileceği
öngörülmüş
ama
yapılan
analizlerde
anlamlı
bir
etkiye
rastlanmamıştır. Tazelikle ilgili olarak incelenen üçüncü ve son değişken tazelik
algısıdır. Mağazada özel olarak hazırlanan ve servis edilen bazı et ve pastane
ürünlerinin bu şekilde sunulmasının tüketicilerde bir tazelik algısı yaratacağı ve
promosyonel satışları artıracağı öngörülmüştür ancak yapılan analizlerde bu değişken
de anlamlı bulunmamıştır.
Peters (2012), önceki benzer çalışmalardan farklı olarak, yüzde indirimi 0-100
arasındaki tüm değerleri alabilen sürekli bir değişken olarak kullanmak yerine,
indirim aralıklarını ifade eden altı farklı gölge değişken tanımlamıştır. Bu gölge
değişkenlerden her biri % 0-10’dan % 50-60’a kadar olan yüzde onluk indirim
dilimlerini temsil etmektedir. En küçük indirim aralığı olan % 0-10, gölge değişken
grubundaki referans kategori olarak seçilmiş ve diğer indirim düzeyleri bu
kategoriyle karşılaştırılmıştır. Bu yaklaşım, yüzde indirim miktarının farklı
aralıklarının anlamlılık düzeylerini incelemeye olanak tanımıştır. Ayrıca, Gupta ve
diğ. (1992) tarafından öne sürülen indirim miktarındaki eşik ve doyma düzeylerinin
olup olmadığı, varsa ne düzeyde olduğunu da gözlemleme olanağı doğmuştur. Buna
göre, Peters (2012) kendi çalışmasında,, indirim miktarının bozulabilir ürünlerde %
20 seviyesinde anlamlı hale gelmeye başladığını göstermiştir. Bu da eşik değerinin
olduğu görüşünü desteklemektedir. Aynı analizde, eşik değerinden sonra yüzde
indirim arttıkça regresyon katsayısının da ivmelenerek arttığı, dolayısıyla da
herhangi bir doyma noktasının olmadığı tespit edilmiştir.
38
6. ÇALIŞMA KAPSAMININ BELİRLENMESİ
6.1 Şirket Bilgileri
AAA Süpermarketleri Anonim Şirketi, 1998 yılında yedi ortak tarafından kurulmuş
olan İstanbul merkezli bir süpermarket zinciridir. Söz konusu firma, yerel bir hızlı
tüketim malları perakendecisidir ve tüm mağazaları İstanbul ve çevresinde
bulunmaktadır. Şubat 2013 itibariyle, firma 61 süpermarket ve bir pastane ile faaliyet
göstermektedir. Firma bünyesinde 2000’den fazla personel çalışmaktadır.
Firma, her ne kadar süpermarket pazarının büyük oyuncularından olmasa da her
geçen yıl oldukça hızlı bir biçimde büyümektedir. Şirket 2011 yılında net satış
tutarını bir önceki yıla göre % 33,15 artırarak 251 milyon TL gelir elde etmiştir.
Aynı dönemde süpermarket sayısını ise %33,33 artırmış ve 33 süpermarketten 44
süpermarkete ulaşmıştır. 2012 yılsonu verilerine göre ise şirketin net satış tutarı 2011
yılına göre yine % 33 artarak 335 milyon TL’ye ulaşmıştır. Anılan dönemde mağaza
sayısı ise % 25’lik bir artışla 44’ten 55’e çıkmıştır. Müşteri sayısı ise bir önceki yıla
oranla 2012’de % 25,5 artmış ve 15.469.610 kişiden 19.411.401 kişiye yükselmiştir.
Bu sayı 2010 yılında 12.761.399 idi. Şirketin son üç yıldaki operasyonel
faaliyetlerine ilişkin bilgiler Çizelge 6.1’de özetlenmiştir.
Çizelge 6.1 : AAA Süpermarket’in operasyonel göstergeleri.
Gösterge
2010
2011
% Değişim
(Önceki yıla
göre)
2012
% Değişim
(Önceki yıla
göre)
Net Satış
Tutarı (TL)
188.478.170
250.964.433
% 33,2
334.755.718
% 33,4
Müşteri
Sayısı
12.761.399
15.469.610
% 21,2
19.411.401
% 25,5
Süpermarket
Sayısı
33
44
% 33,3
55
% 25
23.754
31.959
% 34,5
40.283
% 26
14,79
16,22
% 9,7
16,50
% 1,7
Satış Alanı
(m2)
Sepet
Ortalaması
(TL/kişi)
39
Öte yandan, perakendecilerin operasyonel verimliliğinin önemli bir göstergesi m 2
başına düşen satış geliridir. Bu açıdan firma, 2011 yılı verilerine göre hem sadece
yerel süpermarketlerin ortalamasının hem de ulusal ve yerel süpermarketlerin genel
ortalamasının üzerinde bir performans göstermiştir. Firma 2011 yılında m 2 başına
9073 TL satış geliri elde etmiştir. Bu değer 2011 yılında yerel süpermarketler için
m2 başına ortalama 7900 TL, yerel ve ulusal süpermarketlerin geneli için ortalama
7200 TL düzeyinde olmuştur. Ayrıca son beş yılın verilerine göre firma, m 2 başına
düşen satış gelirini her yıl düzenli olarak artırmıştır. Söz konusu gösterge ile ilgili
veriler Şekil 6.1 ve Şekil 6.2’de özetlenmiştir.
Şekil 6.1 : AAA’nın ve diğer marketlerin m2 başına düşen ortalama satış geliri.
40
Şekil 6.2 : AAA’nın yıllara göre m2 başına düşen satış geliri.
6.2 Problemin Tanımlanması ve Kapsamı
AAA Süpermarketleri piyasadaki diğer tüm süpermarketler gibi sürekli olarak 2-3
haftalık promosyonlar düzenlemektedir. Her promosyon dönemi için seçilen ürünler
değişmektedir. Belli bir promosyon dönemi için seçilen ürünler perakende
sektöründe “insert” adı verilen tanıtım broşürlerine bastırılmakta ve müşterilerin
promosyondaki
ürünlerden
ve
indirimli
fiyatlarından
haberdar
olmaları
sağlanmaktadır.
Firma, promosyon dönemlerinde envanterin sağlıklı bir biçimde yönetilememesi
problemiyle karşı karşıyadır. Bu problemin temelinde iki önemli sürecin iyi
yönetilememesi yatmaktadır. Bunlardan ilki sipariş ve envanter miktarları için temel
bir girdi niteliğindeki promosyon talebinin tahmin edilmesi süreci, bir diğeri ise
envanterin mağazalara dağıtılması sürecidir.
Firma, promosyonel ürünlerin tedariki için üreticiye sipariş verirken tüm mağazaların
toplam ihtiyacını kestirmeye gayret etmekte ve elindeki toplam envanteri de dikkate
almaktadır. Daha sonra, tek tek mağazaların envanter durumları ve satış miktarlarına
bağlı olarak ürünlerin promosyondan önce mağazalara sevkiyatı sağlanır.
Mevcut durumda firmanın sistematik herhangi bir promosyon talep tahmini süreci
bulunmamaktadır.
Promosyon
dönemlerinde
mağazalara
sevkedilecek
ürün
miktarları tamamen kategori yönetimi departmanındaki ilgili kategoriden sorumlu
41
personelin içgüdüsel ve deneyimlere dayalı öngörüleri ile belirlenmektedir.
Promosyon için gerekli sipariş ve mağazalarda bulundurulacak stok miktarları
belirlenirken; kategori sorumluları ürünlerin genel satış düzeyini, geçmiş
promosyonlardaki satışlarını ve yapılan indirimi dikkate almaktadır. Kategori
sorumlusunun bu faktörlerden hangisini ne ölçüde dikkate aldığı belli olmadığı gibi,
promosyon talebini etkileyen diğer pek çok etken de envanter yönetimi ile ilgili
kararlarda göz önünde bulundurulmamaktadır. Böyle bir ortamda, hem mağaza
düzeyinde, hem de tedarik zinciri düzeyinde promosyon ürünlerinin beklenen satış
miktarı, gerçekleşen satış miktarından çok farklı olabilmektedir. Promosyon talebinin
kestirilmesindeki
başarısızlık,
firmanın
iki
yönlü
olarak
bazı
maliyetlere
katlanmasına yol açmaktadır. Gerçekleşen satış miktarının beklenenden az olması
durumunda ürünler mağazalarda ve dağıtım merkezlerinde fazladan envanter
tutmaya ve buna bağlı olarak envanter taşıma maliyetlerine yol açmaktadır.
Promosyon ürünlerine beklenenden daha fazla talep olması halinde ise mağazalarda
stoksuz kalma sorunu yaşanmaktadır. Stoksuz kalındığında da hem talep edilen bir
ürünün satılamamasından dolayı bir maliyet oluşmakta, hem de almak istediği
promosyon ürününü mağazada bulamayan müşterinin memnuniyetsizliğinden
kaynaklanan bir maliyet oluşmaktadır.
Özetle, firmanın mevcut promosyon sürecinin yönetim performansı yeterli değildir.
Promosyon sürecinin iyileştirilmesi için öncelikle firmanın daha iyi bir promosyon
talep tahmin yöntemine ihtiyacı vardır. Firmanın envanter yönetimi ve mağazalara
ürün dağıtımı konularında yaşadığı sorunlar bu çalışmanın kapsamına dahil
edilmemiştir. Kaldı ki, bu sorunların çözümü de öncelikle talep tahmini sürecinin
geliştirilmesine bağlıdır.
6.3 Ürün Kapsamı
Çalışmanın gerçekleştirildiği süpermarket zinciri hem çeşitli gıda ürünleri hem de
gıda dışı ürünler satmaktadır. Tüketicilerin bozulabilir ve bozulmayan gıda
ürünlerine karşı promosyon dönemlerinde gösterdikleri satın alma davranışlarının
farklı olduğu bilinmektedir. Bunun yanında, tüketicilerin gıda ve gıda dışı ürünleri
promosyon sırasında satın almasını etkileyen faktörlerin de farklılık gösterdiği
düşünülmektedir.
42
Bu çalışma kapsamında gıda dışı ürünler ele alınmıştır. Gıda dışı ürünlerin
seçilmesinde iki farklı etken rol oynamıştır. Bunlardan biri, firmadaki gıda
ürünlerinin çok sık, karmaşık ve düzensiz bir şekilde promosyona girmesidir. Bu
nedenle gıda ürünlerinin promosyonel talebi, gıda dışı ürünlere göre daha fazla
değişkenden etkilenmektedir ve etkin bir tahmin modeli kurulması için bu ürünler
firmanın elindekinden daha fazla bilgiye gereksinim duymaktadır. Bir diğer etken
ise, gıda dışı ürünlerin satışından elde edilen gelirin, firmanın toplam cirosunda
önemli bir yere sahip olmasıdır.
Öte yandan, Cooper ve diğ. (1999), hızlı ve yavaş hareket eden ürünlerin
promosyonlara olan reaksiyonunun birbirinden farklı olduğunu dile getirmiştir. Bu
nedenle mevcut çalışmada gıda dışı ürünler içerisinde hızlı hareket eden ve yavaş
hareket eden ürünlerin ayrımı yapılmış ve hızlı hareket eden ürünler çalışma
kapsamında incelenmiştir. Hızlı ve yavaş hareket eden ürünlerin tanımlanabilmesi
amacıyla
Pareto
yönteminden
yararlanılmıştır.
Buna
göre,
çalışmanın
gerçekleştirildiği mağazada satılan 3378 kalem üründen 897 tanesi, yani ürün
kalemlerinin yaklaşık %27’si satışların adet cinsinden % 80’ini oluşturmaktadır. İşte
bu ürün kalemleri bu çalışma kapsamında hızlı hareket eden ürün, diğerleri ise yavaş
hareket eden ürün olarak tanımlanmıştır. Bu sayede hem yavaş hareket eden
ürünlerin talep tahmin performansını düşürmesi engellenmek istenmiş hem de bu tür
ürünler ihmal edilerek emek tasarrufu sağlanması amaçlanmıştır. Pareto analizinin
grafiği Ek A’da verilmiştir.
