Machine Learning-Based Inventory Management: Data-Driven Decision Support Systems

Abstract

Inventory management in today’s retail sector plays a critical role not only in ensuring product availability but also in enhancing customer satisfaction and reducing operational costs. Rapidly changing consumer demands and increasing product variety make it challenging to make accurate decisions regarding stock levels and timing. Therefore, there is a growing need for data-driven and adaptive systems that go beyond traditional planning methods. This study proposes a machine learning-based model designed to forecast weekly store inventory levels. The model was trained on real sales and stock data, which were cleaned of missing and outlier values, and categorical variables were appropriately transformed for model compatibility. Ridge Regression and Random Forest algorithms were applied comparatively, with hyperparameter optimization conducted, and model performance evaluated using various error metrics. According to the findings, the Ridge Regression algorithm produced more accurate and stable predictions, especially for data sets with linear structures and multicollinearity (R² = 0.92, RMSE = 17.6). While the Random Forest model showed potential in capturing non-linear relationships, it delivered lower overall performance compared to Ridge Regression in this case. The close alignment between prediction results and actual stock values demonstrates the model’s viability as an effective decision support tool. This study not only contributes to academic literature but also offers a practical, dynamic machine learning solution capable of delivering accurate and timely stock forecasts. By improving forecast accuracy, unnecessary inventory costs are reduced, product availability is enhanced, and supply chain processes become more efficient. In this regard, the study strongly supports the potential of machine learning-based systems to replace traditional methods in inventory management.

Keywords

• Inventory Management
• Decision Support Systems
• Machine Learning
• Ridge Regression
• Random Forest

Makine Öğrenmesi Tabanlı Envanter Yönetimi: Veriye Dayalı Karar Destek Sistemleri

Abstract

Günümüz perakende sektöründe envanter yönetimi, sadece ürün bulunabilirliğini sağlamakla kalmayıp, aynı zamanda müşteri memnuniyetini artırmak ve operasyonel maliyetleri azaltmak açısından kritik bir rol oynamaktadır. Hızla değişen tüketici talepleri ve artan ürün çeşitliliği, doğru zaman ve miktarda stoklama kararlarını zorlaştırmaktadır. Bu nedenle, geleneksel planlama yöntemlerinin ötesine geçilerek, veriye dayalı ve öğrenen sistemlere ihtiyaç duyulmaktadır. Bu çalışma, haftalık bazda mağaza stoklarını tahmin etmeye yönelik makine öğrenmesi tabanlı bir model geliştirmektedir. Gerçek satış ve stok verileri kullanılarak oluşturulan veri seti, eksik ve aykırı değerlerden arındırılmış; kategorik değişkenler uygun biçimde dönüştürülerek tahmin modellerine hazır hâle getirilmiştir. Ridge Regression ve Random Forest algoritmaları karşılaştırmalı olarak uygulanmış, hiperparametre optimizasyonu yapılmış ve modeller farklı hata metrikleriyle değerlendirilmiştir. Elde edilen bulgulara göre, Ridge Regression algoritması, özellikle lineer yapılı ve çoklu korelasyon içeren veri setlerinde daha yüksek doğrulukta ve istikrarlı tahminler üretmiştir (R² = 0.92, RMSE = 17.6). Random Forest modeli doğrusal olmayan ilişkileri öğrenme potansiyeline sahip olsa da bu çalışmada Ridge Regression modeline kıyasla daha düşük performans göstermiştir. Tahmin sonuçlarının gerçek stok verileriyle yüksek oranda örtüşmesi, geliştirilen sistemin karar destek aracı olarak etkin şekilde kullanılabileceğini göstermektedir. Bu çalışma yalnızca akademik bir katkı sunmakla kalmamakta, aynı zamanda pratikte uygulanabilir, doğru ve zamanında stok tahmini yapabilen dinamik bir makine öğrenmesi çözümü de önermektedir. Doğru stok tahminleri sayesinde gereksiz stok maliyetleri azaltılmakta, ürün bulunabilirliği artırılmakta ve tedarik zinciri süreçleri daha verimli hâle gelmektedir. Bu yönüyle çalışma, makine öğrenmesi destekli sistemlerin, envanter yönetiminde geleneksel yöntemlerin yerini alabilecek etkili araçlar olduğunu güçlü bir biçimde ortaya koymaktadır.

Keywords

• Envanter Yönetimi
• Karar Destek Sistemleri
• Makine Öğrenmesi
• Ridge Regression
• Random Forest

References

1. Chopra, S., & Meindl, P. (2001). Supply Chain Management: Strategy. Planning, and Operation, 15, 71-85.
2. Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of Statistical Learning: Data mining, Inference, and Prediction, (2nd ed.). (Vol. 2, pp. 1-758). New York, Springer.
3. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: With Applications in R (Vol. 103). New York, Springer.
4. Yusubov, F., & Emekli, H. B. (2024). Veri madenciliği yöntemleriyle araç özelliklerinin incelenmesi. Anadolu Bil Meslek Yüksekokulu Dergisi, 19(69), 1-15.
5. Hoerl, A. E., & Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55-67.
6. Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
7. Zhang, X., & Zhang, C. (2019). A review of machine learning in inventory management: current status and future directions. Journal of Industrial Engineering and Management, 12(3), 522-548.