Retail Demand Forecasting using Machine Learning Algorithms

Abstract

Understanding how to forecast a product's sales and demand is crucial for businesses that sell goods. Knowing how much demand will be in a given time gives them many benefits and gains. Many methods have been developed and used for demand forecasting from past to present. If we divide the methods used into two, traditional and machine learning methods are used for demand forecasting. We can say that traditional methods have left their place to machine learning due to less and slow data processing. Machine learning methods have the ability to process a lot of data faster and analyze the data it uses and provide a more accurate prediction by identifying hidden patterns in the data. The problem here is that there is no one "onesize-fits-all" prediction algorithm. Typically, demand forecasting features consist of several machine learning approaches. Therefore, the choice of machine learning models depends on many factors such as business goal, data type, data quantity and quality, forecast time. Therefore, the main problem here is to determine which algorithm will be used with which parameters. In this study, different machine learning methods and parameters was used and compared to select the most suitable machine learning algorithm and parameters according to the selected data set and provide more accurate predictions. Algorithms such as time series, linear regression, random forest was studied and external factors such as seasonal, regional and economic factors was used as parameters. The algorithm with the best results will be chosen from models with or without external factors. Keywords: Machine Learning, Demand Forecasting, Regression, Time SeriesÜrün satan şirketlerin belirli bir ürünün satışını ve talebini öngörülebilmesi çok önemli bir yere sahip olmaktadır. Belirli bir sürede ne kadar talep olacağını bilmek onlara birçok fayda ve kazanç sağlamaktadır. Geçmişten günümüze talep tahmini için birçok yöntem geliştirilmiş ve kullanılmıştır. Kullanılan yöntemleri ikiye ayıracak olursak geleneksel ve makine öğrenmesi yöntemleri talep tahminleri için kullanılmaktadır. Geleneksel yöntemler daha az ve yavaş veri işlemesinden dolayı yerini makine öğrenimine bırakmıştır diyebiliriz. Makine öğrenimi yöntemleri çok fazla veriyi daha hızlı işleme özelliğine sahip olmaktadır ve kullanmış olduğu verileri analiz eder ve verilerdeki gizli kalıpları tanımlayarak daha doğru bir tahmin sağlar. Buradaki sorun, "herkese uyan" tek bir tahmin algoritmasının olmamasıdır. Genellikle, talep tahmini özellikleri birkaç makine öğrenimi yaklaşımından oluşur. Bu nedenle makine öğrenimi modellerinin seçimi iş hedefi, veri türü, veri miktarı ve kalitesi, tahmin süresi gibi birçok faktöre bağlıdır. Dolayısıyla burada asıl sorun hangi algoritmanın hangi parametrelerle kullanılacağını belirlemektir. Bu çalışmada seçilecek veri setine göre en uygun makine öğrenmesi algoritmasını ve parametrelerini seçmek ve daha doğru tahminler sunmak için farklı makine öğrenimi yöntemleri ve parametreleri kullanılıp karşılaştırılacaktır. Zaman serisi, doğrusal regresyon, rastgele orman gibi algoritmalar üzerinde çalışılacak ve mevsimsel, bölgesel, ekonomik faktörler gibi dış etkenler parametre olarak kullanılacaktır. En iyi sonuç veren algoritma ise dış faktörlerin dahil olmuş veya olmamış modellerden seçilecektir. Anahtar Kelimeler: Makine Öğrenimi, Talep Tahmini, Regresyon, Zaman Serisi