dc.description.abstract |
ÖZET
Bu çalışmada perakende hazır giyim endüstrisindeki ürün çeşitliliği dikkate alınarak yapay zeka yöntemleri kullanarak minimum hata oranı ile satış talep tahmini yapılması amaçlanmıştır. Klasik yöntemlerin dikkate alamadığı birçok değişkeni yapay zeka teknikleri ile modele dahil ederek tahminin doğruluğu arttırılmıştır. Bu bağlamda yapay zeka tekniklerinden yapay sinir ağları (YSA), destek vektör makineleri (DVM) ve rastgele ormanlar (RO) modelleri kurularak veri setinden çıkarımlar yapılmıştır. Modellerin kurulması aşamasında tahmini yapılan ürünlerin renk detaylarının olduğu ve olmadığı iki farklı veri seti hazırlanmış ve tahmin işlemi gerçekleştirilmiştir. Böylece yapay zeka talep tahmin yöntemleri arasında karşılaştırma yapma imkanı oluşturulmuştur. Çalışma kapsamında 20 yılı aşkın süredir sektörde faaliyet gösteren bir perakende hazır giyim firmasının 2014 49. hafta ile 2018 52. haftaları arasında kadın ve erkek ürün grubunda yaptığı satışlar veri seti
olarak kullanılmıştır. Giyim endüstrisinde sık görülen satışa çıkan ürünlerin renklerinin belirli bir kısmının diğer renklerden önce bitmesi durumunda satışın tek bir renge yoğunlaşması, diğer renklerin satış görememesi gibi tahmini olumsuz etkileyebilecek durumların değerlendirilmesi için ürünlerin renk detayları çalışma kapsamına alınmıştır. Ürünlerin tek bir veri setinde mi yoksa ayrı ayrı mı tahmin edilmesinin daha iyi olduğu sorusuna cevap bulabilmek için her bir ürün tek tek olarak ayrıca tahmin edilmiştir.
Yapılan tahmin çalışmaları sonucunda hangi yöntemin daha iyi sonuçlar verdiği belirlenmiş, ayrıca yöntemlerin sonuçları karşılaştırılarak sonuçların güvenirliliği arttırılmıştır. Yöntemlerin karşılaştırılmasında literatürde en çok kullanılan performans kriterlerinden ortalama mutlak hata, ortalama karelerin hatası, hataların ortalama karekökü, ortalama mutlak yüzde hata ve R2 kriterleri dikkate alınmıştır. Çalışma kapsamında 14 farklı veri seti kullanılmış, renk detaylı ve renk detaysız olmak üzere toplamda 84 model kurulmuştur. Elde edilen sonuçlara göre 14 veri setinin 8’inde YSA renk detaysız modeller diğer modellere göre daha iyi sonuçlar vermiştir. YSA renksiz verilerde 14 modelden 11’inde daha başarılı iken, DVM ise 13 modelde renk detaylı verilerde daha iyi sonuçlar vermiştir. RO modelleri ise renk detaylı ve renk detaysız verilerde benzer sonuçlar vermiştir.
ABSTRACT
In this study, product variety has been taken into account and sales demand forecasting has been performed by using artificial intelligence to minimize error rate in retail garment industry. Forecasting accuracy has been increased by including artificial intelligence methods in the model which traditional demand forecasting methods disregard. In this context, artificial intelligence models such as artificial neural networks (ANN), support vector machines (SVM) and random forests (RF) have been established and inferences from the data set have been made. During the establishment of the models, two different data sets with and without color details of the products were prepared and the estimation process was carried out. Thus, the opportunity to make comparisons between artificial intelligence demand forecasting methods has been created. Within the scope of the study, sales made in the women's and men’s product group between 2014 49th week and 2018 52th week were used as
data set from the company which is operating in the retail garment industry for more than 20 years. The common situation has been observed in the apparel industry such as, some of the colors finish before other colors and then sales are redirected on a single color, thus color details of the products has been included in the study in order to evaluate the situations that may negatively affect the forecast. Each product has been individually estimated to answer the question of whether it is better to estimate whether the products are in a single data set or separately.
As a result of this forecasting study, it has been determined which method gave the best results and the reliability of the results have been increased by comparing the results of the methods. In the comparison of methods, mean absolute error, mean square error, root mean square error, mean absolute percentage error and R2 criteria has been taken into consideration.In the context of this study, 14 different data sets were used and 84 different models were established with and without color details. Obtained results show that ANN without color model had better results than other models. ANN was more successful in 11 models out of 14 for the datasets without color, while SVM was better in 13 models for the datasets with color. RF models, on the other hand, had similar results for the datasets with and without color detail. |
en_EN |