Yapay Sinir Ağları Yaklaşımı ile Talep Tahmini: Madeni Eşya İmalat Sektöründe Bir Uygulama

Year 2023, , 701 - 718, 27.10.2023

Tuğba Sarı , Sermet Rıza Şensoy , Adem Enes Nurbaki , İsmet Alperen Ağaç

https://doi.org/10.51551/verimlilik.1327524

Cited By: 1

Abstract

Amaç: Bir ürüne yönelik talebin tahmin edilmesi, o ürünün tedarik zinciri süreçlerinin verimli bir biçimde gerçekleştirilmesi için kritik önem taşır. Bu çalışmanın amacı, imalatçı firmalar için, Yapay Sinir Ağları (YSA) yaklaşımı ile içsel ve dışsal değişkenlerin sistematik olarak analiz edildiği, hibrit bir tahmin modeli ortaya koymaktır.
Yöntem: Çalışma kapsamında, madeni eşya imalat sektöründe faaliyet gösteren bir firma tarafından üretilen bir ürün grubunun talep tahminini gerçekleştirmek üzere YSA modellerinden yararlanılmıştır. İlk aşamada, firmanın geçmiş satış verileri kullanılarak geleneksel zaman serisi modelleri oluşturulmuştur. Daha sonra bu yöntemler tek tek YSA modeline eklenerek tek değişkenli hibrit modeller kurulmuş, ardından bu modellere kademeli olarak dışsal değişkenler eklenerek çok değişkenli hibrit YSA modelleri elde edilmiştir. Oluşturulan modellerin tahmin hatalarının ölçülmesi ile en iyi modeller belirlenerek, bu yöntemlerle gelecek dönemlerin tahminleri gerçekleştirilmiştir.
Bulgular: Analiz aşamasında toplam 48 hibrit YSA modeli kurulmuş olup, en düşük hata oranına sahip model, %18,01 ile “Winters’ Eklemeli Mevsimsel” yöntemi ile Reel Efektif Döviz Kuru ve İmalat Sanayi Üretim Endeksi dışsal değişkenlerinin kullanıldığı hibrit YSA modelidir.
Özgünlük: Bu çalışmanın, madeni eşya imalat sektöründe sınırlı bir araştırma alanına sahip olan talep tahmini probleminin çözümü için önerilen sistematik, kapsamlı ve uyarlanabilir tahmin modeliyle, literatürdeki boşluğun kapatılmasına katkıda bulunması beklenmektedir.

Keywords

Talep Tahmini, Basit Üstel Düzeltme, Holt-Winters, Yapay Sinir Ağları, Tedarik Zinciri, Madeni Eşya İmalat Sanayi

Supporting Institution

TÜBİTAK–2209-A ÜNİVERSİTE ÖĞRENCİLERİ ARAŞTIRMA PROJELERİ DESTEĞİ PROGRAMI

Project Number

1919B012214173

Demand Forecasting with Artificial Neural Networks Approach: An Application in the Metal Goods Manufacturing Industry

Abstract

Purpose: Forecasting the demand for a product is critical for the efficient management of its supply chain processes. The aim of this study is to present a hybrid forecasting model for manufacturing firms, in which endogenous and exogenous variables are systematically analyzed using an Artificial Neural Network (ANN).
Methodology: In this study, ANN models are utilized to forecast the demand for a product group produced by a firm operating in the metal goods manufacturing industry. In the first stage, traditional time series models were created using the firm's historical sales data. Then, univariate hybrid models were constructed by adding these methods to the ANN model one by one, and then multivariate hybrid ANN models were obtained by gradually adding exogenous variables to these models. By measuring the prediction errors of the models, the best hybrid models were determined and the future demands were forecasted by these methods.
Findings: A total of 48 hybrid ANN models were constructed in the analysis phase. It was founded that the best model with 18,00% error rate is the hybrid ANN model including the "Winters' Additive Seasonal" method and the exogenous variables, "Real Effective Exchange Rate" and "Manufacturing Industry Production Index".
Originality: By providing a systematic, comprehensive and adaptive forecasting model, this study is expected to contribute to the literature gap in solving the demand forecasting problem, which has a limited research area in the metal goods manufacturing industry.

