dc.description.abstract |
ABSTRACT
The rapidly evolving e-commerce platforms have reshaped consumer behavior, creating an imperative for accurate sales forecasting models. This paper delves into predictive analytics, using machine learning, focusing on utilizing Long Short-Term Memory (LSTM) for sales prediction within the e-commerce domain. Leveraging a comprehensive dataset from Taobao, a prominent e-commerce platform, this study employs LSTM-based models to forecast sales trends, considering factors such as user interactions, browsing patterns, and purchase behavior. The investigation encompasses preprocessing techniques to prepare the dataset for LSTM model training, emphasizing sequential dependencies and temporal dynamics inherent in e-commerce data. Through accurate evaluations using standard metrics like Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE), the efficacy of LSTM models in predicting sales patterns is scrutinized. The paper highlights the potential implications of accurate sales forecasting in optimizing inventory management, marketing strategies, and decision-making within
the e-commerce landscape. This study contributes to the growing knowledge of leveraging LSTM networks for precise sales prediction in e-commerce, providing insights for future advancements in predictive analytics within this dynamic domain.
ÖZET
Hızla gelişen e-ticaret platformları tüketici davranışını yeniden şekillendirerek doğru satış tahmin modellerine yönelik bir zorunluluk oluşturdu. Bu makale, makine öğrenimini kullanarak, e-ticaret alanında satış tahmini için Uzun Kısa Süreli Bellek (LSTM) ağlarını kullanmaya odaklanarak tahmine dayalı analitiği ele almaktadır. Önde gelen bir e-ticaret platformu olan Taobao'dan alınan kapsamlı bir veri setinden yararlanan bu çalışma, kullanıcı etkileşimleri, göz atma kalıpları ve satın alma davranışı gibi faktörleri dikkate alarak satış eğilimlerini tahmin etmek için LSTM tabanlı modeller kullanıyor. Araştırma, e-ticaret verilerinin doğasında bulunan sıralı bağımlılıkları ve zamansal dinamikleri vurgulayarak LSTM model eğitimi için veri kümesini hazırlamak amacıyla ön işleme tekniklerini kapsamaktadır. Ortalama Karesel Hata (MSE), Ortalama Mutlak Hata (MAE) ve Ortalama Karesel Hatanın Kökü (RMSE) gibi standart ölçümler kullanılarak yapılan doğru değerlendirmeler yoluyla, LSTM modellerinin satış kalıplarını tahmin etmedeki etkinliği inceleniyor. Bu makale, e-ticaret ortamında envanter yönetimini, pazarlama stratejilerini ve karar
almayı optimize etmede doğru satış tahminlerinin potansiyel etkilerinivurgulamaktadır. Bu çalışma, e-ticarette kesin satış tahminleri için LSTM ağlarından yararlanma konusunda artan bilgi birikimine katkıda bulunarak, bu dinamik alanda tahmine dayalı analitiklerde gelecekteki gelişmeler için öngörüler sağlıyor. |
en_EN |