Artificial ıntelligence based sales cancellation/return forecasting software for e-commerce ındustry
E-ticaret sektörü için yapay zeka tabanli satiş i̇ptal/i̇ade tahminleme yazilimi
- Tez No: 946238
- Danışmanlar: PROF. DR. MEHMET FATİH AKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Öge seçimi, Machine learning, Feature selection
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzün hızla değişen dijital ortamında e-ticaret, basit bir satış kanalı olmanın ötesine geçmiş ve stratejik iş planlamasının temel bileşenlerinden biri hâline gelmiştir. Bu çalışma, sipariş iptali ve iade tahmini için makine öğrenmesi tabanlı sınıflandırma modelleri geliştirmeyi amaçlamaktadır. Modeller, Mayıs 2020 ile Ağustos 2024 tarihleri arasında bir e-ticaret şirketinden toplanan 11.000 işlem kaydından oluşan gerçek bir veri kümesi kullanılarak oluşturulmuştur. Bu kayıtların 10.000'i model eğitimi için, kalan 1.000'i ise bağımsız testler için ayrılmıştır. Eğitim veri kümesi, tamamlanan, iptal edilen ve iade edilen siparişler olmak üzere üç sınıf arasında dengelenmiştir. İki farklı modelleme yaklaşımı benimsenmiştir. İlk yaklaşım, tüm bu üç sonucu tek bir modelde tahmin etmek amacıyla çok sınıflı sınıflandırma çerçevesini kullanmıştır. İkinci yaklaşım ise, iptal ve iade durumları için ayrı ayrı ikili sınıflandırma modelleri geliştirerek daha hedefli tahminler yapılmasını sağlamıştır. Bu modelleri oluşturmak için beş makine öğrenmesi algoritması uygulanmıştır: Lojistik Regresyon (LR), Rastgele Orman (RF), Aşırı Gradyan Artırma (XGBoost), Destek Vektör Makineleri (SVM) ve Derin Sinir Ağı (DNN). Model performansını artırmak amacıyla dört öznitelik seçme stratejisi değerlendirilmiştir: minimum Artıklık Maksimum İlgililik (mRMR), Relief-F, F-Sınıflandırma ve bu üçünün birleşiminden oluşan Hibrit yöntem. Bunlar arasında, özellikle RF ve XGBoost ile birlikte kullanıldığında, Relief-F ve Hibrit yaklaşımlar en güçlü sonuçları vermiştir. Sonuçlar, ikili sınıflandırma yaklaşımının çok sınıflı yaklaşıma kıyasla daha yüksek doğruluk ve duyarlılık sağladığını ortaya koymuştur. SVM modelleri, ikili sınıflandırma senaryolarında güçlü bir performans sergilerken; LR ve DNN modelleri daha düşük başarı göstermiştir. Genel olarak, gelişmiş öznitelik seçme tekniklerinin RF ve XGBoost ile entegrasyonu, tahminleme yeteneklerini önemli ölçüde artırmış ve e-ticaret işletmeleri için operasyonel planlama ve karar alma süreçlerini optimize etmede değerli bir araç sunmuştur.
Özet (Çeviri)
In today's rapidly evolving digital landscape, e-commerce has moved far beyond serving as a simple sales channel and has become a core component of strategic business planning. This study aims to develop machine learning based classification models for order cancellation and return prediction. These models were built using a real-world dataset of 11,000 transaction records collected from an e-commerce company between May 2020 and August 2024. 10,000 records were used for training the models, while the remaining 1,000 were reserved for independent testing. The training dataset was balanced across three classes: completed, canceled, and returned orders. Two distinct modeling approaches were adopted. The first approach utilized a multi-class classification framework to predict all three outcomes in a single model. The second approach employed separate binary classification models for cancellations and returns, allowing for more targeted predictions. To construct these models, five machine learning algorithms were applied: Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM), and Deep Neural Network (DNN). To enhance model performance, four feature selection strategies were evaluated: minimum Redundancy Maximum Relevance (mRMR), Relief-F, F-Classification, and a Hybrid method combining the three. Among these, Relief-F and Hybrid approach yielded the most robust results, particularly when used in conjunction with RF and XGBoost.The results indicated that the binary classification approach produced superior predictive accuracy and sensitivity compared to the multi-class approach. SVM models demonstrated strong performance in binary classification scenarios, whereas LR and DNN models underperformed. Overall, the integration of advanced feature selection techniques with RF and XGBoost significantly improved forecasting capabilities, offering e-commerce businesses a valuable tool for optimizing operational planning and decision-making processes.
Benzer Tezler
- Para piyasasında banka dışı mali kesimde finansal farklılaşma: Factoring, forfaiting, leasing ve özel finans kurumları
Başlık çevirisi yok
MÜGEHAN ACARASLAN
- Bankacılık sektöründe robotik süreç otomasyonu - bir uygulama örneği
Robotic process automation in the banking industry - an application example
ÖMER BAŞTÜRK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEHER ARSLANKAYA
- Türkiye'deki havalimanlarında düşük görüş mesafesinin istatistiksel ve meteorolojik analizi ile makine öğrenmesi tabanlı tahmini
Statistical and meteorological analysis, and machine learning-based prediction of low visibility at airports in Türkiye
İBRAHİM AKBAYIR
Doktora
Türkçe
2025
Sivil Havacılıkİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ DEMİRHAN
- Geleneksel Sivrihisar evleri
Traditional houses of Sivrihisar
FİSUN ÖZŞUÇA
Yüksek Lisans
Türkçe
1986
MimarlıkGazi ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. ORHAN CEZMİ TUNCER