Forecasting simulated retail demand using statistical and data mining techniques

Abstract

Bu tezin başlıca amacı, promosyonların bulunduğu bir perakende ortamında istatistik ve veri madenciliği yöntemleri ile talep tahmini yapmaktır. Bu çalışmada, perakende sektörü için pazarlama literatüründe bulunan müşteri tercih modellerine dayanan bir müşteri tercih modeli geliştirilmiştir. Geliştirilen müşteri tercih modeline göre veri üretimi yapılmıştır. Veri üretimi için dikkate alınan perakende ortamı, tek bir kategoriyi, birden fazla ürünü, birden fazla ürün özelliğini ve birden fazla müşteri segmentini içermektedir. Fiyat indirimi, reklam ve özel teşhir gibi pazarlama aktiviteleri göz önünde bulundurulmuştur. Talep tahmini, üretilen data üzerinde hem üstel düzeltme ve lineer regresyon gibi istatistik yöntemleri ile hem de SVM regresyon ve regresyon ağacı yöntemleri gibi veri madenciliği teknikleri ile gerçekleştirilmiştir. Kullanılan yöntemler, SKU talep tahmini doğruluğu, paremetre hesap kolaylığı ve kategoriye yeni giriş yapan SKU'ların tahmin doğruluğu üzerinden kıyaslanmıştır. Sonuç olarak farklı veri durumları için önerilen talep tahmin metodları belirtilmiştir.

Primary research purpose of this thesis is to evaluate statistical and data mining techniques for demand forecasting in the presence of promotions. A consumer choice model is developed by modifying present models of consumer choice in marketing literature for grocery retail industry. Data generation task is carried out according to the developed consumer choice model. Data is generated in a retail environment which has a single category, multiple products, multiple product attributes and multiple customer segments. Marketing drivers, such as price discounts, advertisement and feature displays are in data generation. Forecasting is performed over generated data by using both traditional statistical techniques, such as exponential smoothing and regression and recent data mining techniques, such as support vector machine regression and regression tree. Consequently, forecasting results of several techniques are compared according to accuracy of the SKU demand forecasts, simplicity in terms of parameter estimation and forecasting performance in new SKU entered situations. Finally, preferred methods for different data conditions are explained.