Forecasting for E-Commerce Sales Using Supervised Machine Learning Algorithms

Abstract

E-ticaretin gelişimi için temel olan öngörüsel analitiklere büyük ölçüde bağımlı olan büyüyen e-ticaret manzarası, operasyonel verimliliği ve stratejik karar alma süreçlerini yönlendirmektedir. Bu tez, makine öğrenimi algoritmalarının teorik temellerine derinlemesine inerken, çevrimiçi ticaretin büyümesini kolaylaştırmadaki evrimini ve kilit rolünü sergilemektedir. Bu araştırma, geniş çaplı bir e-ticaret veri kümesinin analizi yoluyla satış desenlerini öngörme odaklıdır. Öngörme, e-ticaret işletmelerinde çeşitli kritik işlevler için bir anahtar görev üstlenmektedir. Envanter yönetimini, optimal stok seviyelerini ve düzenli teslimatları sağlayarak, stratejik varlık yönetimi aracılığıyla finansal planlamayı, dinamik fiyatlandırma stratejilerini ve etkili teslimat operasyonlarıyla müşteri memnuniyetini artırmayı içeren çok yönlü uygulamaları kapsar. Ayrıca, öngörme, özelleştirilmiş kampanyaları ve akıllı bütçe tahsisini mümkün kılarak pazarlama çabalarını geliştirmede de temel bir rol oynamaktadır. Makine öğrenimi algoritmalarının entegrasyonu, bu işlevleri güçlendirmektedir. Bu araştırmanın merkezinde e-ticaret alanındaki temel bir satış tahmini görevi bulunmaktadır ve özellikle kampanya değişkenlerini entegre etme odaklıdır. Altı farklı makine öğrenimi algoritmasını kullanarak, çalışma en doğru ve açıklayıcı modeli belirlemeyi amaçlamaktadır. Dikkat çekici bir şekilde, araştırma LGBM'yi en uygun algoritma olarak belirler. Önceki tahmin çalışmalarında nadiren keşfedilen kampanya değişkenlerinin dahil edilmesi, ilginç içgörüler sunar. Ancak, başlangıçtaki varsayımların aksine, SHAP analizi, kampanya değişkenlerinin modelin açıklanabilirliği üzerinde daha az etkiye sahip olduğunu ortaya koymaktadır. Bu sınırlama farkındalığını kabul eden çalışma, değişkenleri etkili bir şekilde temsil etmek için kümeleme algoritmalarını kullanarak modelin açıklanabilirliğini artırma potansiyeline dikkat çekmektedir.

The burgeoning landscape of e-commerce relies significantly on predictive analytics to drive operational efficiency and strategic decision-making. This thesis delves into the theoretical underpinnings of machine learning algorithms, showcasing their evolution and pivotal role in facilitating the growth of online commerce. At its core, this research centers on forecasting sales patterns through the analysis of an extensive e- commerce dataset. Forecasting stands as a linchpin for various critical functions within e-commerce enterprises. Its multifaceted applications encompass inventory management, ensuring optimal stock levels and streamlined deliveries, financial planning through astute asset management, dynamic pricing strategies, and the enhancement of customer satisfaction via efficient delivery operations. Furthermore, forecasting plays a pivotal role in refining marketing endeavors, enabling tailored campaigns and judicious budget allocation. The integration of machine learning algorithms fortifies these functionalities. Central to this research is the foundational task of sales prediction in the e- commerce realm, with a specific emphasis on integrating campaign variables. Leveraging six diverse machine learning algorithms, the study aims to discern the most accurate and explicable model. Remarkably, the investigation identifies LGBM as the most suitable algorithm. Notably, the inclusion of campaign variables, an aspect seldom explored in prior studies concerning forecasting, yields intriguing insights. However, contrary to initial presumptions, the SHAP analysis reveals a lesser influence of campaign variables on the model's interpretability. Acknowledging this limitation, the study highlights the potential for augmenting model interpretability by employing clustering algorithms to effectively represent variables, as outlined in the limitations section.