Makine Öğrenmesi Yöntemleriyle Ürünlerin Satın Alma Fiyatının Tahminlenmesi

Abstract

Fiyatlandırma bir ürün veya hizmet için en uygun olan fiyatı belirleme stratejisidir. Bu süreç, ticari işletmelerin kârlılığını doğrudan etkileyen temel unsurlardan biri olması nedeniyle büyük önem taşımaktadır. Artan rekabet koşulları, işletmeleri birçok alanda olduğu gibi fiyatlandırma konusunda da daha stratejik ve bilinçli davranmaya itmektedir. Bu doğrultuda, doğru fiyatlandırma stratejileri işletmelerin hem kârlılığını maksimize etmesine hem de pazarda rekabet avantajı elde etmesine katkı sağlar. Bu çalışmada, bağlantı elemanları sektöründe faaliyet gösteren bir firmanın ürünlerine yönelik satın alma fiyatı tahminlemesine odaklanılmaktadır. Çoklu Doğrusal Regresyon, Rastgele Orman, Destek Vektör Regresyonu ve Yapay Sinir Ağları algoritmaları ürünlerin satın alma fiyatını tahmin etmek amacıyla uygulanmıştır. Algoritmaların performansı Korelasyon Katsayısı, Ortalama Mutlak Hata, Kök Ortalama Kare Hata, Bağıl Mutlak Hata ve Kök Bağıl Karesel Hata performans metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, en yüksek korelasyon katsayısı ve en düşük hata oranlarıyla Rastgele Orman algoritmasının en başarılı performansı sergilediğini ortaya koymuştur. Bu bulgular, makine öğrenmesi yaklaşımlarının ürün satın alma fiyatlarını tahminleyebildiğini ve fiyat tahminlemesi problemleri için etkili ve uygulanabilir çözümler sunduğunu göstermektedir.Pricing is the strategy of determining the most appropriate price for a product or service. This process is crucial since it is a fundamental factor that directly influences the profitability of commercial enterprises. Increasing market competition compels businesses to adopt more strategic and data-oriented approaches to pricing, as in many other areas. Accordingly, well-designed pricing strategies contribute to maximizing business profitability while enhancing competitive positioning in the marketplace. This study focuses on the forecasting purchasing price of products for a company operating in the fastener industry. Multiple Linear Regression (MLR), Random Forest (RF), Support Vector Regresssion (SVR) and Artificial Neural Networks (ANNs) algorithms are applied to predict purchasing price of products. Performance of the algorithms was evaluated using performance metrics including Correlation Coefficient (R), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Relative Absolute Error (RAE) and Root Relative Squared Error (RRSE). The results indicate that RF algorithm achieved the best performance with the highest R and the lowest error values. These findings demonstrate that machine learning approaches are capable of predicting purchasing price of products and provide effective and applicable solutions to the price prediction problem.