Optimizing retail decision-making with retrieval-augmented generation and chain of thought frameworks
Almayla artırılmış üreti̇m ve düşünce zi̇nci̇ri̇ çerçeveleri̇yle perakende karar verme süreçleri̇ni̇n opti̇mi̇ze edi̇lmesi̇
- Tez No: 986568
- Danışmanlar: PROF. DR. SADETTİN EMRE ALPTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
- Anahtar Kelimeler: Bilgisayar destekli karar verme, Süreç optimizasyonu, Computer aided decision making, Process optimization
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Perakende operasyonları, doğası gereği, stok yenileme optimizasyonunda içgörü sağlayabilecek büyük miktarda ham veri üretmektedir. Bu çalışma, Almayla Artırılmış Üretim (RAG) ve Düşünce Zinciri (CoT) akıl yürütmesini Büyük Dil Modelleri (LLM) ile birleştirerek stok yenileme süreçlerini iyileştirmeyi amaçlayan bir çerçeve sunmaktadır. Önerilen yaklaşım; veri temizleme, özellik mühendisliği, aykırı değer tespiti, korelasyon analizi, boyutsallık indirgeme, kümeleme, gömülü tabanlı ürün açıklama analizi ve zaman serisi analizi gibi çok sayıda analitik alt görevi düzenli bir şekilde kurgulamaktadır. Her adımda yapılandırılmış içgörüler üretilmekte ve bu çıktılar CoT yöntemiyle ardışık biçimde birbirine bağlanmaktadır. RAG çerçevesi, bu içgörüleri bağlamsal girdi olarak kullanarak LLM'nin bilgileri sentezlemesini ve yorumlanabilir, veri odaklı öneriler üretmesini sağlar. Bu süreç, iş dünyasında farklı alanlardaki uzmanların bir proje kapsamında bir araya gelerek, kendi bakış açılarıyla yöneticiye bilgiler sağlamasını ve nihai karar verilmeden önce tüm bilgilerin yönetici tarafından değerlendirilerek sentezlenmesini örnek alır. Benzer şekilde, bu çalışmada süpervizör rolü LLM'e, uzmanlar RAG modellerine ve kara tahta ise CoT yapısına karşılık gelmektedir. Son kararı alma adımı, önceliklendirilen ürünler için talep tahmini oluşturarak, LLM rehberliğinde en uygun stok yenileme stratejilerinin belirlenmesini amaçlar. Bu çerçeve, gerçek verilerden yararlanarak perakende analitiği için ölçeklenebilir bir çözüm sunmakta ve geleneksel stok tahminleme yaklaşımlarındaki bağımsız analizler ile yorumlanabilirlik eksikliği gibi yaygın eksiklikleri aşmayı hedeflemektedir. Yapılandırılmış veri analizi ile üretken yapay zekâ akıl yürütmesini birleştiren bu çalışma, RAG ve CoT yöntemlerinin birlikte kullanılmasıyla uyarlanabilir ve açıklanabilir perakende karar sistemleri oluşturulabileceğini göstermektedir.
Özet (Çeviri)
Retail operations create vast amounts of raw data that could give many insights about the work for further restocking optimization. This paper presents a framework that combines Retrieval-Augmented Generation (RAG) and Chain of Thought (CoT) reasoning with Large Language Models (LLMs) to enhance restocking optimization. The proposed approach orchestrates multiple analytical sub-tasks, including data cleaning, feature engineering, outlier detection, correlation analysis, dimensionality reduction, clustering, embedding-based product description analysis, and time-series analysis. Each step generates structured insights, which are sequentially connected using the CoT methodology. The RAG framework leverages these insights as contextual inputs, allowing the LLM to synthesize information and produce interpretable, data-driven recommendations. This process mimics a real-world approach, where specialists from divergent disciplines feed the supervisor from their perspective, and before concluding the process with a final decision, all related information is considered by the supervisor. Similarly, here the supervisor is the LLM, specialists are insight generator RAG models, and the blackboard is the CoT approach. The final decision-making step creates demand forecasting for the prioritized products to optimize restocking strategies guided by the LLM, aiming to offer detailed recommendations for high-priority products. This framework provides a scalable solution for retail analytics with the help of real-world data and addresses common limitations in conventional inventory forecasting, such as isolated analysis and the lack of interpretability. By bridging structured data analysis with generative AI reasoning, this thesis demonstrates the significant potential of combining RAG and CoT methodologies for adaptive and explainable retail decision-making frameworks.
Benzer Tezler
- Evaluation of digital technologies for retail analytics with an integrated spherical fuzzy ahp based qfd approach
Entegre küresel bulanık ahp tabanlı qfd yaklaşımı ile perakende analitiği için dijital teknolojilerin değerlendirilmesi
RIDVAN TAYLAN
- Veri zarflama analizi ile perakende mağazacılık sektöründe satış noktalarına ilişkin verimlilik etkinlik ölçümü ve uygulama
Efficiency measurement and implementation of sales points in retail shopping sector with data envelopment analysis
BERK EKİCİ
- A conceptual model for image recognition based progress monitoring: retail construction and finishing works
Görüntü tanıma tabanlı ilerleme takibi için kavramsal bir model: perakende inşaat ve ince yapı işleri
SALİH KAAN MAZLUM
- Perakende sektöründe talep tahminleme ile mağazalardaki bulunurluğun ölçümlenmesi
Demand forecasting in the retail sector and measurement of product availability in stores
CANSU TAHAOĞLU
- Fiyat ve envanter transferi kararlarının bütünleşik optimizasyonu için yönlendirici bir analitik yaklaşım ve perakende sektöründe uygulaması
A prescriptive analytics approach for the joint optimization of price and inventory transfer decisions and its application in the retail sector
MEHMET MUSTAFA ÖZALP
