Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini

Mehmet Acı; Gamze Ayyıldız Doğansoy

doi:10.17341/gazimmfd.944081

Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini

Öz

Elektronik perakendecilik (e-perakende), perakendeci ile müşterilerin web ve mobil uygulamalar aracılığıyla iletişimde bulunduğu bir perakendecilik çeşididir. E-perakende işletmelerinin artan rekabet ortamında büyümeye devam edebilmesi ve rakip işletmelerden farklılaşarak ön plana çıkabilmesi için değişen tüketici taleplerine zamanında ve doğru bir şekilde cevap verebilmesi gerekmektedir. Ülkemizdeki yerel süpermarket verileri ile e-perakende sektörüne yönelik Makine Öğrenmesi ve Derin Öğrenme algoritmalarını kullanan bir talep tahmin çalışması (bildiğimiz kadarıyla) henüz yapılmamıştır. Bu çalışmada yerel bir süpermarketin son iki yıllık e-ticaret verileri (web sitesi ve mobil uygulama) ve ürün satışını etkileyen faktörler (TÜFE ve yıllık işsizlik oranı) göz önüne alınarak belirli kategorideki ürünlere yönelik talep tahmin edilmiştir. Talep tahmin modeli için altı farklı yapay zekâ algoritmasının (Derin Öğrenme, Yapay Sinir Ağları, Gauss Süreç Regresyonu, Regresyon Ağacı, Destek Vektör Regresyonu ve Ağaç Toplulukları) yirmi dört farklı yöntemi eğitilmiş ve test edilmiştir. Sonuçlar, korelasyon katsayısı (R), Kök Ortalama Kare Hata (KOKH) ve Ortalama Mutlak Hata (OMH) kriterleri ile değerlendirilmiştir. En iyi sonuç Uzun ve Kısa Vadeli Hafıza Ağları kullanılarak alınmıştır (KOKH=0,0353; OMH=0,0164; R=0,9742). Elde edilen sonuçlar ürün tedarikinin doğru miktarlarda yapılmasında, satış kampanyalarında ve pazarlama stratejilerinde kullanılarak e-perakende satışının başarısını artırabilecektir.

Anahtar Kelimeler

Destekleyen Kurum

Mersin Üniversitesi Bilimsel Araştırma Projeleri Bölümü

Proje Numarası

2019-3-TP2-3745

Teşekkür

Çalışmamızda kullandığımız veriler için Groseri Gıda ve İhtiyaç Maddeleri Tic. Ltd. Şti.'ne teşekkür ederiz.

Kaynakça

1. Öztürk, İ. Türkiye’de Perakende Sektörü. Journal of Social Sciences. 3 (1), 69–81, 2006
2. Tevetoğlu, M., Kel, H.A. COVID-19 Pandemisi, Dijital Perakendecilik Ve Sözleşme Hukukuna Etkisi. Yapay Zekâ Çağında Hukuk. 1 (1), 66–78, 2021
3. Yücesoy, M. Temizlik Kağıtları Sektöründe Yapay Sinir Ağları ile Talep Tahmini. İstanbul Teknik Üniversitesi (2011)
4. Torun, H., Canbulut, G. Analysis of two-stage supply chain coordination under fuzzy demand. Journal of the Faculty of Engineering and Architecture of Gazi University. 34 (3), 1315–1328, 2019
5. Ünlü, R. Zaman Serileri Tahminlenmesinde Makine Öğrenimi ve Derin Öğrenme Tekniklerinin Kıyaslanması: Türkiye Elektirik Üretimi için En İyi Tahmin Modelinin Seçilmesine Yönelik Bir Vaka Çalışması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 23 (2), 359–370, 2019
6. Başoǧlu, B., Bulut, M. Kisa dönem elektrik talep tahminleri için yapay sinir aǧlari ve uzman sistemler tabanli hibrit sistem geliştirilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University. 32 (2), 575–583, 2017
7. Rahman, S., Rabiul Alam, M.G., Mahbubur Rahman, M. Deep learning based ensemble method for household energy demand forecasting of smart home. In: 22nd International Conference on Computer and Information Technology, ICCIT 2019. Institute of Electrical and Electronics Engineers Inc. (2019)
8. Sönmez, O., Zengin, K. Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma. European Journal of Science and Technology Special Issue. 302–308, 2019