Firmanın gıda dışı ürünlerini Giyim-Tekstil, Kozmetik, Oyuncak-Kırtasiye, Peçete,
Hijyenik Ped, Sabun, Temizlik ve Züccaciye kategorileri oluşturmaktadır. Bunlardan
Giyim-Tekstil, Oyuncak-Kırtasiye ve Züccaciye kategorilerindeki ürünler genellikle
raflarda sürekli olarak bulunmamakta, belirli promosyonlar sırasında geçici olarak
satılmaktadır. Söz konusu geçici ürünler tasarlanan talep tahmin modeli için uygun
olmadığından ve satışların sadece küçük bir bölümünü oluşturduğundan çalışmanın
kapsamı dışında bırakılmıştır. Sonuç olarak çalışma kapsamında hızlı hareket eden
Kozmetik, Peçete, Hijyenik Ped, Sabun, Temizlik ürün kategorileri ele alınmıştır.
Çalışmanın kapsamında yer alan ve almayan ürün kategorileri gerekçeleriyle birlikte
Çizelge 6.2’de özetlenmiştir.
43
Çizelge 6.2 : Çalışma kapsamında olan ve olmayan kategoriler.
Ürün Kategorisi
Çalışma Kapsamı
Açıklama
Donuk ürünler
Hayır
Gıda ürünü
İçecek
Hayır
Gıda ürünü
Kasap-et
Hayır
Gıda ürünü
Kuru gıda
Hayır
Gıda ürünü
Manav
Hayır
Gıda ürünü
Şarküteri
Hayır
Gıda ürünü
Şekerleme
Hayır
Gıda ürünü
Unlu mamuller
Hayır
Gıda ürünü
Giyim – Tekstil
Hayır
Geçici ürünler
Oyuncak – Kırtasiye
Hayır
Geçici ürünler
Züccaciye
Hayır
Geçici ürünler
Kozmetik
Evet
-
Peçete
Evet
-
Hijyenik ped
Evet
-
Sabun
Evet
-
Temizlik
Evet
-
44
7. ARAŞTIRMA YÖNTEMİ
Bu çalışmada, promosyon talebinin tahmin edilmesi amacıyla çoklu regresyon
analizi yönteminden yararlanılmıştır. Bölüm 4.1’de de belirtildiği gibi talep tahmini
için kullanılan üç genel yöntem bulunmaktadır. Yargısal yöntemler genellikle
yöneticilerin deneyim ve sezgilerine dayanan tahmin yöntemleridir. Tahmin ediciler,
yargısal tahminlerde bulunurken yanlı davranma eğilimindedirler. Örneğin,
süpermarket sektöründe stok dışı kalmama baskısından ötürü talebi genellikle
olduğundan daha fazla tahmin etme eğilimi vardır. Ayrıca, promosyonlara olan talebi
etkileyen pek çok değişken bulunmaktadır ve yöneticiler genellikle çabuk kararlar
almak zorunda olduklarından, tahminlerinde talebi etkileyebilecek tüm faktörleri
dikkate almaları mümkün değildir. Bu nedenlerle, yargısal yöntemlerin promosyon
talebini tahmin etmede en uygun yöntem olmadığı düşünülmektedir. Van Donselaar
ve diğ. (2004) zaman serisi modellerinin promosyon talebinin tahmin edilmesi için
uygun olmadığını belirtmişlerdir. Zaman serisi modelleri, sadece tahmin edilen
değişkenin geçmişe ait uzun dönemli verilerini kullanmaktadır. Oysa ki,
promosyonlara olan talepte değişkenliğe sebep olan, satış geçmişi dışında daha pek
çok faktör vardır. Bu nedenle pazarlama bilgisinin de tahmin modelinde yer alması
gerekmektedir. Dolayısıyla, açıklayıcı tahmin modellerinden yararlanılmasının en
uygun yaklaşım olacağına karar verilmiş ve çalışma kapsamında çoklu regresyon
analizi, yöntem olarak belirlenmiştir.
Çalışma kapsamındaki tahminler mağaza düzeyindedir. Oluşturulan regresyon
modeli, firma ile ortak olarak belirlenen bir pilot mağaza verisi ile test edilmiştir.
Belirlenen mağaza, firmanın en büyük ve en yoğun mağazalarından biridir.
45
46
8. TAHMİN MODELİ
8.1 Bağımlı Değişken
Çoklu regresyon yönteminin kullanıldığı tahmin modelinde bağımlı değişken olarak
Yükseltme Faktörü kullanılmıştır. Yükseltme faktörü, bir stok tutma biriminin
promosyon dönemindeki satışlarının normal dönemlerindeki satışlarına oranıdır. Bu
değişkenin formülü denklem 8.1’de görülmektedir.
(8.1)
Haftalık ortalama promosyon satışı, promosyonda olan bir stok tutma biriminin ilgili
promosyon dönemi boyunca haftalık ortalama satış miktarını ifade eder. Haftalık
ortalama taban satış ise, aynı stok tutma biriminin ilgili promosyondan önceki
promosyonsuz son 35 gündeki haftalık ortalama satış miktarıdır. Söz konusu ürün
ilgili promosyondan önceki son beş hafta içinde promosyona girdiyse, o haftalardaki
satışlar taban satışın hesaplamasına dahil edilmemiştir.
Cooper (1999), regresyon yöntemiyle promosyon talep tahmini yapılırken bağımlı
değişken olarak promosyon süresince gerçekleşen mutlak satış miktarı yerine
yükseltme faktörünün kullanılabileceğinden söz etmiştir. Promosyon talep tahmini
üzerine yakın zamanda yapılan çalışmalarda da bağımlı değişken olarak yükseltme
faktörü kullanılmıştır (Van den Heuvel, 2009; Van der Poel, 2010; Van Dinter, 2011;
Peters, 2012). Peters (2012)’a göre bağımlı değişken olarak promosyon satış miktarı
yerine yükseltme faktörü kullanılmasının bazı avantajları vardır. Öncelikle yükseltme
faktörü kullanılarak tüm promosyon ürünlerinin promosyon performansının ölçümü
standartlaştırılmış olur. Bunun yanında, taban satış yükseltme faktörünün paydasında
yer aldığından mevsimsellik etkisi de otomatik olarak dikkate alınmış olur.
8.2 Bağımsız Değişkenler
Süpermarketlerdeki promosyon ürünlerinin talebi pek çok değişkenden etkilenebilir.
Tablo 3.1’de de özetlendiği gibi, bu değişkenler promosyonun özellikleri, ürün
kategorisi, marka, tüketici profili, promosyonun yapıldığı mağaza ve promosyon
47
geçmişi ile ilgili olabilir. Ne var ki, perakendeciler ya da üreticiler promosyon
talebini olumlu ya da olumsuz etkileyen pek çok değişkenden sadece bir kısmı
hakkında bilgiye sahiptir. Bu çalışmanın gerçekleştirildiği süpermarket zincirinden
sadece sınırlı sayıda değişken hakkında veri toplanabilmiştir. Eldeki veriler
doğrultusunda promosyonel talep tahmini için geliştirilen model Şekil 8.1’de
görülebilir.
Şekil 8.1 : Promosyon talep tahmini modeli.
Kullanılan bağımsız değişkenlerin belirlenmesinde iki kıstas önemli rol oynamıştır.
Öncelikle, literatür çalışmasından faydalanarak hangi değişkenlerin promosyon
talebini etkileyebildiğine bakılmıştır. Daha sonra tüm bu değişkenlerden verileri
firma bünyesinde bulunabilir olanlar çalışma kapsamında incelenmiştir. Talep
tahmini için ihtiyaç duyulabilecek pek çok bilgi firma tarafından kayıt altına
alınmamaktadır ya da kayıtlarda olsa bile kolaylıkla elde edilememektedir. Örneğin,
promosyon ürünün mağazada teşhir edildiği konumun satışlara etkisi olduğu
bilinmektedir. Mağazadaki teşhir yöntemi, ihtiyaç duyulmayacağı düşüncesiyle
48
promosyondan kısa bir süre sonra firma kayıtlarından silinmektedir. Bu nedenle bu
önemli değişkenin geçmiş verilerine ulaşılamamış, dolayısıyla da teşhir yöntemi
regresyon modelinde kullanılamamıştır.
Çalışma kapsamında değerlendirilen bağımsız değişkenler Çizelge 8.1’de kısa
açıklamalarıyla birlikte yer almaktadır.
Çizelge 8.1 : Çalışma kapsamındaki bağımsız değişkenler.
Değişken
Promosyon Değişkenleri
İndirim yüzdesi
Promosyon süresi
Aynı ürün grubunda
promosyondaki ürün
sayısı
Önceki promosyon x
insert önce
Ürün Özellikleri
Değişkenleri
Normal Fiyat
Taban Satış
Önceki YF
Tatil Değişkenleri
Ramazan dönemi
Ramazan bayramı
Kurban bayramı
Yılbaşı
Yaz dönemi
Ürün Kategorisi
Değişkenleri
Kozmetik
Ped
Sabun
Peçete
Açıklama
Ölçüm
Promosyon sırasında ürünün fiyatında
meydana gelen indirimin yüzdesi
İnsert döneminin hafta cinsinden
uzunluğu
Promosyondaki ürünle aynı dönemde
promosyonda olan aynı gruptaki ürün
sayısı
Ürünün bir önceki promosyonunun kaç
insert dönemi önce gerçekleştiği
Metrik /
Nominal
Metrik /
Nominal
Metrik
Ürünün promosyon olmayan dönemdeki
genel fiyatı
Ürünün promosyondan önceki
promosyonsuz son beş haftadaki satış
miktarı
Ürünün bir önceki promosyonunda
gerçekleşen yükseltme faktörü
Metrik
Ramazan döneminde gerçekleşen
promosyon
Ramazan bayramında gerçekleşen
promosyon
Kurban bayramında gerçekleşen
promosyon
Yılbaşında geçekleşen promosyon
Yaz döneminde gerçekleşen promosyon
Nominal
Promosyon ürünü kozmetik
kategorisinde
Promosyon ürünü hijyenik ped
kategorisinde
Promosyon ürünü sabun kategorisinde
Promosyon ürünü peçete kategorisinde
Nominal
49
Metrik /
Nominal
Metrik
Metrik
Nominal
Nominal
Nominal
Nominal
Nominal
Nominal
Nominal
Promosyonun özelliklerine ilişkin literatürde çok sayıda değişken vardır ve bu
değişkenler promosyonun satışındaki en önemli role sahiptir. Bu çalışma için
belirlenen promosyon değişkenleri; indirim yüzdesi, promosyon süresi, aynı ürün
grubunda promosyondaki ürün sayısı ve ürünün önceki promosyonunun kaç insert
dönemi önce gerçekleştiği bilgisidir.
İndirim miktarı, bir promosyonun en önemli bileşenlerinden bir tanesidir. İndirim
miktarı arttıkça promosyonun etkinliğinin arttığı daha önce yapılan pek çok
araştırmada dile getirilmiştir (Blattberg ve diğ, 1995; Narasimhan ve diğ, 1996;
Cooper ve diğ, 1999). Fiyat indirimi, para birimi cinsinden ya da yüzde cinsinden
hesaplanabilir. Mutlak fiyat indirimi (para birimi cinsinden); yüzde indirim ve
normal fiyat değişkenleri ile yüksek korelasyon gösterdiğinden regresyon
analizlerine dahil edilmemiştir. Van Dinter (2011) ve Peters (2012) da mutlak fiyat
indirimi ve yüzde indirim arasında yüksek korelasyon bulduklarından yüzde indirim
değişkenini kullanmayı tercih etmişlerdir.
