Makine öğrenmesi yöntemleriyle taleptahminleme : Bir mobilya firması örneği
Demand forecasting with machine learning methods: A casestudy of a furniture company
- Tez No: 998056
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜLÇİN CANBULUT
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Nuh Naci Yazgan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mobilya sektöründe talep tahmini, üretim planlaması, stok yönetimi ve tedarik zinciri kararlarının sağlıklı biçimde yürütülmesi açısından önemli bir rol oynamaktadır. Talebin doğru öngörülmesi; işletmelerin kapasite kullanımını optimize etmesine, stok maliyetlerini kontrol altında tutmasına ve müşteri beklentilerine zamanında cevap verebilmesine katkı sağlar. Ancak mobilya talebi; tüketici tercihleri, ekonomik koşullar, mevsimsel hareketlilik, kampanya dönemleri ve beklenmedik gelişmeler gibi çok sayıda değişkenden etkilenmekte, bu da talep yapısında belirgin dalgalanmalara ve belirsizliklere yol açmaktadır. Özellikle yaz ayları, bayram dönemleri ve yıl sonu kampanyaları gibi zaman aralıklarında talep artışları görülürken, düşük sezonlarda satış hacimleri gerileyebilmektedir. Ekonomik dalgalanmalar veya olağan dışı koşullar ise talep davranışında ani değişimlere neden olabilmektedir. Bu tür oynak ve karmaşık yapılarda yalnızca geçmiş satış verilerinin belirli oranlarda artırılıp azaltılmasına dayalı basit projeksiyon yaklaşımları çoğu zaman yeterli doğruluğu sağlayamamaktadır. Bu nedenle zaman serisi yöntemleri ile makine öğrenmesi temelli modeller, talep davranışını daha gerçekçi ve çok boyutlu biçimde ele almak için giderek daha fazla kullanılmaktadır. Makine öğrenmesi teknikleri, geçmiş satış verileri ile birlikte dönemsel desenleri ve takvim etkilerini değerlendirerek talep yapısındaki karmaşık ilişkileri modelleyebilmekte ve belirsizlik altında karar verme süreçlerine daha güçlü bir analitik temel sunmaktadır. Bu yaklaşım, işletmelerin değişen pazar koşullarına uyum sağlamasında ve kaynaklarını daha etkin planlamasında önemli bir avantaj sağlamaktadır. Bu çalışmada, bir mobilya firmasına ait gerçek haftalık satış verileri kullanılarak talep tahmini problemi ele alınmıştır. Çalışmada klasik zaman serisi yöntemleri ile makine öğrenmesi ve derin öğrenme tabanlı modeller aynı veri yapısı üzerinde karşılaştırmalı olarak incelenmiştir. Modeller, farklı tahmin ufukları için geriye dönük test yaklaşımı kullanılarak değerlendirilmiş ve performansları çeşitli hata metrikleri üzerinden analiz edilmiştir. Ayrıca senaryo temelli değerlendirmelerle modellerin talep değişimlerine verdiği tepkiler incelenmiştir. Elde edilen bulgular, farklı yöntemlerin kısa ve orta vadeli tahmin ufuklarında farklı güçlü yönlere sahip olduğunu göstermekte; talep yapısına uygun model seçiminin operasyonel planlama açısından kritik olduğunu ortaya koymaktadır. Çalışma, mobilya sektöründe haftalık veri yapısına dayalı talep tahmini için karşılaştırmalı bir çerçeve sunarak hem akademik literatüre hem de uygulamaya yönelik katkılar sağlamayı amaçlamaktadır.
Özet (Çeviri)
Demand forecasting plays a central role in production planning, inventory control, and supply chain decision-making within the furniture industry. Reliable forecasts help firms utilize their production capacity more efficiently, manage inventory costs, and respond to customer needs in a timely manner. However, furniture demand is influenced by many factors, including consumer preferences, economic conditions, seasonal movements, promotional periods, and unexpected external events. These influences often create noticeable fluctuations and uncertainty in weekly sales patterns. Demand typically increases during specific periods such as summer months, holiday seasons, and year-end campaigns, while off-peak periods may show slower sales activity. Economic volatility or unusual circumstances can also trigger sudden shifts in purchasing behavior. In such dynamic environments, simple projection methods based solely on historical averages often fail to capture the real structure of demand. For this reason, time series techniques and machine learning approaches have become increasingly important tools for representing demand behavior in a more comprehensive way. Machine learning methods can model complex relationships by combining past sales data with calendar effects and recurring seasonal patterns. This capability provides decision-makers with a stronger analytical foundation, particularly when planning under uncertainty. As a result, data-driven forecasting has become a valuable component in helping firms adapt to changing market conditions and allocate resources more effectively. In this study, the demand forecasting problem is examined using real weekly sales data obtained from a furniture company. Classical time series models and machine learning-based approaches are evaluated within the same framework to compare their forecasting performance. A rolling backtesting design is used to assess models across different prediction horizons, and their accuracy is analyzed through multiple error metrics. Scenario-based evaluations are also conducted to observe how models respond to changes in demand patterns. The findings indicate that different methods exhibit distinct strengths depending on the forecasting horizon and the underlying demand structure. These results highlight the importance of selecting models that align with the characteristics of the data when supporting operational planning. By presenting a comparative framework built on weekly sales data, this study aims to contribute both to academic research and to practical decision-making in furniture demand forecasting.
Benzer Tezler
- Makine öğrenmesi ile paylaşımlı bisiklet talep tahmini
Shared bicycle demand forecasting with machine learning
RÜVEYDA ÜNER
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ CANBAY
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Yapay sinir ağları ve makine öğrenme yöntemleriyle V2G alt yapsına yönelik şebeke talep tahmin sistemi geliştirilmesi
Development of a grid demand forecasting system for an integrated V2G infrastructure using artificial neural networks and machine learning methods
RAMAZAN YEŞİLDALLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Nişantaşı ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET KILIÇ
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi
An applied analysis of predictive inventory planning with artificial intelligence-based approaches in the automotive industry
ÖZGE ALBAYRAK ÜNAL
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ERKAYMAN
DR. ÖĞR. ÜYESİ BİLAL USANMAZ