Perakende sektöründe geçmiş verisi olmayan ürünlerin talep tahmini ve stok yönetimi için yapay zeka tabanlı bir yaklaşım
An artificial intelligence–based approach for demand forecasting and inventory management of products with no historical data in the retail sector
- Tez No: 1007183
- Danışmanlar: PROF. DR. MÜJGAN SAĞIR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yöneylem Araştırması Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Perakendecilik sektöründe ürün yaşam döngülerinin kısalması ve tüketici beklentilerinin hızla değişmesi, firmaları sürekli olarak yeni ürün lansmanı yapmaya zorlamaktadır. Ancak geçmiş satış verisi bulunmayan yeni ürünlerin (cold-start problemi) talep tahmini ve envanter yönetimi, yüksek belirsizlik içermeleri nedeniyle sektörün en karmaşık problemlerinden biridir. Bu tez çalışması, talep tahminlerindeki doğruluğu arttırarak söz konusu belirsizliği azaltmak ve operasyonel verimliliği enbüyüklemek amacıyla yapay zeka destekli bütünleşik bir karar destek sistemi önermektedir. Bu kapsamda geçmiş verisi olmayan ürünler için referans bir ürün ya da ürün kategorisi seçmek ve bu bilgi kullanılarak planlamaları gerçekleştirmek önerilmektedir. Bu amaçla geleneksel ve sübjektif bir referans ürün seçimi yerine veriye dayalı stokastik bir yaklaşım sunulmaktadır. İlk aşamada, ürün niteliklerinin satış performansı üzerindeki etkileri CatBoost algoritması ile ağırlıklandırılmış ve Gower benzerlik katsayısı kullanılarak yeni ürünler için en uygun referans ürünler tespit edilmiştir. İkinci aşamada, Leave-One-Feature-Out (LOFO) yöntemi ile optimize edilen değişken setleri kullanılarak makine öğrenmesi tabanlı talep tahminleri üretilmiştir. Son aşamada ise, bu tahminler girdi olarak alınarak mağaza bazlı envanter tahsisi problemini çözecek Karma Tam Sayılı Programlama (MIP) modelleri geliştirilmiştir. Önerilen yaklaşım, gerçek bir perakendecinin 2024 yılı verileri kullanılarak uygulanmış ve belirtilen problemler çözülmüştür. simüle edilmiştir. Elde edilen sonuçlar, gerek maliyet gerekse hizmet düzeyi hedefleri açısından mevcut duruma göre edildiğini göstermektedir. Mevcut duruma kıyasla ağırlıklandırılmış stok devir hızı 48,53 günden 32,94 güne indirilerek işletme sermayesi verimliliği artırılmış, aynı dönemde ürün bulunurluğu %6,76'dan %8,57'ye yükseltilerek yok satma riski enazlanmıştır.
Özet (Çeviri)
In the retail sector, the shortening of product life cycles and rapidly changing consumer expectations force companies to continuously launch new products. However, demand forecasting and inventory management for new products without historical sales data (the cold-start problem) are among the most complex challenges in the industry due to the high level of uncertainty involved. This thesis proposes an artificial intelligence–supported integrated decision support system to reduce this uncertainty by improving demand forecast accuracy and to maximize operational efficiency. Within this framework, selecting a reference product or product category for items without historical data and performing planning activities based on this information is proposed. Instead of traditional and subjective reference product selection, a data-driven stochastic approach is presented. In the first stage, the effects of product attributes on sales performance are weighted using the CatBoost algorithm, and the most suitable reference products for new items are identified using the Gower similarity coefficient. In the second stage, machine learning–based demand forecasts are generated using variable sets optimized through the Leave-One-Feature-Out (LOFO) method. In the final stage, Mixed Integer Programming (MIP) models are developed to solve the store-level inventory allocation problem by using these forecasts as inputs. The proposed approach is applied using a real retailer's 2024 data, and the specified problems are simulated and solved. The results demonstrate significant improvements over the current state in terms of both cost and service level objectives. Compared to the existing situation, the weighted inventory turnover period is reduced from 48.53 days to 32.94 days, increasing working capital efficiency, while product availability is increased from 6.76% to 8.57%, thereby minimizing the risk of stockouts.
Benzer Tezler
- Makine öğrenmesi ile hazır giyim perakende sektöründe satış tahmini
Sales forecasting in apparel retail industry with machine learning
SALİH CEYLAN
Yüksek Lisans
Türkçe
2024
MatematikYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK
- RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data
İş makinesi sektöründe müşteri işlem verilerini kullanarak RFMLP tabanlı müşteri segmentasyonu ve müşteri kayıp analizi
MUSTAFA ÇAMLICA
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ ÇALIŞIR
- Makine öğrenmesi ile teknoloji perakende sektöründe ek garanti satış modellemesi
Additional warranty sales modeling in technology retail industry with machine learning
SEDA ALACAN
Yüksek Lisans
Türkçe
2020
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ERSOY ÖZ
- Tüketici tercihlerinin yapay sinir ağları yöntemiyle tahmini: Perakende sektöründe bir uygulama
Prediction of consumer preferences by artificial neural networks method: An application in the retail sector
BAHAR ÇELİK
- Sanal alışverişte algılanan riskin tüm kanallı (omni-channel) perakendecilik modellerinde hizmet kalitesi, müşteri memnuniyeti ve sanal satın alma niyeti açısından incelenmesi
The examination of perceived risk of online shopping in omni-channel retailing types with regards to service quality, customer satisfaction and online purchase intention
ELİF TÜRK