Cilt 14 Sayı 1 (2026): Business & Management Studies: An International Journal
Makaleler

Sürdürülebilir pazarlama literatüründe tematik eğilimlerin BERTopic ve derin öğrenme ile tahmini

PDF (İngilizce)
  • İbrahim Budak
İbrahim Budak
Dr., Kastamonu Üniversitesi, Kastamonu, Türkiye

Yayınlanmış 25.03.2026

Anahtar Kelimeler

  • Sustainable Marketing, BERTopic, LSTM, GRU, Research Trend Prediction
  • Sürdürülebilir Pazarlama, BERTopic, LSTM, GRU, Araştırma Trendi Tahmini

Nasıl Atıf Yapılır

Sürdürülebilir pazarlama literatüründe tematik eğilimlerin BERTopic ve derin öğrenme ile tahmini. (2026). Business & Management Studies: An International Journal, 14(1), 113-128. https://doi.org/10.15295/bmij.v14i1.2688

Telif Hakkı (c) 2026 İbrahim Budak

Creative Commons License

Bu çalışma Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanslanmıştır.

Nasıl Atıf Yapılır

Sürdürülebilir pazarlama literatüründe tematik eğilimlerin BERTopic ve derin öğrenme ile tahmini. (2026). Business & Management Studies: An International Journal, 14(1), 113-128. https://doi.org/10.15295/bmij.v14i1.2688

Öz

Bu çalışma, sürdürülebilir pazarlamadaki akademik eğilimleri hem geriye dönük olarak haritalandırmayı hem de gelecekteki projeksiyonları geliştirmeyi amaçlamaktadır. Bu amaçla, çalışma beş ana tema etrafında sürdürülebilir pazarlama literatürünün nicel bir haritasını oluşturarak 2030 yılına kadar uzanan tematik eğilim tahminlerini sunmaktadır. Elsevier Scopus veritabanında “sürdürülebilir” ve “pazarlama” sorgusu kullanılarak yalnızca İngilizce makaleler, konferans bildirileri, kitap bölümleri ve ilgili belge türleri seçilmiştir; 1980-2025 dönemini kapsayan 17.747 kaydın özetleri analiz edilmiştir. Ön işleme sonrasında, BERTopic, paraphrase-multilingual-MiniLM-L12-v2 gömülü öğeleri kullanılarak uygulanmıştır. Önceki BERTopic uygulamasına uygun olarak, belgelerin %4,4'ünü oluşturan aykırı değer/gürültü kümesi (Konu = −1) hariç tutulmuş ve kalan 209 konu, içerik benzerliğine göre beş üst düzey tema altında birleştirilmiştir. Ortaya çıkan temalar, yeşil pazarlama, sürdürülebilir markalaşma, deniz ve gıda odaklı sürdürülebilirlik, yeşil tedarik zinciri pazarlaması ve AI destekli sürdürülebilirlik uygulamaları gibi eksenler etrafında kümelenerek, sürdürülebilir pazarlama literatürünün mevcut omurga yapısını nicel olarak ortaya koymaktadır. Her tema için yıllık yayın sayısı hesaplandı ve zaman serisine dönüştürüldü, ardından LSTM ve GRU modelleri kullanılarak 2026-2030 dönemi için tahmin edildi. Test döneminde, LSTM, daha düşük hata (MAE ve RMSE) ve daha yüksek R² değerleri ile GRU'ya kıyasla açıkça daha iyi/üstün performans gösterdi. Bulgular, sürdürülebilir markalaşma, yeşil tedarik zinciri pazarlaması ve yapay zekâ destekli sürdürülebilirlik uygulamaları gibi temaların önümüzdeki yıllarda güçlü bir yükseliş eğilimi göstereceğini, sürdürülebilir ambalaj pazarlaması gibi alanların ise nispeten dengeli ve olgun bir seyir izleyeceğini açıkça göstermektedir. Konu modellemesini derin öğrenme tabanlı zaman serisi tahminleriyle birleştiren bu çalışma, sürdürülebilir pazarlama araştırmalarına benzersiz bir metodolojik katkı sunmakta ve hem akademik gündem hem de marka stratejileri için somut, öngörüye dayalı içgörüler üretmektedir.

