Retail sales analysis and forecasting in texstile industry

Bu tez, makine öğrenimi yöntemlerini kullanarak perakende alanındaki satış tahminlerini ele almaktadır. Günümüzde perakende sektörü hızla değişen ve katlanarak büyüyen bir alan olarak karşımıza çıkmaktadır. Bu nedenle satış tahminlerinde doğru ve güvenilir öngörülerin elde edilmesi, işletmelerin rekabet üstünlüğünü sürdürebilmeleri açısından kritik öneme sahiptir. Makine öğrenimi, satış tahmini gibi karmaşık sorunları çözmek için veri analizi ve model tanıma yeteneklerine sahip etkili bir araç olarak kabul edilmektedir. Bu çalışma, perakende sektöründeki satış tahmini sorununu ele almayı ve bu sorunun çözümü için makine öğrenmesi yöntemlerinden nasıl yararlanılabileceğini araştırmayı amaçlamaktadır. Öncelikle literatürdeki mevcut satış tahmin yöntemleri ve makine öğrenmesi algoritmaları incelenmektedir. Daha sonra satış tahmininde çeşitli makine öğrenmesi algoritmalarının (LGBM, LSTM, XGBoost gibi) etkinliği ve performansı karşılaştırılmıştır. Bu tez, gerçek dünyadaki veri kümeleri üzerinde yürütülen deneysel çalışmalarla desteklenmektedir. Veri setleri tekstil perakende sektöründeki satış verilerini kapsıyor ve belirli bir zaman diliminde elde edilen verileri içeriyor. Bu veri setleri üzerinde yapılan analizler, makine öğrenmesi algoritmalarının satış tahmininde geleneksel yöntemlere göre nasıl bir avantaj sağlayabileceğini ortaya koyuyor. Sonuçlar, makine öğrenimi algoritmalarının perakende sektöründe satış tahmini için etkili ve doğru bir araç oluşturduğunu göstermektedir. Bu tez, özel olarak seçilen LightGBM yöntemine ilişkin değerli bilgiler sağlar ve işletmelerin talep yönetimi, envanter optimizasyonu ve stok planlaması gibi stratejik kararları geliştirmelerine yardımcı olabilir.