Development of machine learning based demand forecasting models for the e-commerce sector

Alim Toprak Fırat; Onur Aygün; Mustafa Göğebakan; Mehmet Fatih Akay; Ceren Ulus

Makale detayları

Development of machine learning based demand forecasting models for the e-commerce sector

Yazarlar:

Alim Toprak Fırat | Onur Aygün | Mustafa Göğebakan | Mehmet Fatih Akay | Ceren Ulus

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Uluslararası Mühendislik Tasarım ve Teknoloji Dergisi Vol.7 Issue 1, pp.13-20

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001325803

pISSN:

2667-5374

Anahtar kelimeler:

Özet:

 The e-commerce sector has undergone rapid and dynamic growth in recent years. For companies aspiring to lead in this competitive industry, it is crucial to efficiently and cost-effectively respond to evolving consumer demands. In this context, the ability to accurately forecast future product demand becomes imperative. This study aims to develop forecasting models utilizing machine learning-based techniques, specifically Multi-Layer Perceptron MLP, Multi-Horizon Quantile Recurrent Neural Network MQRNN, and Random Forest RF, to predict future product demand. The demand forecasting models were developed for the months of July and August, based on daily sales data for Fast-Moving Consumer Goods FMCG products spanning from January 1, 2023, to August 25, 2024. The models performances were evaluated using Mean Absolute Percentage Error MAPE. Upon examining the forecasting models developed using MLP, MQRNN, and RF, it has been observed that MQRNN exhibited the superior performance.

 The e-commerce sector has undergone rapid and dynamic growth in recent years. For companies aspiring to lead in this competitive industry, it is crucial to efficiently and cost-effectively respond to evolving consumer demands. In this context, the ability to accurately forecast future product demand becomes imperative. This study aims to develop forecasting models utilizing machine learning-based techniques, specifically Multi-Layer Perceptron MLP, Multi-Horizon Quantile Recurrent Neural Network MQRNN, and Random Forest RF, to predict future product demand. The demand forecasting models were developed for the months of July and August, based on daily sales data for Fast-Moving Consumer Goods FMCG products spanning from January 1, 2023, to August 25, 2024. The models performances were evaluated using Mean Absolute Percentage Error MAPE. Upon examining the forecasting models developed using MLP, MQRNN, and RF, it has been observed that MQRNN exhibited the superior performance.

 The e-commerce sector has undergone rapid and dynamic growth in recent years. For companies aspiring to lead in this competitive industry, it is crucial to efficiently and cost-effectively respond to evolving consumer demands. In this context, the ability to accurately forecast future product demand becomes imperative. This study aims to develop forecasting models utilizing machine learning-based techniques, specifically Multi-Layer Perceptron MLP, Multi-Horizon Quantile Recurrent Neural Network MQRNN, and Random Forest RF, to predict future product demand. The demand forecasting models were developed for the months of July and August, based on daily sales data for Fast-Moving Consumer Goods FMCG products spanning from January 1, 2023, to August 25, 2024. The models performances were evaluated using Mean Absolute Percentage Error MAPE. Upon examining the forecasting models developed using MLP, MQRNN, and RF, it has been observed that MQRNN exhibited the superior performance.

 E-ticaret sektörü son yıllarda hızlı ve dinamik bir büyüme göstermiştir. Bu rekabetçi sektörde lider olmayı hedefleyen şirketler için değişen tüketici taleplerine verimli ve maliyet etkin bir şekilde yanıt vermek büyük önem taşımaktadır. Bu bağlamda, gelecekteki ürün talebini doğru bir şekilde tahmin etme yeteneği hayati hale gelmektedir. Bu çalışma, gelecekteki ürün talebini tahmin etmek amacıyla, Çok Katmanlı Algılayıcı MLP, Çok Ufuklu Çeyrek Tekrarlayan Sinir Ağı MQRNN ve Rastgele Orman RF gibi makine öğrenimi tabanlı teknikler kullanılarak tahmin modelleri geliştirmeyi amaçlamaktadır. Hızlı Tüketim Ürünleri FMCG için günlük satış verilerine dayalı olarak 1 Ocak 2023 ile 25 Ağustos 2024 tarihleri arasındaki dönemi kapsayan bu modeller, Temmuz ve Ağustos aylarına yönelik talep tahmini yapmak için oluşturulmuştur. Modellerin performansları Ortalama Mutlak Yüzde Hatası MAPE metriği kullanılarak değerlendirilmiştir. MLP, MQRNN ve RF kullanılarak geliştirilen tahmin modelleri incelendiğinde, en iyi performansı MQRNN modelinin gösterdiği gözlemlenmiştir.

Makale detayları

Development of machine learning based demand forecasting models for the e-commerce sector

Yazarlar:

Alim Toprak Fırat | Onur Aygün | Mustafa Göğebakan | Mehmet Fatih Akay | Ceren Ulus

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Uluslararası Mühendislik Tasarım ve Teknoloji Dergisi Vol.7 Issue 1, pp.13-20

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001325803

pISSN:

2667-5374

E-Commerce

Demand Forecasting

Machine LearningE-Ticaret

Talep Tahmini

Makine Öğrenimi

Sayı

Makale detayları

Development of machine learning based demand forecasting models for the e-commerce sector

Yazarlar: Alim Toprak Fırat | Onur Aygün | Mustafa Göğebakan | Mehmet Fatih Akay | Ceren Ulus

Yayıncı: Burdur Mehmet Akif Ersoy University

Ana Başlıklar: Elektrik Mühendisliği (Diğer)

Dergi: Uluslararası Mühendislik Tasarım ve Teknoloji Dergisi Vol.7 Issue 1, pp.13-20

Belge Tipi: Makale

Yayın Tarihi: 8/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001325803

pISSN: 2667-5374

E-Commerce

Demand Forecasting

Machine LearningE-Ticaret

Talep Tahmini

Makine Öğrenimi

Sayı

Yazarlar:

Alim Toprak Fırat | Onur Aygün | Mustafa Göğebakan | Mehmet Fatih Akay | Ceren Ulus

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Elektrik Mühendisliği (Diğer)

Dergi:

Uluslararası Mühendislik Tasarım ve Teknoloji Dergisi Vol.7 Issue 1, pp.13-20

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001325803

pISSN:

2667-5374