SALES FORECASTING IN FURNITURE INDUSTRY: COMPARATIVE ANALYSIS OF RECURRENT NEURAL NETWORK MODELS

Abstract

In today's business world, companies' successful operation and sustainable growth depend on accurately predicting future sales. In this context, making accurate and reliable predictions is of critical importance in strategic planning and resource management processes. This study aims to predict the future sales amounts of a furniture company using Recurrent Neural Networks (RNN) models. Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (BiGRU) advanced recurrent neural network models were used in the training process. The study explains the steps from data preparation processes to model training in detail. The performance of each model was subjected to a comprehensive evaluation using metrics such as R-squared, Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). According to the analysis results, the BiGRU method was determined as the model with the highest accuracy with an R-squared score of 0.94 in repetitive operations. This study aims to contribute to how companies can integrate recurrent neural network models into their sales forecasting processes by comparing them.

Günümüz iş dünyasında, şirketlerin başarılı bir şekilde faaliyet göstermeleri ve sürdürülebilir bir büyüme elde etmeleri, gelecekteki satışları doğru bir şekilde tahmin etmelerine bağlıdır. Bu bağlamda, stratejik planlama ve kaynak yönetimi süreçlerinde doğru ve güvenilir tahminlerin yapılması kritik bir öneme sahiptir. Bu çalışma, Yinelemeli Sinir Ağları (RNN) modellerini kullanarak bir mobilya firmasının gelecekteki satış tutarlarını tahmin etmeyi hedeflemektedir. Eğitim sürecinde Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (BiGRU) gelişmiş yinelemeli sinir ağı modelleri kullanılmıştır. Çalışma, veri hazırlama süreçlerinden model eğitimine kadar olan adımları detaylı bir şekilde açıklamaktadır. Her bir modelin performansı, R-kare, Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) gibi ölçütler kullanılarak kapsamlı bir değerlendirmeye tabi tutulmuştur. Analiz sonuçlarına göre, BiGRU yöntemi tekrarlayan işlemlerde 0.94 R-kare skoru ile en yüksek doğruluğa sahip model olarak belirlenmiştir. Bu çalışma, yinelemeli sinir ağı modellerini kıyaslayarak şirketlerin satış tahmin süreçlerine nasıl entegre edilebileceği konusunda katkı sunmayı amaçlamaktadır.