SALES FORECASTING IN FURNITURE INDUSTRY: COMPARATIVE ANALYSIS OF RECURRENT NEURAL NETWORK MODELS

Yıl 2024, Cilt: 12 Sayı: 4, 686 - 706, 25.12.2024

Onur Şahin , Burakhan Çubukçu

https://doi.org/10.21923/jesd.1433624

Öz

In today's business world, companies' successful operation and sustainable growth depend on accurately predicting future sales. In this context, making accurate and reliable predictions is of critical importance in strategic planning and resource management processes. This study aims to predict the future sales amounts of a furniture company using Recurrent Neural Networks (RNN) models. Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (BiGRU) advanced recurrent neural network models were used in the training process. The study explains the steps from data preparation processes to model training in detail. The performance of each model was subjected to a comprehensive evaluation using metrics such as R-squared, Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). According to the analysis results, the BiGRU method was determined as the model with the highest accuracy with an R-squared score of 0.94 in repetitive operations. This study aims to contribute to how companies can integrate recurrent neural network models into their sales forecasting processes by comparing them.

Anahtar Kelimeler

Recurrent Neural Network, Time Series Analysis, Sales Forecasting, Deep Learning, Machine Learning, LSTM

MOBİLYA SEKTÖRÜNDE SATIŞ TAHMİNİ: YİNELEMELİ SİNİR AĞI MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ

Öz

Günümüz iş dünyasında, şirketlerin başarılı bir şekilde faaliyet göstermeleri ve sürdürülebilir bir büyüme elde etmeleri, gelecekteki satışları doğru bir şekilde tahmin etmelerine bağlıdır. Bu bağlamda, stratejik planlama ve kaynak yönetimi süreçlerinde doğru ve güvenilir tahminlerin yapılması kritik bir öneme sahiptir. Bu çalışma, Yinelemeli Sinir Ağları (RNN) modellerini kullanarak bir mobilya firmasının gelecekteki satış tutarlarını tahmin etmeyi hedeflemektedir. Eğitim sürecinde Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (BiGRU) gelişmiş yinelemeli sinir ağı modelleri kullanılmıştır. Çalışma, veri hazırlama süreçlerinden model eğitimine kadar olan adımları detaylı bir şekilde açıklamaktadır. Her bir modelin performansı, R-kare, Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) gibi ölçütler kullanılarak kapsamlı bir değerlendirmeye tabi tutulmuştur. Analiz sonuçlarına göre, BiGRU yöntemi tekrarlayan işlemlerde 0.94 R-kare skoru ile en yüksek doğruluğa sahip model olarak belirlenmiştir. Bu çalışma, yinelemeli sinir ağı modellerini kıyaslayarak şirketlerin satış tahmin süreçlerine nasıl entegre edilebileceği konusunda katkı sunmayı amaçlamaktadır.

Anahtar Kelimeler

Yinelemeli Sinir Ağı, Zaman Serisi Analizi, Satış Tahmini, Derin Öğrenme, Makine Öğrenmesi, LSTM

