Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması

Talep tahmini, günümüz koşullarını da göz önüne aldığımızda talep üzerinde çeşitli etkenler olması sebebiyle işletmelerin kolay ve etkili kararlar alabilmesini sağlamaktadır. İşletmeler müşteri memnuniyetin arttırılması, iyi bir üretim planının gerçekleştirilmesi, kaynakların verimli kullanılabilmesi için güvenilir talep tahminleri gerçekleştirmeyi amaçlamaktadırlar. Belirsizlikler altında, gelecek için öngörüde bulunmak işletmeler için büyük avantajlar sağlayabilmektedir. Otomobil talebini etkileyen birçok faktör bulunmaktadır. Otomobil talebinin ekonomik, çevresel ve sosyal etkenlerin tümünden etkilenebilmesi sebebiyle tahmininin gerçekleştirilmesi kolay olmamaktadır. Gelecek tahmini yapmanın dışında, talep tahmini geçmişte yaşanan ve gelecekte de yaşanabilecek olan olay ve durumların yorumlanmasına fırsat tanımaktadır. Bu sebepler göz önüne alındığında otomobil talep tahminini gerçekleştirmek önemli olmaktadır. Nitel yöntemlerin dışında daha güvenilir sonuçlar elde edilmesi için matematiksel yöntemlere dayanan algoritmalar talep tahmininde kullanılmaktadır. Matematiksel yöntemler literatürde, sıklıkla kullanılan ve yüksek performans gösteren yöntemler olarak yer almaktadır. Özellikle son yıllarda yapılan çalışmalarda, talep tahmini üzerinde yapay zeka yöntemlerinin önemli bir yer tuttuğu görülmektedir. Bu çalışmada, otomobil talep tahmini uygulaması gerçekleştirilmiş olup makine öğrenmesi algoritmaları, yapay sinir ağları ve zaman serileri analizi yöntemleri tahmin performansları analiz edilmiş ve karşılaştırılmıştır. 2014-2022 yılları arasındaki veriler ile uygulama gerçekleştirilmiştir. Çalışmada, bağımlı veri olarak otomobil satış verileri kullanılmıştır. Bağımsız veriler ise otomobiller için ithalat miktar endeksi, reel kesim güven endeksi, tüketici güven endeksi, ortalama taşıt kredi faiz oranları, Türkiye otomobil üretim adetleri ve zaman olarak belirlenmiştir. Yöntemler ile daha yüksek performans elde edilmesi ve daha güvenilir tahminler yapılması için veri ön işleme uygulamaları gerçekleştirilmiştir. Makine öğrenmesi algoritmaları, yapay sinir ağları ve zaman serileri analizi için veriden güvenilir tahminler elde etmeyi zorlaştıran engellerden olan aykırı veriler için aykırı değer analizi gerçekleştirilmiştir. Çalışmada makine öğrenmesi yöntemlerinden Kategorik Arttırma Yöntemi (CatBoost), Gradyan Arttırma Yöntemi (Gradient Boosting), Rassal Karar Ormanları (Random Forest-RF), Destek Vektör Regresyonu (SVR) algoritmaları, Yapay Sinir Ağları (YSA) ve Zaman Serileri Analizi yöntemleri kullanılmış ve performans analizi gerçekleştirilerek yöntem karşılaştırması yapılmıştır. Sonuç olarak, 0,85 R2 değeri ile en yüksek performans gösteren yöntemin makine öğrenmesi yöntemlerinden CatBoost algoritması olduğu görülmüştür. Otomotiv sektörü, ülke ekonomisinin etkili sektörlerinden biri olmasının yanında, diğer sektörler için de tedarikçi konumundadır. Bu sebeple otomobil sektöründeki taleplere güvenilir cevap verilmesi bir gereklilik haline gelmektedir. Bu çalışmada da otomobil talebine doğru ve güvenilir bir yaklaşım sergileyen algoritmanın bulunması amaçlanmıştır.