Sell-out geçmiş raporu değil, ticari alarm sistemidir

Her FMCG şirketinde ayrı bir RGM veya trade marketing analytics ekibi yok. Özellikle orta ölçekli şirketlerde ticari ekip bir yandan müşteriyi, promosyonu ve günlük operasyonu yönetirken bir yandan da sell-out verisini anlamlandırmaya çalışıyor.

Böyle yapılarda sell-out verisi çoğu zaman aylık sonuç ortaya çıktıktan sonra açılıyor. Satış yavaşlamış oluyor, bir müşteri planın gerisine düşmüş oluyor ve ekip nedenini anlamaya çalışıyor.

Oysa aynı veri daha erken de işe yarayabilir. Mağaza-SKU seviyesindeki bir sapma tek başına raf boşluğu veya saha uygulama problemi olduğunu kanıtlamaz. Ama sonuç tamamen görünür olmadan önce nereye bakılması gerektiğini gösterebilir.

Kısa özet

• Sell-out, tüketicinin yaptığı gerçekleşmiş alışverişi gösterir. Avantajı, mağaza-SKU seviyesindeki değişimi aylık müşteri veya toplam şirket sonucundan daha erken görünür hale getirebilmesidir.
• NIQ’nun 2024’te yayımladığı bir vakada, bir bira üreticisi bulunurluk problemleriyle bağlantılı haftalık yaklaşık 400 bin dolarlık kayıp satış tespit etti. Problemin yoğunlaştığı noktalar belirlendikten ve perakendecilerle çalışıldıktan sonra haftalık kayıp satış %45 azaltıldı.
• 2025 tarihli hakemli bir araştırmada 1,6 milyondan fazla SKU’yu kapsayan veri incelendi. Mevcut stok, kısa vadeli talep tahmini ve yakın dönem satışları stockout tahmininde en etkili girdiler arasında yer aldı.
• Bunun için her SKU’yu gerçek zamanlı izlemek gerekmiyor. Aksiyon alınabilecek kadar erken görülen tek bir önemli sinyalle başlamak çoğu ekip için daha gerçekçi.

Sell-out nasıl erken bir ticari sinyale dönüşür?

Sell-in, üreticiden perakendeciye yapılan sevkiyatı gösterir. Stok oluşturma veya öne çekilmiş alımlar nedeniyle tüketici talebinden farklı hareket edebilir. Sell-out ise tüketicinin kasada yaptığı gerçek alışverişi gösterir.

Sell-out geleceği gösteren bir veri değildir. Satış gerçekleşmiştir. Avantajı, mağaza-SKU seviyesindeki bir değişimin aynı sorun müşteri toplamına veya ay sonu sonucuna yansımadan önce görülebilmesidir.

Basit bir örnek düşünelim. Bir mağazada belirli bir SKU hafta boyunca genellikle istikrarlı satıyor. Perşembe günü geldiğinde satış normal seviyesinin belirgin şekilde gerisinde. Bu durum rafta ürün olmadığını kanıtlamaz. Ama hafta kapanmadan önce ne olduğunu kontrol etmek için yeterli bir sinyaldir.

Sorun bulunurluk olabilir. Saha uygulamasında bir problem de olabilir. Ya da o bölgede talep gerçekten değişmiş olabilir. Sinyalin görevi teşhis koymak değil, ekibe nereye bakması gerektiğini göstermektir.

Veri mağaza seviyesinde geliyorsa aynı yaklaşım bölgesel boşlukları veya benzer mağazaların gerisinde kalan noktaları da gösterebilir. Değer, problemi toplam rakamın içinde kaybolmadan önce daraltabilmekten gelir.

Raf boşluğu, bu verinin tek kullanım alanı da değil. Veri şube düzeyinde geliyorsa bölgesel sorunlar, satış mix farklılıkları, bölgeler arası trend ayrışmaları ve şubeler arası benchmark’lar aynı veriden okunabilir. Ürün rafta var görünürken trend kötüleşiyorsa bu da saha uygulama kalitesi veya pazardaki bir aktivite gibi durumları haber verebilir. Sipariş sıklığı ve sepet içeriği zaman içinde daralan bir müşteri, olası bir müşteri kaybını (churn) aylar öncesinden gösterebilir. Satın alma davranışından churn tahmini üzerine geniş bir literatür var. 2024 tarihli bir inceleme, yalnızca 2015-2023 arasında bu konuda yayımlanmış 212 çalışma sayıyor (Manzoor vd., 2024).

Problemi daha erken görmek neyi değiştirir?

NIQ’nun 2024’te yayımladığı bir vaka iyi bir örnek veriyor. Bir bira üreticisi, bulunurluk problemleriyle bağlantılı haftalık yaklaşık 400 bin dolarlık kayıp satış tespit ediyor. Problemin hangi noktalarda yoğunlaştığı görüldükten ve perakendecilerle birlikte çalışıldıktan sonra haftalık kayıp satış %45 azalıyor.

