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

Yıl 2019, Cilt: 1 Sayı: 1, 30 - 37, 13.03.2019

Emre Türk Farzad Kıanı

Öz

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.

Anahtar Kelimeler

Üretim Planlama, Yapay Sinir Ağları, Makine Öğrenmesi

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

Öz

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.

Anahtar Kelimeler

Production Planning, Artificial Neural Networks, Machine Learning

Kaynakça

• 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.
• Çaglar, T. (2007). Talep Tahmininde Kullanılan Yöntemler ve Fens Teli Üretimi Yapan Bir İşletmede Uygulanması. Yüksek Lisans Tezi, Kırıkkale Üniversitesi, Fen Bilimleri Enstitüsü, Kırıkkale.
• Çetin, M., Uğur, A., Bayzan, Ş. (2006). İleri Beslemeli Yapay Sinir Ağlarında Backpropagation (Geriye Yayılım) Algoritmasının Sezgisel Yaklaşımı. Bilgisayar Mühendisliği Bölümü, Pamukkale Üniversitesi.
• Efendigil, T., Eminler, Ö., E. (2017). Havacılık Sektöründe Talep Tahmininin Önemi: Yolcu Talebi Üzerine Bir Tahmin Modeli. Journal of Yasar University, 12: 14-30
• 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.
• 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
• 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.
• Kabalcı, E. (2014). Yapay Sinir Ağları. Ders Notları https://ekblc.files.wordpress.com/2013/09/ysa.pdf
• 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.
• 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.
• 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.
• 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.
• Sevinçtekin, E. (2014). İmalat Sektöründe Yapay Sinir Ağları Uygulaması. Yıldız Teknik Üniversitesi/Fen Bilimleri Enstitüsü/Endüstri Mühendisliği Ana Bilim Dalı/Sistem Mühendisliği, İstanbul, Turkiye.