Perakende Sektöründe Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Performans Analizi: Black Friday Satış Tahminlemesi
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ÖZ Büyük perakende zincirlerinin şube ağlarının genişlemesi, müşteri tabanlarının büyümesi ve artan müşteri profili heterojenliği satış tahminleme süreçlerinin karmaşıklığını artırmaktadır. Müşteri çeşitliliği ve bu çeşitliliğin yönetilmesi, perakendeciler için hem stratejik planlama hem de operasyonel düzeyde uygulama açısından önemli bir güçlük oluşturmaktadır. Bu noktada, müşteri segmentasyonu ve kişiselleştirilmiş pazarlama stratejileri geliştirmek, her bir müşteri grubuna özel yaklaşımlar belirlemek ve bu çeşitliliği anlayarak etkili bir şekilde yönetmek önem kazanmaktadır. Gelişen teknolojiler, özellikle makine öğrenmesi yöntemleri söz konusu zorluklarla başa çıkma potansiyeli sunmaktadır.Bu kapsamda araştırmanın amacı, bir perakende firmasının Black Friday günündeki satış veri seti üzerinde Doğrusal Regresyon, Rastgele Orman Regresyonu, K-En Yakın Komşu Regresyonu, XGBoost Regresyonu, Karar Ağacı Regresyonu ve LGBM Regresyonu isimli makine öğrenmesi algoritmaları aracılığıyla satış tahminlemesi gerçekleştirmek ve algoritmaların performanslarını karşılaştırarak en iyi performans gösteren algoritmayı belirlemektir. Ayrıca, GridSearchCV kullanarak hiperparametrelerin ayarlanması ve bu ayarlamaların modellerin performanslarına etkisinin incelenmesi amaçlanmaktadır. Buna ek olarak, veri seti üzerinde Keşifsel Veri Analizleri yürütülerek, perakende sektöründeki işletmelerin ellerinde bulunan verilerden ne tür bilgiler çıkarabileceklerine ve bu bilgileri nasıldeğerlendirebileceklerine ilişkin bir örnek oluşturmak araştırmanın diğer önemli bir amacıdır. Araştırmadan elde edilen sonuçlara göre, satışları tahminlemede en başarılı algoritma GridSearchCV ile hiperparametreleri ayarlanmış XGBoost Regresyonu olmuştur. Firma müşterilerinin en çok 26-35 yaş aralığında bireylerden oluştuğu, erkek müşterilerin kadınlara, bekar müşterilerin evlilere göre önemli ölçüde daha yüksek tutarlı alışverişler yaptığı saptanmıştır. Ayrıca, satın alım tutarı ortalaması bağlamında bakıldığında en yüksek harcama ortalamasına sahip yaş grubu 51-55 yaş aralığı olarak tespit edilmiştir.
ABSTRACTThe expansion of branch networks of large retail chains, the growth of their customer base, and the increasing diversityof customer profiles are exacerbating the complexity of sales forecasting processes. Managing this diversity and itsimplications presents a significant challenge for retailers in terms of both strategic planning and operationalimplementation. At this point, developing customer segmentation and personalized marketing strategies, determiningunique approaches for each customer group, and effectively managing this diversity are becoming increasingly crucial.The emerging technologies, particularly machine learning methods, present the potential to cope with these challenges.In light of this, the main objective of the research is to perform sales forecasting on a retail company's Black Friday salesdata using machine learning algorithms named Linear Regression, Random Forest Regression, K-Nearest NeighborsRegression, XGBoost Regression, Decision Tree Regression and LightGBM Regression and determine the bestperforming algorithm by comparing their performances. It is also aimed to tune the hyperparameters usingGridSearchCV and examine the effect of these adjustments on the performance of the models. Additionally, ExploratoryData Analysis will be conducted on the dataset to create a sample example for businesses in the retail sector on how theycan extract useful information from their available data and effectively evaluate it. According to the results obtained fromthe research, the most successful algorithm in predicting sales was the XGBoost Regression with hyperparameters tunedusing GridSearchCV. It has been determined that the majority of the company's customers consist of individuals aged 26-35, with male customers making significantly higher purchases compared to females and single customers spending morethan married ones. Furthermore, when examining the average amount of purchases made by each age group, it wasidentified that those within the range of 51-55 years had the highest average spending rate.
ABSTRACTThe expansion of branch networks of large retail chains, the growth of their customer base, and the increasing diversityof customer profiles are exacerbating the complexity of sales forecasting processes. Managing this diversity and itsimplications presents a significant challenge for retailers in terms of both strategic planning and operationalimplementation. At this point, developing customer segmentation and personalized marketing strategies, determiningunique approaches for each customer group, and effectively managing this diversity are becoming increasingly crucial.The emerging technologies, particularly machine learning methods, present the potential to cope with these challenges.In light of this, the main objective of the research is to perform sales forecasting on a retail company's Black Friday salesdata using machine learning algorithms named Linear Regression, Random Forest Regression, K-Nearest NeighborsRegression, XGBoost Regression, Decision Tree Regression and LightGBM Regression and determine the bestperforming algorithm by comparing their performances. It is also aimed to tune the hyperparameters usingGridSearchCV and examine the effect of these adjustments on the performance of the models. Additionally, ExploratoryData Analysis will be conducted on the dataset to create a sample example for businesses in the retail sector on how theycan extract useful information from their available data and effectively evaluate it. According to the results obtained fromthe research, the most successful algorithm in predicting sales was the XGBoost Regression with hyperparameters tunedusing GridSearchCV. It has been determined that the majority of the company's customers consist of individuals aged 26-35, with male customers making significantly higher purchases compared to females and single customers spending morethan married ones. Furthermore, when examining the average amount of purchases made by each age group, it wasidentified that those within the range of 51-55 years had the highest average spending rate.
Açıklama
Anahtar Kelimeler
Satış Tahminlemesi, Makine Öğrenmesi, Regresyon Algoritmaları, Black Friday, Perakende Sektörü, Sales Forecasting, Machine Learning, Regression Algorithms, Retail Industry
Kaynak
SELÇUK ÜNİVERSİTESİ SOSYAL BİLİMLER MESLEK YÜKSEKOKULU DERGİSİ
WoS Q Değeri
Scopus Q Değeri
Cilt
27
Sayı
1
Künye
Sinap, V., (2024). Perakende Sektöründe Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Performans Analizi: Black Friday Satış Tahminlemesi. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 27 (1), 65-90.
