Akademik Veri Yönetim Sistemi
Trends in business and economics (Online), ss.1, 2025 (Hakemli Dergi)
Yenilenmiş akıllı telefon pazarı, hem çevresel hem de ekonomik avantajları nedeniyle son yıllarda büyük ilgi görmektedir. Özellikle tüketicilerin artan çevre duyarlılığı ve uygun maliyetli çözümlere yönelmesi, yenilenmiş ürünlere olan talebi artırmaktadır. Ancak bu pazarın dinamikleri ve fiyatlandırma stratejileri geleneksel pazarlardan farklılık göstermektedir. Yenilenmiş ürünlerin statü ve model gibi birçok özelliği fiyatların belirlenmesinde kritik rol oynamaktadır. Bununla birlikte, karmaşık çok faktörlü yapıyı anlamak ve doğru fiyat tahminleri yapmak tüketiciler, satıcılar ve yeniden üreticiler için önemli bir zorluktur. Bu bağlamda, makine öğrenimi teknikleri fiyat tahmininde yüksek doğruluk oranlarına ulaşabilmektedir. Yenilenmiş akıllı telefon pazarında ürün özelliklerine dayalı fiyat tahmin modellerinin geliştirilmesi, pazardaki fiyat dalgalanmalarını anlamak, cihazın kullanımına, yenileme sonrası durumuna göre gerçek değerini belirlemek ve öngörülerde bulunmak için önemli bir fırsat sunuyor. Bu çalışmada, geleneksel makine öğrenimi ve derin öğrenme teknikleri kullanılarak akıllı telefonların fiyat tahmini yapılmıştır. Performans değerlendirmesi Ortalama Karesel Hatanın Kökü (RMSE), Ortalama Karesel Hata (MSE) ve R² Skoruna dayanmaktadır. Geleneksel makine öğrenimi modellerinden XGB Regressor 0,9902 R² skoru ile en yüksek performansı elde etmiştir. Benzer şekilde, derin öğrenme modelleri arasında LSTM 0,9870 R² skoru elde ederek iyi sonuçlar göstermiştir.
The refurbished smartphone market has gained a lot of attention lately because of its benefits for the economy and the environment. In particular, consumers' increasing environmental sensitivity and their inclination towards cost-effective solutions increase the demand for refurbished products. However, this market's dynamics and pricing strategies differ from traditional markets. Many features of refurbished products, such as their status and model, play a critical role in determining prices. However, understanding the complex multi-factor structure and making accurate price predictions is a significant challenge for consumers, sellers, and remanufacturers In this context, machine learning approaches can predict prices with high accuracy. The development of price prediction models based on product features in the refurbished smartphone market offers a vital opportunity to understand the price fluctuations in the market, to determine the actual value of the device according to its usage, post-refurbishment status, and to make predictions. This study employs both traditional machine learning and deep learning methodologies to enhance the accuracy of smartphone price prediction. Mean Squared Error (MSE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) and R² Score are the metrics used to evaluate efficiency. XGB Regressor outperformed traditional predictive machine learning algorithms, with a R² score of 0.9902. Similarly, among deep learning models, LSTM demonstrated exceptional results, attaining an R² score of 0.9870.