E-ticaret verileriyle uluslararası lojistikte talep tahmini ve stok optimizasyonu: Makine öğrenmesi temelli bir model uygulaması

Bu çalışma, e-ticaret sektöründe talep tahmini ve stok yönetimi süreçlerinin iyileştirilmesine yönelik olarak makine öğrenmesi tabanlı modelleme yaklaşımlarının uygulanabilirliğini incelemektedir. Artan rekabet ve değişken tüketici talepleri karşısında, firmaların envanter seviyelerini daha doğru öngörebilmesi stratejik bir gereklilik haline gelmiştir. Bu kapsamda, Brezilya merkezli Olist firmasına ait 2023–2024 dönemine ilişkin satış verileri ile çevresel faktörleri temsil eden meteorolojik değişkenler bütüncül bir veri yapısı içerisinde analiz edilmiştir. Satış hacmi üzerinde bölgesel farklılıkların ve iklim koşullarının etkilerini değerlendirebilmek amacıyla São Paulo, Rio de Janeiro, Belo Horizonte ve Curitiba şehirleri özelinde ayrıntılı analizler gerçekleştirilmiştir. Araştırma sürecinde, zaman serisi analizi, veri madenciliği ve çeşitli makine öğrenmesi algoritmaları (ARIMA, SARIMA, Random Forest, XGBoost, LightGBM, LSTM) entegre bir biçimde uygulanmış, bu modeller performans kriterlerine göre karşılaştırılmıştır. Elde edilen bulgular, Random Forest algoritmasının yüksek doğruluk oranlarıyla öne çıktığını göstermektedir. Sonuçlar, veri odaklı tahminleme modellerinin e-ticaret lojistiğinde operasyonel verimliliği artırmada ve stok optimizasyonunu desteklemede etkili karar destek araçları sunduğunu ortaya koymaktadır.