Yapay Sinir Ağları ile Talep Tahmini Yapma: Beyaz Eşya Üretim Planlama Örneği

Abstract

Üretim planlama için doğru bir talep tahminin yapılması oldukça önemli bir parametredir. Müşterilerin gelecekteki talep eğilimleri, piyasa durumu ve mevsimsellik gibi birçok faktörden etkilenebilir. Üretim planlama, işletmelerin hedefleri doğrultusunda üretim politikaları, üretim programları ve üretimle ilgili süreçlerin planlanmasıdır. Doğru bir talep tahmini yapmak oldukça kritik bir öneme sahip olup kaynakların daha verimli kullanılmasına olanak sağlayabilecektir. Talep tahmin metotları, kantitatif ve kalitatif olarak iki ana başlık altında toplanır. Kantitatif tahmin metodu, insanların kendi tecrübelerinden oluşan bilgiye dayanak olarak tahmin yapma yöntemidir. Kalitatif metot ise, sayısal verilerin matematiksel modellemelerle desteklenerek ortaya çıkan sonuçlara dayanarak tahmin yapma yöntemidir. Yapay sinir ağları modeli kantitatif tahmin metotlarının arasında yer alır. Bu çerçevede, makine öğrenme yöntemleri özellikle destek vektör makinesi, en yakın n-komşu, regresyon ve yapay sinir ağları ve bayes ağları gibi metotlar ve algoritmaların kullanılması uygun olabilir. Bu makalede yapay sinir ağları metodu kullanılarak talep tahmini problemi minimum hatayı veren sinir ağlarıyla çözülmüştür. Yapay sinir ağları metodu, belirli değişkenlere bağlı olan bir talep tahminini önceki örneklerin verileriyle yapay sinir ağlarının öğretilmesiyle ileriye dönük doğru talep tahmini yapması hedeflenmektedir.

Keywords

• Üretim Planlama,Yapay Sinir Ağları,Makine Öğrenmesi

Demand Forecasting with Artificial Neural Networks: White Goods Production Planning Example

Abstract

Demand forecasting represents an important part of production planning because it can estimate the future demand of products and services and the amount of resources that needs to be allocated in order to accomplish that demand. As the demands can vary as the times passes, the production plan must be able to face those variations. Demand estimation methods are classified under two main headings: quantitative and qualitative. The quantitative estimation method is a method of estimating the basis of knowledge of people's own experiences. The qualitative method is the method of estimating the numerical data based on the results obtained by supporting the mathematical modeling. Artificial neural network model is among quantitative estimation methods. Therefore, it may be appropriate to use methods and algorithms such as machine learning methods, especially support vector machine, nearest n-neighbor, regression and artificial neural networks and Bayesian networks. In this paper, we focus on the mining of the time series formed by all the past results using an artificial neural network-based simulation system that is able to identify an appropriate production forecast. The results of the production simulations are used as historical data in order to forecast the future demands and the amount of time needed to satisfy them. The time series forecast results show that data mining can be used in this domain in order to extract patterns that can be used to optimize the production process.

Keywords

• Production Planning,Artificial Neural Networks,Machine Learning

References

1. Agatonovic, S., & Beresford R. (2000). Basic Concepts of Artificial Neural Network (ANN) Modeling and Its Application in Pharmaceutical Research. Journal of Pharmaceutical and Biomedical Analysis 22(5): 717-27.
2. Çaglar, T. (2007). Talep Tahmininde Kullanılan Yöntemler ve Fens Teli Üretimi Yapan Bir İşletmede Uygulanması. Yüksek Lisans Tezi, Kırıkkale Üniversitesi, Fen Bilimleri Enstitüsü, Kırıkkale.
3. Çetin, M., Uğur, A., Bayzan, Ş. (2006). İleri Beslemeli Yapay Sinir Ağlarında Backpropagation (Geriye Yayılım) Algoritmasının Sezgisel Yaklaşımı. Bilgisayar Mühendisliği Bölümü, Pamukkale Üniversitesi.
4. Efendigil, T., Eminler, Ö., E. (2017). Havacılık Sektöründe Talep Tahmininin Önemi: Yolcu Talebi Üzerine Bir Tahmin Modeli. Journal of Yasar University, 12: 14-30
5. Efendigil, T., Önüt, S., Kahraman, C. (2009). A decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis. Expert Systems with Applications, 36: 6697–6707.
6. Garetti, M., Taisch, M. (1999). Neural networks in production planning and control. Production Planning & Control The Management of Operations and control, 10(4): 324-339, doi: 10.1080/095372899233082
7. Hamid, S., A. & Iqbal, Z. (2004). Using neural networks for forecasting volatility of s&p 500 index futures prices. Journal of Business Research, 57: 1116-1125.
8. Kabalcı, E. (2014). Yapay Sinir Ağları. Ders Notları https://ekblc.files.wordpress.com/2013/09/ysa.pdf

9. Karaatlı, M., Helvacıoğlu,Ö. Ömürbek, N. (2012). Gönül TOKGÖZ, "Yapay Sinir Ağları Yöntemi İle Otomobil Satış Tahmini", Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
10. Karahan, M. (2011). İstatistiksel Tahmin Yöntemleri: Yapay Sinir Ağları Metodu İle Ürün Talep Tahmini Uygulaması. Selçuk Üniversitesi/İşletme Anabilim Dalı / Üretim Yönetimi ve Pazarlama Bilim Dalı Konya, Türkiye.
11. Koç, H., Esnaf, Ş., (2016). Türkiye Mobilya Satış Değerlerinin Örnek Bir Yapay Zeka Uygulaması ile Tahmini. Selcuk-Teknik Dergisi, 3. Ulusal Mobilya Kongresi (UMK-2015), 1172- 1182.
12. Ömürek, N., Karaatlı, M., Tokgöz, G. (2012). Yapay Sinir Ağları Yöntemi ile Otomobil Satış Tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17): 1-14. doi: 10.11122/ijmeb.2012.8.17.290.
13. Sevinçtekin, E. (2014). İmalat Sektöründe Yapay Sinir Ağları Uygulaması. Yıldız Teknik Üniversitesi/Fen Bilimleri Enstitüsü/Endüstri Mühendisliği Ana Bilim Dalı/Sistem Mühendisliği, İstanbul, Turkiye.