Publication: Perakende sektöründe yapay sinir ağları ile talep tahmini
Abstract
Perakende sektöründe yapay sinir ağları ile talep tahmini Perakende sektöründe talep tahmininin doğruluğu, işletmelerin stok yönetimi, maliyet optimizasyonu ve müşteri memnuniyetini sağlamaları açısından kritik bir rol oynamaktadır. Geleneksel tahmin yöntemleri belirli koşullarda işlevsel olsa da, sektördeki dinamik değişkenlikler karşısında çoğu zaman yetersiz kalmaktadır. Bu nedenle, yapay sinir ağları gibi makine öğrenmesi tabanlı yöntemler ile parametrik modellerin karşılaştırılması önemli bir araştırma alanı oluşturmaktadır. Bu çalışmada, perakende sektöründe bakliyat, makarna ve un ürün gruplarında haftalık talebi öngörmek amacıyla parametrik-deterministik Prophet modeli ile derin öğrenme tabanlı LSTM mimarisi karşılaştırılmıştır. Prophet modeli, kategori bazında dengeli bir doğruluk düzeyi sağlamış, R² değerleri bakliyatta yaklaşık 0,62, makarnada yaklaşık 0,55 ve unda yaklaşık 0,55 olarak gerçekleşmiştir. Ortalama RMSE değerleri ise sırasıyla ±2500, ±5800 ve ±4500 birim düzeyinde hesaplanmıştır. LSTM modeli, seçilmiş SSK’larda yüksek başarı sağlamış, Yeşil Mercimek 10 kg için R² 0,90 ve Arpa Şehriye 5 kg için R² 0,98 düzeyine ulaşmıştır. Ancak, kategori ortalamalarında dalgalı bir performans sergilemiştir. Elde edilen bulgular, Prophet modelinin geniş ürün portföylerinde düşük bakım maliyetiyle güvenilir bir temel sunduğunu, STK’nin ise belirli ürünlerde nokta atışı doğruluk sağlayarak rekabet avantajı yaratabileceğini göstermektedir. Çalışma sonucunda, Prophet ile trend ve sezon bileşenlerinin modellenmesi ve rezidüelin TM’ye öğretilmesi şeklinde yapılandırılacak hibrit bir yaklaşımın, stok maliyetlerini azaltma ve hizmet seviyesini artırma potansiyeline sahip olduğu sonucuna ulaşılmıştır.
Demand forecasting with artificial neural networks in retail sector I the retail sector, demand forecast accuracy plays a critical role in businesses' inventory management, cost optimization, and customer satisfaction. While traditional forecasting methods are effective under certain conditions, they often fall short in the face of dynamic fluctuations in the industry. Therefore, comparing machine learning-based methods such as artificial neural networks with parametric models constitutes an important area of research. This study compared the parametric-deterministic Prophet model with the deep learning-based LSTM architecture to forecast weekly demand for pulses, pasta, and flour product groups in the retail sector. The Prophet model achieved consistent accuracy across categories, with R² values of approximately 0.62 for pulses, approximately 0.55 for pasta, and approximately 0.55 for flour. Average RMSE values were calculated at ±2500, ±5800, and ±4500 units, respectively. The LSTM model achieved high success across selected SKUs, achieving an R² of 0.90 for 10 kg Green Lentils and 0.98 for 5 kg Orzo. However, it exhibited fluctuating performance across category averages. The findings demonstrate that the Prophet model provides a reliable foundation with low maintenance costs across broad product portfolios, while LSTM can create a competitive advantage by providing pinpoint accuracy for specific products. The study concluded that a hybrid approach, modeling trend and seasonality components with Prophet and teaching the residual to LSTM, has the potential to reduce inventory costs and improve service levels.
Demand forecasting with artificial neural networks in retail sector I the retail sector, demand forecast accuracy plays a critical role in businesses' inventory management, cost optimization, and customer satisfaction. While traditional forecasting methods are effective under certain conditions, they often fall short in the face of dynamic fluctuations in the industry. Therefore, comparing machine learning-based methods such as artificial neural networks with parametric models constitutes an important area of research. This study compared the parametric-deterministic Prophet model with the deep learning-based LSTM architecture to forecast weekly demand for pulses, pasta, and flour product groups in the retail sector. The Prophet model achieved consistent accuracy across categories, with R² values of approximately 0.62 for pulses, approximately 0.55 for pasta, and approximately 0.55 for flour. Average RMSE values were calculated at ±2500, ±5800, and ±4500 units, respectively. The LSTM model achieved high success across selected SKUs, achieving an R² of 0.90 for 10 kg Green Lentils and 0.98 for 5 kg Orzo. However, it exhibited fluctuating performance across category averages. The findings demonstrate that the Prophet model provides a reliable foundation with low maintenance costs across broad product portfolios, while LSTM can create a competitive advantage by providing pinpoint accuracy for specific products. The study concluded that a hybrid approach, modeling trend and seasonality components with Prophet and teaching the residual to LSTM, has the potential to reduce inventory costs and improve service levels.