Bir Savunma Sanayi Firmasında Depo Bölgesi Atama Sisteminin Veri Madenciliği ve Makine Öğrenme Yaklaşımlarıyla İyileştirilmesi

Öz

Günümüzde envanter kontrolü ve depolama operasyonları firmaların masraflarının oldukça önemli bir bölümünü oluşturmaktadır. Bu nedenle pek çok firma envanter kontrolü ve depolama operasyonları üzerindeki etkinliklerini arttırmayı amaçlamaktadır. Firmalar bu doğrultuda çözüm üretebilmek amacıyla, bazen depolama alanlarının sıfırdan tasarımını tartışırken bazen de maliyetler göz önüne alınarak var olan çalışma alanlarını optimize etmeyi amaçlamaktadır. Depo sistemlerinin etkinliğinin arttırılması amacıyla kullanılan pek çok alternatif yöntem vardır. Ancak depoyu bir veri ambarı, içindeki hammadde ve parçaları da veri olarak düşünecek olursak, veri madenciliğinin kullanımı kaçınılmaz olacaktır. Bu çalışmada, bir depolama yöntemi olan depo bölgesi atama işleminin iyileştirilmesi adına veri madenciliği teknikleri kullanılmıştır. Modelleme adımında ise bir makine öğrenme yaklaşımı olan çok sınıflı sınıflandırma algoritmalarından yararlanılmıştır. Bu bağlamda, literatürde yaygın olarak kullanılan çok sınıflı sınıflandırma algoritmaları karşılaştırılarak performansı en yüksek 8 tanesi seçilmiştir. Seçilen algoritmalar ile çalışılan probleme uygun bir model Python kodlama dili kullanılarak geliştirilmiş ve depolanan yedek parçaların özellik verileri kullanılarak hangi ambar bölümüne ait olduğu tahmin edilmiştir. Yapılan veri madenciliği ve makine öğrenmesi yöntemleri sonucunda gerçek ambar bölümünü en doğru tahmin eden algoritmanın, %72’lik bir başarı oranıyla Rastgele Orman algoritması olduğu görülmüştür. Genel anlamda bu çalışmada kullanılan bazı verilerin eksik veya yanlış kaydedildiği düşünüldüğünde daha fazla ve tutarlı veri kullanılarak bu başarı oranının çok daha yüksek oranlara çıkabileceği öngörülmektedir.

Anahtar Kelimeler

• Makine öğrenme
• Veri madenciliği
• Yapay zeka
• Depo bölgesi atama
• Depo yönetimi

Improving the Warehouse Zoning System of a Defense Industry Company Using Data Mining and Machine Learning Approaches

Abstract

Today, inventory control and storage operations constitute a very important part of the costs of companies. For this reason, many companies aim to increase their effectiveness in inventory control and storage operations. In order to produce solutions in this direction, companies sometimes discuss the design of storage areas from scratch, and sometimes they aim to optimize existing workspaces by considering costs. There are many alternative methods used to increase the efficiency of warehouse systems. However, if we consider the warehouse as a data warehouse and the raw materials and parts in it as data, the use of data mining will be inevitable. In this study, data mining techniques are used to improve the storage zone assignment process, which is a storage method. In the modeling step, multi-class classification algorithms, which is a machine learning approach, were used. In this context, by comparing the multi-class classification algorithms commonly used in the literature, the 8 with the highest performance were selected. A model suitable for the problem studied with the selected algorithms was developed using the Python coding language and it was estimated which warehouse section belonged to the stored spare parts using the property data. As a result of the data mining and machine learning methods, it has been seen that the algorithm that predicts the real warehouse section most accurately is the Random Forest algorithm with a success rate of 72%. In general, considering that some of the data used in this study were incomplete or incorrectly recorded, it is predicted that this success rate could reach much higher rates by using more consistent data.

Keywords

• Machine learning
• Data mining
• Artificial Intelligience
• Warehouse zoning
• Warehouse management

Kaynakça

1. Palamutçuoğlu, B. T. Lojistik Yönetimi Ders Notları. Manisa.J, 2012.
2. Tompkins J. A., White J. A., Bozer Y. A., Frazelle E. H., Tanchoco J. M. A: “Facilities Planning”, NJ: John Wiley and Sons, 2003. Zhou, Xiao Guang, Na Mou, and Ling Yun Wei. "A Study for Storage Allocation in Synchronized Zones Based on the Association Analysis of Goods." In Applied Mechanics and Materials, vol. 687, pp. 4658-4665. Trans Tech Publications Ltd, 2014.
3. Derickx, K., & Raa, B. (2011-2012). A comparative study of different storage.
4. Ozkaya, U., Melgani, F., Bejiga, M. B., Seyfi, L., & Donelli, M. (2020). GPR B scan image analysis with deep learning methods. Measurement, 165, 107770.
5. Lam, C., Lee, C., Ho, G., & Yip, T. (2009). Development of an OLAP-Based Fuzzy Logic System for Supporting Put Away Decision. International Journal of Engineering Business Management, 7-12.
6. Freitas, A. A. (2003). A Survey of Evolutionary Algorithms for Data Mining and Knowledge Discovery.
7. Kotsiantis, S. B. (2007). Supervised Machine Learning: A Review of Classification. Informatica 31 (249-268).
8. Mehrotra, D. (2018). Multiclass classification of mobile applications as per energy consumption. Journal of King Saud University –Computer and Information Sciences.