Basit öğe kaydını göster

dc.contributor.authorŞahinbaş, Kevser
dc.date.accessioned2023-01-24T08:54:18Z
dc.date.available2023-01-24T08:54:18Z
dc.date.issued2022en_US
dc.identifier.citationŞahinbaş, K. (2022). Predicting order cancellations for e-commerce domain: A proposed model based on retailing experience. Journal of the Human and Social Science Researches, 11(3), 1493-1514. https://dx.doi.org/10.15869/itobiad.1127578en_US
dc.identifier.issn2147-1185
dc.identifier.urihttps://dx.doi.org/10.15869/itobiad.1127578
dc.identifier.urihttps://hdl.handle.net/20.500.12511/10368
dc.description.abstractE-Commerce technologies enable contact between businesses and their suppliers for the aim of exchanging information such as purchase orders, invoices, and payments thank to the rapid development in information technologies. E-Commerce has become a particularly important concept and has revolutionized the retail space. Understanding customer behavior patterns is key to gaining competitive advantage and achieving business goals. Predicting the probability of order cancellations has become a very urgent need as it causes loss of revenue for the retailer. When dealing with day-to-day operations such as order processing, tracking and order cancellations, finding enough time to grow the business is difficult. Cancellations are an important aspect of retail industry revenue management. In fact, little is known about the factors that cause customers to cancel or how to avoid them. The aim of this study is to propose a model that predicts the tendency to cancel an order and the parameters that affect the cancellation of the order. This solution can identify key factors that cause orders to be canceled by analyzing historical transaction data. A custom modeling application has been created that helps automate the process of tracking order cancellations in real time and predict the probability of an order being cancelled. For this purpose, machine learning techniques (ML) such as Artificial Neural Network, Support Vector Machine, Linear and Logistic Regression, XGBoost, Random Forest are applied to provide a tool for predicting order cancellations. The Random Forest algorithm achieves the best performance with 86% accuracy and 88% F1-Score compared to the other algorithm. This work will help firms manage their inventories well and strengthen their actions regarding customer behavior.en_US
dc.description.abstractE-Ticaret teknolojileri, bilgi teknolojilerindeki hızlı gelişme sayesinde, işletmelerin satın alma siparişleri, faturalar, ödemeler gibi bilgi alışverişi amacıyla tedarikçileri ile iletişim kurmasını sağlamaktadır. E-Ticaret özellikle önemli bir kavram haline gelmiştir ve perakende alanında devrim yaratmıştır. Müşteri davranış kalıplarını anlamak, rekabet avantajı elde etmenin ve iş hedeflerine ulaşmanın anahtarıdır. Perakendeci için gelir kaybına neden olduğu için sipariş iptallerinin olasılığını tahmin etmek çok acil bir ihtiyaç haline gelmiştir. Sipariş işleme, takip ve sipariş iptalleri gibi günlük işlemlerle uğraşırken, işi büyütmek için yeterli zaman bulmak zordur. İptaller, perakende sektörü gelir yönetiminin önemli bir yönüdür. Aslında, müşterilerin iptal etmesine neden olan faktörler veya bunlardan nasıl kaçınılacağı hakkında çok az şey bilinmektedir. Bu çalışmanın amacı, bir siparişi iptal etme eğilimini ve siparişin iptalini etkileyen parametreleri tahmin eden bir model önermektir. Bu çözüm, geçmiş işlem verilerini analiz ederek siparişlerin iptal edilmesine neden olan temel faktörleri belirleyebilir. Sipariş iptallerini gerçek zamanlı olarak izleme sürecini otomatikleştirmeye ve bir siparişin iptal edilme olasılığını tahmin etmeye yardımcı olan özel bir modelleme uygulaması oluşturulmuştur. Bu amaçla Yapay Sinir Ağı, Destek Vektör Makinesi, Doğrusal ve Lojistik Regresyon, XGBoost, Rastgele Orman gibi makine öğrenme teknikleri uygulanarak sipariş iptallerini tahmin etme aracı sağlanmıştır. Rastgele Ormanalgoritması diğer algoritmaya göre %86 doğruluk oranı ve %88 F1-Score ile en iyi performansı elde etmektedir. Bu çalışma, firmaların envanterlerini iyi yönetmelerine ve müşteri davranışlarıyla ilgili eylemlerini güçlendirmelerine yardımcı olacaktır.en_US
dc.language.isoengen_US
dc.publisherMustafa Süleyman ÖZCANen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectClassification in e-Commerce Cancellationen_US
dc.subjectMarketing Strategiesen_US
dc.subjectData Managementen_US
dc.subjectANNen_US
dc.subjectSVMen_US
dc.subjectXGBoosten_US
dc.subjectLogistic Regressionen_US
dc.subjectParameter Tuningen_US
dc.subjectFeature Importanceen_US
dc.subjectE-Ticaret İptalinde Sınıflandırmaen_US
dc.subjectPazarlama Stratejilerien_US
dc.subjectVeri Yönetimien_US
dc.subjectYSAen_US
dc.subjectSVMen_US
dc.subjectXGBoosten_US
dc.subjectLojistik Regresyonen_US
dc.subjectParametre Ayarlamasıen_US
dc.subjectNitelik Önemien_US
dc.titlePredicting order cancellations for e-commerce domain: A proposed model based on retailing experienceen_US
dc.title.alternativeE-ticaret alanı için sipariş iptallerini tahmin etme: Perakendecilik deneyimine dayalı önerilen bir modelen_US
dc.typearticleen_US
dc.relation.ispartofJournal of the Human and Social Science Researchesen_US
dc.departmentİstanbul Medipol Üniversitesi, İşletme ve Yönetim Bilimleri Fakültesi, Yönetim Bilişim Sistemleri Bölümüen_US
dc.authorid0000-0002-8076-3678en_US
dc.identifier.volume11en_US
dc.identifier.issue3en_US
dc.identifier.startpage1493en_US
dc.identifier.endpage1514en_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.identifier.doi10.15869/itobiad.1127578en_US
dc.institutionauthorŞahinbaş, Kevser
dc.identifier.trdizinid1135019en_US


Bu öğenin dosyaları:

Thumbnail

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster