HIZLI TÜKETİM MALLARI SEKTÖRÜNDE ÖNERİ SİSTEMLERİ

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: ŞENGÜL KARADERİLİ

Danışman: Burcu Hüdaverdi

Özet:

Öneri sistemleri, seçeneklerin arttığı dijital çağda müşterilerin geçmiş deneyimlerine, şahsi özelliklerine ve tercihlerine dayanarak kişiselleştirilmiş listeler oluşturan ve müşterilere sunarak tüketim sürecini kolaylaştıran sistemlerdir. E-ticaret, sosyal medya, çevrimiçi eğitim gibi teknoloji bazlı sektörlerde en yaygın kullanımları mevcuttur. Hızlı tüketim malları sektörü (Fast - Moving Consumer Goods, FMCG) ise gıda, içecek, temizlik, kişisel bakım gibi ürünlerin üretim ve dağıtımını kapsayan; ürünlerin genellikle düşük fiyatlı ve yüksek hacimli olduğu bir sektördür. Bu nedenle stok devir hızı ve en çok talep görebilecek ürünleri bilmek önemlidir. Bu çalışma, hızlı tüketim malları sektöründe öneri sistemleri metotlarının uygulanabilirliğini ve başarısını değerlendirmek amacıyla gerçekleştirilmiştir. Müşteri, ürün ve etkileşim verileri kullanılarak popülarite bazlı (Pop@R), satış hızı bazlı (Fast@R), kullanıcı bazlı işbirlikçi filtreleme (UCF@R) gibi bazı klasik metotların yanında eXtreme gradient Boosting (XGBoost), Stokastik Gradyan İnişi (Stochastic Gradient Descent, SGD) gibi makine öğrenmesi ve Derin İşbirlikçi Filtreleme (Neural Collaborative Filtering, NCF) gibi derin öğrenme bazlı çeşitli öneri algoritmaları geliştirilmiş ve test edilmiştir. Test performansına göre, Light Factorization Machine (LightFM) modeli en düşük başarıyı göstermiştir. En yüksek başarı, işbirlikçi filtreleme yönteminin Derin İşbirlikçi Filtreleme ve eXtreme Gradient Boosting ile hibrit olarak geliştirilmesiyle elde edilmiştir. Bu çalışma, FMCG sektöründe öneri sistemleri geliştirirken hibrit yaklaşımların kullanılmasının önemini ortaya koymakta ve özellikle işbirlikçi filtreleme algoritmalarıyla birleştirilmiş makine öğrenmesi ve derin öğrenme modellerinin daha etkili sonuçlar ürettiğini göstermektedir. Elde edilen bulgular, sektördeki veriye dayalı karar alma süreçlerine katkı sağlayacak pratik çıkarımlar sunmaktadır.