A new approach for ensemble based demand forecasting using machine learning methodologies in bigdata environment

Artık Yapay Zeka çağında yaşamaktayız ve gerek günlük hayatımızdaki işlerde, gerekse şirketlerin iş proseslerinin bir çoğunda makina öğrenmesi teknolojileri içerilmekte ve daha fazla kullanılmaktadır. Makina öğrenmesi algoritmaları istatiksel problemleri soyutlayarak çözüme kavuşturmamıza yardımcı olmaktadır. Öte yandan tüm endüstrilerde veri çeşitliliği ve veri hacimlerinin de çok yüksek bir hızla artıyor olduğu gözlenmektedir. Veri çeşitliliği ile birlikte yüksek hacimli verilerin bulunduğu ortamlarda hızlı karar verme ihtiyaclarının da ön plana çıkması sonucu, makine öğrenmesi problemleri artık günümüzde Büyük Veri teknolojileri yardımıyla ele alınabilmekte ve çözüme kavuşturulabilmektedir. Bu tezde arttırılmış strateji ile biçimlendirilmiş yeni bir sezgisel topluluk öğrenmesi algoritması önermekte ve gerçek veriler üzerinde de uygulayarak başarısını göstermekteyiz. Algoritmamızın sonuçlarını ve ortak akıl felsefesiyle karar vermeye dayalı zaman serilerinin kullanıldığı talep tahminlemesi metodolojimizin katkılarını da paylaşmaktayız. Daha sonrasında da ileri makina öğrenmesi tekniklerininin talep tahminlemesine uygulanabilirliğini göstermekteyiz. Bu kullandığımız tekniklerin başında ilk aşamada Yapay Sinir Ağları ve Derin Öğrenme uygulaması olan Tekrarlayan Sinir Ağları ve bir başka makina öğrenmesi tekniği olan, kökleri istatistiksel öğrenme teorisine dayanan Destek Vektör Makinaları gelmektedir. Bu yöntemleri de kullanmamızın amacı, tedarik zincirlerinin sonunda kamçı etkisi yapan bozulmuş talep tahminlemesinin doğruluğunu arttırmaktır. Bu yeni yaklaşımımıza derin öğrenmenin de gücünü ekleyerek, bu amaca yönelik olarak da açık kaynak kodlu Spark ortamını kullanmaktayız. Spark, yapısı gereği dağıtık büyük veri platformlarında disk yerine bellek içi çalışma mantığından dolayı daha hızlı işlem yapabilme avantajını sağlayan yenilikçi bir teknoloji sunmaktadır. Bu yeni yaklaşımımızın sağladığı en büyük faydası olarak da ürün kategorisi bazında talep tahminlemesi doğruluklarında son derece yüksek artış olduğu gözlemlenmekte ve deneysel sonuçlar ŞOK Marketlerinin gerçek verileri ile sunulmaktadır. ŞOK Market 5500 civarındaki mağazası ve 1500 aktif ürünü ile Türkiye'nin ileri gelen indirim mağazası zincirlerinden birisidir. Tedarik süreçleri amacıyla talebin tahminlenmesi problemi, maliyetlerin minimize edilmesi, stokların optimize edilmesi ve perakendecilerin yok satmalarını azaltacak maliyet odaklı optimizasyon yaklaşımları aslına baktığımızda perakende sektöründe temel ve kritik bir tedarik zinciri problemi olarak ortaya çıkmaktadır. Perakenciler daha doğru talep tahminlemesi yardımıyla operasyonlarını daha optimum düzeyde yönetebilirler, müşteri satışlarını arttırabilir ve daha yüksek karlılığa ulaşabilirler. Öte yandan yok satmanın diğer kritik bir sonucu da müşteri sadakatindeki azalma neticesinde müşteri kayıplarının artması olarak ortaya çıkabilmektedir. Eğer tüketiciler aradıkları ürünleri raflarda bulamazlar ise, genelde benzer bir ürünü farklı bir kategoriden almaktansa en yakın rakip mağazadan alış veriş yaparak perakendeciyi terk etme eğiliminde olabilmektedirler. Bu tezde özetle önerdiğimiz metodolojinin daha yüksek doğrulukta talep tahminlemesi sonuçlarına ulaştırıyor olduğunu deneysel olarak da göstermiş olmaktayız ve derin öğrenme tekniklerinin gücünü de algoritmamıza ekleyerek sonuçlarımızı pekiştirmekteyiz.