İncelenen süpermarketteki promosyonların süresi de çoğunlukla iki hafta olmasına
karşın, değişkenlik gösterebilmektedir. Promosyon süresinin normalden uzun
olmasının haftalık ortalama promosyon satışını olumsuz etkilediği düşünülmektedir.
Aynı ürün grubundaki promosyon ürünlerinin oranının yüksek olması o ürün
grubundaki her bir promosyonel STB’nin satış performansını olumsuz etkiler
(Ailawadi ve diğ, 2006). Van Dinter (2011) ve Peters (2012) da aynı ürün
grubundaki promosyon ürünü sayısının fazla olmasının yükseltme faktörünü negatif
yönde etkilediğini belirlemişlerdir. Mevcut çalışmada ürün grubundaki promosyonel
ürünlerinin oranı ile ilgili veri olmadığından, aynı ürün grubundaki promosyon ürünü
sayıları hesaplanmış ve değişken olarak modele eklenmiştir.
Bir ürüne ait promosyonların sıklığı ve kısa aralıklarla gerçekleşmesi de o ürünün
promosyon satışlarını olumsuz yönde etkiler (Blattberg ve diğ, 1995; Cooper ve diğ,
1999; van Heerde ve diğ, 2002). Bu nedenle ürünlerin geçmişteki en yakın
promosyonun kaç insert dönemi önce gerçekleştiği bilgisi de bağımsız bir değişken
olarak çalışmada yer almıştır.
Promosyon değişkenlerinden sonra en önemli değişken gruplarından biri de
promosyon ürününün özellikleridir. Bir ürünün geçmiş promosyonlardaki satış
performansı, mevcut promosyonun yükseltme faktörü için önemli bir göstergedir.
50
Perakende endüstrisinde de yargısal bir yöntem olarak benzer en son promosyonun
satış miktarı yaygın olarak kullanılmaktadır (Cooper ve diğ, 1999). Van der Poel
(2010), van Dinter (2011), ve Peters (2012) da geliştirdikleri talep tahmin
modellerinde ürünün önceki promosyonunda gerçekleşen yükseltme faktörünün
önemli bir bağımsız değişken olduğunu ortaya koymuşlardır. Bu çalışmada da
STB’nin önceki promosyonundaki yükseltme faktörü bağımsız değişken olarak
kullanılmıştır.
Her ne kadar Cooper (1999), yavaş hareket eden ürünlerin promosyon satışlarının
daha düşük olacağını iddia etse de, bir ürünün taban satışının düşük olması,
promosyon sırasında süpermarketin müşteri tabanı içerisinde cezbedilebilecek daha
fazla potansiyel müşteri olduğu anlamına da gelebilir. Bu nedenle promosyon
olmayan dönemlerdeki satış miktarı ile yükseltme faktörü arasında negatif yönlü bir
ilişki olduğu düşünülerek, taban satış bağımsız değişken olarak kullanılmıştır.
Yüksek fiyatlı ürünlerde yapılan indirimler, düşük fiyatlı ürünlerde yapılan aynı
orandaki indirimlere göre parasal anlamda daha fazla tasarruf sağlar. Bu gerçekten
yola çıkarak Chen ve diğ. (1998), yüksek fiyatlı ürünlerin promosyonlarının fiyat
indirimi şeklinde, düşük fiyatlı ürünlerin promosyonlarının ise yüzde indirim
şeklinde sunulması gerektiğini belirtmiştir. Mevcut çalışmada hangi ürünlerin fiyat
indirimi hangi ürünlerin yüzde indirim şeklinde tanıtıldığına ait veri yoktur. Buna
karşın, yüksek fiyatlı ürünlerin taban satışlarının daha düşük olabileceği ve bu tür
ürünlerin düşük fiyatlı ürünlere göre promosyon dönemlerinde tüketiciler tarafından
daha fazla arzulanacağı varsayımlarıyla ürünün normal fiyatı regresyon analizine
bağımsız değişken olarak dahil edilmiştir.
Farklı ürün kategorileri promosyonlara farklı tepki gösterebilir. Örneğin, bir ürün
kategorisinin diğerlerine göre tüketici ihtiyaçları açısından daha önemli olması,
promosyonlardaki satış miktarı üzerinde etkili olabilir (Bell ve diğ, 1999;
Narasimhan ve diğ, 1996). Bunun yanında, içerisindeki rekabetin yoğun olduğu
kategoriler ile rekabetin düşük seviyede olduğu kategorilerin promosyon performansı
da birbirinden farklıdır (Raju, 1992; Narasimhan ve diğ, 1996; Bell ve diğ, 1999). Bu
ve bunun gibi etkenlerin varlığı bu çalışmada göz önünde bulundurularak çalışma
kapsamındaki ürün kategorileri de regresyon analizinde yer almıştır. Van Dinter
(2011) bu farklılaşmanın ürün grubu düzeyinde de olabileceğini iddia ederek çalışma
kapsamındaki tüm ürün gruplarını kendi modeline gölge değişken olarak eklemiştir.
51
Ne var ki, mevcut çalışmanın kapsamında yaklaşık 30 farklı ürün grubu
bulunmaktadır ve regresyon modelinde değişken sayısının çok fazla olmaması için
bu çalışmada ürün grubu değişkenleri yer almamaktadır.
Tatil ve özel günlerin süpermarketlerdeki promosyonel satışları etkilemesi
beklenebilir (Divakar ve diğ, 2005). Türkiye’de dini bayram dönemlerinde ve yılbaşı
döneminde süpermarket alışverişlerinin canlandığı ve mağaza trafiğinin arttığı
bilinmektedir. Diğer yandan, yaz döneminde ise özellikle İstanbul’un yerli
nüfusunun azalması sonucunda pek çok sektörde kış aylarına göre satışlarda
durgunluklar yaşanmaktadır. Bu bilgilerden hareketle Ramazan Bayramı, Ramazan
ayı, Kurban Bayramı, Yılbaşı ve Yaz dönemleri regresyon analizine bağımsız
değişkenler olarak eklenmiştir.
8.3 Hipotezler
Regresyon analizi yalnızca tahmin amacıyla değil, bağımlı değişken ve bağımsız
değişkenler arasındaki ilişkinin yönünü ve gücünü tespit etmek amacıyla da
kullanılmaktadır. Bu bağlamda, literatürden elde edilen bilgiler ışığında regresyon
analizinde incelenen bağımsız değişkenlerin etkileriyle ilgili bazı hipotezler
geliştirilmiştir:
H1: Yüzde indirim miktarı, yükseltme faktörünü pozitif yönde etkiler.
H2: Yüzde indirim miktarının bir eşik noktası vardır; bu eşik değerinin altındaki
indirimlerde tüketicilerin promosyon ürünlerini satın alma eğilimi düşüktür.
H3: Yüzde indirim miktarının bir doyma noktası vardır; bu doyma noktasının
üzerindeki indirimlerde tüketicilerin promosyon ürünlerini satın alma eğilimi
durağanlaşır ya da azalır.
H4: Ürünün normal fiyatı, yükseltme faktörünü pozitif yönde etkiler.
H5: Ürünün önceki promosyonundaki yükseltme faktörü, mevcut promosyonun
yükseltme faktörünü etkiler.
H6: Taban satış miktarı, yükseltme faktörünü negatif yönde etkiler.
H7: Aynı ürün grubundaki promosyonel ürün sayısı, yükseltme faktörünü negatif
yönde etkiler.
52
H8: Promosyon süresinin normalden uzun olması, yükseltme faktörünü negatif
yönde etkiler.
H9: Promosyon süresinin normalden kısa olması, yükseltme faktörünü pozitif yönde
etkiler.
H10: Ürünün önceki promosyonundan sonra geçen sürenin uzunluğu, mevcut
promosyonun yükseltme faktörünü pozitif yönde etkiler.
H11: Kurban Bayramı döneminde gerçekleşen promosyonların, yükseltme faktörünü
artırıcı etkisi vardır.
H12: Ramazan Bayramı döneminde gerçekleşen promosyonların, yükseltme
faktörünü artırıcı etkisi vardır.
H13: Ramazan ayı döneminde gerçekleşen promosyonların, yükseltme faktörünü
artırıcı etkisi vardır.
H14: Yılbaşı döneminde gerçekleşen promosyonların, yükseltme faktörünü artırıcı
etkisi vardır.
H15: Promosyonların yaz döneminde gerçekleşmesinin, yükseltme faktörüne negatif
yönde bir etkisi vardır.
53
54
9. VERİ
9.1 Veri Toplama Süreci
Tahmin modeli için ihtiyaç duyulan promosyon ve satış verileri, kategori yönetimi
departmanının desteğiyle, firmanın kullandığı yönetim ve raporlama yazılımından
ham olarak elde edilmiştir. Promosyona giren ürünler, normal fiyat, promosyon
fiyatı, promosyon tarihleri gibi veriler promosyon kayıtlarından alınmıştır. İncelenen
dönemdeki satış miktarları ise ürünlerin günlük satış kayıtlarından edinilmiştir. Elde
edilen bu veriler daha sonra Excel programı aracılığıyla birleştirilerek regresyon
analizi için ihtiyaç duyulan yüzde indirim, taban satış, yükseltme faktörü, aynı ürün
grubundaki promosyon ürünü sayısı, önceki promosyonun kaç insert önce
gerçekleştiği gibi değişkenlerin değerleri hesaplanmıştır. Ürün kategorisi ve ürün
grubu değişkenleri stok tutma birimlerinin sahip olduğu kodlar kullanılarak
belirlenmiştir. Tatil değişkenleri için ise dışsal olarak takvim bilgisinden
yararlanılmıştır.
9.2 Veri Analizi
9.2.1 Veri kümelerinin oluşturulması
Firmadan elde edilen veriler çerçevesinde, mevcut çalışma 13 Mayıs 2011 tarihinden
9 Ağustos 2012 tarihine kadar olan toplam 31 insert dönemindeki promosyonları
içermektedir. Bu 31 promosyon döneminden 26’sı 2 hafta, 4’ü 3 hafta ve 1 tanesi ise
1 hafta sürmüştür. Söz konusu dönemde çalışma kapsamındaki gıda dışı
kategorilerden tanıtım insertinde yer alan toplam 2428 farklı promosyon ile ilgili veri
toplanabilmiştir. Bu 2428 promosyon gözlemden bazılarının çeşitli sebeplerle veri
kümesinden çıkarılması gerekmektedir.
Öncelikle, Bölüm 6.3’te belirtilen sebeplerle yapılan Pareto analizi sonucunda
belirlenen yavaş hareket eden stok tutma birimlerine ait toplam 1301 promosyon,
veri kümesinden çıkarılmıştır.
55
Yükseltme faktörü değerinin herhangi bir gözlemde 1’in altında olması olağandışı bir
durumdur.
Bu
durum,
ürünün
promosyon
sırasındaki
ortalama
satışının
promosyonsuz beş haftalık dönemdeki ortalama satışından daha az olduğunu
gösterir. Yükseltme faktörünün 1’den küçük olması şu sebeplerden ileri geliyor
olabilir (Van Loo’dan aktaran Van Dinter, 2011):

Ürünün aslında promosyonda olmaması (hatalı bilgi)

Tedarikçinin yeterli miktarda ürünü mağazaya teslim edememiş olması

Süpermarket tarafından yeterli miktarda sipariş verilmemiş olması

Promosyondan önceki haftalarda satışların normalden daha yüksek olması
Yavaş
hareket
eden
ürünlerin
promosyonları
çıkarıldığında
kalan
1127
promosyondan 23’ünde yükseltme faktörünün 1’den küçük olduğu görülmüş ve bu
gözlemler veri kümesinden çıkarılmıştır.