Kaynakça

• Acar, G. (2022). Zaman serisi yöntemleri ve XGBoost algoritması ile kömür satış tahmini: Türkiye Tarım Kredi Kooperatifleri uygulaması = Sales prediction using time series and XGBoost algorithm: Application of Agricultural Credit Cooperatives of Turkey. https://acikerisim.sakarya.edu.tr/handle/20.500.12619/101133
• Agarwal, H., Mahajan, G., Shrotriya, A. ve Shekhawat, D. (2024). Predictive Data Analysis: Leveraging RNN and LSTM Techniques for Time Series Dataset. Procedia Computer Science, 235, 979-989. doi:10.1016/J.PROCS.2024.04.093
• Akçay, H. ve Yıltas-Kaplan, D. (2024). ZAMAN SERİLERİ TAHMİNLEME ALGORİTMALARI İLE KONTÖR TÜKETİM TAHMİNLEMESİ VE KARŞILAŞTIRMALI UYGULAMASI. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 27(1), 166-189. doi:10.17780/KSUJES.1369811
• Ćalasan, M., Abdel Aleem, S. H. E. ve Zobaa, A. F. (2020). On the root mean square error (RMSE) calculation for parameter estimation of photovoltaic models: A novel exact analytical solution based on Lambert W function. Energy Conversion and Management, 210, 112716. doi:10.1016/J.ENCONMAN.2020.112716
• Chai, T. ve Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250. doi:10.5194/GMD-7-1247-2014
• Chen, Y., Xie, X., Pei, Z., Yi, W., Wang, C., Zhang, W. ve Ji, Z. (2024). Development of a Time Series E-Commerce Sales Prediction Method for Short-Shelf-Life Products Using GRU-LightGBM. Applied Sciences 2024, Vol. 14, Page 866, 14(2), 866. doi:10.3390/APP14020866
• ChenShijie, ZhangYu ve YangQiang. (2024). Multi-Task Learning in Natural Language Processing: An Overview. ACM Computing Surveys. doi:10.1145/3663363
• Chicco, D., Warrens, M. J. ve Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, 1-24. doi:10.7717/PEERJ-CS.623/SUPP-1
• Chung, J., Gulcehre, C., Cho, K. ve Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. https://arxiv.org/abs/1412.3555v1
• Civelek, Ç. (2021). Yapay Sinir Ağları Kullanarak Türkiye Traktör Satış Adedinin Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (31), 375-381. doi:10.31590/EJOSAT.1000964
• de Myttenaere, A., Golden, B., Le Grand, B. ve Rossi, F. (2016). Mean Absolute Percentage Error for regression models. Neurocomputing, 192, 38-48. doi:10.1016/J.NEUCOM.2015.12.114
• Dey, R. ve Salemt, F. M. (2017). Gate-variants of Gated Recurrent Unit (GRU) neural networks. Midwest Symposium on Circuits and Systems, 2017-August, 1597-1600. doi:10.1109/MWSCAS.2017.8053243
• Ecemiş, O. ve Irmak, S. (2018). PASLANMAZ ÇELİK SEKTÖRÜ SATIŞ TAHMİNİNDE VERİ MADENCİLİĞİ YÖNTEMLERİNİN KARŞILAŞTIRILMASI. Sosyal Bilimler Dergisi, 8(15), 148-169. doi:10.31834/KILISSBD.395317
• Elmasdotter, A. ve Nyströmer, C. (2018). A comparative study between LSTM and ARIMA for sales forecasting in retail. DEGREE PROJECT TECHNOLOGY. https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-229747
• Erol, B. ve İnkaya, T. (2023). Satış tahmini için uzun kısa-süreli bellek ağı tabanlı derin transfer öğrenme yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(1), 191-202. doi:10.17341/GAZIMMFD.1089173
• Fetzer, J. H. (1990). What is Artificial Intelligence?, 3-27. doi:10.1007/978-94-009-1900-6_1
• Gers, F. A., Schmidhuber, J. ve Cummins, F. (2000). Learning to forget: Continual prediction with LSTM. Neural Computation, 12(10), 2451-2471. doi:10.1162/089976600300015015
• Ghazouani, I., Masmoudi, I., Mejri, I. ve Layeb, S. B. (2024). A CNN–LSTM Hybrid Deep Learning Model for Detergent Products Demand Forecasting: A Case Study. International Journal of Supply and Operations Management, 0, xx-xx. doi:10.22034/IJSOM.2024.109931.2752
