Perakende sektöründe talep tahmini

Abstract

İşletmeler, mevcut durumlarını koruyabilmek ve geliştirebilmek için değişen müşteri istek ve ihtiyaçlarını anlayabilmeli ve iyi bir plan çerçevesinde makul çözümler üretmelidirler. İşletmeler için yadsınamaz öneme sahip talep tahmininde uygulanan birçok yöntem bulunmaktadır. Yapay sinir ağları, kullanımı son yıllarda yaygınlaşan, neden-sonuç ilişkisine dayalı analizlerde bulunabilen bir yöntem olup, tutarlı ve güvenilir sonuçlar sunan istatistiksel bir talep tahmin yöntemidir. Çalışmada istatistiksel talep tahmin yöntemlerinden yapay sinir ağı modelleri, doğruluğunun ve tahmin performansının gösterilmesi açısından, zaman serisi analizleri modellerinden olan ARIMA modeli ile kıyaslanmıştır. Kıyaslama neticesinde yapay sinir ağları için dana, kuzu ve tavuk etleri talep tahminine ait MAPE değerleri sırasıyla %2.4279, %1.2077 ve %1.424 iken ARIMA modelleri için ise MAPE değerleri sırasıyla %15.7521, %29.280 ve %10.3951 olarak elde edilmiştir. Elde edilen değerler neticesinde yapay sinir ağları ile oluşturulan tahmin modellerinin bu çalışmada daha iyi performans sunduğu gözlemlenmiş ve örneklemin elde edildiği yer için %99 güven aralığında yapay sinir ağları ile gelecek 8 haftalık dönem için talep miktarları tahmin edilmiştir. Çalışmadan elde edilen bulguların, küçük ve orta ölçekli yerel perakende firmalarının talep tahmini metotlarından faydalanarak gelişim göstermesine ve gittikçe kızışan rekabet ortamında ayakta kalmasına ve literatüre katkı sunması beklenmektedir.

Companies should understand the changing customers' needs and demands then should produce new plausible policies to protect and improve their current status. The purpose of the forecasting is that to predict possible situations companies might face in the future and take actions in advance. There are a lot of methods used for demand forecasting. Artificial neural networks, based on cause and effect relationship, are a statistical methods which are widely and efficiently used in solution of demand forecasting. In this study, artificial neural networks and ARIMA models have been discussed to show the accuracy and reliability of artificial neural networks. Results demostrate that ANN (artificial neural network) performs beter than ARIMA models with a Mean Absolute Percentage Error (MAPE) of %2.4279 for beef demand forecasting, %1.2077 for lamb demand forecasting and %1.424 for chicken demand forecasting whereas ARIMA has MAPE of %15.7521, %29.280, and %10.3951 respectively. According to the comparison of two statistical methods, artificial neural networks are more reliable and consistent in this study to build appropriate model.In this study, demand forecasting practice is made with artificial neural networks with %99 confidence intervals by using past data belonging to a supermarket for the next upcoming 8 week.The aim of this study to show an example for other firms to keep up with the times and contribute to literature.