The Application of Machine Learnıng Methods in Warehouse Management Processes: The Example of Azure Ml Studio

Yıl 2021, Cilt: 16 Sayı: 62, 659 - 682, 30.04.2021

Cemal Çelik , Nazan Yelkikalan

https://doi.org/10.19168/jyasar.836791

Cited By: 1

Öz

E-commerce processes must work in harmony and simultaneously with warehouse and operation activities on the logistics side. E-commerce activities include the processes resulting in positive order requests. Routing orders in a correct and fast way depends on the integrated and seamless solution of warehouse technologies with ERP systems. The aim of this study is to manage the warehouse capacity efficiently by predicting the products to be demanded in the future. In the study, the data of an e-commerce company operating at national level was processed in Azure ML (Machine Learning) Studio and the future and demand forecast values were tried to be calculated. The study in which the new generation machine learning cloud platform was introduced and model performances were measured comparatively aims to plan and develop e-commerce sector and logistics activities based on data.

Anahtar Kelimeler

Warehouse Management, ERP, Machine Learning

Makine Öğrenme Yöntemlerinin Depo Yönetim Süreçlerinde Uygulanması: Azure ML Studio Örneği

Öz

Dünyamızda ve ülkemizde yaşanılan pandemik gelişmeler, E-ticaret faaliyetlerinin, lojistik tarafta depo ve operasyon yönetimleriyle uyumlu ve eş zamanlı bir şekilde çalışması gerekliliğini tüm işletmelere deneyim olarak yaşatmıştır. E-ticaret faaliyetleri, sipariş taleplerinin olumlu bir şekilde sonuçlanması ile gerçekleşen süreçleri içerir. Siparişlerin, doğru ve hızlı bir şekilde yönlendirilmesi, depo teknolojilerinin, ERP sistemleriyle entegre ve sorunsuz çözümüne bağlıdır. Bu çalışmada depo süreçlerinin iyileştirmesi hedeflenmiş ve süreçlerde oluşan firma verileri bulut teknolojileri üzerinde yer alan makine öğrenme platformlarından Azure MLStudio’da işlenmesi ele alınmıştır. Geleceğe dönük öngörü ve talep tahmin uygulamaları, makine öğrenme yöntemleri ve yapay sinir ağları gibi modellerde hesaplamış ve kullanılan model performansları birbiriyle karşılaştırılmıştır.

