Please use this identifier to cite or link to this item: https://hdl.handle.net/11147/11750
Title: Sales history-based demand prediction using generalized linear models
Other Titles: Genelleştirilmiş doğrusal modeller kullanılarak satış geçmişine dayalı talep tahminlemesi
Authors: Özenboy, Başar
Tekir, Selma
Keywords: Sales demand prediction
Gamma distribution
Generalized linear models
Categorization
Issue Date: 2019
Publisher: Süleyman Demirel Üniversitesi
Abstract: It’s vital for commercial enterprises to accurately predict demand by utilizing the existing sales data. Such predictive analytics is a crucial part of their decision support systems to increase the profitability of the company.In predictive data analytics, the branch of regression modeling is used to predict a numerical response variable like sale amount. In this category, linear models are simple and easy to interpret yet they permit generalization to very powerful and flexible families of models which are called Generalized linear models (GLM). The generalization potential over simple linear regression can be explained twofold: First, GLM relax the assumption of normally distributed error terms. Moreover, the relationship of the set of predictor variables and the response variable could be represented by a set of link functions rather than the sole choice of the identity function. This work models the sales amount prediction problem through the use of GLM. Unique company sales data are explored and the response variable, sale amount is fitted to the Gamma distribution. Then, inverse link function, which is the canonical one in the case of gamma-distributed response variable is used. The experimental results are compared with the other regression models and the classification algorithms. The model selection is performed via the use of MSE and AIC metrics respectively. The results show that GLM is better than the linear regression. As for the classification algorithms, Random Forest and GLM are the top performers. Moreover, categorization on the predictor variables improves model fitting results significantly.
Ticari işletmeler için mevcut satış verilerini kullanarak talebi net olarak tahmin etmek önemlidir. Şirketlerin karlılığı artırmak için karar destek sistemlerinin bir parçası olarak tahmin analitiği yapabiliyor olması gerekir.Tahmine yönelik veri analitiğinde, regresyon modelleri satış miktarı gibi sayısal bir bağımlı değişkenin tahmin edilmesinde kullanılır. Bu kategoride doğrusal modeller basittir, yorumlanması kolaydır ve aynı zamanda genelleştirilmiş doğrusal modeller (GLM) olarak adlandırılan çok güçlü ve esnek model ailelerine genelleştirme yapılmasını sağlar. Basit doğrusal regresyona göre genelleştirme potansiyeli iki katlı olarak açıklanabilir: İlk olarak GLM normal dağılımlı hata terimleri varsayımını yumuşatır. Ayrıca, tahmin değişkenleri kümesi ile bağımlı değişken arasındaki bağlantı fonksiyonunu özdeşlik fonksiyonu ile sınırlandırmaz. Bu çalışmada satış miktarı tahmin problemi GLM ile modellenmiştir. Model uyarlamasını en iyileştirmek için bir şirkete ait satış verilerinin keşifsel analizi yapılmış ve bağımlı değişken olan satış miktarının dağılımı gama dağılımı olarak bulunmuştur. Sonrasında, gama dağılımı bağımlı değisken için standart bağlantı fonksiyonu olan ters bağlantı fonksiyonu kullanılmıştır. Deneysel sonuçlar diğer regresyon modelleri ve sınıflandırma algoritmalarıyla karşılaştırılmıştır. Model seçiminde MSE ve AIC ölçütleri kullanılmıştır. Sonuçlar GLM’nin doğrusal regresyondan daha iyi olduğunu göstermektedir. Sınıflandırma algoritmaları açısından ise, rastgele orman ve GLM en üst performansı göstermiştir. Ayrıca, tahmin değişkenlerinin kategorizasyonunun model uyumunu iyileştirdiği görülmüştür.
URI: https://doi.org/10.19113/sdufenbed.558620
https://app.trdizin.gov.tr/makale/TXpRMk1ESTBOQT09
https://hdl.handle.net/11147/11750
ISSN: 1300-7688
1308-6529
Appears in Collections:Computer Engineering / Bilgisayar Mühendisliği
TR Dizin İndeksli Yayınlar / TR Dizin Indexed Publications Collection

Files in This Item:
File SizeFormat 
a1c86f22-7efa-4cb2-94c8.pdf599.48 kBAdobe PDFView/Open
Show full item record

CORE Recommender

Page view(s)

8,364
checked on Jul 4, 2022

Download(s)

256
checked on Jul 4, 2022

Google ScholarTM

Check

Altmetric


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.