Demand Forecasting in Food and Beverage Enterprises: A Comparison via Artificial Neural Networks and Regression Methods

Abstract

Today, interest in food and beverage sector is constantly increasing. Therefore, increasing competition in the market necessitates technology-compatible works in order to survive. If businesses can anticipate customers' demands, they will make their plans accordingly and avoid excessive labor and cost. Accurate estimates will benefit the enterprise and take the necessary measures. In this study, data of a food and beverage company operating in Tokat region was used. To estimate the sales of this enterprise by using artificial neural networks and multiple regression models, the daily sales are estimated and compared between the two models. In the first study, nntool, an artificial neural network tool, was used in the matlab environment. The data consisted of 150 lines including the first 6 months of 2018 and 70% of the training was used for 30% of the test. Our artificial neural network consists of a single-layered model with 8 inputs and a single-output model with 8 neurons. Levenberg-Marquard Algorithm (trainlm) was used as training function and tansig function was used as activation function. In our model, the test R ratio was 95.77%. We developed our second application on python programming language using spyder ide on anaconda platform. In the application, using multiple regression model using the same parameters, the accuracy rate was 91.3%. When we examine the parameters we use here with the least squares method, we see that the demand forecast of the enterprise does not affect the days of the week and the temperature at high value in demand forecasting. Therefore, if it is not a very extreme day or the weather is hot-cold, it does not have a positive-negative effect on the sales of the enterprise. The high success rates of both models show the positive effect of using artificial neural networks and multiple regression in demand forecasting. The model we developed with artificial neural networks was more successful than the multiple regression model. According to the results we find, if the firm places more weight on certain parameters by planning, it will see an increase in turnover

Keywords

• Demand Forecasting
• Artificial Neural Networks
• Multiple Regression
• Food and Beverage Enterprises

Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma

Öz

Günümüzde yiyecek – içecek sektörüne olan ilgi sürekli artış göstermektedir. Dolayısıyla pazarda artan rekabet, işletmelerin ayakta kalmaları için teknolojiyle uyumlu çalışmaları zorunlu kılmaktadır. İşletmeler müşterilerin taleplerini tahmin edebilirseler planlamalarını da ona göre yapacak ve fazla iş gücü ve maliyetten kurtulacaklardır. Doğru olarak yapılan tahminler işletmeye fayda sağlayacak ve gerekli tedbirleri alacaklardır. Çalışmada Tokat bölgesinde faaliyet gösteren bir yiyecek-içecek işletmesinin verileri kullanılmıştır. Bu işletmenin satış tahmini için yapay sinir ağları ve çoklu regresyon modelleri kullanılarak günlük satışını tahmin edip ve iki modelin karşılaştırılması yapılmıştır. İlk çalışma matlab ortamında yapay sinir ağları aracı olan nntool kullanılmıştır. Veriler 2018 yılının ilk 6 ayını içeren 150 satırdan oluşmaktadır ve %70 eğitim %30 ise test için kullanılmıştır. Yapay sinir ağımız 8 girişli tek gizli katmanlı ve 8 nöronlu tek çıkışlı bir modelden oluşmaktadır. Eğitim fonksiyonu olarak Levenberg-Marquard Algoritması(trainlm) ve aktivasyon fonksiyonu olarak ise tansig fonksiyonu kullanılmıştır. Modelimizde test R oranı %95,77 çıkmıştır. İkinci uygulamamızı anaconda platformunda, spyder ide sini kullanarak python programlama dilliyle geliştirdik. Uygulamada yine aynı parametreleri kullanarak çoklu regsesyon modeli uygularak yaptığımız uygulamada ise doğruluk oranımız %91,3 çıkmıştır. Burada kullandığımız parametreleri en küçük kareler yöntemiyle incelediğimizde işletmenin talep tahminini talep tahmininde haftanın günleri ve sıcaklığın yüksek değerde etkilemediğini görmekteyiz. Dolayısıyla çok ekstrem bir gün değilse veya havanın sıcak-soğuk olması işletmenin satışlarına pozitif -negatif yönde bir etki yapmamaktadır. Her iki modelde başarı oranların yüksek olması talep tahmininde yapay sinir ağları ve çoklu regresyon kullanımının pozitif etkisini gözler önüne sermektedir. Yapay sinir ağlarıyla geliştirdiğimiz model çoklu regresyon modeline göre daha başarılı olduğu gözlemlenmiştir. İşletme bulduğumuz sonuçlara göre planlamasını yaparak belirgin parametrelere daha fazla ağırlık verirse cirosunda artış görecektir. 