Çok büyük yükseltme faktörü değerlerine sahip gözlemlerin de tahmin modelinin
başarısı için analizlerde kullanılmaması gerekmektedir. Bu çalışmada yükseltme
faktörü için sınır 50 olarak belirlenmiş ve bu değerin üzerindeki toplam 9 gözlem
dışadüşen olarak kabul edilip veri kümesinden çıkarılmıştır.
Öte yandan, herhangi bir promosyona ait değişkenlerden birine ait bilgi bile eksikse,
o gözlemin regresyon analizine eksik veriyle dahil edilmesi mümkün değildir. Veri
kümesindeki bazı gözlemlerin önceki promosyonu çok uzun zaman önce olduğundan
ya da daha önce promosyonu olmadığından, bu gözlemlerin önceki promosyondaki
yükseltme faktörü ve önceki promosyonun kaç insert dönemi önce gerçekleştiği
bilgisi eksiktir. Bu durumdaki toplam 86 gözlem de çalışma kapsamındaki veri
kümesinden çıkarılmıştır. Sonuç olarak, 1009 farklı promosyon içeren bir veri seti
elde edilmiştir. Veri kümesinin oluşturulma süreci Tablo 9.1’de özetlenmiştir.
Çizelge 9.1 : Veri kümesinin oluşturulma süreci.
Gözlem Sayısı
Başlangıç veri seti
2428
Yavaş hareket eden ürün promosyonu
1301
Yükseltme faktörü 1’den küçük
23
Yükseltme faktörü 50’den büyük
9
Önceki promosyon bilgisi eksik
86
Nihai veri seti
1009
56
Regresyon
doğru
denkleminin
belirlenmesi
ve
belirlenen
bu
denklemin
performansının test edilebilmesi için eldeki gözlemlerin kalibrasyon ve doğrulama
olmak üzere iki kümeye ayrılması gerekmektedir. Kalibrasyon kümesi sayesinde
regresyon denklemi belirlenmekte, daha sonra aynı katsayılar doğrulama kümesinde
test edilerek modelin performansı ölçülmektedir. Bu çalışmadaki toplam 31
promosyon döneminden ilk 22’si kalibrasyon seti, kalan son 9 promosyon dönemi ise
doğrulama seti olarak tanımlanmıştır. Bu durumda, toplam 1009 gözlemden 792
tanesi (%78.5) kalibrasyon, kalan 217 tanesi (%21.5) ise doğrulama setinde yer
almaktadır.
9.2.2 Geliştirilen farklı regresyon modelleri
Çalışma kapsamında en yüksek performansa sahip ve firmanın kullanımı açısından
en uygun modeli belirlemek amacıyla Model-1, Model-2, Model-3 ve Model-4
olmak üzere dört farklı regresyon modeli analiz edilmiştir. Model-1 ve Model-2,
değişkenlerden bazılarının metrik değişken
tanımlanmasının
regresyon
performansı
yerine
açısından
gölge
bir
değişken olarak
farklılık
yaratıp
yaratmayacağını test ederken; Model-3 ve Model-4 veri setinin tamamını kullanmak
yerine ürün kategorilerine göre ayrılmış iki farklı regresyon analizi uygulamanın
regresyon performansına katkısı olup olmadığını test etmektedir.

Model-1: Bu modelde yüzde indirim, promosyon süresi ve önceki promosyon
X insert önce değişkenleri metrik olarak tanımlanmıştır.

Model-2: Bu modelde ilkinden farklı olarak yüzde indirim, promosyon süresi
ve önceki promosyon X insert önce değişkenleri birer gölge değişken grubu
olarak tanımlanmıştır.

Model-3: Sadece kişisel bakım (kozmetik, sabun, hijyenik ped) kategorileri
veri kümesinde yer almıştır. Yüzde indirim miktarı metrik, promosyon süresi
ve önceki promosyon X insert önce değişkenleri nominal olarak
tanımlanmıştır.

Model-4: Sadece ev temizliği (temizlik, peçete) kategorileri veri kümesinde
yer almıştır. Yüzde indirim miktarı metrik, promosyon süresi ve önceki
promosyon X insert önce değişkenleri nominal olarak tanımlanmıştır.
57
9.2.3 Gölge değişken kullanımı
Regresyon analizinde iki ya da daha fazla kategoriye ayrılabilen, metrik olmayan
bağımsız değişkenler kullanılmak istendiğinde gölge (kukla) değişkenlerden
yararlanılır. Bir gölge değişken, metrik olmayan bir bağımsız değişkenin 0 ve 1
değerlerini alabilen kategorilerinden birini temsil eder. k farklı kategoriye sahip,
metrik olmayan bir değişken, k-1 farklı gölge değişken ile temsil edilir. Analizler
sırasında k farklı gölge değişken kullanılmamasının gerekçesi, çoklu doğrusallık
probleminden kaçınmaktır. Dolayısıyla kategorilerden birinin referans olarak
belirlenip, diğer tüm kategorilerin analizde yer alması gerekir (Hair ve diğ, 2006).
Bu çalışmanın genelinde beş farklı gölge değişken grubu kullanılmıştır. Bu gruplar,
çalışmada kullanıldığı modeller, ve grup içindeki gölge değişken kategorileri Çizelge
9.2’de özetlenmiştir.
Çalışmada kullanılan gölge değişken gruplarından biri ürün kategorisidir. Çalışma
kapsamında gıda dışı ürünler; temizlik, peçete, kozmetik, sabun ve hijyenik ped
olmak üzere beş genel kategoriye ayrılmıştır. Regresyon modellerinde temizlik
ürünleri referans kategori olarak belirlenirken, diğer ürün kategorileri gölge değişken
olarak tüm modellere eklenmiştir.
Çizelge 9.2 : Gölge değişken grupları.
Değişken Grubu
Ürün kategorisi
Tatiller / Özel
Günler
Önceki promosyon
X insert önce
Promosyon süresi
İndirim yüzdesi
Gölge Değişkenler
Kozmetik,
Hijyenik Ped,
Sabun,
Peçete
Ramazan dönemi,
Ramazan bayramı,
Kurban bayramı,
Yılbaşı, Yaz
dönemi
1 İnsert önce,
2 İnsert önce,
3 İnsert önce,
4 İnsert önce
1 hafta,
3 hafta
%10-19, %20-29,
%30-39, %40-49,
%50-59, %60-69
Referans
Kategori
Temizlik
Kullanıldığı
Modeller
1,2,3,4
Diğer günler
1,2,3,4
5 veya daha fazla
insert önce
2,3,4
2 hafta
2,3,4
%0-9
2
58
Tatil dönemleri ve özel günler de sayısal olarak ifade edilemediğinden metrik
olmayan bir değişken grubu olarak tanımlanabilir. Bu nedenle, promosyonel satışları
etkilediği düşünülen Ramazan Dönemi, Ramazan Bayramı, Kurban Bayramı, Yılbaşı
ve mevsimsellik etkisi olduğu düşünülen Yaz Dönemi gölge değişken olarak
regresyon modellerine dahil edilmiştir.
Bir ürün kaleminin önceki promosyonun kaç insert dönemi önce olduğu aslında
metrik bir bağımsız değişkendir. Model-1’de bu değişken sürekli bir değişken olarak
modele eklenmiştir. Öte yandan, bu değişkenin küçük değerlerinin promosyon
talebinde diğer değerlere göre daha etkili olduğu düşünülerek, önceki insertin 1,2,3
ve 4 insert dönemi önce olduğu durumlar Model-2, Model-3 ve Model-4’te gölge
değişken olarak ifade edilmiştir.
Çalışmanın uygulandığı süpermarket zincirinde promosyon dönemleri çoğunlukla iki
hafta sürmektedir. Yine de bazı insert dönemlerinin bir hafta ya da üç hafta olduğu
durumlar da söz konusudur. Promosyon süresi Model-1’de 1,2 ve 3 değerlerini alan
metrik bir değişken olarak ifade edilirken, Model-2, Model-3 ve Model-4’te iki
haftalık promosyonlar referans kategori olarak belirlenirken, bir hafta ve üç hafta
süren promosyonlar iki ayrı gölge değişken olarak analiz edilmiştir.
İndirim yüzdesi de 0-100 arası tüm değerleri alabilen metrik bir değişkendir. Model1, Model-3 ve Model-4’te yüzde indirim miktarı oran ölçeğinde kullanılmıştır.
Model-2’de ise tüketicilerin farklı indirim oranlarına verdiği tepkinin doğrusal olarak
artmayabileceği varsayımıyla ve bu etkileri modelde tespit edebilmek amacıyla yedi
farklı indirim yüzdesi aralığı tanımlanarak bir gölge değişken grubu oluşturulmuştur.
Bu aralıklardan % 0-9 indirim değişkeni referans kategori olarak belirlenirken, %1019, %20-29, %30-39, %40-49, %50-59, %60-69 indirim kategorileri gölge değişken
olarak söz konusu modele eklenmiştir.
9.2.4 Dönüştürmeler
Regresyon analizinin uygulanması sırasındaki varsayımlardan biri, kullanılan
değişkenlerin normal dağılıma uymasıdır. Normal dağılımdan uzak, çarpık verilere
sahip değişkenlerin olması durumunda, bu değişkenlere bir takım dönüştürmeler
uygulanması gerekir (Hair ve diğ, 2006). Değişkenin normal dağılıma uyup
uymadığını kontrol etmek için hali hazırda Jarque-Bera, Kolmogorov-Smirnov ve
Shapiro-Wilk gibi istatistiksel testler bulunmaktadır (Gujarati, 1995). Field (2005)
59
ise geniş veri kümeleri söz konusu olduğunda verinin grafik çizimine bakılmasını
önermektedir. Veri kümesinin histogramının çizilmesi kolay ve anlaşılır bir
yöntemdir. Gözlem değerleri histogramda çan eğrisi benzeri bir şekil gösteriyorsa,
gözlem değerlerinin normal dağılıma uyduğu varsayılabilir.
Bu çalışmada değişkenlerin gözlem değerlerinin dağılımını gösteren histogramlara
bakılarak,
normal
dağılıma
uymayan
bazı
değişkenler
için
dönüştürme
uygulanmıştır. Öncelikle, modelde tahmin edilmeye çalışılan yükseltme faktörünün
sağa çarpık bir dağılım gösterdiği tespit edilmiştir. Benzer şekilde, taban satış ve
önceki yükseltme faktörünün de değerleri sağa çarpıktır. Bu değişkenlere doğal
logaritma (LN) dönüşümü uygulandıktan sonra histogramların normal dağılıma
yaklaştığı Ek-B’de görülebilir. Ayrıca, bu dönüştürmelerden sonra çarpıklık ve
basıklık değerleri de sıfıra yaklaşmaktadır. Bu nedenle, bu üç değişken regresyon
modelinde LN halinde kullanılmışlardır. Van Dinter (2011) ve Peters (2012) da
geliştirdikleri
modellerde
söz
konusu
uygulamışlardır.
60
değişkenlere
logaritmik
dönüştürme
10. MODEL PERFORMANSININ ÖLÇÜLMESİ
Regresyon modelinin promosyon talebini açıklayıcı gücünü ve tahmin başarısını
değerlendirebilmek için bazı performans göstergelerine ihtiyaç duyulmaktadır. Bu
çalışmada iki farklı performans ölçütü kullanılmıştır. Bunlardan biri, düzeltilmiş
belirlilik katsayısıdır (düzeltilmiş R2). Belirlilik katsayısı (R2), regresyon analizinde
bağımlı değişkenin varyansının bağımsız değişkenlerce açıklanma oranıdır.
R2
değeri arttıkça regresyon denkleminin tahmin edilen bağımlı değişkeni açıklayıcı
gücü artar. Düzeltilmiş R2 ise belirlilik katsayısının bağımsız değişken sayısı ve
gözlem sayısı dikkate alınarak düzeltilmiş halidir (Hair ve diğ, 2006).