Keywords

Demand Forecasting, Simple Exponential Smoothing, Holt-Winters, Artificial Neural Networks, Manufacturing Supply Chain, Metal Goods Manufacturing

Project Number

1919B012214173

References

• Aburto, L. ve Weber, R. (2003). “Demand Forecast in a Supermarket Using a Hybrid Intelligent System”, Design and Application of Hybrid Intelligent Systems, (Editörler: Abraham, A., Köppen, M., Franke, K.), IOS Press, Amsterdam, 1076-1083.
• Adalı, E. (2020). “Makine İmalat Sanayiinde Talep Tahmini: Elektromekanik Sanayiinde Bir Uygulama”, Yüksek Lisans Tezi, Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü, Balıkesir.
• Alduailij, M.A., Petri, I. ve Rana, O. (2021). Forecasting Peak Energy Demand for Smart Buildings. Journal of Supercomput 77, 6356-6380.
• Alon, I., Qi, M. ve Sadowski, R.J. (2001). “Forecasting Aggregate Retail Sales: A Comparison of Artificial Neural Networks and Traditional Methods”, Journal of Retailing and Consumer Services, 8(3), 147-156.
• Al-Saba, T. ve El-Amin, I. (1999). Artificial Neural Networks as Applied to Long-Term Demand Forecasting”, Artificial Intelligence in Engineering, 13(2), 189-197.
• Arslankaya, S. (2019). “Bir Lojistik Firmasında Zaman Serileri Analizi ve Yapay Sinir Ağları ile Talep Tahminin Karşılaştırılması”, 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences, (ISAS WINTER-2019), Samsun, Türkiye, 4(6), 239-245.
• Arslankaya, S. ve Vildan, Ö.Z. (2018). “Time Series Analysis Of Sales Quantity in An Automotive Company and Estimation By Artificial Neural Networks”, Sakarya University Journal of Science, 22(5), 1482-1492.
• Ballı, M.T. (2014). “Yapay Sinir Ağları ile Talep Tahmini ve Gıda Sektöründe Uygulanması”, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Bhadouria, S. ve Jayant, A. (2017). “Development of ANN Models for Demand Forecasting”, American Journal of Engineering Research, 6(12), 142-147.
• Calp, M.H. (2019). “İşletmeler için Personel Yemek Talep Miktarının Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi”, Politeknik Dergisi, 22(3), 675-686.
• Carlson, R.L. ve Umble, M.M. (1980). “Statistical Demand Functions For Automobiles and Their Use for Forecasting in An Energy Crisis”, Journal of Business, 53(2), 193-204.
• Chang, H.J., Kalinin, S.V., Morozovska, A.N., Huijben, M., Chu, Y.-H., Yu, P., Ramesh, R., Eliseev, E.A., Svechnikov, G.S., Pennycook, S.J. ve Borisevich, A.Y. (2011). “Atomically Resolved Mapping of Polarization and Electric Fields Across Ferroelectric/Oxide Interfaces by Z‐Contrast Imaging”, Advanced Materials, 23(21), 2474-2479.
• Chen, C.F., Lai, M.C. ve Yeh, C.C. (2012). “Forecasting Tourism Demand Based on Empirical Mode Decomposition and Neural Network”, Knowledge-Based Systems, 26, 281-287.
• Çoban, F. ve Demir, L. (2021). “Yapay Sinir Ağları ve Destek Vektör Regresyonu ile Talep Tahmini: Gıda İşletmesinde Bir Uygulama”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 327-338.
• Elmas, Ç. (2016). “Yapay Zekâ Uygulamaları”, Seçkin Yayıncılık, Ankara. Ergül, B. (2018). “Türkiye’deki İş Kazalarının Zaman Serisi Analiz Teknikleri ve Yapay Sinir Ağları Tekniği ile İncelenmesi”, Karaelmas Journal of Occupational Health and Safety, 2(2), 63-74.
• Faraji, J., Hashemi-Dezaki, H. ve Ketabi, A. (2020). “Multi-Year Load Growth-Based Optimal Planning of Grid-Connected Microgrid Considering Long-Term Load Demand Forecasting: A Case Study of Tehran, Iran”, Sustainable Energy Technologies and Assessments, 42, 100827.
• Han, G., Sönmez, E.F. Avcı, S. ve Aladağ, Z. (2022). “Uygun Normalizasyon Tekniği ve Yapay Sinir Ağları Analizi ile Otomobil Satış Tahminlemesi”, İşletme Ekonomi ve Yönetim Araştırmaları Dergisi, 5(1), 19-45.
• Hamzaçebi, C. ve Kutay, F. (2004). “Yapay Sinir Ağlari ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3), 227-233.
