Geri Dön

Makine öğrenmesi yöntemi ile satış tahminlemesi

Sales forecasting with machine learning method

PDF İndir

  1. Tez No: 1016526
  2. Yazar: İLKNUR PAKSOY
  3. Danışmanlar: PROF. DR. ÖMER TORLAK
  4. Tez Türü: Doktora
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Pazarlama, Perakende sektörü, Marketing, Retail sector
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Sabahattin Zaim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: İşletme Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, veri odaklı yapay zekâ uygulamaları çerçevesinde süpermarket satış verileri üzerinden makine öğrenmesi yöntemleri ile yüksek doğruluklu satış tahminlemesi yapmayı amaçlamaktadır. Perakende sektöründe geleneksel istatistiksel yöntemlerin büyük veri hacmi ve karmaşık tüketici davranışları karşısında yetersiz kalması, işletmeleri daha analitik ve genellenebilir çözümlere yöneltmektedir. Araştırmanın temel problemi, mevsimsellik ve trend gibi sınırlı değişkenlerle talep dinamiklerini modellemenin güçlüğüdür. Araştırma kapsamında, İstanbul'un farklı konumlarında faaliyet gösteren süpermarketlerin 2021-2023 yıllarını kapsayan 1.180.402 satırlık veri seti kullanılmıştır. Yöntem olarak XGBoost, Random Forest ve LightGBM algoritmaları tercih edilmiş; modelleme sürecine promosyon etkileri, stok seviyeleri ve takvim değişkenlerini içeren 27 farklı öznitelik entegre edilmiştir. Modellerin geleceği öngörme performansı, zaman serisi disiplinine uygun olan“Hareketli Pencere Doğrulaması”(Rolling Window Validation) yöntemiyle test edilmiştir. Araştırma bulguları, XGBoost modelinin mevcut veriyi açıklama gücünün yüksek olduğunu (R²: 0,9654), ancak operasyonel tahminleme başarısında LightGBM modelinin %7,23 MAPE değeri ile daha stabil ve güvenilir sonuçlar sunduğunu ortaya koymuştur. Özellik önem analizi sonucunda, satış cirosunu etkileyen en kritik değişkenin“fiziki işlem hacmi”olduğu ve bunu kısa dönemli gecikmeli satış verilerinin takip ettiği saptanmıştır. Sonuç olarak, makine öğrenmesi yöntemlerinin perakende sektöründe stratejik pazarlama ve stok kararları için bilimsel temelli, özgün bir çerçeve sunduğu kanıtlanmıştır

Özet (Çeviri)

This study aims to develop high-accuracy sales forecasting models using machine learning methods over supermarket sales data within the framework of data-driven artificial intelligence applications. The failure of traditional statistical methods in the face of large data volumes and complex consumer behaviors in the retail sector necessitates more analytical and generalizable solutions for businesses. The primary problem addressed is the difficulty of modeling demand dynamics with limited variables such as seasonality and trends. The research uses a dataset of 1,180,402 rows covering 2021-2023 from supermarkets across various locations in Istanbul. XGBoost, Random Forest, and LightGBM algorithms were selected as methods, and 27 different features, including promotion effects, stock levels, and calendar variables, were integrated into the modeling process. The models' forecasting performance was evaluated using the 'Rolling Window Validation' method, which is well-suited to time-series data. The research findings revealed that while the XGBoost model had high explanatory power for existing data (R²: 0.9654), the LightGBM model provided more stable and reliable results in operational forecasting with a 7.23% MAPE value. Feature importance analysis identified“physical transaction volume”as the most critical variable affecting sales turnover, followed by short-term lagged sales data. Consequently, it has been proven that machine learning methods offer an original, science-based framework for strategic marketing and inventory decisions in the retail sector.

Benzer Tezler

  1. Tez No

    711174

    Fuzzy clustering based ensemble learning approach: Applications in digital advertising

    Bulanık kümeleme tabanlı topluluk öğrenmesi yaklaşımı: Dijital reklam alanında uygulamalar

    AHMET TEZCAN TEKİN

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

    PROF. DR. TOLGA KAYA

  2. Tez No

    559458

    Purchase prediction and item prediction with RNN using different user-item interactions

    Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi

    FULYA ÇELEBİ SARIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN

  3. Tez No

    713829

    RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data

    İş makinesi sektöründe müşteri işlem verilerini kullanarak RFMLP tabanlı müşteri segmentasyonu ve müşteri kayıp analizi

    MUSTAFA ÇAMLICA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. FETHİ ÇALIŞIR

  4. Tez No

    719989

    Satış tahminlemesinde hibrit bir yaklaşım: Pestel, RFM, gradient boosting

    A hybrit approach to sales prediction: Pestel, RFM, gradient boosting

    ESRA AKCA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İstatistikMimar Sinan Güzel Sanatlar Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SEMRA ERPOLAT TAŞABAT

  5. Tez No

    346485

    Veri madenciliği ile geliştirilen bir akıllı buzdolabı ve market sepet analizi sistemi

    A smart refrigerator developed by data mining and market basket analysis system

    ENGİN OĞUZAY

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDEM UÇAR

Geri Dön