9. Kılıç, F., Akkaya, M.R., Memili, N. Daily Demand Forecast Using Artificial Intelligence Techniques for Refectory. European Journal of Science and Technology. 1 (13), 65–71, 2018
10. Yergök, D., Acı, M. Toplu Yemek Üretiminde Günlük Talep Tahmini için Alternatif Bir Yaklaşım: Öğrenci Regresyon. European Journal of Science and Technology. 64–73, 2019
11. Huber, J., Stuckenschmidt, H. Daily retail demand forecasting using machine learning with emphasis on calendric special days. International Journal of Forecasting. 36 (4), 1420–1438, 2020
12. Satoglu, S.I., Eren, U. Perakende Giyim Sektöründe Yapay Sinir Ağları ile Talep Tahmini. In: Endüstri-İşletme Kurultayı. (2017)
13. Arslankaya, S. Bir Lojistik Firmasında Zaman Serileri Analizi ve Yapay Sinir Ağları ile Talep Tahminin Karşılaştırılması. In: 4 th International Symposium on Innovative Approaches in Engineering and Natural Sciences. pp. 239–245. (2019)
14. Kaya, K.S., Yıldırım, Ö. A Prediction Model For Automobile Sales In Turkey Using Deep Neural Network. Endüstri Mühendisliği. 31 (1), 57–74, 2020
15. Türk, E., Kiani, F. Yapay Sinir Ağları ile Talep Tahmini Yapma: Beyaz Eşya Üretim Planlaması için YSA Uygulaması. İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 1 (1), 30–37, 2019
16. Law, R., Li, G., Fong, D.K.C., Han, X. Tourism demand forecasting: A deep learning approach. Annals of Tourism Research. 75 410–423, 2019
17. Claveria, O., Monte, E., Torra, S. Regional Tourism Demand Forecasting with Machine Learning Models: Gaussian Process Regression vs. Neural Network Models in a Multiple-Input Multiple-Output Setting. SSRN Electronic Journal. 1 (1), 1–26, 2018
18. Xu, C., Ji, J., Liu, P. The station-free sharing bike demand forecasting with a deep learning approach and large-scale datasets. Transportation Research Part C: Emerging Technologies. 95 47–60, 2018
19. Jiang, S., Chin, K.S., Wang, L., Qu, G., Tsui, K.L. Modified genetic algorithm-based feature selection combined with pre-trained deep neural network for demand forecasting in outpatient department. Expert Systems with Applications. 82 216–230, 2017
20. Liao, S., Zhou, L., Di, X., Yuan, B., Xiong, J. Large-scale short-term urban taxi demand forecasting using deep learning. In: Proceedings of the Asia and South Pacific Design Automation Conference, ASP-DAC. pp. 428–433. Institute of Electrical and Electronics Engineers Inc. (2018)
21. Huang, J., Liang, Y., Bian, H., Wang, X. Using Cluster Analysis and Least Square Support Vector Machine to Predicting Power Demand for the Next-Day. IEEE Access. 7 82681–82692, 2019
22. Du, X.F., Leung, S.C.H., Zhang, J.L., Lai, K.K. Demand forecasting of perishable farm products using support vector machine. International Journal of Systems Science. 44 (3), 556–567, 2013
23. Slimani, I., El Farissi, I., Achchab, S. Artificial neural networks for demand forecasting: Application using Moroccan supermarket data. In: International Conference on Intelligent Systems Design and Applications, ISDA. pp. 266–271. IEEE Computer Society (2016)
24. Qu, T., Zhang, J.H., Chan, F.T.S., Srivastava, R.S., Tiwari, M.K., Park, W.Y. Demand prediction and price optimization for semi-luxury supermarket segment. Computers and Industrial Engineering. 113 91–102, 2017
25. Neelakantam, G., Onthoni, D.D., Sahoo, P.K. Fog computing enabled locality based product demand prediction and decision making using reinforcement learning. Electronics. 10 (3), 1–16, 2021
26. Kaggle Supermarket sales, https://www.kaggle.com/aungpyaeap/supermarket-sales, Accessed: May 21, 2021
27. Wolters, J., Huchzermeier, A. Joint In-Season and Out-of-Season Promotion Demand Forecasting in a Retail Environment. Journal of Retailing. 2021
28. BigMart Sales Data, Kaggle, https://www.kaggle.com/brijbhushannanda1979/bigmart-sales-data, Accessed: May 18, 2021, (2021)
29. Malik, N., Singh, K. Sales Prediction Model for Big Mart. Parichay: Maharaja Surajmal Institute Journal of Applied Research. 3 (1), 22–32, 2020
30. Punam, K., Pamula, R., Jain, P.K. A two-level statistical model for big mart sales prediction. In: 2018 International Conference on Computing, Power and Communication Technologies, GUCON 2018. pp. 617–620. Institute of Electrical and Electronics Engineers Inc. (2019)
31. Sekban, J. Applying machine learning algorithms in sales prediction. Kadir Has University (2019)
32. Agbonlahor, O.V. A comparative study on machine learning and deep learning techniques for predicting big Mart item outlet sales. Dublin Business School (2020)