Vakada bence daha önemli olan nokta rakamın büyüklüğü değil, problemin nerede yoğunlaştığının görülmesi. İlk iyileştirmeden sonra kalan kayıp satış fırsatının %75’i yalnızca dört ABD eyaletinde toplanıyor.

Ulusal veya müşteri toplamı bir problem olduğunu gösterebilir. Daha detaylı kırılım ise ekibin hâlâ nerede müdahale edebileceğini gösterir.

Bu vaka herkes için aynı performans sonucunu vaat eden bir benchmark olarak okunmamalı. Fırsatın büyüklüğü kategoriye, dağıtım modeline ve eldeki veriye göre değişir. Vakanın burada önemli olan tarafı, problemin aksiyon alınabilecek seviyede görünür hale gelmesidir.

Geçmiş raporu ile ticari alarm arasındaki fark ne?

Boyut	Geçmiş raporu olarak sell-out	Ticari alarm olarak sell-out
Amaç	Ne olduğunu açıklamak	Nerenin dikkat gerektirdiğini göstermek
Zamanlama	Sonuç görünür olduktan sonra bakılır	Aksiyon için zaman varken düzenli olarak gözden geçirilir
Çıktı	Tablo veya grafik	Kontrol gerektiren bir sinyal
Yorum	Gerçekleşmiş sonucu açıklar	İncelenmesi gereken bir sapmayı işaret eder
Kullanıcı davranışı	İnceler	Kontrol eder ve aksiyon gerekip gerekmediğine karar verir

İki tarafta da veri aynı olabilir. Değişen şey, anlamlı bir sapma görüldüğünde sonrasında ne yapıldığıdır.

Veriyi daha sık güncellemek tek başına değer yaratmaz. Hangi değişimin dikkat gerektirdiği belli değilse aynı veri yalnızca daha büyük bir rapora dönüşür.

Sell-out nasıl alarma çevrilir?

Önce erken görülmesinin ticari bir kararı değiştirebileceği tek bir sinyal seçilir.

Örneğin önemli bir mağaza-SKU kombinasyonunda normal satış seviyesinin ne olduğu belirlenir. Performans bu aralığın yeterince dışına çıktığında account veya saha ekibinin kontrol etmesi gereken bir durum oluşur.

İlk adım teşhis koymak değil, kontrol etmektir. Raf boşsa yapılacak iş bellidir. Ürün raftaysa ekip saha uygulamasına, siparişe veya yerel talebe bakar ve ondan sonra ne yapılacağına karar verir.

Kontrol sıklığı da işin yapısına göre belirlenir. Bir kategori için haftalık bakmak yeterli olabilir. Daha hızlı hareket eden bir üründe daha sık kontrol gerekebilir. Amaç her şeyi sürekli izlemek değildir.

Sistem, sinyal doğru kişiye hâlâ inceleme ve aksiyon için zaman varken ulaştığında çalışır.

Her düşüş alarm mı?

Hayır. Sell-out verisinde normal dalgalanmalar vardır. Haftanın günü, mevsimsellik ve raporlama gecikmeleri satışta gerçek bir ticari problem olmadan değişim yaratabilir.

Veri kalitesi de ayrıca hesaba katılmalı. Stok kaydı her zaman raf gerçeğini göstermeyebilir. Sistem ürünü stokta gösterirken raf boş olabilir. Geciken veri akışı da sağlıklı bir mağazayı zayıf gösterebilir.

Bu nedenle tek bir gözlemle sonuca gitmek doğru olmaz. Faydalı bir alarm, değişimi normal aralıkla karşılaştırır ve yanlış uyarı sayısını kontrol altında tutar.

Yakın dönem verisinin değeri güncel araştırmalarda da görülüyor. Liu, Kalaitzi, Wang ve Papanagnou’nun 2025 tarihli hakemli çalışması 1,6 milyondan fazla SKU’yu kapsayan bir veri setiyle stockout tahmini yapıyor. Mevcut stok, kısa vadeli talep tahmini ve yakın dönem satışları en etkili girdiler arasında. Araştırmada yakın dönem satış ve talep tahminlerinin altı ve dokuz aylık projeksiyonlardan daha güçlü tahmin gücü taşıdığı da görülüyor.

Bu çalışma doğrudan sell-out alarm sistemi üzerine değil, stockout tahmini üzerine. Buradaki bağlantı daha dar. Yakın dönem operasyonel veri, yalnızca uzun vadeli veya toplulaştırılmış sonuçlara bakıldığında kaybolabilecek önemli sinyaller taşıyabiliyor.

Sonuç

Sell-out’un faydalı olabilmesi için geleceği tahmin etmesi gerekmiyor.

Mağaza-SKU seviyesindeki bir sapma, aynı problem aylık sonuçta görünmeden önce ortaya çıkabilir. Şirket hangi değişimlerin kontrol edilmeye değer olduğunu önceden belirlediyse, ekip hâlâ müdahale alanı varken ne olduğunu inceleyebilir.

