SATIŞ TAHMİNİ İÇİN DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Dijital dönüşüm ile tedarik zinciri yönetiminde büyük veri analitiğinin önemi gün geçtikçe artmaktadır. Özellikle müşteri taleplerinin hızlı ve doğru tahmin edilmesinde büyük verinin kullanımı firmalara rekabet avantajı sağlamaktadır. Bu doğrultuda, yapay zekâ tekniklerinden biri olan derin öğrenme modelleri büyük verideki karmaşık örüntülerin keşfedilmesinde öne çıkmaktadır. Son yıllarda literatürde çok sayıda derin öğrenme yöntemi önerilmiştir. Bu çalışmada, satış tahmini problemi için derin öğrenme yöntemlerinin performansları karşılaştırılmıştır. Bu kapsamda derin sinir ağı (DNN), derin otokodlayıcı (Deep AE), evrişimli sinir ağı (CNN), tekrarlayan sinir ağı (RNN), uzun kısa-süreli bellek (LSTM) ağı, çift yönlü LSTM (Bi-LSTM) ağı, kapılı tekrarlayan birim (GRU), CNN-LSTM ve evrişimli LSTM (ConvLSTM) yöntemleri uygulanmıştır. Çeşitli sektörlere ait satış verileri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Hiperparametre optimizasyonu ardından ele alınan yöntemlerin performansları tahmin doğruluğu ve eğitim süreleri açısından karşılaştırılarak sonuçların istatistiksel anlamlılığı değerlendirilmiştir. Sonuç olarak, LSTM ve GRU modellerinin tahmin doğruluğunda başarılı sonuçlar verdiği, CNN modelinin ise eğitim süresini kısalttığı görülmüştür.