İş makineleri sektöründe yapay sinir ağları ile talep tahmini uygulaması
Abstract
Talep tahmin metotları, kalitatif ve kantitatif olarak iki ana başlık altında toplanır. Kalitatif tahmin metodu insanların kendi tecrübelerine ve sezgilerine dayanarak tahmin yapma yöntemidir. Kantitatif metot ise geçmiş verileri kullanıp, veriler üzerinde sayısal ve istatistiki hesaplamalar yapılarak, verilerin matematiksel modellerle desteklendiği tahmin yöntemidir. Kantitatif bir yaklaşım olan Yapay Sinir Ağları (YSA) ile tahmin modeli, öğrenme ve tecrübe etme yoluyla geçmişte depolanan bilgilerden kararların nasıl alınabileceğini yani bilgisayarlarda işlenmiş bilgilerin nasıl elde edilebileceğini anlamaya çalışan yapay zekâ tabanlı bir tahmin yöntemidir. Bu çalışmada stok yönetimini etkin bir şekilde gerçekleştirmek amacıyla iş makineleri yedek parçaları üreten bir üretim tesisinde YSA kullanılarak talep tahmini uygulaması yapılmış ve ileriye dönük müşteri talepleri ortaya çıkarılmıştır. Geliştirilen modelde geçmiş yıllara ait satış miktarları, dünyada satılan iş makinası sayısı, yıllara ve aylara göre dolar kuru değişimi ve aylık etki oranı değişkenleri yer almaktadır. Uygulamada son 9 yıla ait veriler kullanılmıştır. Gelecek yıl için talep tahminleri geliştirilen YSA modeli ile yapılmıştır. Ayrıca çoklu regresyon analizi ile de talep tahmini yapılmış olup sonuçlar karşılaştırılmıştır. Yapay sinir ağlarının tahmin yapmada daha iyi sonuçlar verdiği gözlenmiştir. Demand forecasting methods are classified under two main categories as qualitative and quantitative. The qualitative forecast is a method based on people's personal experience and intuition. The quantitative forecast is a method of using historical data supported by mathematical models and indicating numerical and statistical calculations on the data. Forecasting with Artificial Neural Networks (ANN) is an artificial intelligence-based method that indicates how decisions can be made from information stored in the past through learning and experience. In this study, demand forecasting application was performed by using ANN in a production facility that produces spare parts of construction machines. The aim of the study is forecasting demands as close as possible to future customer demands. In the developed model, sales quantities of past years, number of construction machines sold in the world, dollar exchange rate effect according to years and months and monthly effect rate are used as variables. Data for the last 9 years were used in the application. Demand forecasts were realized for the next year with the ANN model. In addition, demand forecasting was performed by multiple regression analysis with the same data and the results were compared. It was observed that ANN give better results.