(10.1)
(
)(
)
(10.2)
Çalışmada kullanılan bir diğer performans ölçütü ise ortalama mutlak yüzde hata
(OMYH) değeridir. Bu değer, regresyon denklemi tarafından tahmin edilen değer ile
gerçekleşen değeri karşılaştırarak regresyon denkleminin gerçekleşen değere göre
ortalama yüzde kaç hata ile bağımlı değişkeni tahmin ettiğini gösterir. Hata mutlak
değer cinsinden hesaplandığı için hatanın yönü bu göstergenin hesaplanmasında
önemli değildir. Bu gösterge, özellikle regresyon başarısının test edildiği doğrulama
kümesinde önem arz etmektedir.
∑
(10.3)
(10.4)
61
62
11. MODEL SONUÇLARI VE BULGULAR
11.1 Regresyon Analizi Varsayımları
Regresyon analizi için gerekli varsayımlar Bölüm 4.1.3.1’de kısaca özetlenmişti.
Mevcut çalışmada da bu varsayımların doğruluğu test edilmiş ve genel olarak
regresyon modelinin uygulanmasında söz konusu varsayımlar açısından bir engel
olmadığı görülmüştür. Bu bölümde doğruluğu incelenen varsayımlar sırayla
açıklanmaktadır.
11.1.1 Bağımlı değişkenin normal dağılıma uyması
Normal dağılım varsayımını karşılayabilmek için bağımlı değişken olan yükseltme
faktörüne doğal logaritmik dönüştürme uygulanmış ve regresyon modellerinde
bağımlı değişken bu haliyle kullanılmıştır. Ek-B’de bu dönüştürmeye ilişkin
histogramlar görülebilir.
11.1.2 Hata teriminin normal dağılıma uyması
Bağımlı değişkenin hata teriminin normalliğini test etmek amacıyla LN(YF) için
standartlaştırılmış artık değerler histogramının görünümü ve aynı değişkenin P-P
çizimi incelenmiş ve varsayımın doğruluğu kabul edilmiştir. Söz konusu çizimler EkC’de görülebilir.
11.1.3 Hata teriminin sabit varyansı olması
Anakütle hatasının varyansının sabit olması, regresyon analizinin uygulanması için
önemli bir varsayımdır (Hair, 2006). Bu varsayım, Ek-D’deki serpme çizimi ile
kontrol edilmiş ve doğrulanmıştır.
11.1.4 Çoklu doğrusallık
Bir bağımsız değişken, diğer bir takım bağımsız değişkenlerle yüksek korelasyona
sahip olduğu durumlarda çoklu doğrusallık sorunu ortaya çıkabilir. Bu durum
regresyon analizinde iki olumsuz duruma yol açar. Birincisi, çoklu doğrusallık R2
değerinin büyüklüğünü sınırlayarak yeni eklenecek değişkenlerin tekil olarak
63
regresyonun açıklayıcılığını artırmasını engelller. İkincisi, her bir bağımsız
değişkenin modele olan katkısını belirlemeyi zorlaştırır (Hair, 2006). Çoklu
doğrusallığı test etmek için varyans enflasyon faktörü (VIF) değerlerine bakılabilir.
Hair (2006)’a göre, VIF değerinin modeldeki bağımsız değişkenler için 10’dan
büyük olmaması önerilmektedir. Model-1’de en yüksek VIF değeri 1.476, Model2’de 4.657, Model-3’te 1.407 ve Model-4’te 1,158 olarak bulunmuştur. Bulunan bu
değerler, modellerin hiçbirinde çoklu doğrusallık sorunu olmadığını göstermektedir.
11.1.5 Hata terimlerinin bağımsızlığı
Bu varsayım, hata terimleri arasında korelasyon olmadığını yani hata terimlerinin
birbirinden bağımsız olduklarını öne sürer. Hata terimlerinin bağımsızlığını test
etmek için Durbin-Watson istatistiği kullanılmıştır. Durbin-Watson testi, 0 ve 4
arasında değişen değerler alabilir ve 2 civarında değerler bulunması halinde hata
terimlerinin bağımsız olduğu söylenebilir. Mevcut modellerde bu değer en düşük
1.629 (Model-3) ve en yüksek 1.711 (Model-2) olarak bulunmuştur.
11.1.6 Doğrusallık
Bir diğer varsayım da bağımlı değişken ve bağımsız değişkenler arasındaki ilişkinin
doğrusallığıdır. Bu varsayımı test etmek için kısmi regresyon çizimlerini incelemek
gerekir (Hair, 2006). Model-2’deki bağımsız değişkenlerin bağımlı değişkenle
ilişkisini gösteren kısmi regresyon çizimleri Ek-E’de görülebilir. Bu serpme çizimleri
söz konusu model için doğrusallık varsayımını onaylamaktadır.
11.2 Regresyon Analizi Sonuçları
Belirlenen dört farklı modele de aşamalı regresyon analizi uygulanmıştır. Bu
modellerin
performansı,
belirlenen
performans
ölçütleri
açısından
değerlendirilmiştir. Çizelge11.1’de modellerin performans göstergelerine ait değerler
karşılaştırılmaktadır.
64
Çizelge 11.1 : Geliştirilen modellerin performans karşılaştırması.
R2
Düzeltilmiş R2
N (Kalibrasyon)
N (Doğrulama)
OMYH (Kalibrasyon)
OMYH (Doğrulama)
Durbin-Watson
Maksimum VIF
Açıklayıcı Değişken
Sayısı
Model1
0,524
0,519
792
217
33,00%
33,50%
1,686
1,476
Model2
0,547
0,538
792
217
32,50%
33,68%
1,711
4,657
Model3
0,538
0,527
348
88
30,37%
31,31%
1,629
1,407
Model4
0,545
0,538
444
129
33,22%
33,30%
1,692
1,158
8
15
8
7
Regresyon modellerinin düzeltilmiş R2 değerlerinin 0.519 ile 0.538 arasında değiştiği
görülmektedir. Doğrulama kümesindeki ortalama mutlak yüzde hata %31.31 ile
%33.68 arasında değişen değerler almaktadır. Bütün verileri içermesi açısından
Model-3 ve Model-4 iki ayrı regresyon olarak uygulandığında doğrulama
kümelerindeki hatanın tartılı ortalaması %32.5 olarak bulunmaktadır. Bu değer, hem
Model-1’deki hem de Model-2’deki tahmin performansını yaklaşık %1 kadar
iyileştirmektedir. Model-3 sadece kişisel bakım ürünlerini Model-4 de sadece ev
temizliği ve hijyen ürünlerini içerdiğinden, çalışma kapsamındaki tüm verilerin
tahmininin yapılabilmesi için bu iki regresyon modelini ayrı ayrı uygulamak
gerekmektedir. Ne var ki, bu kullanım şekli tahmin performansında sadece %1 gibi
küçük bir iyileştirme sağlamaktadır. Dolayısıyla, firmanın kullanım kolaylığı
açısından çalışma kapsamındaki tüm ürün kategorilerinin tek bir regresyon analizi ile
promosyon talep tahmininin yapıldığı Model-1 veya Model-2’yi kullanmak daha
uygun olacaktır. Bu iki model karşılaştırıldığında ise Model-1 daha az bağımsız
değişken kullanarak tahmin yapması bakımından avantajlı iken, Model-2 az daha
yüksek açıklayıcılığa sahip olması bakımından avantajlıdır. Model-2’nin bir diğer
avantajı da indirim yüzdesinin gölge değişken grubu olarak tanımlanması ile
süpermarketin müşterilerinin farklı indirim düzeylerine gösterdikleri tepkiyi
görmesine fırsat tanımasıdır. Tahmin hatası bakımından ise iki model arasında ciddi
bir fark görülmemektedir.
65
11.3 Değişkenlerin İncelenmesi
Ek-F’de aşamalı regresyon yöntemi ile analiz edilen modeller için bulunan
standartlaştırılmamış (B) ve
standartlaştırılmış (beta) regresyon katsayıları
görülebilir. Bu sonuçlardan hareketle, bu bölümde analiz edilen değişkenler tek tek
incelenmektedir.
11.3.1 İndirim miktarı
Fiyat bilgisi ile ilgili değişkenlerin promosyon talebinin tahmini açısından oldukça
önemli olduğuna daha önce değinilmişti. Analiz edilen modellerde fiyat bilgisi ile
ilgili indirim yüzdesi ve normal fiyat olmak üzere iki bağımsız değişken
kullanılmıştır. İndirim yüzdesi ise Model-2’de farklı dilimlere ayrılarak nominal bir
değişken grubu olarak kullanılırken, diğer modellerde metrik bir değişken olarak yer
almıştır. Regresyon katsayıları incelendiğinde, indirim yüzdesinin kullanılan
değişkenler arasında promosyon talebine en fazla etki eden faktör olduğu
görülmektedir. Beklendiği gibi, indirim yüzdesi ile yükseltme faktörü arasında
pozitif yönlü güçlü bir ilişki olduğu tespit edilmiştir.
Model-2’de ise gölge değişken olarak tanımlanan indirim yüzdesinin farklı
düzeylerinin standart olmayan regresyon katsayılarına bakarak, bu farklı düzeylerin
promosyon talebine olan etkisi incelenmek istenmiştir. Her bir indirim yüzdesi
aralığı için regresyon katsayılarını gösteren grafik Şekil 11.1’de , aynı yöntemle
Peters (2012)’ın çabuk bozulamayan ürünler için elde ettiği grafik ise Şekil 11.2’de
görülmektedir.
Mevcut çalışmada regresyon katsayılarının indirim yüzdesiyle birlikte sürekli olarak
artmaktadır. Peters (2012), indirim miktarının yaklaşık %20 düzeyinden sonra
anlamlı hale geldiğini, dolayısıyla bu indirim düzeyinin tüketici talebi açısından bir
eşik noktası olduğunu belirtmiştir. Mevcut çalışmada ise, referans kategori olarak
belirlenen %0-9 indirim aralığından sonraki en küçük indirim yüzdesi aralığının bile
güçlü bir anlamlılığa sahip olduğu tespit edilmiştir. İki çalışmanın eşik değeri
açısından farklı bulgulara ulaşması temel olarak şu farklılıkla açıklanabilir; gıda dışı
hızlı tüketim ürünleri uzun ömürlü ve saklanabilir ürünler olduğundan, en küçük
indirimde bile tüketicilerin ilgisini çekmek ve ürünü önceden satın alıp ihtiyaçları
olduğu zaman kullanmalarını sağlamak mümkündür. Çabuk bozulan gıda ürünleri
için ise aynı şeyi söylemek güçtür. Bu tür ürünler satın alındıktan kısa bir süre sonra
66
bozulup kullanılamaz hale geleceğinden, tüketicinin promosyon ürünlerini satın
almaya ikna edilmesi için daha yüksek indirimler uygulanması gerekmektedir.
Peters (2012), regresyon katsayılarının indirim seviyesi arttıkça ivmelenerek arttığını
gözlemlemiş ve herhangi bir doyum noktasına rastlamamıştır. Mevcut çalışmada ise
Peters (2012)’ın çalışmasında bulunmayan %60-69 indirim düzeyinde regresyon
katsayısındaki artışın neredeyse durduğu gözlemlenmiştir. Dolayısıyla, %60-69
indirim düzeyinin bu süpermarketteki gıda dışı ürünler için bir doyum noktası
olabileceği düşünülmektedir.
Şekil 11.1 : Mevcut çalışmada farklı indirim düzeyleri için B-katsayısı.
67
Şekil 11.2 : Farklı indirim düzeyleri için B-katsayısı (Peters, 2012).
