Dynamic time warping for behavioral similarity clustering for retail sales forecasting and insight generation

Perakende sektörü çok dinamik ve tahmin etmesi zor bir sektördür. Özellikle Türkiye gibi büyüyen ekonomilerde sektörün ilerleyişini, sektörü etkileyen faktörlerin anlaşılması ve tahminlenmesi zordur. Perakende satış tahminleri ne kadar doğru olursa, perakendecilerin kısa ve uzun vadeli karar mekanizmaları daha düzgün çalışır ve büyüme gözlemlenir. Bu tezde, Gür Ali ve Pınar (2013) tarafından uygulanan satış tahmini modelini geliştirmek için davranışsal gruplandırma yöntemi önerilmiştir. Davranışsal gruplandırma amacıyla Dinamik Zaman Bükme (DZB) yöntemi kullanılmıştır. Ayrıca içgörü geliştirme amacıyla da gene DZB yöntemini temel olarak kullanan bir yöntem geliştirilmiştir. Temel olarak kullanılan model çok dönemli iki seviyeli bağlanım analizi yöntemidir. İlk seviye satışları etkileyen pazarlama, enflasyon ve mevsimsellik etkilerini göz önüne alır. İkinci seviye, ilk seviyeden arta kalan sapma değerlerini geceleğe dönük tahmin ederek eğilim ve çevrimsel hareketleri modellemektedir. Temel modelde seriler şirketçe belirlenmiş özelliklerine gore gruplanmaktadır. Bu tezde önerilen davranışsal gruplama, zaman serilerini hareket ve örüntülerine gore gruplamaktadır. Bu gruplama için kullanılan, iki seri arasındaki benzerlik değeri DZB mesafesinden gelmektedir. Sonuçlar incelendiğinde DZB temelli davranışsal gruplamanın daha doğru tahminler verdiği gözlemlenmiştir. İçgörü geliştirme amacıyla, DZB mesafelerini temel alan bir Monte-Carlo deneyi geliştirilmiştir. Mesafelerin dağılımı incelenerek istenilen sayıda zaman serisini birbiriyle karşılaştırarak benzer serileri tanımlamayı otomatik hale getiren bi program oluşturulmuştur. Yapılan deneyler sonucunda geliştirlen yöntemin doğru ve içgörü oluşturan benzerlikler olduğu görülmüştür.