PDF (İngilizce)

Referanslar

  1. Arokodare, O., Ebun, O., & Kim, A. (2024). Leveraging Machine Learning for Enhanced Predictive Accuracy in Time Series Forecasting: A Comparative Analysis of LSTM and GRU Models. https://doi.org/10.13140/RG.2.2.30014.80965
  2. Badhusha, M. H. N., Pandey, G., Yadav, L. N., Chadalavada Lakshmi Nath, D. A., & Chandra, S. (2025). Sustainability narratives in branding: The role of ethical consumerism in shaping purchase decisions. Advances in Consumer Research, 2, 4308–4317.
  3. Buvaneswari, P. S., & Aishwaryaa, V. (2024). Sustainable marketing: Insights on current and future research directions—A bibliometric analysis. Journal of Business & Tourism, 10(2), 1–21. https://doi.org/10.34260/jbt.v10i02.298
  4. Cheddak, A., Ait Baha, T., Es-Saady, Y., El Hajji, M., & Baslam, M. (2024). BERTopic for enhanced idea management and topic generation in brainstorming sessions. Information, 15(6), 365. https://doi.org/10.3390/info15060365
  5. Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49(4), 1057–1072.
  6. Imran, N. F. N. B. A., Effendee, N. F. B. N., Faris, N. H. H. B. M., Puad, N. I. S. B. M., Nitin, N., Verma, V., Mayur, K., Lim, H. L., Ng, W. C., Baliyan, M., Kee, D. M. H. (2024). The effect of eco-friendly packaging on consumer purchase intention: A study of beverage sustainable packaging practices. Journal of Community Development Asia, 7(1), 91–104. https://doi.org/10.32535/jcda.v7i1.2539
  7. Garg, V., Bohara, S., & Srivastav, A. (2025). AI-driven sustainability marketing transforming consumers' perception toward eco-friendly brands. Discover Sustainability, 6(1), 984. https://doi.org/10.1007/s43621-025-01934-y
  8. Golenvaux, N., Alvarez, P. G., Kiossou, H. S., & Schaus, P. (2020). An LSTM approach to forecast migration using Google Trends. arXiv. https://doi.org/10.48550/arXiv.2005.09902
  9. Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv. https://doi.org/10.48550/arXiv.2203.05794
  10. Gür, Y. E. (2024). Comparative analysis of deep learning models for silver price prediction: CNN, LSTM, GRU and hybrid approach. Akdeniz İİBF Dergisi, 24(1), 1–13. https://doi.org/10.25294/auiibfd.1404173
  11. Hafizoglu, M., & Tuzlukaya, Ş. (2023). Social network theory in project management: A bibliometric analysis. Başkent Üniversitesi Ticari Bilimler Fakültesi Dergisi, 7(2), 63–82.
  12. Hankar, M., Kasri, M., & Beni-Hssane, A. (2025). A comprehensive overview of topic modeling: Techniques, applications and challenges. Neurocomputing, 628, 129638. https://doi.org/10.1016/j.neucom.2025.129638
  13. Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9
  14. Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
  15. Ilmalhaq, A., Pradana, M., & Rubiyanti, N. (2024). Sustainable consumption on marketing concept: A bibliometric analysis (2003–2023). International Journal of Sustainable Development & Planning, 19(9), 3595–3601. https://doi.org/10.18280/ijsdp.190927
  16. Jun, S. P., Yoo, H. S., & Choi, S. (2018). Ten years of research change using Google Trends: From the perspective of big data utilisations and applications. Technological Forecasting and Social Change, 130, 69–87. https://doi.org/10.1016/j.techfore.2017.11.009
  17. Jung, Y. J., & Kim, Y. (2023). Research trends of sustainability and marketing research, 2010–2020: Topic modeling analysis. Heliyon, 9(3), e14208. https://doi.org/10.1016/j.heliyon.2023.e14208
  18. Kilinç, M. (2025). LSTM-based time series forecasting of user-derived quality signals in mobile banking systems. Systems, 13(11), 949. https://doi.org/10.3390/systems13110949
  19. Kohli, V. (2024). Greenwashing in the fashion industry: A manipulative facade in the name of corporate environment responsibility. Jus Corpus Law Journal, 4(3), 28–41.
  20. Kokoç, M., Kokoç, M., & Tuncer, Ö. (2024). Using text mining to identify research trends in management information systems theses: A topic modeling approach. Ordu Üniversitesi Bilim ve Teknoloji Dergisi, 14(2), 293–306. https://doi.org/10.54370/ordubtd.1598387
  21. Koruyan, K. (2022). Classification of customer complaints using BERTopic topic modelling technique. Izmir Journal of Social Sciences, 4(2), 66–79. https://doi.org/10.47899/ijss.1167719
  22. Li, C., & Hu, X. (2025). Medical artificial intelligence in scholarly and public perspective: BERTopic-based analysis of topic-sentiment collaborative mining. Data Science and Informetrics, 5(1), 33–42. https://doi.org/10.1016/j.dsim.2025.05.001
  23. Madhavaram, S., & Nirjar, A. (2025). Capability development for sustainable marketing: A theoretical framework. AMS Review, 15, 157–190. https://doi.org/10.1007/s13162-025-00299-9
  24. Mojtahedi, F. F., Yousefpour, N., Chow, S. H., & Cassidy, M. (2025). Deep learning for time series forecasting: Review and applications in geotechnics and geosciences. Archives of Computational Methods in Engineering, 32, 3415–3445. https://doi.org/10.1007/s11831-025-10244-5
  25. Monroy, S. E., & Diaz, H. (2018). Time series-based bibliometric analysis of the dynamics of scientific production. Scientometrics, 115(3), 1139–1159. https://doi.org/10.1007/s11192-018-2728-4
  26. Naufal, G. R., & Wibowo, A. (2023). Time series forecasting based on deep learning CNN-LSTM-GRU model on stock prices. International Journal of Engineering Trends and Technology, 71(6), 126–133. https://doi.org/10.14445/22315381/IJETT-V71I6P215
  27. Omoware, J. M., Abiodun, O. J., & Wreford, A. I. (2023). Predicting stock series of Amazon and Google using long short-term memory (LSTM). Asian Research Journal of Current Science, 5(1), 205–217.
  28. Samsir, S., Saragih, R. S., Subagio, S., Aditiya, R., & Watrianthos, R. (2023). BERTopic modeling of natural language processing abstracts: Thematic structure and trajectory. Jurnal Media Informatika Budidarma, 7(3), 1514–1520. https://doi.org/10.30865/mib.v7i3.6426
  29. Siuda, D., & Grębosz-Krawczyk, M. (2025). The role of pro-ecological packaging in shaping purchase intentions and brand image in the food sector: An experimental study. Sustainability, 17(4), 1744. https://doi.org/10.3390/su17041744
  30. Sohaib, O., Alshemeili, A., & Bhatti, T. (2025). Exploring AI-enabled green marketing and green intention: An integrated PLS-SEM and NCA approach. Cleaner and Responsible Consumption, 100269. https://doi.org/10.1016/j.clrc.2025.100269
  31. Sono, M. G. (2023). Bibliometric analysis of the term "marketing sustainability". West Science Interdisciplinary Studies, 1(6), 314–325. https://doi.org/10.58812/wsis.v1i6.105
  32. Svetunkov, I. (2026, February 22). Rolling origin. In greybox [Package vignette]. Comprehensive R Archive Network (CRAN). https://cran.r-project.org/web/packages/greybox/vignettes/ro.html
  33. Tian, Y., Kamran, Q., & Henseler, J. (2025). Sustainability in marketing: A review using multiple correspondence analysis. Cogent Business & Management, 12(1), 2493389. https://doi.org/10.1080/23311975.2025.2493389
  34. Torres, J. F., Hadjout, D., Sebaa, A., Martínez-Álvarez, F., & Troncoso, A. (2021). Deep learning for time series forecasting: A survey. Big Data, 9(1), 3–21. https://doi.org/10.1089/big.2020.0159
  35. Trojanowski, T. (2022). The triple bottom line concept in sustainable marketing mix activities of food industry enterprises. WSEAS Transactions on Business and Economics, 19, 1296–1302. https://doi.org/10.37394/23207.2022.19.116
  36. Wahyuni, H., Haryati, T., & Asnawi, Y. H. (2024). Trends in green supply chain management: Insights from bibliometric analysis (2014–2023). Airlangga Journal of Innovation Management, 5(3), 543–554. https://doi.org/10.20473/ajim.v5i3.59014
  37. Wang, S., Liu, M. T., & Pérez, A. (2023). A bibliometric analysis of green marketing in marketing and related fields: From 1991 to 2021. Asia Pacific Journal of Marketing and Logistics, 35(8), 1857–1882. https://doi.org/10.1108/APJML-07-2022-0651
  38. White, K., Cakanlar, A., Sethi, S., & Trudel, R. (2025). The past, present, and future of sustainability marketing: How did we get here and where might we go? Journal of Business Research, 187, 115056. https://doi.org/10.1016/j.jbusres.2024.115056
  39. Widiastuti, E., Sukesi, S., & Sarsiti, S. (2024). Sustainable marketing in the digital age: A systematic review of the latest strategies and tactics. International Journal of Economics, Business and Accounting Research (IJEBAR), 8(1). https://doi.org/10.29040/ijebar.v8i1.12158
  40. Yip, W. S., To, S., Zhou, H., & Ren, J. (2025). Text mining in sustainable manufacturing for topic modeling. In W. S. Yip, S. To, H. Zhou, & J. Ren, Sustainable machining and micro-machining (pp. 63–78). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-82986-4_5
  41. Yunita, A., Pratama, M. I., Almuzakki, M. Z., Ramadhan, H., Akhir, E. A. P., Mansur, A. B. F., & Basori, A. H. (2025). Performance analysis of neural network architectures for time series forecasting: A comparative study of RNN, LSTM, GRU, and hybrid models. MethodsX, 15, 103462. https://doi.org/10.1016/j.mex.2025.103462