E-ticaret sitelerinde kayıtlı ve misafir kullanıcıların günlük sipariş sayılarının zaman serisiyle tahmini
Time series forecasting of daily order counts for registered and guest users on e-commerce websites
- Tez No: 980151
- Danışmanlar: DOÇ. DR. KASIM ÖZACAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, e-ticaret platformlarındaki kullanıcı davranış kalıplarını analiz ederek satış tahminlerinin doğruluğunu artırmayı, müşteri deneyimini yükseltmeyi ve operasyonel süreçleri kolaylaştırmayı amaçlamaktadır. Kullanıcıların platformla etkileşim kurma şekli, satın alma olasılıkları hakkında anlamlı içgörüler sunar. Buna göre, etkileşim verilerine göre kayıtlı ve misafir kullanıcılar tarafından verilen günlük sipariş sayısını tahmin etmek için bir model geliştirilmiştir. Çalışma, 365 günlük kullanıcı davranışını kapsayan bir veri setini kullanır. Bu veri seti, günlük kayıtlı ve misafir kullanıcı sayıları, oturum açma oturumları, kayıt türleri (Google, Facebook, e-posta), toplam kullanıcı sayısı ve sipariş sayısı (kayıtlı ve misafir kullanıcılar olarak ayırt edilir) gibi değişkenleri içerir. Sipariş verilerinin kullanıcı türüne göre ayrılması, daha ayrıntılı modellemeye izin verdi ve kullanıcı segmentleri arasındaki davranışsal farklılıkların ortaya çıkarılmasına yardımcı oldu. Tahmin sürecinde, ARIMA (Autoregressive Integrated Moving Average) ve SARIMA (Seosonal Autoregressive Integrated Moving Average) gibi geleneksel zaman serisi modelleri, XGBoost (Extreme Gradient Boosting), LightGBM (Light gradient Boosting Machine) ve Random Forest gibi doğrusal olmayan ilişkileri modelleme yeteneğine sahip ağaç tabanlı makine öğrenimi algoritmalarıyla birlikte uygulandı. Sonuçlar, zaman serisi modellerinin karmaşık davranışsal kalıpları yakalamada sınırlı olduğunu, makine öğrenimi algoritmalarının ise sipariş tahmininde daha yüksek doğruluk elde ettiğini gösterdi. Bulgular, e-ticaret gibi dinamik ve hızlı gelişen alanlarda modern makine öğrenimi tekniklerinin geleneksel yaklaşımlardan daha iyi performans gösterdiğini vurgulamaktadır. Dahası, bu sonuçlar bu tür modellerin e-ticaret sektöründeki karar destek sistemlerine entegre olma potansiyelinin altını çizmektedir.
Özet (Çeviri)
This study aims to enhance the accuracy of sales forecasting, elevate customer experience, and streamline operational processes by analyzing user behavior patterns on e-commerce platforms. The way users interact with the platform offers meaningful insights into their likelihood of making a purchase. Accordingly, a model has been developed to forecast the daily number of orders placed by registered and guest users based on their interaction data. The study utilizes a dataset covering 365 days of user behavior. This dataset includes variables such as daily registered and guest user counts, login sessions, registration types (Google, Facebook, email), total user count, and the number of orders (distinguished by registered and guest users). Separating the order data based on user type allowed for more detailed modeling and helped reveal behavioral differences among user segments. In the forecasting process, traditional time series models such as ARIMA (Autoregressive Integrated Moving Average) and SARIMA (Seosonal Autoregressive Integrated Moving Average) were applied alongside tree-based machine learning algorithms capable of modeling nonlinear relationships, including XGBoost (Extreme Gradient Boosting), LightGBM (Light gradient Boosting Machine) and Random Forest. The results showed that time series models were limited in capturing complex behavioral patterns, whereas machine learning algorithms achieved higher accuracy in order forecasting. The findings highlight that in dynamic and fast-evolving domains such as e-commerce, modern machine learning techniques outperform traditional approaches. Furthermore, these results underscore the potential of such models for integration into decision support systems within the e-commerce sector.
Benzer Tezler
- Eturizm temelli dijital platform ve uygulamaların kullanımının değerlendirilmesi: Kırgızistan örneği
Туризм индустриясында колдонулган санарип платформаларды жана тиркемелерди талдоо: Кыргызстандын мисалында
SALİMA SEİTAKHUNOVA
Yüksek Lisans
Türkçe
2022
TurizmKırgızistan-Türkiye Manas ÜniversitesiTurizm İşletmeciliği ve Otelcilik Ana Bilim Dalı
DOÇ. DR. GÜNTEKİN ŞİMŞEK
- Elektronik açık arttırma (e - auction) sitelerinde müşteri profilinin ölçülmesi ve bir uygulama
Measurement of customer profile in electronic sold on auction sites and an application
MAYİDE ARIĞ
Yüksek Lisans
Türkçe
2015
İşletmeİstanbul Aydın Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. İLKAY KARADUMAN
- Tommaso Campanella ve Thomas More`un ütopyalarının karşılaştırılması
Comparing Thomas More and Tommaso Campanella`s utopias
MAHMUT AVCI
Yüksek Lisans
Türkçe
2006
FelsefeAtatürk ÜniversitesiFelsefe ve Din Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN ELMALI
- E-para kavramının akıllı kartlarla kullanımının incelenmesi ve bir uygulama
The Study of smart cards and e-money careepts: An apphication
EREN GÜZELOĞLU
Yüksek Lisans
Türkçe
2004
İşletmeAkdeniz Üniversitesiİşletme Ana Bilim Dalı
ÖĞR. GÖR. ASLIHAN ERSOY BOZCUK
- Алуу жана колдонуучулардынканааттануусун баалоо:бишкек шаарындаэмпирикалык изилдөө
E-devletin benimsenmesi ve kullanıcı memnuniyetinin değerlendirilmesi: Bişkek şehrinde ampirik bir araştırma
ACAR ŞARŞENKADIROVA
Yüksek Lisans
Kırgızca
2024
İşletmeKırgızistan-Türkiye Manas Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. AZAMAT MAKSÜDÜNOV