Birçok şirket için başlangıçta büyük bir analitik yatırım da gerekmiyor. Önce tek bir önemli sinyalin gerçekten işe yaradığını göstermek daha doğru bir başlangıç olabilir.

GDP bunu nasıl kurar?

Önce erken görülmesi halinde gerçekten bir aksiyonu değiştirecek ticari soruyu seçiyoruz. Özellikle ayrı bir RGM veya trade marketing analytics ekibi olmayan yapılarda uzun bir KPI listesi yerine tek bir güçlü kullanım alanıyla başlamak daha verimli olabilir.

Şirketin zaten aldığı veriyi kullanarak normal seviyeyi ve hangi sapmanın inceleme gerektirdiğini belirliyoruz. Sinyal, problemi kontrol edebilecek kişiye bağlanıyor.

İlk kullanım alanı çalıştıktan sonra yeni sinyaller veya otomasyon ekleniyor.

Bunu Commercial Intelligence çalışmalarımız kapsamında kuruyoruz. Sell-out’un promosyon etkisini ölçmedeki rolünü Promosyon artışı mı, marj erozyonu mu? yazısında ele alıyoruz.

Sık sorulan sorular

Sell-out nedir, sell-in’den farkı ne?

Sell-out, tüketicinin kasada gerçekten satın aldığı miktardır ve genellikle perakendeci POS veya scan verisinden gelir. Sell-in ise üreticiden perakendeciye yapılan sevkiyattır. Sell-in stok oluşturma veya öne çekilmiş alımlar nedeniyle tüketici talebinden farklı hareket edebilir. Sell-out tüketicide gerçekte neyin hareket ettiğini daha yakından gösterir.

Sell-out’u ticari alarm sistemine çevirmek ne demek?

Sonuç tamamen görünür olmadan önce hangi sapmaların kontrol edilmesi gerektiğini belirlemek demektir. Bu sapmalardan biri ortaya çıktığında ilgili kişi durumu inceler. Sinyal problemin ne olduğuna kendisi karar vermez. Ekibe nereye bakması gerektiğini söyler.

Sell-out düşüşü raf boşluğu olduğunu kanıtlar mı?

Hayır. Düşüş bulunurluktan, saha uygulamasından, yerel talepten veya normal dalgalanmadan kaynaklanabilir. Sell-out olası bir problemi işaretleyebilir, ancak nedeni ayrıca kontrol edilmelidir.

Her sell-out düşüşü bir sorun mu?

Hayır. Haftanın günü, mevsimsellik, raporlama gecikmeleri ve veri kalitesi normal gürültü yaratır. Faydalı bir alarm değişimi normal aralıkla karşılaştırır ve her küçük hareketi istisna olarak görmez.

Nereden başlanmalı?

Erken görülmesi gerçek bir aksiyona dönüşebilecek tek bir önemli sinyalle başlanmalı. Önce normal seviyenin ne olduğu belirlenir. Sonra hangi büyüklükteki sapmanın kontrol gerektirdiği ve kimin kontrol edeceği netleştirilir. İlk kullanım alanı çalıştıktan sonra sistem genişletilir.

---

Kaynaklar

Sektör vakası: NielsenIQ, “Conquering the retail shelf: New omnichannel strategies that win” (2024). NIQ’nun aktardığı bira üreticisi vakasında, bulunurluk problemleriyle bağlantılı haftalık yaklaşık 400 bin dolarlık kayıp satış tespit ediliyor. Problemin yoğunlaştığı noktalar belirlendikten ve perakendecilerle çalışıldıktan sonra haftalık kayıp satış %45 azaltılıyor. https://nielseniq.com/global/en/insights/analysis/2024/conquering-the-retail-shelf-new-omnichannel-strategies-that-win/

Akademik: Yang Liu, Dimitra Kalaitzi, Michael Wang ve Christos Papanagnou, “A Machine Learning Approach to Inventory Stockout Prediction,” Journal of Digital Economy, 2025. Araştırma 1,6 milyondan fazla SKU’yu kapsayan bir veri seti kullanıyor ve mevcut stok, kısa vadeli talep tahmini ile yakın dönem satışlarını stockout tahminindeki en etkili girdiler arasında gösteriyor. https://research.aston.ac.uk/en/publications/a-machine-learning-approach-to-inventory-stockout-prediction/

Akademik: Manzoor, Qureshi, Kidney ve Longo, “A Review on Machine Learning Methods for Customer Churn Prediction and Recommendations for Business Practitioners” (IEEE Access, 2024). 2015-2023 arasında yayımlanmış 212 churn tahmini çalışmasını kapsayan inceleme.

Tarihsel referans: Thomas Gruen ve Daniel Corsten, “Retail Out-of-Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses” (2002). Kategori yönetimi literatürünün temel referanslarından biri olarak kaynaklarda tutuluyor, ancak güncel OOS oranı veya güncel ticari etki için ana kanıt olarak kullanılmıyor.

Son gözden geçirme: Ağustos 2026.

---