• Hyndman, R.J. ve Athanasopoulos, G. (2021) “Forecasting: Principals and Practice”, OTexts, Melbourne, Australia.
• Hasin, M.A.A. Ghosh, S. ve Shareef, M.A. (2011). “An ANN Approach to Demand Forecasting in Retail Trade in Bangladesh”, International Journal of Trade, Economics and Finance, 2(2), 154-160.
• Huang, Y., Liu, G.P. ve Hu, W. (2023). “Priori-Guided and Data-Driven Hybrid Model for Wind Power Forecasting”, ISA Transactions, 134, 380-395.
• Jain, A., Kumar Varshney, A. ve Chandra Joshi, U. (2001). “Short-Term Water Demand Forecast Modelling at IIT Kanpur Using Artificial Neural Networks”. Water Resources Management, 15, 299-321.
• Jaramillo-Morán, M.A., González-Romera, E. ve Carmona-Fernández, D. (2013). “Monthly Electric Demand Forecasting With Neural Filters”, International Journal of Electrical Power & Energy Systems, 49, 253-263.
• Karaatlı, M., Helvacıoğlu, Ö.C., Ömürbek, N. ve Tokgöz, G. (2012). “Yapay Sinir Ağlari Yöntemi ile Otomobil Satış Tahmini”, Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
• Kaya, A., Kaya, G. ve Çebi, F. (2022). “Forecasting Automobile Sales in Turkey with Artificial Neural Networks”, International Journal of Business Analytics, 6(4), 50-60.
• Kochak, A. ve Sharma, S. (2015). “Demand Forecasting Using Neural Network for Supply Chain Management”, International Journal of Mechanical Engineering and Robotics Research, 4(1), 96-104.
• Korucuk, S. ve Tatlı, Y. (2017). “Talep Tahminin İşletmelere Sağladığı Yararlar: İmalat İşletmelerinde Bir Araştırma”, Iğdır Üniversitesi Sosyal Bilimler Dergisi, 12, 223-238.
• Krajewski, L.J., Ritzman, L.P. ve Malhotra, M.K. (2010). “Operations Management: Processes and Supply Chains”, Pearson Publishing, New Jersey, USA.
• McCulloch W.S. ve Pitts W. (1943). “A Logical Calculus of İdeas İmmanent in Nervous Activity”, Bulletin of Mathematical Biophysics, 5(4), 115-133.
• Ostertagová, E. ve Ostertag, O. (2011). “The Simple Exponential Smoothing Model”, 4th International Conference on Modelling of Mechanical and Mechatronic Systems, Technical University of Košice, Slovak Republic, Proceedings of Conference, 380-384.
• Prayudani, S., Hizriadi, A., Lase, Y.Y. ve Fatmi, Y. “Analysis Accuracy of Forecasting Measurement Technique on Random K-Nearest Neighbor Using MAPE And MSE”, Journal of Physics: Conference Series, 1361(1), 1-8
• Satır, B. ve Köksal, M. (2006). “Entegre Tavuk Organizasyonları İçin Genel Üretim ve Finansal Planlama Modeli”, http:/academic. cankaya.edu.tr, (Erişim Tarihi: 04.10.2022)
• Shaik, M.A. ve Verma, D. (2020). “Enhanced ANN Training Model to Smooth and Time Series Forecast”, IOP Conference Series: Material Science and Engineering, International Conference on Recent Advancements in Engineering and Management (ICRAEM-2020) 9-10 October 2020, Warangal, India, 1-9.
• Sohrabpour, V., Oghazi, P., Toorajipour, R. ve Nazarpour, A. (2021). “Export Sales Forecasting Using Artificial Intelligence”, Technological Forecasting and Social Change, 163, 120480, 1-10.
• Sönmez, O. ve Zengin, K. (2019). “Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma”, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 302-308.
• T.C. Gümrük ve Ticaret Bakanlığı (2017), Esnaf ve Sanatkârlar Özelinde Sektör Analizleri Projesi Makine, Taşıtlar ve Madeni Eşya Sektörü Raporu.
• Vhatkar, S. ve Dias, J. (2016). “Oral-Care Goods Sales Forecasting Using Artificial Neural Network Model”, Procedia Computer Science, 79, 238-243.
• Wijaya, A.T., Lefta, F., Gozali, L. ve Daywin, F.J. (2020). “Forecasting Analysis at PT. Lion Metal Works Using Artificial Neural Network”, IOP Conference Series: Materials Science and Engineering, The 3rd Tarumanagara International Conference of the Applications of Technology and Engineering (TICATE) 2020 3-4 August 2020, Jakarta, Indonesia, 1007 012184, 1-6.