33. Behera, G., Nain, N. A comparative study of big mart sales prediction. In: Communications in Computer and Information Science. pp. 421–432. Springer (2020)
34. Çelik, Ş., Şengül, T., Şengül, Y.A.., İnci, H. Tüketici Fiyat İndeksini Etkileyen Bitkisel Ve Hayvansal Üretim Değerlerinin Çok Değişkenli Uyarlanabilir Regresyon Uzanımları İle İncelenmesi: Türkiye Örneği. Journal of Awareness. 3 (5), 399–408, 2018
35. Uysal, D., Erdoğan, S. Enflasyon ile İşsizlik Oranı Arasındaki İlişki ve Türkiye Örneği (1980-2002). SÜ İİBF Sosyal ve Ekonomik Araştırmalar Dergisi. 3 (6), 35–46, 2003
36. Graupe, D. Principles of Artificial Neural Networks. World Scientific Publishing (2013)
37. Razavi, S., Tolson, B.A. A new formulation for feedforward neural networks. IEEE Transactions on Neural Networks. 22 (10), 1588–1598, 2011
38. MATLAB Function fitting neural network , https://www.mathworks.com/help/deeplearning/ref/fitnet.html, Accessed: March 12, 2021, (2021)
39. Alkhasawneh, M.S., Tay, L.T. A Hybrid Intelligent System Integrating the Cascade Forward Neural Network with Elman Neural Network. Arabian Journal for Science and Engineering. 43 (12), 6737–6749, 2018
40. Öztemel, E. Yapay Sinir Ağları (4. Basım). Papatya Bilim Yayınevi (2020)
41. Şeker, A., Diri, B., Balık, H.H. Derin Öğrenme Yöntemleri Ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi (GMBD). 3 (3), 47–64, 2017
42. Babu, G.S., Zhao, P., Li, X.L. Deep convolutional neural network based regression approach for estimation of remaining useful life. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). pp. 214–228. Springer Verlag (2016)
43. Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. MIT Press (2016)
44. Şişmanoğlu, G., Koçer, F., Önde, M.A., Şahingöz, O.K. Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi. 9 (1), 434–445, 2020
45. Sherratt, F., Plummer, A., Iravani, P. Understanding lstm network behaviour of imu-based locomotion mode recognition for applications in prostheses and wearables. Sensors . 21 (4), 1–23, 2021
46. Şeker, A., Yüksek, A.G. Stacked Autoencoder Method for Fabric Defect Detection. Cumhuriyet Science Journal. 38 (2), 342–342, 2017
47. Liu, K., Hu, X., Wei, Z., Li, Y., Jiang, Y. Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-Ion Batteries. IEEE Transactions on Transportation Electrification. 5 (4), 1225–1236, 2019
48. Fang, D., Zhang, X., Yu, Q., Jin, T.C., Tian, L. A novel method for carbon dioxide emission forecasting based on improved Gaussian processes regression. Journal of Cleaner Production. 173 143–150, 2018
49. Zhao, J., Guo, H., Han, M., Tang, H., Li, X. Gaussian process regression for prediction of sulfate content in lakes of China. Journal of Engineering and Technological Sciences. 51 (2), 198–215, 2019
50. Hahn, P.R., Murray, J.S., Carvalho, C.M. Bayesian regression tree models for causal inference: Regularization, confounding, and heterogeneous effects (with discussion). Bayesian Analysis. 15 (3), 965–1056, 2020
51. MATLAB & Simulink Choose Regression Model Options , https://www.mathworks.com/help/stats/choose-regression-model-options.html, Accessed: May 25, 2021
52. Pisner, D.A., Schnyer, D.M. Support vector machine. In: Machine Learning: Methods and Applications to Brain Disorders. pp. 101–121. Elsevier (2019)
53. Awad, M., Khanna, R., Awad, M., Khanna, R. Support Vector Regression. In: Efficient Learning Machines. pp. 67–80. Apress (2015)
54. Onan, A. A Clustering Based Classifier Ensemble Approach to Corporate Bankruptcy Prediction. Alphanumeric Journal. 6 (2), 365–376, 2018
55. Yılmaz, H. Random Forests Yönteminde Kayıp Veri Probleminin İncelenmesi ve Sağlık Alanında Bir Uygulama. Eskişehir Osmangazi Üniversitesi (2014)
56. Mosavi, A., Sajedi Hosseini, F., Choubin, B., Goodarzi, M., Dineva, A.A., Rafiei Sardooi, E. Ensemble Boosting and Bagging Based Machine Learning Models for Groundwater Potential Prediction. Water Resources Management. 35 (1), 23–37, 2021
57. MATLAB & Simulink Machine Learning with MATLAB, https://www.mathworks.com/solutions/machine-learning.html, Accessed: May 24, 2021
58. Chai, T., Draxler, R.R. Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature. Geoscientific Model Development. 7 (3), 1247–1250, 2014
59. Cleophas, T.J., Zwinderman, A.H. Bayesian Pearson Correlation Analysis. In: Modern Bayesian Statistics in Clinical Research. pp. 111–118. Springer International Publishing (2018)
60. Berrar, D. Cross-Validation Call for Papers for Machine Learning journal: Machine Learning for Soccer View project Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1 (1), 542–545, 2018

