Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.11851/3516
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Ertoğral, Kadir | - |
dc.contributor.author | Yavuz, Abdurrahman | - |
dc.date.accessioned | 2020-05-06T07:29:01Z | |
dc.date.available | 2020-05-06T07:29:01Z | |
dc.date.issued | 2019 | |
dc.identifier.citation | Yavuz, A. (2019).Moda türü ürünler için Bass Yayılım Modeli ve veri kümeleme tabanlı bir talep tahmin metodu geliştirilmesi: Bir vaka uygulaması . Ankara: TOBB ETÜ Fen Bilimleri Enstitüsü. [Yayınlanmamış yüksek lisans tezi] | en_US |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp | - |
dc.identifier.uri | https://hdl.handle.net/20.500.11851/3516 | - |
dc.description.abstract | Yeni ürünlerin pazara sunumlarında talep tahmini söz konusu olduğunda başarımı kabul edilmiş modellerden birisi Bass Yayılım Modeli'dir (Bass diffusion model, BDM). Bu çalışmada gerçek büyük bir satış verisi kullanılarak, BDM'nin moda türü ürünlerin satış eğrisini yansıtmadaki başarımı incelenmiş ve sezon başında gözlemlenen kısmi veri ile sezon sonuna kadarki toplam talep tahmin edilmeye çalışılmıştır. Çalışma temelde iki ana kısımdan oluşur; ilk kısımda BDM modelinin performansı ve davranışı tüm ve kısmi veri kullanıldığı durumlarda incelenmiştir. İkinci ksımda ise kısmi veriye dayalı BDM ve geçmiş verinin kümelenip BDM uygulaması yaklaşımının entegre şekilde kullanılmasına dayalı talep tahmin yöntemleri geliştirilip, bu yöntemlerin performans analizi yapılmıştır. BDM'nin başarımı parametrelerin doğru tahminiyle büyük orantıda ilintilidir. Literatürde üç ana parametre tahmin yöntemi kabul görmektedir. Bunlar; en küçük kareler toplamı yöntemi, doğrusal olmayan en küçük kareler toplamı yöntemi ve en çok olabilirlik yöntemidir. Bu yöntemler çalışmamızın ilk kısmında kullanılmış olup performansları değerlendirilmiştir. Yine ilk kısımda bu parametre tahmin yöntemlerine ek olarak yeni bir yöntem olarak, rastgele çizgisel arama yöntemi geliştirilmiştir. Bu yöntem literatürde kabul gören diğer yöntemlerle kıyaslanabilir sonuçlar vermiştir. İlk kısımda yapılan çalışmalar sonucunda BDM'nin yeterince iyi parametre tahminleri ile sezon içinde kalan talep tahmininde tatmin edici tahminler oluşturabildiği gözlemlenmiştir. Ancak sezon başında elde edilen kısmi veri söz konusu olduğunda BDM'nin tatmin edici sonuçlar verememesi sebebiyle çalışmamızın ikinci kısmında geçmiş ürünlerden elde edilen bilgilerin değerlendirildiği bir tahmin modeli oluşturulmuştur. Bu tahmin modeli geçmiş ürünler ile yeni ürünün kısmi verisi arasında bir bağlantı kurmaya dayanır. Geçmiş ürünlerin sergiledikleri satış eğrileri karşılaştırılarak kümelenir. Her bir küme farklı bir genel taelp desenini temsil eder. Yeni ürünün pazara girişinden itibaren oluşan kısmi verisi ile geçmiş ürünler karşılaştırılır. Kısmi verisi itibariyle yeni ürüne en çok benzeyen ürün bilgisi, bu ürünün ait olduğu kümeye ait bilgiler ve parametre bilgileri kullanılarak tahmin oluşturulur. Bu şekilde ürünün kısmi verisi ile gelecekte sergileme ihtimali en çok olan desen arasında bir ilişki kurulur. Kurulan bu ilişkiye dayalı olarak farklı tahmin yöntemleri önerilmiş ve bu yöntemlerin tahmin hatası açısından performans değerlendirmesi yapılmıştır. Çalışmada ürünün sadece kısmi verisi kullanılarak ve geliştirilen model ile elde edilen tahminler kıyaslanmıştır. Önerilen yöntemlerin bazılarının oldukça tatmin edici bir tahmin performansına sahip oldukları gösterilmiştir. | tr_TR |
