Dynamic time warping for behavioral similarity clustering for retail sales forecasting and insight generation

Abstract

Perakende sektörü çok dinamik ve tahmin etmesi zor bir sektördür. Özellikle Türkiye gibi büyüyen ekonomilerde sektörün ilerleyişini, sektörü etkileyen faktörlerin anlaşılması ve tahminlenmesi zordur. Perakende satış tahminleri ne kadar doğru olursa, perakendecilerin kısa ve uzun vadeli karar mekanizmaları daha düzgün çalışır ve büyüme gözlemlenir.Bu tezde, Gür Ali ve Pınar (2013) tarafından uygulanan satış tahmini modelini geliştirmek için davranışsal gruplandırma yöntemi önerilmiştir. Davranışsal gruplandırma amacıyla Dinamik Zaman Bükme (DZB) yöntemi kullanılmıştır. Ayrıca içgörü geliştirme amacıyla da gene DZB yöntemini temel olarak kullanan bir yöntem geliştirilmiştir.Temel olarak kullanılan model çok dönemli iki seviyeli bağlanım analizi yöntemidir. İlk seviye satışları etkileyen pazarlama, enflasyon ve mevsimsellik etkilerini göz önüne alır. İkinci seviye, ilk seviyeden arta kalan sapma değerlerini geceleğe dönük tahmin ederek eğilim ve çevrimsel hareketleri modellemektedir. Temel modelde seriler şirketçe belirlenmiş özelliklerine gore gruplanmaktadır. Bu tezde önerilen davranışsal gruplama, zaman serilerini hareket ve örüntülerine gore gruplamaktadır. Bu gruplama için kullanılan, iki seri arasındaki benzerlik değeri DZB mesafesinden gelmektedir. Sonuçlar incelendiğinde DZB temelli davranışsal gruplamanın daha doğru tahminler verdiği gözlemlenmiştir.İçgörü geliştirme amacıyla, DZB mesafelerini temel alan bir Monte-Carlo deneyi geliştirilmiştir. Mesafelerin dağılımı incelenerek istenilen sayıda zaman serisini birbiriyle karşılaştırarak benzer serileri tanımlamayı otomatik hale getiren bi program oluşturulmuştur. Yapılan deneyler sonucunda geliştirlen yöntemin doğru ve içgörü oluşturan benzerlikler olduğu görülmüştür.

Retail industry is a dynamic industry with many observable and hidden drivers of sales. Accurately forecasting short and long term sales is a major advantage to retailers as it helps with decision and policy making. Along with forecasting, determining and understanding hidden drivers of sales is invaluable for identifying indicators of change in trends.In this thesis, we propose a method for increasing forecasting accuracy of the model proposed by Gür Ali and Pınar (2013), and provide a new method for automatic similarity identification to gain insights. The base model is a multi-period two-layer pooled regression model. The first layer considers marketing, inflation and seasonal effects. In the second layer, the residuals from the first layer are extrapolated to identify trend-cyclical components of the sales. The pooling is done according to characteristics of stores, predetermined by the company.We propose behavioral pooling to improve the accuracy of the forecasts. Behavioral pooling groups the stores according to their similarity in movement patterns. We use Dynamic Time Warping method to quantify similarity between stores. The resulting pooling significantly improves the accuracy of the base model.Dynamic Time Warping is also used as a similarity measure between the residuals and environmental and socio-economic indicator time series to gain insights about other potential drivers of sales.