Ebebek- Satış Tahminleme Projesi-Ürün bazlı
Bu Projenin amacı Ebebek’de ürün bazlı satış miktarını tahmin edilmesi ve gelecekteki bir ayın ürün bazlı satış miktarının öngörülmesidir.
Proje boyunca Python dili kullanılıp aşağıda bulunan kütüphanelere yüklenmiş ve uygulanmıştır:
Veri kümesi 2019 Ocak’tan bulunduğumuz ayın bir önceki ayına kadardır Her kategori için 4 aylık tahminleme(predict) ve 1 aylık bir öngörme(forecast) uygulanmıştır. Her ayın başında öngörülen ayın gerçek satış miktarının hata oranı MAPE fonksiyonu ile her ürün için hesaplandı ve ortalama hata oranı elde edildi.
Veri hazırlama
Jupyter Notebook içerisine yukardaki kütüphaneleri indirdikten sonra veri yüklendi. Jupyter Notebook üzerinden Python ile veri tabanına bağlandı. FATURA_YIL , FATURA_AY ve satış miktarını belirleyen MİKTAR kolonu kullanıldı. Veriyi Zaman Serisi Analizine uygun hale getirmek için aşağıdaki işlemler uygulandı:
· Fatura tarihi indexlenmesi
· Kategorilere gruplandırılması
· RFM segmentasyonundan elde edilen ‘şampiyon’ ve ‘loyal’ segmentlerine ait olan ürünlerin belirlenmesi
· Aykırı verilerin çıkartılması
Auto ARIMA
Auto ARIMA, otomatik ARIMA modeli oluşturmak için kullanılan bir yöntemdir. ARIMA, zaman serisi verilerindeki geçmiş değerlerden gelecekteki değerleri tahmin etmek için kullanılan bir modelleme yöntemidir. ARIMA (AutoRegressive Integrated Moving Average), zaman serisi verilerini analiz etmek ve tahmin etmek için kullanılan istatistiksel bir modeldir. Auto ARIMA tüm bu bileşenlerin optimizasyonunu otomatik olarak gerçekleştirir ve böylece zaman serisi verileri için en uygun ARIMA modelini seçer. Bu, bir ARIMA modelini manuel olarak seçmekten daha hızlı ve kolaydır.
Bu Projede bütün ürünler için for loop ile tek tek zaman serisi analiz yapılmıştır. Daha iyi sonuç alabilmek adına filtrelenme uygulanmıştır. Filtre güncel olan ürün, her ürünün veri uzunluğu ve son elde edilen satış yılına bakılarak tespit edildi.
Auto ARİMA da bulunan değişkenler veriye uyacak şekilde ayarlandı. Bu kod parçacığında (Kod 2), scikit-learn kütüphanesinin pipeline sınıfı kullanılarak bir model pipeline oluşturulur. Proje kapsamında pm (Probabilistic Machine Learning) kütüphanesinin AutoARIMA sınıfı kullanılarak otomatik bir ARIMA modeli oluşturulmuştur. Auto ARIMA sınıfının “seasonal” parametresine “True” değeri verilir, böylece mevsimsel bir ARIMA modeli oluşturulur. “m” parametresine 16, “d” parametresine 1 ve “D” parametresine 0 değeri verilmiştir. “Stepwise” parametresi için “True” değeri verilmiştir, böylece model seçimi adım adım yapılmaktadır.
