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

Abstract

 Demand forecasting models for local supermarkets were developed and compared.  A dataset obtained from internet sales and mobile sales was used.  The best prediction result was obtained using Long and Short Term Memory Networks Figure A. 10-fold cross-validation results Purpose:The demand for a certain category of products is estimated by taking into account the e-commerce data (website and mobile application) of a local supermarket for the last two years and the factors affecting product sales (CPI and unemployment data). Theory and Methods: Twenty-four different methods of six different artificial intelligence algorithms (i.e. Deep Learning, Artificial Neural Networks, Gaussian Process Regression, Regression Tree, Support Vector Regression and Ensemble Learning) have been trained and tested for the demand forecasting model. Results:The obtained results were evaluated using correlation coefficient (R), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) criteria. The best result was obtained using Long Short-Term Memory Networks (RMSE= 0.0353; MAE= 0.0164; R = 0.9742). Conclusion:The results obtained can increase the success of e-retail sales by using the correct number of product orders, sales campaigns, and marketing strategies.

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

“…Satış tahmininde üstel düzeltme, hareketli ortalamalar, doğrusal regresyon, otoregresif bütünleşik hareketli ortalama gibi klasik tahmin yöntemlerinin yanı sıra son yıllarda yapay zeka yöntemleri etkin bir şekilde kullanılmaktadır [12]. Özellikle perakende [18,22,24], moda [19], otomotiv [14,15], gıda [16,20], sağlık [2,17] ve e-ticaret [19,21,23] gibi sektörlerde satış tahmini için yapay zekanın bir alt dalı olan derin öğrenme yöntemleri öne çıkmaktadır. Bu kapsamda derin sinir ağı (DSA) (Deep Neural Network -DNN) [13][14][15]24], konvolüsyonel sinir ağı (KSA) (Convolutional Neural Network -CNN) [23], tekrarlayan sinir ağı (TSA) (Recurrent Neural Network -RNN) [22,23] ve UKSB [2,[16][17][18][19][20][21][22][23] yöntemleri kullanılmıştır.…”

“…Özellikle perakende [18,22,24], moda [19], otomotiv [14,15], gıda [16,20], sağlık [2,17] ve e-ticaret [19,21,23] gibi sektörlerde satış tahmini için yapay zekanın bir alt dalı olan derin öğrenme yöntemleri öne çıkmaktadır. Bu kapsamda derin sinir ağı (DSA) (Deep Neural Network -DNN) [13][14][15]24], konvolüsyonel sinir ağı (KSA) (Convolutional Neural Network -CNN) [23], tekrarlayan sinir ağı (TSA) (Recurrent Neural Network -RNN) [22,23] ve UKSB [2,[16][17][18][19][20][21][22][23] yöntemleri kullanılmıştır. Satış tahmininde derin öğrenme yöntemlerini kullanan bu çalışmalar Tablo 1'de özetlenmiştir.…”

“…Satış tahmininde derin öğrenme yöntemlerini kullanan bu çalışmalar Tablo 1'de özetlenmiştir. Ayrıca Tablo 1'de Türkiye'deki e-ticaret ve perakende sektörleri için derin öğrenme modelleri ile başarılı uygulamalar yer almaktadır [23,24].…”

Evaluation of Uniaxial Compressive Strength of Basalts using Machine Learning Methods and Comparison of Their Performances

“…Gauss süreç regresyonu (GSR), çoğunlukla doğrusal olmayan regresyon problemlerini çözebilmek amacıyla kullanılır. Parametrik olmayan, olasılıklı problemlerde tercih edilir [50], [51]. GSR, Bayesci bir yaklaşıma sahiptir ve küçük veri kümelerinde bile başarılı sonuçlar elde edilebilir [52].…”

“…Gauss sürecinin hiper-parametreleri kovaryans ve ortalama fonksiyonlarıdır [55]. Kovaryans fonksiyonu ortalama fonksiyonunun güven düzeyi ölçüsü olarak kullanılır [56].…”