• Graves, A. ve Schmidhuber, J. (2005). Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural Networks, 18(5-6), 602-610. doi:10.1016/J.NEUNET.2005.06.042
• Gür, Y. E., Eşidir, K. A. ve Kaldırımcı, Ş. G. (2024). Makine öğrenimi ile binek otomobil ihracat tahmini: MLP ve RBF modeli kullanımı. Afyon Kocatepe University Journal of Economics and Administrative Sciences, 26(Özel Sayı), 17-34. doi:10.33707/AKUIIBFD.1426338
• Gürpınar, K. ve Barca, M. (2007). Türk Mobilya Sektörünün Uluslararası Rekabet Gücü Düzeyi ve Nedenleri. Kocatepe Üniversitesi Sandıklı MYO, Afyon Üniversitesi İİBF, Sakarya Bölümü, İşletme, 2(2), 41-61.
• Hazır, E., Koç, K. H. ve Esnaf, Ş. (2016). Türkiye Mobilya Satış Değerlerinin Örnek Bir Yapay Zeka Uygulaması ile Tahmini. Selçuk Üniversitesi Teknik Online Dergisi, 7(2), 343-354. doi:10.2/JQUERY.MIN.JS
• Hochreiter, S. ve Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. doi:10.1162/NECO.1997.9.8.1735
• Huang, Z., Research, B., Xu, W. ve Baidu, K. Y. (2015). Bidirectional LSTM-CRF Models for Sequence Tagging. https://arxiv.org/abs/1508.01991v1
• Hülsmann, M., Borscheid, D., Friedrich, C. M. ve Reith, D. (2011). General Sales Forecast Models for Automobile Markets Based on Time Series Analysis and Data Mining Techniques. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 6870 LNAI, 255-269. doi:10.1007/978-3-642-23184-1_20
• Jakobsson, A. ve Svahn, M. (2023). “In the middle of difficulty lies opportunity” : A qualitative study on inflation and uncertainties impact on global furniture export companies. https://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-122464
• Karaatlı, M., Helvacıoğlu, C. ve Tokgöz, G. (2012). YAPAY SİNİR AĞLARI YÖNTEMİ İLE OTOMOBİL SATIŞ TAHMİNİ. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100. doi:10.11122/IJMEB.2012.8.17.290
• Kayakuş, M., Terzioğlu, M., Yağmur, A. ve Erdoğan, D. (2023). Forecasting Light Commercial Vehicle Sales in Turkey by Machine Learning Methods. Journal of Engineering Sciences, 9(4), 100-112. doi:10.30855/gmbd.0705S11
• Khasim, S., Ghosh, H., Rahat, I. S., Shaik, K. ve Yesubabu, M. (2024). Deciphering Microorganisms through Intelligent Image Recognition: Machine Learning and Deep Learning Approaches, Challenges, and Advancements. EAI Endorsed Transactions on Internet of Things, 10. doi:10.4108/EETIOT.4484
• Kingma, D. P. ve Ba, J. L. (2014). Adam: a method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 2023, 1-13. doi:10.1155/2023/7037124
• Kurtgeri, B. (2024). Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması. https://acikerisim.sakarya.edu.tr/handle/20.500.12619/102419
• Lecun, Y., Bengio, Y. ve Hinton, G. (2015). Deep learning. Nature 2015 521:7553, 521(7553), 436-444. doi:10.1038/nature14539
• Li, X., Ma, X., Xiao, F., Xiao, C., Wang, F. ve Zhang, S. (2022). Time-series production forecasting method based on the integration of Bidirectional Gated Recurrent Unit (Bi-GRU) network and Sparrow Search Algorithm (SSA). Journal of Petroleum Science and Engineering, 208, 109309. doi:10.1016/J.PETROL.2021.109309
• Nacar, E. N., Erdebilli, B. ve Rouyendegh, B. D. (2021). MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE SATIŞ TAHMİNİ. Endüstri Mühendisliği, 32(2), 307-320. doi:10.46465/ENDUSTRIMUHENDISLIGI.811183
• Öztatlıcı, M., Eroğlu, S., Öztatlıcı, H. ve Göl, M. (2024). Artificial Intelligence in Diagnosis and Treatment. Experimental and Applied Medical Science, 5(2), 107-118. doi:10.46871/EAMS.1470170
• Öztürk, K. ve Şahin, M. E. (2018). A General View of Artificial Neural Networks and Artificial Intelligence, 6(2), 25-36. http://www.sloi.org/sloi-name-of-this-article
