A machine learning-based approach for demand forecasting and inventory optimization in international logistics using e-commerce data

Yıl 2026, Sayı: Advanced Online Publication, 49 - 71

Dilan Alkaç , Hale Tuğçe Karakoç

https://doi.org/10.33707/akuiibfd.1746845

https://izlik.org/JA22EF75XX

Öz

This study investigates the applicability of machine learning-based modeling approaches to improve demand forecasting and inventory management processes in the e-commerce sector. In the face of increasing competition and volatile consumer demand, accurately predicting inventory levels has become a strategic necessity. In this context, the study analyzes sales data from the Brazil-based e-commerce company Olist for the 2023–2024 period, together with meteorological variables representing environmental factors, within a comprehensive data structure. To assess the impact of regional differences and climate conditions on sales volume, detailed analyses were conducted for the cities of São Paulo, Rio de Janeiro, Belo Horizonte, and Curitiba. Throughout the research process, time series analysis, data mining, and various machine learning algorithms (ARIMA, SARIMA, Random Forest, XGBoost, LightGBM, LSTM) were applied in an integrated manner and compared based on performance metrics. The findings reveal that the Random Forest algorithm stood out with its high level of predictive accuracy. The results demonstrate that data-driven forecasting models can serve as effective decision support tools in enhancing operational efficiency and supporting inventory optimization in e-commerce logistics. The study provides both methodological and practical contributions by bridging predictive analytics and real-world logistics applications in a dynamic market environment.

Anahtar Kelimeler

Sales Forecasting , Inventory Management , Demand Forecasting , Machine Learning

E-ticaret verileriyle uluslararası lojistikte talep tahmini ve stok optimizasyonu: Makine öğrenmesi temelli bir model uygulaması

https://izlik.org/JA22EF75XX

Öz

Bu çalışma, e-ticaret sektöründe talep tahmini ve stok yönetimi süreçlerinin iyileştirilmesine yönelik olarak makine öğrenmesi tabanlı modelleme yaklaşımlarının uygulanabilirliğini incelemektedir. Artan rekabet ve değişken tüketici talepleri karşısında, firmaların envanter seviyelerini daha doğru öngörebilmesi stratejik bir gereklilik haline gelmiştir. Bu kapsamda, Brezilya merkezli Olist firmasına ait 2023–2024 dönemine ilişkin satış verileri ile çevresel faktörleri temsil eden meteorolojik değişkenler bütüncül bir veri yapısı içerisinde analiz edilmiştir. Satış hacmi üzerinde bölgesel farklılıkların ve iklim koşullarının etkilerini değerlendirebilmek amacıyla São Paulo, Rio de Janeiro, Belo Horizonte ve Curitiba şehirleri özelinde ayrıntılı analizler gerçekleştirilmiştir. Araştırma sürecinde, zaman serisi analizi, veri madenciliği ve çeşitli makine öğrenmesi algoritmaları (ARIMA, SARIMA, Random Forest, XGBoost, LightGBM, LSTM) entegre bir biçimde uygulanmış, bu modeller performans kriterlerine göre karşılaştırılmıştır. Elde edilen bulgular, Random Forest algoritmasının yüksek doğruluk oranlarıyla öne çıktığını göstermektedir. Sonuçlar, veri odaklı tahminleme modellerinin e-ticaret lojistiğinde operasyonel verimliliği artırmada ve stok optimizasyonunu desteklemede etkili karar destek araçları sunduğunu ortaya koymaktadır.

