Yapay zekâ yöntemleri kullanılarak perakende satış sektöründe ürün talep tahmini
Artificial intelligence methods of using the sale of retail industry product demand forecast
- Tez No: 648683
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ACI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Perakende sektöründeki işletmelerin temel amacı müşteri talebinin zamanında ve minimum maliyetle karşılanabilmesidir. Bu nedenle perakende sektöründe etkin bir ürün talep tahminine ihtiyaç duyulur. Talep tahmini karar vericilerin başarılı olmalarında önemli bir rol oynamaktadır. Müşterilerin talep edeceği ürün adedinin doğru bilinememesi işletmenin olumsuz etkileneceği durumlar ile karşılaşmasına sebep olacaktır. Bu tez çalışmasında müşteri alışveriş hareketleri ve ürün satışını etkileyen faktörler analiz edilerek belirli kategorideki ürünlere talep âdeti tahmin edilmiştir. Elde edilen sonuçlar ürün siparişinin doğru sayıda verilmesinde, satış kampanyaları ve pazarlama stratejilerinde kullanılarak perakende satışın başarısını arttırabilecektir. Çalışmada Groseri Gıda ve İhtiyaç Maddeleri Tic. Ltd. Şti firmasından temin edilen 2017 – 2019 yılları arası internet alışverişi satış verilerinin yanı sıra Türkiye İstatistik Kurumu (TÜİK)'nun istatistik otomasyonundan temin edilen tüketici fiyatları endeksi (TÜFE) ve işsizlik oranı verileri de kullanılmıştır. Veri kümesi, ön işleme ve normalizasyon işlemleri sonrası rastgele seçim yapılarak eğitim ve test verisi olarak ayrılmıştır. Ürün talep tahmini için yapay zekâ yöntemlerinden Derin Öğrenme, Yapay Sinir Ağları (YSA), Gauss Süreç Regresyon (GSR), Regresyon Ağacı, Destek Vektör Regresyonu (SVM) ve Ağaç Toplulukları yöntemleri kullanılmış ve elde edilen sonuçlar karşılaştırılmıştır. Kullanılan veri kümesi ve yöntemler ile başarılı sonuçlar elde edilmiştir. Sonuçlar, korelasyon katsayısı (R), ortalama kare hata kökü (RMSE) ve ortalama mutlak hata (MAE) değerleri açısından karşılaştırılarak değerlendirilmiştir. Çalışmada kullanılan tüm yöntemler ürün talep tahmini için uygun olup yöntemler arasında en başarılı sonucun derin öğrenme metotlarından Uzun Kısa Vadeli Bellek (Long Short Term Memory) LSTM ağı ile elde edildiği gözlemlenmiştir.
Özet (Çeviri)
The main purpose of the companies in the retail sector is to meet customer demand on time and at minimum cost. Therefore, an effective product demand forecast is needed in the retail sector. Demand forecasting plays an important role in decision makers' success. If the number of products requested by the customers is not known correctly, it will cause the business to encounter situations that will be negatively affected. In this thesis, customer shopping movements and factors affecting product sales are analyzed, and the demand for certain categories of products is estimated. The results obtained will be able to increase the success of retail sales by using the correct number of product orders, sales campaigns and marketing strategies. In the study, Groseri Gıda ve İhtiyaç Maddeler Tic. Ltd. Şti. obtained from company in 2017 - 2019 sales data, Turkey Statistical Institute (TSI) 's statistics, consumer prices (CPI) obtained from automation index and unemployment rate data is also used. The data set is divided into training and test data by random selection after preprocessing and normalization. Deep Learning, Artificial Neural Networks (ANN), Gauss Process Regression (GSR), Regression Tree, Support Vector Machine (SVM) and Tree Communities methods were used for product demand estimation and the results were compared. Successful results were obtained with the data set and methods used. The results were evaluated by comparing the correlation coefficient (R) in terms of root mean square error (RMSE) and average absolute error (MAE) values. All methods used in the study are suitable for product demand estimation, and it has been observed that the most successful result among the methods is obtained through Deep Learning methods Long Short Term Memory (LSTM).
Benzer Tezler
- Enriching predictive models using graph embeddings
Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi
YAREN YILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Perakende hazır giyim endüstrisinde yapay zeka yöntemleri ile talep tahmini
Demand forecasting with artificial intelligence methods in retail apparel industry
İLKER GÜVEN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri MühendisliğiKarabük ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT ŞİMŞİR
DOÇ. DR. ÖZER UYGUN
- Makine öğrenmesi yöntemleri ile satış analizi uygulamaları
Sales analysis applications with machine learning methods
AHMET SELÇUK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiEskişehir Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE ÇİMEN
- Intelligent machine learning customer segmentation algorithm
Akıllı makine öğrenimi müşteri segmentasyonları algoritması
ALIA HAMED ALRAWI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. NAIM MAHMOOD MUSLEH AJLOUNI
- Overcoming payment behavior challenges: Classifying buy now pay later users with machine learning
Ödeme alışkanlığı zorluklarını aşmak: Makine öğrenimi ile şimdi al sonra öde kullanıcılarını sınıflandırma
ÖMÜR ÖZDOĞAN
Yüksek Lisans
İngilizce
2024
Bankacılıkİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN