Sürdürülebilir Perakende Yönetimi için Gıda İsrafı Riskinin Özellik Mühendisliği ve Açıklanabilir Yapay Zekâ Destekli Modellenmesi

Bu çalışmanın temel amacı, süpermarket ürünlerinin envanter, satış ve tedarikçi verilerini kullanarak israf edilme olasılığını tahmin etmektir. Bu tahmin görevi için Yapay Sinir Ağları (ANN) ve lojistik regresyon modelleri kullanılmıştır. Çalışma, gıda israfının azaltılması, doğal kaynakların korunması ve çevresel etkilerin minimize edilmesi yoluyla sürdürülebilir gıda yönetimine katkı sunmayı ve süpermarketlerin hangi ürünleri öncelikli olarak izlemesi gerektiğine dair veri temelli bir rehberlik sağlamayı hedeflemektedir. Çalışmada, 990 gözlem ve 16 özellik içeren "Grocery Inventory and Sales Dataset" adlı bir süpermarket envanter veri seti kullanılmıştır. Veri setinde doğrudan israf bilgisi bulunmadığından, satış hacmi, stok devir hızı ve raf ömrü gibi değişkenlere dayalı mantıksal kurallarla israf adında bir hedef değişken ve Raf Ömrü adında yeni bir özellik türetilmiştir. Veri ön işleme aşamasında kategorik değişkenler sayısal formata dönüştürülmüş ve tüm sayısal özellikler ölçeklendirilmiştir. Ürünlerin israf olasılıklarını saptamak amacıyla Yapay Sinir Ağı (ANN) ve Lojistik Regresyon (LR) modelleri tasarlanmış ve performansları 5 katlı çapraz doğrulama ile değerlendirilmiştir. 5 katlı çapraz doğrulama sonuçlarına göre, Yapay Sinir Ağı (ANN) modeli (%92-%93 doğruluk) Lojistik Regresyon (LR) modeline (%79-%84 doğruluk) kıyasla daha yüksek ve kararlı bir sınıflandırma performansı sergilemiştir. Performansı en yüksek 4. kat (fold 4) üzerinde yapılan değerlendirmede, ANN modeli ROC eğrisi altında kalan alan (AUC) değeri 0.98 olarak hesaplanırken, LR modeli 0.92 AUC değerine ulaşmıştır. ANN modelinin Kappa istatistiği (0.87) ve %95 AUC güven aralığı [0.969–0.994], LR modelinin Kappa (0.68) ve güven aralığı [0.886–0.956] ile karşılaştırıldığında, ANN modelinin daha güvenilir sonuçlar ürettiğini ortaya koymuştur. ANN modeli için 4. kat verileri üzerinden yapılan SHAP analizi, Raf Ömrü değişkeninin model kararlarındaki en baskın faktör olduğunu göstermiştir. ANN modelinin (AUC=0.98) karmaşık ve doğrusal olmayan veri ilişkilerini yakalamada üstün olduğu, lojistik regresyonun (AUC=0.92) ise lineer ilişkiler üzerinden daha yorumlanabilir tahminler sunduğu görülmüştür. ANN için yapılan SHAP analizi lojistik regresyon katsayılarının, raf ömrünün ve stok-satış ilişkilerinin model kararlarında belirleyici olduğunu doğrulamıştır. Özellik mühendisliği adımları, özellikle israf hedef değişkeninin ve raf ömrü özelliğinin türetilmesi, her iki modelin de performansını artırmada kritik bir rol oynamıştır. Çalışma, gıda israfını tahmin etmede yapay sinir ağlarının (AUC=0.98) lojistik regresyondan (AUC=0.92) daha başarılı olduğunu ve süpermarketlerin müdahale önceliklerini belirlemesi için veri temelli bir rehber sunduğunu göstermiştir. Gelecek çalışmalarda, modelin genellenebilirliğini ve istatistiksel geçerliliğini artırmak için farklı veri kaynaklarından elde edilen doğrudan gözlemsel israf verilerinin kullanılması önerilmektedir. Geliştirilen modelin uygulama potansiyelinin yalnızca perakende ile sınırlı olmadığı; hasat sonrası kayıplar ve tarımsal lojistik süreçleri gibi tarımsal üretim zincirinin erken aşamalarına da uyarlanabileceği belirtilmiştir. Bu veri temelli yaklaşımlar, su ve toprak gibi doğal kaynakların verimli kullanımını destekleyerek, karbon ayak izini azaltarak ve BM Sürdürülebilir Kalkınma Amacı 12 ile uyumlu olarak sürdürülebilir tarım politikalarına katkı sağlama potansiyeline sahiptir.

The main aim of this study is to estimate the probability of food waste for supermarket products by utilizing inventory, sales, and supplier-related data. For this purpose, Artificial Neural Networks (ANN) and Logistic Regression (LR) models were employed. The study seeks to support sustainable food management practices by contributing to food waste reduction, resource conservation, and mitigation of environmental impacts, while also offering data-driven insights to help supermarkets identify products requiring priority monitoring. A supermarket inventory dataset entitled “Grocery Inventory and Sales Dataset”, consisting of 990 observations and 16 features, was used in this study. As the dataset does not contain direct waste labels, a binary target variable representing food waste and a derived feature describing shelf life were constructed based on rule-based relationships involving sales volume, inventory turnover rate, and product shelf life. During preprocessing, categorical variables were encoded into numerical form, and all numerical features were normalized. ANN and LR models were developed to predict waste likelihood, and their performance was assessed using five-fold cross-validation. The cross-validation results indicated that the ANN model achieved consistently higher and more stable classification performance (accuracy ranging from 92% to 93%) compared to the LR model (79% to 84%). Focusing on the best-performing fold (fold 4), the ANN model yielded an AUC value of 0.98, whereas the LR model achieved an AUC of 0.92. Furthermore, the ANN model demonstrated a higher Cohen’s Kappa value (0.87) and a narrower 95% AUC confidence interval [0.969–0.994] than the LR model (Kappa = 0.68; CI: [0.886–0.956]), indicating stronger reliability. SHAP analysis applied to the ANN model revealed that shelf life was the most influential variable driving waste predictions. The findings suggest that ANN models are more effective in capturing complex and nonlinear relationships within supermarket inventory data, while logistic regression offers greater interpretability through its linear structure. Both SHAP results and logistic regression coefficients consistently highlighted the importance of shelf life and stock–sales dynamics in determining waste risk. The feature engineering strategy, particularly the construction of the waste target variable and shelf life feature, played a crucial role in enhancing the predictive performance of both models. Overall, the findings indicate that ANN models outperform logistic regression in predicting food waste and provide a practical, data-driven basis for waste prevention in supermarkets. Future research incorporating directly observed waste data may improve model robustness. The approach can also be extended to earlier stages of the agricultural supply chain, supporting sustainable resource use and alignment with the United Nations Sustainable Development Goal 12.