Anahtar Kelimeler

• Talep Tahmini
• Yapay Sinir Ağları
• Çoklu Regresyon
• Yiyecek İçecek İşletmeleri

Kaynakça

1. Akdag, R. (2016). Yapay Sinir Aglari, Destek Vektör Makineleri ve Box-Jenkins Yöntemleriyle Kentsel Icmesuyu Talebi Tahmini ve Karsilastirmali Analizi. Business and Economics Research Journal, 7(1), 123-138
2. Başoğlu, B., ve Bulut, M. (2017). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University, 32(2), 575-583.
3. Calp, M. H. (2019). İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik dergisi. 22(3), 675-686
4. Chehreh, C S, James, C H, Jorjani, E, Mesroghli, S ve Bagherieh, A H, (2008). Prediction of coal grindability based on petrography, proximate and ultimate analysis using multiple regression and artificial neural network models. Fuel Processıng Technology, 89,13- 20.
5. Çuhadar, M., ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
6. Çuhadar, M., Güngör, İ., ve Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağlari ile Tahmini ve Zaman Serisi Yöntemleri ile Karşilaştirmali Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 99-114.
7. Durna, M. B., “Veri Bilimi İçin Temel Python Kütüphaneleri-1: Numpy” (Erişim tarihi 2019.05.14) https://medium.com
8. Efendigil, T., ve Eminler, Ö. E. (2017). Havacılık Sektöründe Talep Tahmininin Önemi: Yolcu Talebi Üzerine Bir Tahmin Modeli. Journal of Yasar University, 12, 14-30

9. Eren, U., ve Satoğlu, Ş. I. Perakende Giyim Sektöründe Yapay Sinir Ağları ile Talep Tahmini.
10. Es, H. A., Kalender, F. Y., ve Hamzaçebi, C. (2014). Yapay sinir ağlari ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29(3), 227-233
11. Hamzaçebi, C., ve Kutay, F. (2004). Yapay sinir ağlari ile türkiye elektrik enerjisi tüketiminin 2010 yilina kadar Tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19(3).
12. Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N., ve Tokgöz, G. (2012). Yapay sinir ağları yöntemi ile otomobil satış tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
13. Karaca, C., ve Karacan, H. (2016). Çoklu regresyon metoduyla elektrik tüketim talebini etkileyen faktörlerin incelenmesi. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4(3), 182-195.
14. Özüdoğru, A. G., ve Görener, A. (2015). Sağlık sektöründe talep tahmini üzerine bir uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimleri Dergisi 27(Bahar), 37-53 Turanlı, M. (2003). Turizm sektöründe talep tahmin modellemesi. İstanbul Ticaret Üniversitesi Dergisi, 3(Haziran), 1-13
15. Ulgen, K. E. “Makine Öğrenimi Bölüm-6 (Regresyon)” (Erişim 2019.05.14) https://medium.com/
16. Ulucan, Ö. G. E., ve Kızılırmak, İ. (2018). Konaklama İşletmelerinde Talep Tahmin Yöntemleri: Yapay Sinir Ağları İle İlgili Bir Araştırma. Seyahat ve Otel İşletmeciliği Dergisi, 15(1), 89-101.
17. Üstündağ, H., ve Sayım, I. Ş. I. (2018). Antalya Bölgesinde Otel Oda Fiyatlarının Tahmini. Journal of Travel and Hospitality Management, 15(3), 703-716.
18. Yongjae, K, Sehun, R, (2005). Arc sensor model using multiple-regression analysis and a neural network. ProQ. Sci. J. ,219, 431–447.
19. Yucesan, M., Gul, M., ve Celik, E. (2018). A multi-method patient arrival forecasting outline for hospital emergency departments. International Journal of Healthcare Management, 1-13.
20. Yüceoğlu, Birol “Scikit-Learn ile Veri Analitiğine Giriş” (Erişim tarihi 2019.05.14) http://www.veridefteri.com/