dc.description.abstract | Bass diffusion model (BDM) is known as one of the successful models when it comes to new product adoption. In this study, using real world sales data, we analyzed the performance of BDM in reflecting sales curve of fashion type products. The study consists of two main parts; first we fit BDM by using all data points to investigate whether BDM is flexible enough to represent the pattern of sales or not. Then, we used products' partial data to find out the forecasting performance of BDM in forecasting the remaining demand of product in a season. We observed that BDM with partial data can not give satisfying results. Therefore, in the second part of our study, we focus on developing a successful forecasting approach and we developed methods based on BDM based on partially observed sales data in a current season, and clustering algorithm on full data sales data sets observed in the past. We analyzed the performance of several proposed forecasting methods. The performance of BDM is highly dependent on the accuracy of parameters estimation. Three main parameter estimation methods are used in the literature. These are the ordinary least squares method, the non-linear least squares method, and the maximum likelihood method. We utilized these methods in the study and compare them. In addition, we propose a new approach, we call randomized line search method. This method gives comparable results with the other parameter estimation techniques. As a consequence of first part of our work, we observe that BDM is capable of representing the sales of fashion products regarding to remaining demand of a product in a season. But with partial data BDM does not produce accurate results, especially with limited data from early periods in a season. To handle this problem, we developed a new model which relates past products to the new products when creating forecasts for a new product. Clustering methods, regression analysis and time-series analysis are utilized in development of the new forecast model. First, past sales data of products are clustered according to their sales curves. Each cluster represents different sales pattern. New product with a partial data is compared with the past products and the cluster with the minimum dissimilarity is selected. Using the cluster information, the "closest" product information and the partial data of the new product, a forecast remaining sales in a season is created for the new product . We suggested different ways to set weights for the information gained from clusters, from the closest product and from the new product. We created forecasts with proposed model and the BDM, and compared the forecasting performance of the suggested methods. We showed that some of the suggested methods have satisfying forecasting performance. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | TOBB University of Economics and Technology,Graduate School of Engineering and Science | en_US |
dc.publisher | TOBB ETÜ Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Forecasting | en_US |
dc.subject | Fashion goods | en_US |
dc.subject | Bass diffusion model | en_US |
dc.subject | Data clustering | en_US |
dc.subject | Time series analysis | en_US |
dc.subject | Tahmin | tr_TR |
dc.subject | Moda türü ürünler | tr_TR |
dc.subject | Bass yayılım modeli | tr_TR |
dc.subject | Veri kümeleme | tr_TR |
dc.subject | Zaman serisi analizi | tr_TR |
dc.title | Moda Türü Ürünler için Bass Yayılım Modeli ve Veri Kümeleme Tabanlı Bir Talep Tahmin Metodu Geliştirilmesi: Bir Vaka Uygulaması | en_US |
dc.title.alternative | Bass Diffusion Model and Data Clustering Based Forecasting Method for Fashion Goods: a Case Study | en_US |
dc.type | Master Thesis | en_US |
dc.department | Institutes, Graduate School of Engineering and Science, Industrial Engineering Graduate Programs | en_US |
dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı | tr_TR |
dc.relation.publicationcategory | Tez | en_US |
item.openairetype | Master Thesis | - |
item.languageiso639-1 | tr | - |
item.grantfulltext | open | - |
item.fulltext | With Fulltext | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.cerifentitytype | Publications | - |
Appears in Collections: | Endüstri Mühendisliği Yüksek Lisans Tezleri / Industrial Engineering Master Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
608416 (1).pdf | Abdurrahman Yavuz_Tez | 3.43 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
196
checked on Dec 23, 2024
Download(s)
66
checked on Dec 23, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.