11.3.2 Normal fiyat
Yüksek fiyata sahip bir üründe yapılacak belli bir yüzdedeki indirim, düşük fiyatlı bir
üründe yapılacak aynı oranlı indirime göre müşterinin para birimi cinsinden daha
fazla tasarruf etmesini sağlar. Bu varsayımdan hareketle, ürünün normal fiyatının
yüksek olmasının yükseltme faktörüne olumlu bir etkide bulunacağı beklenmiş,
ancak yapılan regresyon analizlerinde normal fiyat anlamlı bir bağımsız değişken
olarak bulunamamıştır. Peters (2012) da, aynı beklentiye rağmen normal fiyat ve
yükseltme faktörü arasında negatif yönlü bir ilişki bulmuştur. Bu durumun,
süpermarkette bulunan hızlı tüketim ürünlerinin genellikle düşük ve görece homojen
fiyat seviyesindeki ürünler olmasından kaynaklandığı düşünülmektedir.
11.3.3 Önceki yükseltme faktörü
Perakende sektöründe yaygın olarak, bir ürünün promosyon dönemindeki talebi
tahmin edilirken aynı ürünün önceki promosyondaki performansına bakılmaktadır.
Yapılan analizlerin sonucunda, ürünün önceki promosyondaki yükseltme faktörünü
temsil etmesi için kullanılan “LN (Önceki YF)” değişkeninin standartlaştırılmış
regresyon katsayısına bakıldığında indirim yüzdesinden sonraki en önemli bağımsız
değişken olduğu görülmektedir. Önceki YF, bağımlı değişken ile pozitif yönlü güçlü
bir ilişkiye sahiptir. Başka bir deyişle, bir ürünün önceki promosyonundaki
68
yükseltme faktörü ne kadar yüksekse, tahmin edilen promosyon döneminde de
yükseltme faktörünün o kadar yüksek olması muhtemeldir. Yine de önceki
promosyondaki YF düşük olduğunda mevcut promosyondaki YF yüksek ya da tersi
olabilir. Bu durum, mevcut YF’nin sadece önceki YF’den değil, başka pek çok
değişkenden etkileniyor olmasının bir sonucudur.
11.3.4 Taban satış
Cooper ve diğ. (1999) yavaş hareket eden ürünlerin hızlı hareket eden ürünlere göre
promosyonlardan daha az etkilendiğini iddia etmişlerdir. Peters (2012) ise bu
durumun Cooper’ın çalışmasında yükseltme faktöründeki artış yerine mutlak satış
miktarındaki artışı incelemiş olabileceğinden kaynaklandığını düşünmektedir ve
yaptığı analizlerde taban satışın yüksek olmasının yükseltme faktörünü olumsuz
yönde etkilediğini göstermiştir. Bu çalışma da Peters (2012) ile paralel bir görüşü
benimsemiş ve yapılan regresyon analizlerinde taban satış ile yükseltme faktörü
arasında negatif yönlü bir ilişki bulunmuştur. Bu durum, promosyonsuz zamanlarda
satış miktarı zaten yüksek olan ürünlerin, promosyon sırasında etkileyebileceği
müşteri sayısının düşük satışlı ürünlere göre daha az olması ile açıklanabilir.
11.3.5 Aynı ürün grubunda promosyondaki ürün sayısı
Bir ürün grubu içerisinde aynı anda promosyonda olan ne kadar fazla ürün varsa,
tüketiciler için o kadar fazla promosyon ürünü seçeneği var demektir. Tersi
düşünüldüğünde, örneğin bir STB kendi ürün grubu içerisindeki tek promosyon
ürünü ise, tüketicilerin çoğunlukla o ürüne yönelmeleri beklenir. Yapılan regresyon
analizlerinde de, beklenildiği gibi ürün grubundaki promosyonel ürün sayısının
yükseltme faktörünü olumsuz yönde etkilediği tespit edilmiştir. Bu bulgu, Van
Dinter (2011) ve Peters (2012)’in analizleri sonucu elde ettikleri bulgularla
paraleldir.
69
11.3.6 Promosyon süresi
Çalışmanın yürütüldüğü süpermarkette promosyonlar genellikle 2 hafta sürmesine
karşın, 3 hafta ya da 1 hafta süren promosyonlar da bulunmaktadır. Model-1’de
promosyon süresi 1,2 ve 3 değerlerini alabilen metrik bir değişken olarak regresyon
analizine eklenmiştir. Bu durumda promosyon süresi anlamlı ve regresyon katsayısı
negatif bir değişken olarak bulunmuştur. Model-2, Model-3 ve Model-4’te ise
promosyon süresi bir gölge değişken grubu olarak tanımlanmıştır. İki haftalık
promosyonlar referans kategori olarak belirlenmiştir. Bu durumda ise 3 hafta süren
promosyonların yükseltme faktörünü negatif yönde etkilediği görülmüş, 1 hafta
süren promosyonlara ait gölge değişken ise anlamlı bulunmamıştır. Bu bulgudan
hareketle, üç hafta süren promosyonların etkinliğinin 1 ve 2 hafta süren
promosyonlara göre daha düşük olduğu söylenebilir. Bu durum, iki potansiyel
gerekçe ile açıklanabilir. Birincisi, üç hafta süren bir promosyonda doğru miktarda
sipariş verme olasılığı daha düşüktür ve promosyon süresince stoksuz kalma olasılığı
daha fazladır. İkinci gerekçe ise mağazanın müşteri tabanının büyük çoğunluğunun
promosyonun ilk iki haftasında doyuma ulaşılmış olabileceğidir.
11.3.7 Önceki promosyon X insert önce
Promosyonlar arası süreyi yansıtan bu değişken iki farklı şekilde uygulanmıştır.
Model-1’de, önceki promosyonun kaç hafta önce olduğu bilgisi metrik bir değişken
olarak tanımlanmıştır. Model-1’in analiz edilmesi sonucunda bu değişkenin
promosyon talebini olumlu etkilediği görülmüştür. Başka bir ifadeyle, önceki
promosyonun uzak bir tarihte gerçekleşmiş olması, mevcut promosyona olan talebi
artırmaktadır. Ne var ki, bu değişkenin küçük değerlerinin bağımlı değişken
açısından daha kritik olduğu düşünülmektedir. Bu nedenle, diğer modellerde önceki
promosyonun 1,2,3 ve 4 insert önce olduğu durumlar dört ayrı gölge değişken ile
ifade edilmiştir. Bu analizlerin sonucunda ise “önceki promosyon 1 insert önce”
değişkeni en yüksek katsayı değerine sahiptir ve negatif yönlüdür. “Önceki
promosyon 2 insert önce” ve “önceki promosyon üç insert önce” değişkenleri de
yükseltme faktörünü negatif yönde etkilemektedir ancak katsayıları önceki
promosyonun 1 insert önce olduğu duruma göre daha düşüktür. Önceki promosyonun
4 insert önce olması ise regresyon analizinde anlamlı bir değişken olarak
bulunmamıştır. Özetle, promosyon talebi tahmin edilen ürün yakın bir zaman önce
70
promosyona girmiş olması, o ürünün mevcut promosyondaki yükseltme faktörünü
düşürmektedir.
11.3.8 Ürün kategorisi
Temizlik ürünleri referans kategori olarak seçilerek kalan dört ürün kategorisi de
regresyon analizine dahil edilmiştir. Model-1, Model-2 ve Model-3’te bu
kategorilerden sadece kozmetik ürünlerinin yükseltme faktörüne negatif bir etkisi
olduğu görülmüştür. Diğer ürün kategorilerinin yükseltme faktörüne anlamlı bir
etkisi gözlemlenmemiştir.
11.3.9 Tatiller
Ramazan Bayramı, Ramazan dönemi, Kurban Bayramı, Yılbaşı gibi bazı özel
dönemlerde alışveriş eğiliminin, dolayısıyla da perakendecilerdeki mağaza trafiğinin
arttığı bilinmektedir. Buna bağlı olarak bu dönemlerde yapılan promosyonların
yükseltme faktörüne pozitif etkisi olacağı düşünülmüştür. Regresyon analizi
sonucunda söz konusu özel dönemleri ifade eden gölge değişkenler anlamlı
bulunmamıştır. Öte yandan, yaz döneminde İstanbul’un nüfusunun azalmasına bağlı
olarak promosyon talebinin düşeceği beklenmiş, ancak regresyon analizinde yaz
dönemi için pozitif bir katsayı elde edilmiştir. Bu durum, iki olası nedenle
açıklanabilir. Bu nedenlerden birinin yaz döneminde taban satışların azalması,
diğerinin ise gerek kişisel bakım gerekse ev temizliği ile ilgili ürünlere yaz aylarında
daha fazla ihtiyaç duyulmasıdır.
11.4 Hipotezlerin Değerlendirilmesi
Bölüm 8.3’te öne sürülen hipotezler regresyon analizinin sonuçlarından yola çıkarak
değerlendirilmiştir. Regresyon modelleri tarafından desteklenen ve desteklenmeyen
hipotezler Çizelge 11.2’de özetlenmiştir.
71
Çizelge 11.2 : Hipotezlerin araştırma bulguları ile karşılaştırılması.
Hipotez
No
H1
H2
H3
H4
H5
Açıklama
Deneysel Bulgu
Yüzde indirim miktarı, yükseltme faktörünü pozitif
yönde etkiler.
Yüzde indirim miktarının bir eşik noktası vardır; bu
eşik değerinin altındaki indirimlerde tüketicilerin
promosyon ürünlerini satın alma eğilimi düşüktür.
Yüzde indirim miktarının bir doyma noktası vardır;
bu doyma noktasının üzerindeki indirimlerde
tüketicilerin promosyon ürünlerini satın alma eğilimi
durağanlaşır ya da azalır.
Ürünün normal fiyatı, yükseltme faktörünü pozitif
yönde etkiler.
Ürünün önceki promosyonundaki yükseltme faktörü,
mevcut promosyonun yükseltme faktörünü etkiler.
Desteklendi
Desteklenmedi
Desteklendi
Desteklenmedi
Desteklendi
Taban satış miktarı, yükseltme faktörünü negatif
yönde etkiler.
Aynı ürün grubundaki promosyonel ürün sayısı,
yükseltme faktörünü negatif yönde etkiler.
Desteklendi
H8
Promosyon süresinin normalden uzun
yükseltme faktörünü negatif yönde etkiler.
olması,
Desteklendi
H9
Promosyon süresinin normalden kısa
yükseltme faktörünü pozitif yönde etkiler.
olması,
Desteklenmedi
H10
Ürünün önceki promosyonundan sonra geçen sürenin
uzunluğu, mevcut promosyonun yükseltme faktörünü
pozitif yönde etkiler.
Kurban
Bayramı
döneminde
gerçekleşen
promosyonların, yükseltme faktörünü artırıcı etkisi
vardır.
Ramazan
Bayramı
döneminde
gerçekleşen
promosyonların, yükseltme faktörünü artırıcı etkisi
vardır.
Ramazan
ayı
döneminde
gerçekleşen
promosyonların, yükseltme faktörünü artırıcı etkisi
vardır.
Yılbaşı döneminde gerçekleşen promosyonların,
yükseltme faktörünü artırıcı etkisi vardır.
H6
H7
H11
H12
H13
H14
H15
Promosyonların yaz döneminde gerçekleşmesinin,
yükseltme faktörüne negatif yönde bir etkisi vardır.
72
Desteklendi
Desteklendi
Desteklenmedi
Desteklenmedi
Desteklenmedi
Desteklenmedi
Desteklenmedi
11.5 Model Sonuçlarının Kıyaslanması
Geliştirilen promosyon talep tahmini modeli, promosyon talep tahmini çalışmalarının
temelini oluşturan Cooper ve diğ. (1999)’nin PromoCast modelinin yanısıra, son
yıllarda Peters (2012), Van Dinter (2011) ve Van der Poel (2010) tarafından
gerçekleştirilen promosyonel talep tahmini araştırmaları ile karşılaştırılmıştır. Bu
karşılaştırmalarda mevcut çalışma Model-2 ile temsil edilmektedir. Yapılan
karşılaştırmanın özeti Çizelge 11.3’te verilmiştir.