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Acı ^*
0000-0002-7245-8673
Türkiye

Gamze Ayyıldız Doğansoy
0000-0001-9902-4739
Türkiye

Yayımlanma Tarihi

28 Şubat 2022

Gönderilme Tarihi

7 Haziran 2021

Kabul Tarihi

25 Eylül 2021

Yayımlandığı Sayı

Yıl 2022 Cilt: 37 Sayı: 3

DOI

https://doi.org/10.17341/gazimmfd.944081

IZ

https://izlik.org/JA93GA37KP

Kaynak Göster

RIS / Bibtex

APA

Acı, M., & Ayyıldız Doğansoy, G. (2022). Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(3), 1325-1340. https://doi.org/10.17341/gazimmfd.944081

AMA

1.Acı M, Ayyıldız Doğansoy G. Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. GUMMFD. 2022;37(3):1325-1340. doi:10.17341/gazimmfd.944081

Chicago

Acı, Mehmet, ve Gamze Ayyıldız Doğansoy. 2022. “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 (3): 1325-40. https://doi.org/10.17341/gazimmfd.944081.

EndNote

Acı M, Ayyıldız Doğansoy G (01 Şubat 2022) Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37 3 1325–1340.

IEEE

[1]M. Acı ve G. Ayyıldız Doğansoy, “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini”, GUMMFD, c. 37, sy 3, ss. 1325–1340, Şub. 2022, doi: 10.17341/gazimmfd.944081.

ISNAD

Acı, Mehmet - Ayyıldız Doğansoy, Gamze. “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/3 (01 Şubat 2022): 1325-1340. https://doi.org/10.17341/gazimmfd.944081.

JAMA

1.Acı M, Ayyıldız Doğansoy G. Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. GUMMFD. 2022;37:1325–1340.

MLA

Acı, Mehmet, ve Gamze Ayyıldız Doğansoy. “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 37, sy 3, Şubat 2022, ss. 1325-40, doi:10.17341/gazimmfd.944081.

Vancouver

1.Mehmet Acı, Gamze Ayyıldız Doğansoy. Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. GUMMFD. 01 Şubat 2022;37(3):1325-40. doi:10.17341/gazimmfd.944081

Cited By

Kohezyonlu zeminlerde net limit basınç ve deformasyon modülünün makine öğrenimi temelli modeller kullanılarak tahmin edilmesi

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.28948/ngumuh.1155568

Makine Öğrenimi Yöntemleriyle Bazaltlarda Tek Eksenli Sıkışma Dayanımının Değerlendirilmesi ve Performanslarının Karşılaştırılması

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

https://doi.org/10.29130/dubited.1173624

Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini

Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini

Öz

Anahtar Kelimeler

Destekleyen Kurum

Proje Numarası

Teşekkür

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Kohezyonlu zeminlerde net limit basınç ve deformasyon modülünün makine öğrenimi temelli modeller kullanılarak tahmin edilmesi

Makine Öğrenimi Yöntemleriyle Bazaltlarda Tek Eksenli Sıkışma Dayanımının Değerlendirilmesi ve Performanslarının Karşılaştırılması

Satış tahmini için uzun kısa-süreli bellek ağı tabanlı derin transfer öğrenme yaklaşımı

Fleet Type Planning for Private Air Transport After Covid-19

Estimation of Ranque-Hilsch vortex tube performance by machine learning techniques

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Hazır Giyim Sektöründe Marka Tercihlerinin Markov Zincirleriyle Öngörülmesi

Türkiye’nin İthalat ve İhracatının Veri Madenciliği Yöntemleriyle Tahmini

Yarasa algoritması ile optimize edilmiş GBM modeli kullanarak mevsim bazlı bisiklet kiralama sayılarının tahmini

SATIŞ TAHMİNİ İÇİN DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Tedarik Zincirinde Hibrit Talep Tahmin Modeli Önerisi: Çelik Sektörü Uygulaması

Üniversite Yerleşme Başarısını Etkileyen Faktörlerin Yapay Zekâ Yöntemleriyle Araştırılması

Artificial Intelligence In Mineral Processing: Transforming Mining Operations Through Smart Technology

Quantitative Demand Forecasting of Spare Parts in The Aviation Industry: A Comparative Analysis