Aralıklı talep yapısına sahip ürünlerin talep tahmininde makine öğrenme yöntemlerinin uygulanması

Abstract

Talep tahmini ve doğruluğunun bir işletmenin başarısına ve müşteri memnuniyetine doğrudan etkisi bulunmaktadır. Düzgün talep yapısına sahip ürünlerin talep tahmini ve planlamasında birçok yöntem başarılı sonuçlar verirken çoğu zaman diliminde sıfır talep gören aralıklı talep yapısına sahip ürünlerin talep tahmininde başarılı olamamaktadır. Talep büyüklüğünün ve şeklinin değişkenliği bu ürünler için talep tahmini ve planlamanın yapılmasını zorlaştırmaktadır. Bu tez çalışmasında, aralıklı talep yapısına sahip ürünlerin talep tahminini için basit üstel düzeltme, Croston yöntemi ve modifikasyonları ile makine öğrenme yöntemlerinden olan Destek Vektör Makineleri ve aynı zamanda bir yapay sinir ağı modeli olan Çok Katmanlı Algılayıcılar ve Öz Örgütlemeli Harita Ağları incelenmiştir. Bu yöntemler e-ticaret sektöründe faaliyet gösteren bir işletmenin satış yaptığı bir kategorideki aralıklı talep yapısına sahip ürünlerinin talep tahmini için kullanılmıştır. Daha sonra her bir yöntemin performansı uygun ölçütler kullanılarak karşılaştırılmıştır. Sonuçlar incelendiğinde en iyi performansın bir yapay sinir ağı modeli olan Öz Örgütlemeli Harita Ağlarının ve ona çok yakın değerlere sahip olan Çok Katmanlı Algılayıcılar yönteminin sağladığı görülmektedir.

Forecasting and accuracy of demand has a direct effect in the success of a business and customer satisfaction. Whereas many methods show successful results in forecasting and planning demand of products with smooth demand, they fail with products that have many time periods with zero demands. Variability of capacity and pattern of demand causes forecasting and planning of it to become difficult. In this dissertation study, for forecasting intermittent demand, simple exponential smoothing, Croston Method and modifications, Support Vector Machines; one of the machine learning methods, Multilayer Perceptron and Self Organizing Maps, which is also an artificial neural network have been analyzed. These methods have been used for forecasting intermittent demand in one of the categories of a business that operates in e-trade sector. Afterwards, performance of each method has been compared using appropriate accuracy measures. When the results are examined, it can be seen that the best performance is been delivered by Self Organising Maps which is an artifical neural network model and Multilayer Perceptors which has a very close value to Self Organising Maps.