TRENDYOL VERİLERİ ÜZERİNDE MAKİNE ÖĞRENMESİ MODELLERİNİ KULLANARAK ÜRÜN POPÜLARİTESİNİ TAHMİN ETME

Abstract

Akıllı cihaz teknolojisinin hızlı gelişimiyle birlikte internetin günlük hayattaki kullanımı her geçen gün hızla yaygınlaşmaktadır. Teknolojideki bu büyüme çoğu yatırımcının yatırım alanını tamamen değiştirerek yatırımcıları e-ticaret sektörüne yöneltmiştir. Yapılan yatırımlarla e-ticaret sektöründe büyük gelişim yaşanmıştır. Bu gelişim ile e-ticarette tüm mal ve hizmet sektörünü kapsayan, sürekli yeni ürünler eklenmesi ve ürün/miktar ve çeşitliliğini arttırılarak kullanıcılara hizmet verilmektedir. Devasa verilerden oluşan bu sektörde; ürünlerin, kullanıcı ihtiyaçlarına göre sıralanması ve kullanıcının kendisi için en uygun ürünü seçmesi zorlaşmaktadır. Bu zorluğun üstesinden gelmek için birçok e ticaret sitesinde, ürüne dayalı tahminler kullanılmaktadır. Bu tahminlerden biri olan ürünün popülerliği, o ürünü daha önce kullanan kullanıcıların geri bildirimi ile belirlenir. Geri bildirimler ürünün popülerliğini etkileyerek ürünün, kullanıcıya gösterilme sıralamasındaki yerini de belirlemektedir. Bu çalışmada, Trendyol e-ticaret sitesine ait 17 öznitelikten oluşan 7200 ürün verisi kullanılmış olup ürün özelliklerinin, ürünün favori sayısı üzerindeki etkisi araştırılmaktadır. Ürünlerin favorilenme sayısını tahmin etmek için Bagging, Gradient Boosting Machines (GBM), Light Gradient Boosted Machine (LightGBM) ve Extreme Gradient Boosting (XGBoost) gibi regresyon modelleri kullanılmıştır. Regresyon modelleri Mean Absolute Error (MAE), Mean Square Error (MSE), Root Mean Square Error (RMSE) ve Mean Absolute Scaled Error (MASE) kullanılarak değerlendirilmiştir. Analiz sonuçları, modellerin düşük hata oranı ile başarılı bir şekilde ürünlerin favori sayısının tahmin edilebildiğini göstermiştir. Ayrıca veri setindeki favori sayılarının sınıflandırarak favori sayı sınıflarından oluşan yeni bir veri seti oluşturuldu. Bu veri setini kullanarak favori sayı sınıfının popülarite üzerindeki etkisi araştırılmıştır. Bunun için sınıflama modellerinden Decision Tree, GBM, LightGBM, Naive Bayes, Random Forest, SVM ve XGBoost sınıflama modelleri kullanılmıştır. Sınıflama değerlendirme metriklerinden olan Accuracy, F1_score ve cross validation score değerleri ile modeller değerlendirildi. Analiz sonuçları, modellerin yüksek doğruluktaki başarı ile ürünlerin favori sayı sınıfını tahmin edebildiğini göstermiştir.