Anahtar Kelimeler

Satış Tahmini , Stok Yönetimi , Talep Tahmini , Makine Öğrenmesi

Kaynakça

• Axsäter, S. (2015). Forecasting. Inventory control (pp. 7–35). Springer. https://doi.org/10.1007/978-3-662-47261-8_2
• Aylak, B. L., ve Oral, O. (2021). Yapay zeka ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı. El-Cezeri Journal of Science and Engineering, 8(1), 74–93. https://doi.org/10.31202/ecjse.799004
• Aylak, B. L. (2025). SustAI-SCM: Intelligent supply chain process automation with agentic AI for sustainability and cost efficiency. Sustainability, 17(6), 2453. https://doi.org/10.3390/su17062453
• Alnahhal, M., Aylak, B. L., Al Hazza, M., ve Sakhrieh, A. (2024). Economic order quantity: A state-of-the-art in the era of uncertain supply chains. Sustainability, 16(14), 5965. https://doi.org/10.3390/su16145965
• Bauskar, S. (2022). Predictive analytics for sales forecasting in enterprise resource planning (ERP) systems using machine learning technique. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4988774
• Bilgin, E., ve Ulusoy, Y. (2021). Talep tahmini ve stok yönetimi üzerine bir uygulama. 20. Uluslararası İşletmecilik Kongresi Bildirileri, Türkiye.
• Brown, J., ve White, L. (2020). AI-driven demand forecasting: Enhancing inventory management and customer satisfaction. World Journal of Advanced Research and Reviews, 23(2), 708–719. https://doi.org/10.30574/wjarr.2020.23.2.0708
• Busse, M. R., Pope, D. G., Pope, J. C., ve Silva-Risso, J. (2015). The psychological effect of weather on car purchases. Quarterly Journal of Economics, 130(1), 371–414. https://doi.org/10.1093/qje/qju033
• Can, M., ve Sarıyıldız, C. (2024). Sıfır atık tedarik zinciri yönetimi. İçinde Tedarik zinciri yönetiminde güncel konular (ss. 49–62). İstanbul: Beta Yayıncılık.
• Çelik, E. N. (2025). Yapay zeka sistemlerinin küresel tedarik zinciri entegrasyonu ve performansına etkileri üzerine bir araştırma. Ege Üniversitesi Ulaştırma Yönetimi Araştırmaları Dergisi, 2(1), 86–99.
• Chandran, J. M., ve Khan, M. R. B. (2024). A strategic demand forecasting: Assessing methodologies, market volatility, and operational efficiency. Malaysian Journal of Business, Economics and Management, 150–167.
• Choi, T. M., Wallace, S. W., ve Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868–1883. https://doi.org/10.1111/poms.12838
• Çınar, D. (2024). Dijital dönüşüm ve ERP kullanımının işletme performansına etkisi. [Yayımlanmamış yüksek lisans tezi]. Türkiye.
• Danişman, E. (2019). Tehlikeli madde lojistiğinde risk faktörlerinin değerlendirilerek depo yerinin seçimi. [Yayımlanmamış yüksek lisans tezi]. Türkiye.
• Douaioui, K., Oucheikh, R., Benmoussa, O., ve Mabrouki, C. (2024). Machine learning and deep learning models for demand forecasting in supply chain management: A critical review. Applied System Innovation, 7(5), 93. https://doi.org/10.3390/asi7050093
• Ehrenthal, J. C. F., Honhon, D., ve Van Woensel, T. (2014). Demand seasonality in retail inventory management. European Journal of Operational Research, 238(2), 527–539. https://doi.org/10.1016/j.ejor.2014.03.019
• Fildes, R., Goodwin, P., Lawrence, M., ve Nikolopoulos, K. (2009). Effective forecasting and judgmental adjustments: An empirical evaluation and strategies for improvement in supply-chain planning. International Journal of Forecasting, 25(1), 3–23. https://doi.org/10.1016/j.ijforecast.2008.11.010
• Ghosh, I., Chaudhuri, T. D., Sarkar, S., Mukhopadhyay, S., ve Roy, A. (2025). Macroeconomic shocks, market uncertainty and speculative bubbles: A decomposition-based predictive model of Indian stock markets. China Finance Review International, 15(1), 166–201. https://doi.org/10.1108/CFRI-05-2023-0091
• Goldani, M. (2023). Comparative analysis on forecasting methods and how to choose a suitable one: Case study in financial time series. Journal of Mathematics and Modeling in Finance, 3(2), 37–61.
• Güneş, R., Akyol, B., Güven, E., ve Eren, T. (2024). Zincir marketlerde stok yönetiminde fire oranlarının azaltılması: Ankara ilinde bir uygulama. Verimlilik Dergisi, 58(2), 231–246.
• Güzeler, Y. Y., ve Akyüz, G. (2024). Yeni ürün seçiminde çok kriterli karar verme ile simülasyonu birleştiren yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(2), 1193–1208. https://doi.org/10.17341/gazimmfd.1248274
• Heizer, J., Render, B., ve Munson, C. (2020). Operations management: Sustainability and supply chain management (13th ed.). Pearson.