• Pacal, I. (2024). Improved Vision Transformer with Lion Optimizer for Lung Diseases Detection. International Journal of Engineering Research and Development, 16(2), 760-776. doi:10.29137/UMAGD.1469472
• Parmezan, A. R. S., Souza, V. M. A. ve Batista, G. E. A. P. A. (2019). Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model. Information Sciences, 484, 302-337. doi:10.1016/J.INS.2019.01.076
• Qassrawi, N., Azzeh, M. ve Hijjawi, M. (2024). Drug sales forecasting in the pharmaceutical market using deep neural network algorithms. International Journal of Systematic Innovation, 8(3), 63-83. doi:10.6977/IJOSI.202409_8(3).0006
• Salttürk, B. (2022). Yapay sinir ağları ile ürün satış miktarlarının tahmini: Mobilya sektöründe bir uygulama = Forecasting product sales amounts by artificialneural network: An application in the furnitureindustry. https://acikerisim.sakarya.edu.tr/handle/20.500.12619/101150
• Şermet, F. ve Pacal, I. (2024). Deep learning approaches for autonomous crack detection in concrete wall, brick deck and pavement. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 15(2), 503-513. doi:10.24012/DUMF.1450640
• Sevinç, A. ve Kaya, B. (2021). Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği. Computer Science, (Special), 217-225. doi:10.53070/BBD.990966
• Sharma, R. (2012). Sales Forecast of an Automobile Industry. Article in International Journal of Computer Applications, 53(12), 975-8887. doi:10.5120/8474-2403
• Sinap, V. (2024). Perakende Sektöründe Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Performans Analizi: Black Friday Satış Tahminlemesi. Journal of Selçuk University Social Sciences Vocational School, 27(1), 65-90. doi:10.29249/SELCUKSBMYD.1401822
• Sönmez, O. ve Zengin, K. (2019). Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma. European Journal of Science and Technology, 302-308. doi:10.31590/EJOSAT.638104
• Wang, J., Zhao, R., Wang, D., Yan, R., Mao, K. ve Shen, F. (2017). Machine health monitoring using local feature-based gated recurrent unit networks. IEEE Transactions on Industrial Electronics, 65(2), 1539-1548. doi:10.1109/TIE.2017.2733438
• Yılmaz, H. ve Tosun, Ö. (2020). AYLIK KONUT SATIŞLARININ MODELLENMESİ VE ANTALYA ÖRNEĞİ. Kafkas University Journal of Economics and Administrative Sciences Faculty, 11(21), 141-158. doi:10.36543/KAUIIBFD.2020.007
• Yücesan, M. (2018). YSA, ARIMA ve ARIMAX Yöntemleriyle Satış Tahmini: Beyaz Eşya Sektöründe bir Uygulama. İşletme Araştırmaları Dergisi, 10(1), 689-706.
• Yucesan, M., Gul, M. ve Celik, E. (2017). Primjena umjetnih neuronskih mreža uz pomoć Bayesova pravila učenja u predviđanju prodaje za industriju namještaja. Drvna industrija, 68(3), 219-228. doi:10.5552/DRIND.2017.1706
• Yucesan, M., Gul, M. ve Celik, E. (2018). Performance Comparison between ARIMAX, ANN and ARIMAX-ANN Hybridization in Sales Forecasting for Furniture Industry. Drvna industrija, 69(4), 357-370. doi:10.5552/DRIND.2018.1770
• Yurtsever, M. (2022). LSTM YÖNTEMİ İLE EKONOMİK GÖSTERGELER KULLANILARAK OTOMOBİL SATIŞ TAHMİNİ. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 12(3), 1481-1492. doi:10.30783/NEVSOSBILEN.987093
• Zeiler, M. D. (2012). ADADELTA: An Adaptive Learning Rate Method. https://arxiv.org/abs/1212.5701v1
• Zhang, J., Zeng, Y. ve Starly, B. (2021). Recurrent neural networks with long term temporal dependencies in machine tool wear diagnosis and prognosis. SN Applied Sciences, 3(4), 1-13. doi:10.1007/S42452-021-04427-5/FIGURES/7
• Zhao, K. ve Wang, C. (2017). Sales Forecast in E-commerce using Convolutional Neural Network. https://arxiv.org/abs/1708.07946v1