Zaman serisi yöntemleri ve XGBoost algoritması ile kömür satış tahmini: Türkiye Tarım Kredi Kooperatifleri uygulaması

Şirketlerin ileriye yönelik doğru kararlar verebilmesi için geçmiş verilerden yararlanmalarına birçok durumda ihtiyaç vardır. Günümüzde yöneticiler geçmiş verilere rahatlıkla ulaşabilmektedir. Firmaların iş süreçlerinde kullanılan gelişmiş kurumsal programlar sayesinde geçmiş kayıtları saklayan büyük veri tabanları oluşmuştur. Satış işlemi firmaların en önemli süreçlerinden biridir. Satış kayıtlarına ulaşmak ve bu kayıtları tahmin amaçlı kullanmak mümkündür. Ürün satışı yapan şirketlerde satılan ürünün tahmininin doğru yapılması, şirket kaynaklarının etkin kullanılmasını sağlayarak maliyetleri düşürmekte ve karlılığı artırmaktadır. Kömür ürünü tonlarca satışı gerçekleşen depolama maliyeti yüksek bir üründür. Türkiye'de kış aylarında ısınma amaçlı kullanımı fazladır. Yaz aylarında gereksiz depolanması maliyetleri artırmakta, ayrıca kömür ürünü gramaj kaybederek satıcıyı zarar ettirmektedir. Kömür ürününün satış tahmininin doğru yapılması firmanın zarar etmesini önlemektedir. İstatistik alanında kullanılan zaman serisi tahmin yöntemleri satış tahmin çalışmalarında yaygın olarak kullanılmaktadır. SARIMAX ve Holt-Winters yöntemleri çalışmalarda tercih edilen popüler zaman serisi tahmin yöntemlerdir. FB-Prophet, Facebook tarafından geliştirilmiş yeni bir zaman serisi tahmin yöntemidir. FB-Prophet yıllık, haftalık ve günlük değişen zaman serisi verilerini tahmin etmek için kullanılır. Satış tahmin çalışmalarında makine öğrenmesi algoritmalarıda kullanılmaktadır. XGBoost, son zamanlarda yapılan makine öğrenmesi tabanlı çalışmalarda öne çıkan ve tahmin çalışmalarında da kullanılan bir algoritmadır. Bu tezin amacı Tarım Kredi Kooperatifleri Sakarya Bölge Birliği'ne bağlı 21 kooperatif tarafından yapılan kömür satışlarının tahminini yapabilmek için ideal tahmin yönteminin bulunmasıdır. Çalışmada 2014-2022 yılları arasındaki kömür ürünü satış verileri kullanılarak yıllık ve 2 yıllık toplam kömür satış miktarı ton olarak tahmin edilmiştir. Tahmin yöntemi olarak SARİMAX, Holt-Winters, FB-Prophet zaman serisi yöntemleri ve XGBoost makine öğrenme algoritması kullanılmıştır. Çalışmada kullanılan yöntemlerin performansları MAE, MAPE, MSE, RMSE, R-Kare, ölçüm yöntemleri ile karşılaştırılmış, XGBoost ve SARİMAX yöntemleri ile uzun süreli tahmin sonucunda başarılı sonuçlar elde edilmiştir. XGBoost yönteminin destekleyici parametreler ile kullanılması diğer yöntemlerden daha iyi sonuçlar vermiştir.