• İpar, E. (2025). Elektrik dağıtım şirketlerinde makine öğrenmesi tabanlı enerji tüketimi tahmin modelleri ve performans analizi [Doktora tezi]. Türkiye.
• Ivanov, D., Sethi, S., Dolgui, A., ve Sokolov, B. (2018). A survey on control theory applications to operational systems, supply chain management, and Industry 4.0. Annual Reviews in Control, 46, 134–147. https://doi.org/10.1016/j.arcontrol.2018.10.014
• Jiang, C. (2025). Research on sales forecasting and consumption recommendation system of e-commerce agricultural products based on LSTM model. GeoJournal. https://doi.org/10.1007/s10708-025-11023-4
• Julius, A. (2024). Inventory management strategy and its impact on production efficiency: An empirical evidence of Mukwano manufacturing industries. International Journal of Academic Pedagogical Research, 8(4), 96–99.
• Kocaoğlu, B., ve Uluçay, U. (2024). Stok yönetiminde Min/Mak, ekonomik sipariş miktarı ve DDMRP politikalarının simülasyonla kıyaslaması. Yönetim ve Ekonomi Dergisi, 31(1), 27–46. https://doi.org/10.18657/yonveek.1362753
• Makridakis, S., Spiliotis, E., ve Assimakopoulos, V. (2020). The M4 competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74. https://doi.org/10.1016/j.ijforecast.2019.04.014
• Mentzer, J. T., ve Moon, M. A. (2004). Sales forecasting management: A demand management approach. Sage Publications.
• Murray, K. B., Di Muro, F., Finn, A., ve Popkowski Leszczyc, P. T. L. (2010). The effect of weather on consumer spending. Journal of Retailing and Consumer Services, 17(6), 512–520. https://doi.org/10.1016/j.jretconser.2010.08.006
• Nayyar, G., Suman, S., ve Lakshmi, T. R. (2024). Optimizing ad campaigns with machine learning: Data-driven approaches in modern media. International Journal of Multiphysics, 18(3), 301–315. https://doi.org/10.21152/1750-9548.18.3.301
• Oborska, A., ve Garanti, D. Z. (2024). Supply chain performance management: A comprehensive research analysis. Economic Science for Rural Development, 41(1), 112–120. https://doi.org/10.22616/ESRD.2024.113
• Resulzade, E., ve Heybet, K. (2024). Rekabet üstünlüğü aramada stratejik bir alan: E-İşletme. İçinde İşletmecilikte güncel konu ve uygulamalar-I (ss. 105–120). Ankara: Nobel Akademik Yayıncılık.
• Scharadin, B., Zanocco, C., ve Chistolini, J. (2023). Food retail environments, extreme weather, and their overlap: Exploratory analysis and recommendations for US food policy. PLOS ONE, 18(11), e0289282. https://doi.org/10.1371/journal.pone.0289282
• Serbest, A. B. (2024). Makine öğrenmesi ile talep tahmini ve envanter yönetimi. [Yayımlanmamış yüksek lisans tezi]. Türkiye.
• Seyedan, M., Mafakheri, F., & Wang, C. (2023). Order-up-to-level inventory optimization model using time-series demand forecasting with ensemble deep learning. Supply Chain Analytics, 3, 100024. https://doi.org/10.1016/j.sca.2023.100024
• Silver, E. A., Pyke, D. F., ve Peterson, R. (1998). Inventory management and production planning and scheduling (3rd ed.). Wiley.
• Tanrıverdi, Y. (2010). Tedarik zinciri ve stok yönetimi üzerine bir uygulama [Yüksek lisans tezi]. Selçuk Üniversitesi. Tseng, C. S., ve Türkmen, T. (2024). Demand forecasting with machine learning. MIT Center for Transportation & Logistics, Research Paper, 1–25.
• Ünal, S. (2024). Stok yönetiminde ABC yöntemi: Bir otomotiv yedek parça firması örneği. Uluslararası Sosyal ve Ekonomik Çalışmalar Dergisi, 5(1), 33–43. https://doi.org/10.47297/tises.2024.vol5.iss1.33
• Waters, D. (2011). Supply chain risk management: Vulnerability and resilience in logistics. Kogan Page Publishers.
• Yazgan, H. R., Candan, G., ve Ataman, M. (2019). Talep tahmini ve dinamik fiyatlandırma ile havayolu bilet fiyatlarının belirlenmesi. İşletme Araştırmaları Dergisi, 11(2), 732–742. https://doi.org/10.20491/isarder.2019.626
• Yıldırım, K. (2015). Hastanelerde malzeme yönetimi: Kamu hastanesi örneği [Yüksek lisans tezi, Sakarya Üniversitesi]. Sakarya Üniversitesi Tez Arşivi.
• Zhang, Y., Wu, X., Gu, C., ve Xie, Y. (2019). Predict future sales using ensembled random forests. arXiv preprint, arXiv:1904.09031. https://doi.org/10.48550/arXiv.1904.09031
• Zhao, Y. (2024). Research on e-commerce retail demand forecasting based on SARIMA model and K-means clustering algorithm. Academic Journal of Science and Technology, 5(2), 44–56. drpress.org