Inventory stock anomaly detection with variational autoencoder

Perakende şirketleri, envanter stok seviyelerini düzenli olarak izler ve pazar konumlarını korumak için satışlara dayalı tahminlere göre stok seviyelerini yönetir. Envanter stoklarının doğruluğu, perakende şirketlerinin doğru bir strateji oluşturması için kritik öneme sahiptir. Birçok perakende şirketi, çalışan veya müşteri hırsızlığı, hasar veya bozulma, yanlış sevkiyatlar nedeniyle envanter stoğundaki yanlışlıkları tespit etmeye ve önlemeye çalışmaktadır. Değişken oto kodlayıcı yöntemini kullanarak hatalı stokları tespit etmeyi amaçlayan çalışmamızda Türkiye'nin en büyük süpermarket zincirlerinden birinin gerçek envanter stoğu verileri kullanılmıştır. Değişken oto kodlayıcı yöntemi verilerin dağılımını öğrenir, bu yüzden zamanla değişen verilerde bunu kullanmak büyük bir avantajdır. Değişken oto kodlayıcı, normal zaman serisi verilerinden verilerin dağılımını öğrenir ve başka bir zaman dilimindeki anormallikleri tespit eder; bunları yaparken hem zamandan hem de emekten tasarruf sağlar. Bunun yanında yöntem herhangi bir ürün seviyesine uygulanabilir. Ayrıca, modelimizdeki anomali eşik değerlerini tanımlamak için çeyrekler arası aralık yöntemini kullanıyoruz; bu sayede eşik değerlerimiz parametrik hale geliyor. Öte yandan, genellikle araştırmacılar yöntem geliştirmek için halka açık verileri kullanır fakat özellikle denetimsiz öğrenme alanındaki makine öğrenmesi algoritmalarını gerçek hayattaki verilerine uygulamak zordur. Çalışmada gerçek hayattaki verilerdeki problemlerin örneğin verideki eksik ve ekstrem değerlerin vb. nasıl ele alınacağını gösteriyoruz. Deneysel sonuçlar, önerilen yaklaşımın düşük ve yüksek seviyedeki envanter stoğundaki anormallikleri tespit edebildiğini ve diğer zaman serisi anormallik tespit problemlerine hızla uygulanabileceğini gösteriyor.