Çizelge 11.3 : Mevcut çalışmanın önceki araştırmalarla karşılaştırılması.
Sürmeli
Peters
Van Dinter
Van der Poel
PromoCast
Yıl
2013
2012
2011
2010
1999
Firma
Perakendeci
Perakendeci
Perakendeci
Üretici
Perakendeci
Tahmin
Düzeyi
Mağaza
Tedarik
Zinciri
Tedarik
Zinciri
Tedarik
Zinciri
Mağaza
Gıda dışı
HTÜ
Çoklu
doğrusal
regresyon
Bozulabilir
gıda
Çoklu
doğrusal
regresyon
Uzun ömürlü
gıda
Çoklu
doğrusal
regresyon
Gıda ve gıda
dışı HTÜ
Çoklu
doğrusal
regresyon
Uzun ömürlü
gıda
Çoklu
doğrusal
regresyon
1009
2175
4129
1238
2500000
15
21
34
21
67
0.538
0.770
0.378
0.691
Veri yok
%33.68
%27.95
%37.2
%31.1
Veri yok
Ürün Tipi
Yöntem
Örneklem
büyüklüğü
Bağımsız
değişken
sayısı
Düzeltilmiş
R2
OMYH
(Doğrulama)
Çizelge 11.3 incelendiğinde, mevcut çalışmanın daha az gözlemden yararlanarak ve
daha az değişken ile diğer çalışmaların tahmin başarısına yakın bir performans
gösterdiği, hatta Van Dinter (2011)’in tahmin performansını geçtiği görülmektedir.
Kıyaslama yapılan modellerin tümünde, mevcut çalışmadan farklı olarak gıda
ürünleri incelenmektedir. Mevcut modelin daha az değişkene rağmen iyi bir
açıklayıcılığa sahip olması, gıda ürünlerinin gıda dışı ürünlere göre satış ve
promosyon davranışı bakımından daha dinamik bir yapıya sahip olmasıyla kısmen
açıklanabilir. Bu çalışmanın Peters (2012), Van Dinter (2011) ve Van der Poel
73
(2010)’in araştırmalarından bir diğer farkı da promosyon talep tahminlerinin mağaza
düzeyinde yapılmış olmasıdır. Söz konusu diğer araştırmalarda tahminler tedarik
zinciri düzeyinde, yani daha yüksek bir toplulaştırma düzeyinde gerçekleştirilmiştir.
Çalışma kapsamındaki süpermarket, promosyonların talebini kestirebilmek için
sistematik bir talep tahmini yapmamaktadır. Bu nedenle çalışmada kullanılan
modelin performansının şirketin tahmin performansı ile doğrudan kıyaslanması
mümkün değildir. Yine de kategori yönetimi sorumlusu, promosyona girecek bir
ürünün sipariş miktarını belirlerken, o ürünün bundan önceki en son promosyondaki
performansını göz önünde bulundurmaktadır. Bu noktadan hareketle, sadece önceki
promosyondaki yükseltme faktörünün mevcut promosyonun tahmin değeri olarak
kullanılması durumunda elde edilecek tahmin başarısı kıyaslama amacıyla
kullanılmıştır. Yargısal bir yaklaşım olarak kabul edilebilecek böyle bir durumda
doğrulama kümesindeki OMYH değeri %72.9 olarak bulunmuştur. Çalışmada
önerilen regresyon modeli ile bu hata oranı %33.7’ye düşürülmektedir.
74
12. GENEL DEĞERLENDİRME VE SONUÇ
Bu tez çalışmasında, promosyon talebini etkileyen faktörler incelenerek, gıda dışı
hızlı tüketim ürünlerinin promosyon dönemlerindeki talep artışını tahmin etmeyi
amaçlayan çoklu doğrusal regresyon modelleri geliştirilmiştir. Regresyon modelleri,
AAA Süpermarketleri’nin iş birliği ile geliştirilmiş olup, firmanın pilot olarak
belirlenen bir mağazasındaki satış ve pazarlama verileri kullanılarak test edilmiştir.
Firma yetkilileriyle yapılan ikili görüşmelerde, firmanın promosyon talebinin tahmin
edilmesi için planlanmış özel bir sürecinin olmadığı anlaşılmıştır. Promosyonların
sipariş ve envanter yönetimi, kayıt altına alınan sistematik talep tahmin değerleri
yerine, tamamen firmadaki uzman kişilerin sezgisel ve deneyimsel olarak aldıkları
kararlara dayanmaktadır. Firma tarafından kayıt altına alınan promosyon talep
tahmin değerleri olmadığı için, regresyon modelinden elde edilen tahmin
değerlerinin başarısını, firmanın tahmin performansı ile karşılaştırmak mümkün
olmamıştır. Bunun yerine, elde edilen sonuçların kıyaslanması için iki farklı yol
izlenmiştir.
Kullanılan kıyaslama yöntemlerinden ilki, elde edilen sonuçların geçmiş dönemde
yapılan benzer araştırmaların sonuçları ile karşılaştırılmasıdır. Önceki çalışmalarla
karşılaştırıldığında, geliştirilen model hem daha az promosyon gözlemi hem de daha
az değişken kullanarak diğer modellerin sonuçlarına yakın bir performans
göstermiştir. Ne var ki, kıyaslanan çalışmaların farklı ülkelerde ve farklı ürünler
üzerinde
uygulanmış
olması,
bu
kıyaslama
yönteminin
doğruluğunu
sorgulatmaktadır.
Diğer bir kıyaslama yöntemi olarak da ürünün önceki promosyonundaki yükseltme
faktörünün mevcut promosyon için tahmin değeri olarak kullanıldığı alternatif bir
senaryo
belirlenmiştir.
Böyle
bir
senaryonun
belirlenmesinde,
perakende
sektöründeki yaygın yargısal tahmin yaklaşımlarından birinin önceki promosyona
bakmak olması önemli rol oynamıştır. Yapılan karşılaştırmada geliştirilen modelin
alternatif senaryodan çok daha iyi bir performans gösterdiği görülmüştür.
75
Herhangi
bir
kıyaslama
yapmadan,
firmanın
ihtiyaçları
açısından
değerlendirildiğinde ise yaklaşık %33 olarak bulunan regresyon modelinin hata
yüzdesinin yüksek olduğu söylenebilir. Firmanın etkin bir biçimde envanterini
yönetebilmesi, kayıp satışları ve envanter tutma maliyetlerini azaltabilmesi için
bundan daha isabetli bir promosyon talep tahmini performansına ihtiyacı vardır.
Bunun yolu da, geliştirilen modelin zayıf yönlerini tespit ederek, bu zayıflıkları
gidermekten geçmektedir.
Uygulanan regresyon modeli ile elde edilen tahminlerin hata yüzdesinin yüksek
olması iki temel gerekçe ile açıklanabilir. Bunlardan ilki, tahmin modelinde
promosyon talebinde etkili olduğu bilinen ve literatürde yer alan pek çok değişkenin
yer almamış olmasıdır. Teşhir yöntemi, promosyon mekanizması, tüketici profili,
marka özellikleri gibi bilgilerin firmadan edinilmesi çok zor olduğundan ya da
mümkün olmadığından bu bilgilerle ilgili değişkenler modele dahil edilememiştir.
Bunun yanında, tanıtım yöntemi (insert) ve mağaza özellikleri (tek mağaza) gibi
bilgiler de veri kümesindeki tüm promosyonlar için özdeş olduğundan, bu bilgilerle
ilgili değişkenlerin modele eklenmesine gerek kalmamıştır. Yüksek tahmin hatasının
ikinci gerekçesinin de firmanın incelenen mağazada, incelenen ürün için promosyon
sırasında stoksuz kaldığı durumlar olduğu düşünülmektedir. Stokların yeterli olduğu
durumlarda promosyon satışının promosyon talebine eşit olduğu söylenebilir ancak
stoksuz kalınan durumlarda promosyon ürününe olan talep aslında o ürünün
gerçekleşen satış miktarından daha fazladır. Böyle durumlarda da regresyon
modelinin promosyon satışını, promosyon talebi gibi algılaması ve buna göre
regresyon katsayılarını belirlemesinin hata yüzdesini artırdığı düşünülmektedir.
Benzer şekilde, promosyon olmayan dönemlerde stoksuz kalınması durumunda ise
taban satış gerçek talebi yansıtmamakta, bu da yükseltme faktörünün doğru olarak
hesaplanamamasına neden olmaktadır.
Literatürde promosyon süresinin promosyonun satış performansına etkisiyle ilgili
pek fazla deneysel çalışma bulunmamaktadır. Bu çalışmada, normalden uzun süren
promosyonların,
ortalama
promosyon
satış
performansını
düşürdüğü
gözlemlenmiştir.
Bu çalışmadaki regresyon modellerden birinde yüzde indirim miktarı yedi farklı
dilime ayrılarak nominal bir değişken grubu olarak tanımlanmıştır. Bu şekilde, farklı
indirim dilimlerinin regresyon katsayılarına bakılmak suretiyle yüzde indirim miktarı
76
için potansiyel eşik ve doyma noktaları tespit edilmek istenmiştir. Elde edilen
katsayılar; Gupta ve Cooper (1992) ile van Heerde ve diğ. (2002) tarafından öne
sürülen
yüzde
indirim
miktarının
bir
eşik
değeri
olduğu
iddiasını
desteklememektedir. Eşik değeri açısından elde edilen katsayılar, Peters (2012)’ın
bulgularıyla da çelişmektedir. Bu karşılaştırma sonucunda, gıda dışı hızlı tüketim
ürünlerinin saklanabilir olma özelliğinden dolayı en küçük fiyat indiriminde bile
satışlarının kuvvetli biçimde arttığı çıkarımı yapılmıştır. Ayrıca, %60 indirim
düzeyinden sonra regresyon katsayısının durağan hale geldiği tespit edilmiştir. Bu
durağanlık, Gupta ve Cooper (1992) ile Van Heerde ve diğ. (2002) tarafından iddia
edilen doyum noktasının varlığını desteklemekle birlikte, bu seviyenin söz konusu
çalışmalarda bulunan seviyelerden daha yüksek olduğunu öne sürmektedir. Öte
yandan, bu durum tüketici kaynaklı bir doyumdan ileri gelebileceği gibi, firmanın
çok yüksek seviyede indirim yapılan promosyon ürünlerine olan talebi tam olarak
karşılayamamasından da kaynaklanabilir. Mağazalarda yeterli miktarda stok
tutulmasına rağmen bu durumla karşılaşılıyorsa, süpermarketin incelenen kategoriler
için %60 ve üzerindeki oranlarda indirim yapmasının çok faydalı olmadığı sonucu
çıkarılabilir.
Elde edilen regresyon denklemi sadece belirlenen ürün kapsamına, mağazaya ve
firmaya özgü bir denklemdir. Bu nedenle elde edilen denklemin olduğu gibi farklı
ürün grupları, farklı mağazalar ya da farklı firmalar için genelleştirilmesi anlamlı
olmayacaktır. Buna karşın, uygulanan tahmin yöntemi; farklı süpermarket, mağaza
ya da farklı ürün grupları tarafından eldeki değişkenlerin yeniden gözden geçirilmesi
ve modelin uygulanan vakaya uyarlanması halinde kullanılabilir. Öte yandan,
firmanın oluşturulan bu modelin çıktılarına olduğu gibi bağlı kalmaması, şirketteki
uzmanların sezgilerini ve modelde yer almayan diğer bilgileri kullanarak
gerektiğinde elde edilen tahmin değerleri üzerinde düzeltmeler yapmaları
önerilmektedir
77
78
KAYNAKLAR
Abraham, M. M., & Lodish, L. M. (1987). Promoter: An automated promotion
evaluation system. Marketing Science, 6(2), 101-123
Ailawadi, K.L., Harlam, B.A., César, J., Trounce, D. (2006). Promotion
Profitability for a Retailer: The Role of Promotion, Brand, Category,
and Store Characteristics. Journal of Marketing Research, Vol. 43,
No. 11, pg. 518-535.
