Türkiye'de Perakende Sektöründe Elektronik Ürünlere Olan Talebin Yapay Sinir Ağı ile Modellenmesi

Öz

Şirketlerin rekabet piyasasındaki başarıları geleceklerini tahmin etme yeteneklerine  bağlıdır. Bu yüzden talep tahmini şirketlerin kısa ve uzun dönemli hedeflerine ulaşmasında önemli bir rol oynar.  Bu çalışmada yapay sinir ağları ile talep tahmin problemi ele alınmıştır. Bu bağlamda Türkiye’nin öncü elektronik perakende şirketlerinden birinin ‘notebook’ ürün grubu için geçmiş dönemlere ait satış verileri kullanılarak yapay sinir ağı ile gelecek dönemler için satış tahminlemesi yapılmıştır. Uygulama sonucunda yapay sinir ağı kullanılarak yapılan modellemenin  tahmin hatalarının incelenmesiyle elde edilen sonuçlara ve değerlendirmelere yer verilmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağları,Talep Tahmini,Perakende Sektörü,Elektronik Ürünler

Kaynakça

1. Acar, N., 1989. Üretim Planlaması Yöntem ve Uygulamaları, Yeniçag, Ankara.
2. Arbib, M.A., 2003. The handbook of brain theory and neural networks, second edition. Massachusetts Institute of Technology. USA.
3. Asilkan, Özcan ve Irmak, Sezgin (2009). _kinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Agları ile Tahmin Edilmesi, Süleyman Demirel Üniversitesi _ktisadi ve _dari Bilimler Fakültesi Dergisi, 14(2) 2009: 375-391.
4. Ataseven, Burçin (2007). Satıs öngörü modellemesi olarak YSA’nın kullanımı: PETK_M’de Uygulanması, Yüksek Lisans Tezi, Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü, Manisa.
5. Avcı, Emin (2009). Yapay Sinir Agları Modelleri _le Hisse Senedi Getiri Tahminleri, Marmara Üniversitesi _ktisadi ve _dari Bilimler Fakültesi Dergisi, 26(1) 2009: 443-461.
6. Aydoğan, Burak; Ayat, Berna; Öztürk, Mehmet N.; Çevik, Özkan E. ve Yüksel, Yalçın (2010). Current velocity forecasting in straits with artificial neural networks, a case study: Strait of Istanbul, Ocean Engineering, 37 (2010) 443– 453.
7. Barghash, M.A. ve Santarisi, N.S., 2004. Pattern recognition of control charts using artificial neural networks – analysing the effect of the training parameters, Journal of Intelligent Manufacturing, 15, 635-644.
8. Bolt, G., 1994. Market and sales forecasting : a total approach, Kogan Page,Londra.

