SavedAdd your journal

Journals / Endüstri Mühendisliği / 2026 / Cilt: 32 Sayı: 2

MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE SATIŞ TAHMİNİ

Emine Nur Nacar(ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ)0000-0003-3785-1928
Babek Erdebilli(ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ)0000-0001-8860-3903
Pages
307–320
Publication Date
2021-08-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Geliştirilen modelde en düşük hatayı veren algoritma Rastgele Orman algoritması olmuştur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüz dijital dünyasında satın alma gittikçe arttığından veriler çok büyük boyutlara ulaşmıştır.
📊
Key Findings & Data:Endüstrinin getirdiği kavramlardan en belirgini ise çok boyutluluk laneti olmuştur.
💡
Conclusion & Impact:Geliştirilen modelde en düşük hatayı veren algoritma Rastgele Orman algoritması olmuştur.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Makine öğrenmesi · Satış tahmini · Gözetimli öğrenme

Özet

Günümüz dijital dünyasında satın alma gittikçe arttığından veriler çok büyük boyutlara ulaşmıştır. Endüstrinin getirdiği kavramlardan en belirgini ise çok boyutluluk laneti olmuştur. Bu sebeple işletmeler satın alma kararlarını alırken büyük zorluk yaşamaktadır. Uzun ya da kısa vadede satış tahmininin doğru yapılamaması müşteri memnuniyetsizliği, para kaybı, ham madde ihtiyacı gibi birçok soruna yol açacaktır. Tedarik zinciri elemanlarından üretici, perakendeci, tedarikçi ve müşteriye kadar birçok taraf yanlış ya da eksik satış tahmininden zarar görebilir. Yapay zekâ çağının getirdiği yeniliklerden olan makine öğrenmesi de birçok mühendislik uygulamasının getirdiği sorunlara olduğu gibi satış tahmini problemlerine de hızlı şekilde cevap verebilecek bir alandır. Bu çalışmada uçtan uca bir makine öğrenmesi proje süreci ele alınmıştır. Herhangi bir makine öğrenmesi projesinin adımları ve veriye yaklaşım boyutu tanıtılmıştır. Uygulama bölümünde makine öğrenmesi algoritmalarından doğrusal regresyon, Ridge, Lasso, ElasticNet, K-en yakın komşu ve Rastgele Orman algoritmaları kullanılarak gerçek veri seti için bir satış tahmin modeli geliştirilmiştir. Geliştirilen modelde en düşük hatayı veren algoritma Rastgele Orman algoritması olmuştur.

🔖

Cite This Article

Nacar, E. N., Erdebilli, B. (2021). MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE SATIŞ TAHMİNİ. Endüstri Mühendisliği, Cilt: 32 Sayı: 2, 307–320. https://doi.org/10.46465/endustrimuhendisligi.811183

