Hızlı tüketim malları sektöründe öneri sistemleri
Recommendation systems in the fast-moving consumer goods sector
- Tez No: 983408
- Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Öneri sistemleri, seçeneklerin arttığı dijital çağda müşterilerin geçmiş deneyimlerine, şahsi özelliklerine ve tercihlerine dayanarak kişiselleştirilmiş listeler oluşturan ve müşterilere sunarak tüketim sürecini kolaylaştıran sistemlerdir. E-ticaret, sosyal medya, çevrimiçi eğitim gibi teknoloji bazlı sektörlerde en yaygın kullanımları mevcuttur. Hızlı tüketim malları sektörü (Fast - Moving Consumer Goods, FMCG) ise gıda, içecek, temizlik, kişisel bakım gibi ürünlerin üretim ve dağıtımını kapsayan; ürünlerin genellikle düşük fiyatlı ve yüksek hacimli olduğu bir sektördür. Bu nedenle stok devir hızı ve en çok talep görebilecek ürünleri bilmek önemlidir. Bu çalışma, hızlı tüketim malları sektöründe öneri sistemleri metotlarının uygulanabilirliğini ve başarısını değerlendirmek amacıyla gerçekleştirilmiştir. Müşteri, ürün ve etkileşim verileri kullanılarak popülarite bazlı (Pop@R), satış hızı bazlı (Fast@R), kullanıcı bazlı işbirlikçi filtreleme (UCF@R) gibi bazı klasik metotların yanında eXtreme gradient Boosting (XGBoost), Stokastik Gradyan İnişi (Stochastic Gradient Descent, SGD) gibi makine öğrenmesi ve Derin İşbirlikçi Filtreleme (Neural Collaborative Filtering, NCF) gibi derin öğrenme bazlı çeşitli öneri algoritmaları geliştirilmiş ve test edilmiştir. Test performansına göre, Light Factorization Machine (LightFM) modeli en düşük başarıyı göstermiştir. En yüksek başarı, işbirlikçi filtreleme yönteminin Derin İşbirlikçi Filtreleme ve eXtreme Gradient Boosting ile hibrit olarak geliştirilmesiyle elde edilmiştir. Bu çalışma, FMCG sektöründe öneri sistemleri geliştirirken hibrit yaklaşımların kullanılmasının önemini ortaya koymakta ve özellikle işbirlikçi filtreleme algoritmalarıyla birleştirilmiş makine öğrenmesi ve derin öğrenme modellerinin daha etkili sonuçlar ürettiğini göstermektedir. Elde edilen bulgular, sektördeki veriye dayalı karar alma süreçlerine katkı sağlayacak pratik çıkarımlar sunmaktadır.
Özet (Çeviri)
Recommendation systems are systems that create personalized lists based on customers' past experiences, personal characteristics and preferences in the digital age where options are increasing and facilitate the consumption process by presenting them to customers. They are most used in technology-based sectors such as e- commerce, social media and online education. The fast-moving consumer goods sector (FMCG) is a very broad sector that covers the production and distribution of products such as food, beverages, cleaning and personal care. The fact that products are generally low-priced and high-volume makes stock turnover important, so it is beneficial for customers to know the products that they can finish their stocks the fastest. This study explores how recommendation system methods apply to and succeed in the fast moving consumer goods sector. Using customer, product and interaction data, some classical methods such as popularity-based (Pop@R), sales speed-based (Fast@R), user-based collaborative filtering (UCF@R), as well as machine learning such as eXtreme gradient boosting (XGBoost), stochastic gradient descent (SGD), and deep learning-based recommendation algorithms such as Neural Collaborative Filtering (NCF) have been developed and tested. According to the test performance, while the Light Factorization Machine (LightFM) model showed the lowest performance, the models developed by the Collaborative Filtering method separately with Deep Collaborative Filtering and eXtreme Gradient Boosting as a hybrid provided the best performance. This study demonstrates the importance of using hybrid approaches when developing recommendation systems in the FMCG industry. The findings provide practical implications that will contribute to data-based decision- making processes in the sector.
Benzer Tezler
- Türkiye'de finansal kiralama ve kullanılan fon kaynaklarının verimliliği
Financial leasing in Turkey and productivity of found resources
BİLGE KÜÇÜKKÖSE
Yüksek Lisans
Türkçe
2000
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SUAT TEKER
- Türkiye dış ticaretinde kombine taşımacılık ve Türki Cumhuriyetleri analizi
Combine transport in Turkey foreign trade and Turki Republics analysis
TURGAY ÖZTÜRK
Yüksek Lisans
Türkçe
2010
Ulaşımİstanbul ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ ERDOĞMUŞ
- Pazarlamada satış sonrası servisin önemi ve dayanıklı tüketim mallarında bir uygulama
The Importance of post-sale service in marketing and an example of application in durable goods
HİCRAN ÖZGÜNER
- Hızlı tüketim malları sektöründe çalışan memnuniyeti
Employee satisfaction at fast moving consumer goods sector
ABDULLAH KEFLİOĞLU
- Electricity consumption forecasting with artifical neural network for fast-moving consumer goods sector
Hızlı tüketim sektörü için yapay sinir ağları ile elektrik tüketim talep tahmini
GÜLFEM YEŞİL
Yüksek Lisans
İngilizce
2019
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜR BERSAM BOLAT