Ali, Ö. G., Sayın, S., van Woensel, T., & Fransoo, J. (2009). SKU demand
forecasting in the presence of promotions. Expert Systems with
Applications, 36(10), 12340-12348
Bell, D. R., Chiang, J., & Padmanabhan, V. (1999). The decomposition of
promotional response: An empirical generalization. Marketing
Science, 18(4), 504-526.
Blattberg, R.C. and Neslin, S.A. (1990). Sales Promotion, Prentice Hall, New
Jersey.
Blattberg, R. C., Briesch, R., & Fox, E. J. (1995). How promotions work.
Marketing Science, 14(3 supplement), G122-G132.
Bolton, R. N. (1989). The relationship between market characteristics and
promotional price elasticities. Marketing Science, 8(2), 153-169
Box, G. E., Jenkins, G. M., & Reinsel, G. C. (2011). Time series analysis:
forecasting and control (Vol. 734). Wiley.
Bunn, D., Wright, G. (1991). Interaction of judgemental and statistical forecasting
methods: issues & analysis. Management Science, 37(5), 501-518.
Bunn, D. W., & Vassilopoulos, A. I. (1999). Comparison of seasonal estimation
methods in multi-item short-term forecasting. International Journal of
Forecasting, 15(4), 431-443.
Chatfield, C. (2004). The analysis of time series, an introduction. Third edition.
Chapman & Hall, London.
Chen, S. F. S., Monroe, K. B., & Lou, Y. C. (1998). The effects of framing price
promotion messages on consumers' perceptions and purchase
intentions. Journal of Retailing, 74(3), 353-372.
Christen, M., Gupta, S., Porter, J. C., Staelin, R., & Wittink, D. R. (1997). Using
market-level data to understand promotion effects in a nonlinear
model. Journal of Marketing Research, 322-334.
Cooper, L.G., Baron, P., Levy, W., Swisher, M., & Gogos, P. (1999). Promocast:
A new forecasting method for promotional planning. Marketing
Science, 18(3), 301-316.
79
Dinter, W.W.A. van (2011). Promotion process in Grocery Supply Chains at Sligro
Food Group N.V. Master Thesis.
Divakar, S., Ratchford, B.T., Shankar, V. (2005). CHAN4CAST: A Multichannel,
Multiregion Sales Forecasting Model and Decision Support System
for Consumer Packaged Goods. Marketing Science, Vol. 24, No. 3,
pg. 334-350.
Donselaar, K. van, Woensel, T. van, Broekmeulen, R., & Fransoo, J. (2004),
Improvement opportunities in retail logistics, in: Doukidis, G.J. &
Vrecholopoulos, A.P. (Eds.), Consumer driven electronic
transformation: apply new technologies to enthuse consumers, Berlin,
Springer.
Euromonitor International. (2012). Grocery Retailers in Turkey. Industry Report.
Fader, P. S., & Lodish, L. M. (1990). A cross-category analysis of category
structure and promotional activity for grocery products. The Journal
of Marketing, 52-65
Field, A. (2005). Discovering statistics using SPSS. Third edition. SAGE
Publications. London.
Foekens, E. W., SH Leeflang, P., & Wittink, D. R. (1999). Varying parameter
models to accommodate dynamic promotion effects. Journal of
Econometrics, 89(1), 249-268.
Gujarati, D. (1995), Basic Econometrics, (3rd ed.), McGraw-Hill, New York
Gupta, S., & Cooper, L. G. (1992). The discounting of discounts and promotion
thresholds. Journal of consumer research, 401-411
Hair, J.F., Black, W.C., Babin B., Anderson, R., & Tatham, R. (2006).
Multivariate Data Analysis, (6th ed.). Upper Saddle River, NJ:
Prentice Hall
Heerde, H.J. van, Leeflang, P.S.H., & Wittink, D.R. (2002). How promotions
work: SCAN*PRO based evolutionary model building, Schmalenbach
Business Review, Vol. 54, No. 3, pg. 198 – 220
Heuvel, F.P. van den (2009). Action products at Jan Linders Supermarkets. Master
Thesis.
Kotler, P., & Armstrong, G. (2009). Principles of marketing. Pearson Education.
Leeflang, P. S., & Wittink, D. R. (1996). Competitive reaction versus consumer
response: Do managers overreact?. International Journal of Research
in Marketing, 13(2), 103-119
Makridakis, S., Hibon, M., & Moser, C. (1979). Accuracy of forecasting: An
empirical investigation. Journal of the Royal Statistical Society. Series
A (General), 97-145
Makridakis, S. (1988). Metaforecasting: Ways of Improving Forecasting Accuracy
and Usefulness. International Journal of Forecasting, Vol. 4, No. 3,
pg. 467-491.
Narasimhan, C., Neslin, S. A., & Sen, S. K. (1996). Promotional elasticities and
category characteristics. The Journal of Marketing, 17-30
80
Peters, J. (2012). Improving the promotional forecasting accuracy for perishable
items at Sligro Food Group BV. Master Thesis
Poel, M.J. Van der (2010). Improving the promotion forecasting at Unilever,
Netherlands. Master Thesis.
Raju, J. S. (1992). The effect of price promotions on variability in product category
sales. Marketing Science, 11(3), 207-220
Rekabet Kurumu. (2012). Türkiye HTM Perakendeciliği Sektör İncelemesi Nihai
Rapor. Ankara
Schrijver, B.G.F. (2009). Forecasting for promotion items at Metro Cash & Carry
Netherlands. Master Thesis.
Silva-Risso, J. M., Bucklin, R. E., & Morrison, D. G. (1999). A decision support
system for planning manufacturers' sales promotion calendars.
Marketing Science, 18(3), 274-300
Silver, E. A., Pyke, D. F., & Peterson, R. (1998). Inventory management and
production planning and scheduling (3rd edition). New York: Wiley
Srinivasan, S. S., & Anderson, R. E. (1998). Concepts and strategy guidelines for
designing value enhancing sales promotions. Journal of Product &
Brand Management, 7(5), 410-420
Taylor, J. C., & Fawcett, S. E. (2001). Retail on‐shelf performance of advertised
items: An assessment of supply chain effectiveness at the point of
purchase. Journal of Business Logistics, 22(1), 73-89
Wilson, J. H., and B. Keating. (2002). Business Forecasting with Accompanying
ExcelBased Forecast XTM Software. Boston: McGraw-Hill
Wittink, D.R., Addona, M.J., Hawkes, W.J., Porter, J.C. (1988). SCAN*PRO:
The estimation, validation and use of promotional effects based on
scanner data. Internal paper, Cornell University.
81
82
EKLER
EK A: Pareto analizi ile hızlı ve yavaş hareket eden ürünlerin ayrıştırılması
EK B: LN dönüşümlerine ait histogramlar
EK C: Standartlaştırılmış artık değerler histogramı ve P-P çizimi (Model-2 için)
EK D: Bağımlı değişken LN(YF)’nin standardize kestirim değerleri ile standardize
artık değerlerinin serpme çizimi (Model-2 için)
EK E: Kısmi regresyon çizimleri (Model-1 için)
EK F: Regresyon katsayıları (Model-1, Model-2, Model-3, Model-4)
83
EK A
84
EK B
85
86
87
EK C
88
EK D
89
EK E
90
91
EK F
Standardized
Unstandardized Coefficients
Model-1
8
B
Std. Error
Coefficients
Beta
t
Sig.
(Constant)
1,387
,126
10,980
,000
Yüzde İndirim
2,122
,112
,516 18,993
,000
LN (Önceki YF)
,337
,027
,324 12,420
,000
Önceki
,008
,001
,148
5,840
,000
-,015
,003
-,156
-5,243
,000
LN (Taban Satış)
-,143
,024
-,164
-6,009
,000
Promosyon Süresi
-,145
,037
-,100
-3,968
,000
,100
,034
,076
2,930
,003
-,092
,037
-,075
-2,491
,013
Promosyon X
Insert Önce
Aynı Ürün
Grubundaki
Promosyonel
Ürün Sayısı
(Hafta)
Yaz Dönemi
Kozmetik
92
Standardized
Unstandardized Coefficients
Model-2
15
B
(Constant)
Std. Error
1,156
,111
LN (Önceki YF)
,371
,027
50-59 % İndirim
1,251
60-69 % İndirim
Önceki Promosyon 1
Coefficients
Beta
t
Sig.
10,405
,000
,357
13,901
,000
,086
,501
14,604
,000
1,263
,091
,489
13,888
,000
-,312
,036
-,227
-8,696
,000
30-39 % İndirim
,770
,067
,563
11,497
,000
40-49 % İndirim
,846
,073
,460
11,533
,000
20-29 % İndirim
,554
,064
,452
8,679
,000
-,016
,003
-,165
-5,495
,000
,363
,067
,243
5,413
,000
LN (Taban Satış)
-,127
,024
-,145
-5,348
,000
3 Hafta Promosyon
-,131
,037
-,090
-3,513
,000
Kozmetik
-,106
,037
-,085
-2,852
,004
,090
,034
,068
2,617
,009
-,238
,090
-,065
-2,653
,008
-,119
,059
-,051
-2,007
,045
Insert Önce
Aynı Ürün Grubundaki
Promosyonel Ürün
Sayısı
10-19 % İndirim
Yaz Dönemi
Önceki Promosyon 3
Insert Önce
Önceki Promosyon 2
Insert Önce
93
Standardized
Unstandardized Coefficients
Model-3
8
B
Std. Error
(Constant)
1,143
,157
Yüzde İndirim
1,804
,169
,395
3 Hafta Promosyon
Önceki Promosyon 1 Insert
Coefficients
Beta
t
Sig.
7,267
,000
,449
10,690
,000
,042
,383
9,480
,000
-,160
,062
-,108
-2,565
,011
-,301
,067
-,193
-4,460
,000
-,015
,003
-,188
-4,286
,000
,205
,055
,156
3,740
,000
LN (Taban Satış)
-,112
,044
-,105
-2,547
,011
Kozmetik
-,101
,047
-,084
-2,144
,033
LN (Önceki YF)
Önce
Aynı Ürün Grubundaki
Promosyonel Ürün Sayısı
Yaz Dönemi
Standardized
Unstandardized Coefficients
Model-4
7
B
Std. Error
(Constant)
1,248
,125
Yüzde İndirim
2,349
,152
,324
Coefficients
Beta
t
Sig.
9,966
,000
,530
15,492
,000
,036
,314
9,032
,000
-,316
,043
-,246
-7,352
,000
LN (Taban Satış)
-,134
,029
-,151
-4,602
,000
Aynı Ürün Grubundaki
-,020
,005
-,125
-3,760
,000
-,240
,102
-,077
-2,366
,018
-,184
,078
-,078
-2,361
,019
LN (Önceki YF)
Önceki Promosyon 1 Insert
Önce
Promosyonel Ürün Sayısı
Önceki Promosyon 3 Insert
Önce
Önceki Promosyon 2 Insert
Önce
94
ÖZGEÇMİŞ
Ad Soyad: Gökhan SÜRMELİ
Doğum Yeri ve Tarihi: Üsküdar, 03.04.1988
E-Posta: [email protected]
Lisans: Doğuş Üniversitesi Endüstri Mühendisliği
Mesleki Deneyim:
Aralık 2010 – (…) Araştırma Görevlisi, İTÜ İşletme Mühendisliği Bölümü
TEZDEN TÜRETİLEN YAYINLAR/SUNUMLAR
 Sürmeli G., 2013: Searching for Discount Threshold and Saturation Levels During
Promotions at a Supermarket Chain. International Symposium on Business and
Social Sciences, March 15-17, 2013 Tokyo, Japan.
95