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. Antipov, E. A., & Pokryshevskaya, E. B. (2020). Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values. Journal of Revenue and Pricing Management, 19(5), 355–364. doi: https://doi.org/10.1057/s41272-020-00236-4
  2. Armstrong, J. S. (1989). Combining Forecasts: The End of the Beginning or the Beginning of the End? International Journal of Forecasting, 5(4), 585–588. doi: https://doi.org/10.1016/0169-2070(89)90013-7
  3. Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671), 195–202. doi: https://doi.org/10.1038/nature23474
  4. Catal, C., Ece, K., Arslan, B., & Akbulut, A. (2019). Benchmarking of Regression Algorithms and Time Series Analysis Techniques for Sales Forecasting. Balkan Journal of Electrical and Computer Engineering, 7(1), 20–26. doi: https://doi.org/10.17694/bajece.494920
  5. Dietterich, T. G. (1997). Machine-Learning Research. AI Magazine, 18(4), 97–136. doi: https://doi.org/10.1145/1056743.1056744
  6. Gokpinar, E., Ebegil, M., & Gokpinar, F. (2017). A Review on Shrinkage Parameters in Ridge Regression. GU Journal of Science, 30(4), 565–582. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/380312
  7. Grigorev, A. (2020). Machine Learning Bookcamp MEAP V06 (A. Books (ed.)). Copyright 2020 Manning Publications. Erişim adresi: https://www.manning.com/books/machine-learning-bookcamp
  8. Hastie, T., Tibshirani, R., & Friedman, J. (2001). The Elements of Statistical Learning. In Vol.1 No.10. New York: Springer series in statistics. doi: https://doi.org/10.1007/978-1-4419-9863-7_941
  9. Helmini, S., Jihan, N., Jayasinghe, M., & Perera, S. (2019). Sales forecasting using multivariate long short term memory network models. PeerJ PrePrints, 7, e27712v1. doi: https://doi.org/10.7287/peerj.preprints.27712
  10. Hoerl, A. E., & Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. doi: https://doi.org/10.1080/00401706.1970.10488634
  11. Jain, A., Menon, M. N., & Chandra, S. (2015). Sales Forecasting for Retail Chains. 1–6. Erişim adresi: https://pdfs.semanticscholar.org/76a2/44f4da1d29170a9f91d381a5e12dc7ad2c0f.pdf
  12. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. Erişim adresi: https://science.sciencemag.org/content/349/6245/255
  13. Komorowski, M., Marshall, D. C., Salciccioli, J. D., & Crutain, Y. (2016). Exploratory Data Analysis. In Secondary Analysis of Electronic Health Records (pp. 185–203). doi: https://doi.org/10.1007/978-3-319-43742-2
  14. Liaw, A., & Wiener, M. (2002). Classification and Regression by randomForest. R News, 2(3), 18–22.
  15. Mitchell, T. M. (1997). Machine Learning. In McGraw-Hill Science/Engineering/Math. doi: https://doi.org/10.1007/978-3-642-21004-4_10
  16. Nilsson, N. J. (2014). Principles of Artificial Intelligence. In Morgan Kauffmann. Erişim adresi: https://stacks.stanford.edu/file/druid:zd294jv9941/zd294jv9941.pdf
  17. Papacharalampous, G., Tyralis, H., & Koutsoyiannis, D. (2018). Univariate Time Series Forecasting of Temperature and Precipitation with a Focus on Machine Learning Algorithms: a Multiple-Case Study from Greece. Water Resources Management, 32(15), 5207–5239. doi: https://doi.org/10.1007/s11269-018-2155-6
  18. Pavlyshenko, B. M. (2019). Machine-Learning Models for Sales Time Series Forecasting. Data, 4(1), 1–11. doi: https://doi.org/10.3390/data4010015
  19. Rincon-Patino, J., Lasso, E., & Corrales, J. C. (2018). Estimating Avocado Sales Using Machine Learning Algorithms and Weather Data. Sustainability, 10(10), 12. doi: https://doi.org/10.3390/su10103498
  20. Rubin, D. (1976). Inference and Missing Data. Biometrika, 63(3), 581–592. doi: https://doi.org/10.1093/biomet/63.3.581
  21. Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210–229. doi: https://doi.org/10.1147/rd.441.0206
  22. Sathya, R., & Abraham, A. (2013). Comparison of supervised and unsupervised learning algorithms for pattern classification. International Journal of Advanced Research in Artificial Intelligence, 2(2), 34–38. Erişim adresi: https://www.researchgate.net/publication/273246843_Comparison_of_Supervised_and_Unsupervised_Learning_Algorithms_for_Pattern_Classification
  23. Siau, K., & Wang, W. (2018). Building Trust in Artificial Intelligence, Machine learning, and Robotics. Cutter Business Technology Journal, 31(2), 47–53. Erişim adresi: https://www.researchgate.net/publication/324006061_Building_Trust_in_Artificial_Intelligence_Machine_Learning_and_Robotics
  24. Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288. doi: https://doi.org/10.1093/ej/31.121.133
  25. Tukey, J. W. (1977). Exploratory Data Analysis (Vol. 2). Pearson. doi: https://doi.org/10.1007/978-3-662-45006-2_9
  26. Velleman, P. F., & Hoaglin, D. C. (1981). Applications, Basics, and Computing of Exploratory Data Analysis. In Duxbury Press. Erişim adresi: https://ecommons.cornell.edu/handle/1813/78
  27. Verstraete, G., Aghezzaf, E. H., & Desmet, B. (2020). A leading macroeconomic indicators’ based framework to automatically generate tactical sales forecasts. Computers and Industrial Engineering, 139(August 2019), 106169. doi: https://doi.org/10.1016/j.cie.2019.106169
  28. Weng, T., Liu, W., & Xiao, J. (2019). Supply chain sales forecasting based on lightGBM and LSTM combination model. Industrial Management and Data Systems, 120(2), 265–279. doi: https://doi.org/10.1108/IMDS-03-2019-0170
  29. Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society. Series B: Statistical Methodology, 67(2), 301–320. doi: https://doi.org/10.1111/j.1467-9868.2005.00503.x