9. Cahow, Eric E. (2004). Forecast of demand for chronic care nursing home services: 20052025, Doktora Tezi, Brandeis University, Waltham Massachusetts, USA.
10. Carlson, RL and Umble, M (1980). Statistical demand functions for automobiles and their use for forecasting in an energy crisis. The Journal of Business, 53,2-10.
11. Çelik, Burak (2008). YSA Metodolojisi ile Zaman Serisi Analizi: Teori ve Uygulama, Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
12. Çuhadar, Murat, Güngör, İbrahim ve Göksu, Ali (2009). Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya iline Yönelik Bir Uygulama, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1) 2009: 99-114.
13. Denton, J. W., 1995. How good are neural networks for casual forecasting The Journal of Business Forecasting Methods&Systems, 14, p.17
14. Es, H. Yapay Sinir Ağları ile Türkiye Net Enerji Talep Tahmini, Gazi Üniversitesi, Fen Bilimleri Enstitisü, Endüstri Mühendisliğ Ana Bilim Dalı, Yüksek Lisans Tezi, 2013.
15. Fildes, R., (2006), ―The forecasting journals and their contribution to forecasting research: Citation analysis and expert opinion‖, International Journal of Forecasting, 22(3):415– 432.
16. Freeman, J.A. ve Skapura, D.M., 1991. Neural networks algorithms, applications, and programming techniques. Addison-Wesley Publishing Company. USA.
17. Fuente, D.A., 2004. Artificial neural networks, the tutorial. Universidad Politecnica de Madrid. Erişim Adresi: http://www.gc.ssr.upm.es/inves/neural/ ann1/anntutorial. html. Erişim tarihi: Şubat 2005.
18. Gavcar, Erdogan, Sen, Selim ve Aytekin, Alper (1999). Türkiye’de Kullanılan Kagıt- Karton Türlerinin Talep Tahminlerinin Belirlenmesi. Tr. Journal of Agriculture and Forestry, TÜB_TAK, 23. 203-211.
19. Griffiths, William E., Newton, Lisa S. and O’Donnell, Christopher J. (2010). Predictive densities for models with stochastic regressors and inequality constraints: Forecasting local-area wheat yield, International Journal of Forecasting, 26 (2010) 397–412.
20. Hajirezaie, Mehdi, Hussein, Seyyed, Barfourosh, Ahmad and Karimi, Behrooz (2010). Modeling and evaluating the strategic effects of improvement programs on the manufacturing performance using neural Networks, African Journal of Business Management, 4(4): 414-424.
21. Hu, Clark (2002). Advanced Tourism Demand Forecasting: ANN and Box-Jenkins Modelling, Doktora Tezi, Purdue University, MI, USA.
22. İnsel, Aysu, Sualp, M. Nedim ve Karakaş, Mesut (2010). A comparative analysis of the ARMA and neural network models: A case Turkish economy, İktisat İşletme ve Finans, 25(290)2010: 35-64.
23. Jones, Spencer S. (2008). Measuring, Modeling, and Forecasting Demand in The Emergency Department, Doktora Tezi, The University of Utah, USA.
24. Kobu B., 1984. Üretim yönetimi. İ.Ü. İşletme Fakültesi, İstanbul.
25. Matuyama, K., Sumita, T. ve Wakayama, D., (2009), ―Periodic forecast and feedback to maintain target inventory level‖, International Journal of Production Economics, 118(1):298-304.
26. Murray, G., 2003. Artificial neural networks. Erişim adresi http://www.swin.edu.au/bioscieleceng/ciscp/anns.html. Erişim tarihi: Ocak 2005.
27. Sahoo, G.B., Schladow, S.G. and Reuter, J.E. (2009). Forecasting stream water temperature using regression analysis, artificial neural network, and chaotic non-linear dynamic models, Journal of Hydrology, 378 (2009) 325–342.
28. Serttaş, Z. Türkiye’ de Perakende Sektöründe Talebi Etkileyen Etmenler veYapay Sinir Ağlarıyla Talep Tahmini Uygulaması, Yıldız TeknikÜniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği, Yüksek Lisans Tezi, 2011.
29. Shamseldin, Asaad Y (2010). Artificial neural network model for river flow forecasting in a developing country, Journal of Hydro informatics, 12 (1): 2235.
30. Sun, Xiaodong, Gauri, Dinesh and Webster, Scott (2010). Forecasting for cruise line revenue management. Journal of Revenue and Pricing Management, 29 Ocak 2010; doi:10.1057/rpm.2009.55
31. Şahin, Ş.Ö., 2002. Yapay sinir ağları yardımı ile dinamik bir senaryo analizi, Yüksek Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.
32. Tebo, A., 1994. Artificial neural networks: a developing science. Erişim adresi : http://www.spie.org/app/publications/magazines/oerarchive/september/neural_net.html. Erişim Tarihi: Ocak 2005.
33. Tekin, M., 1996. Üretim Yönetimi, Arı Ofset Matbaacılık, Konya.
34. Thall, N., 1992. Neural Forecasts: A Retail Sales Booster, Discount Merchandiser, 32, p. 41.
35. Veelenturf, L.P.J., 1995. Analysis and applications of artificial neural networks. Prentice Hall Internaional (UK) Limited. United Kingdom.
36. Wong, Bo K, Bodnovich, Thomas A, Selvi, Yakup (1997). Neural network applications in business: A review and analysis of the literature (1988-95), Decision Support Systems 19 (1997): 301-320.
37. Zhoumcmahon, S.L, Walton, T.A and Lewis, A (2002). Forecasting operational demand for an urban water supply zone. Journal of Hydrology, 259(1): 189-202.