Anahtar Kelimeler

Depo Yönetimi, ERP, Makine Öğrenmesi

Kaynakça

• Akar, Cüneyt. (2018). İş Analitiği. Bandırma: Dora.
• Akyurt, İbrahim Zeki (2015). Talep Tahmininin Yapay Sinir Ağlarıyla Modellenmesi: Yerli
• Otomobil Örneği. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 147-157.
• Arslan, Deniz; Bayırtepe, Hikmet (2018). Bitümlü Sıcak Karışımlara Ait Akma Değerinin Regresyon Modelleri İle Tahmini. Gazi Ü.Fen Bilimleri Dergisi, 45-53.
• Ayan,Ahmet (2018), E-Ticaret Sitelerinin Satışlarının Artırılması İçin Bulut Bilişim Tabanlı Yapay Öğrenme, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Konya
• Chena, Kuan-Yu; Wang, Cheng-Hua (2007). Support Vector Regression With Genetic Algorithms İn Forecasting Tourism Demand. Tourism Management, 215-226. Croxton, Keely; Rogers, Dale S.(2001). The Supply Chain Management Processes. The International Journal of Logistics Management, 13-36.
• Collier, Michael; Shahan Robin (2016), Microsoft Azure Essentials, Microsoft Press
• Çakmaklı, İhsan (2005). B2B Business Models And E-Marketplaces: An Exploration For
• SMEs. Marmara Üniversitesi Sozyal Bilimler Enstitüsü Yüksek Lisans Tezi, İstanbul
• Çam, Engin (2014). Dünü, Bugünü ve Yarını İle E-Ticaret: Karşılaşılan Sorunlar Ve Çözüm Önerileri, İnönü Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, Malatya
• Çancı, Metin; Erdal, Murat (2013). Lojistik Yönetimi. İstanbul: UTİKAD.
• Elith, J.; Leathwick, J. R.; Hastie, T. (2008). A working guide to boosted regression trees. Journal of Animal Ecology, 802-813.
• Goia, Aldo; May, Caterina; Fusai, Gianluca. (2010). Functional Clustering And Linear Regression For Peak Load Forecasting. International Journal Of Forecasting, 702-711.
• Görçün, Ömer Faruk (2017). Depo ve Envanter Yönetimi. İstanbul: Beta.
• Graham, Catherine H.; Elith, Jane (2006). Novel Methods İmprove Prediction Of Species’ Distributions From Occurrence Data. Ecography, 129-151.
• Harper, Ralph L. (2010). Warehouse Technology in the Supply Chain Management Systems.
• Institute of Electrical and Electronics Engineers, 6-10.
• Hauke, Jan; Kossowski, Tomasz (2011). Comparıson Of Values Of Pearson’s And Spearman’s Correlatıon Coeffıcıents On The Same Sets Of Data., Quaestıones Geographıcae , 87-93.
• İlhan, İzzet (2015). Tedarik Zinciri Yönetiminde Kantitatif Talep Tahmin Yöntemi Seçimi İle Stok Optimizasyonuna Dair Bir Uygulama.. T.C.Maltepe Üniv. Fen Bilimleri Enstitüsü Yüksek Lisans Tezi. İstanbul
• İmrak, C Erdem; Gerdemeli, İsmail (2018). Endüstriyel Depolama Teknikleri
• İyi, Pelin; Erol Hamza (2008), Çoklu Lineer Regresyonda En İyi Model Seçimi, Ç.Ü Fen Bilimleri EnstitüsüCilt:17-5
• Karahan, Kasım (2002). Yeni Ekonomi ve Pazarlama Anlayışı İlişkisi. Pazarlama Dünyası, 4-7.
• Karahan, Mehmet (2015). Yapay Sinir Ağları Metodu İle İhracat Miktarlarının Tahmini: Arıma ve YSA Metodunun Karşılaştırmalı Analizi. Ege Akademik Bakış, 165-172.
• Kıvrak, Oğuzhan (2016), Müşteri Yaşam Boyu Değerinin Yapay Zeka Algoritmalarıyla Modellenmesi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Doktora Tezi, Balıkesir .
• Kim, Yongbeom; Lee, Zoonky; Gosain, Sanjay (2005). Impediments To Successful ERP Implementation Process. Business Process Management Journal, 158-170.
• Klaus, Helmut; Rosemann, Micheal; Gable, Guy (2000). What is ERP ? Information Systems Frontiers, 141-162.
• Koch, Christopher (2006). The ABCs of ERP. Framingham: CXO Media.
• Koç, Erdoğan (2015). Tüketici Davranışı ve Pazarlama Stratejileri. İstanbul: Seçkin.
• Koçel, Tamer (2007). İşletme Yöneticiliği. İstanbul: Arıkan.
• Koral, Yunus Emre (2009). Elektronik Ticaretin Lojistik Hizmet Kalitesine Etkisi.
• Marmara Üniversitesi Sosyal Bilimler Enstitüsü Yüksek Lisans Tezi .İstanbul
• Küçük, Orhan (2017). Stok Yönetimi. Ankara: Seçkin.
• Lewis, C. (1982). Industrial And Business Forecasting Methods. London: Butterworths.
• Montaño Moreno, J. J., Palmer Pol, A., Sesé Abad, A., & Cajal Blasco, B. (2013). Using The R-MAPE İndex As A Resistant Measure Of Forecast Accuracy. Psicothema, 500-506.
• Montgomery, Douglas C.; Peck, Elızabeth A.; Vınıng, G. Geoffrey (2005). Introductıon To Lınear Regressıon Analysıs. New Jersey: Wiley.
• Özmen, Şule (2013). Ağ Ekonomisinde Yeni Ticaret Yolu E-Ticaret,. İstanbul: Bilgi Üniversitesi Yayınları.
• Özdemir, Sinan; Kakade, Sunil; Tibaldeschi, Marco (2018). Principles of Data Science. Birmingham: Packt Publishing.
• Sobol, Marion G. (1991). Validation Strategies for Multiple Regression Analysis: Using the Coefficient ofDetermination. Informs, 106-120.
• Qureshi, Shadid; Kretzer, Jan (2012). An Investigation of Antecedents and Outcomes of Marketing Capabilities in Entrepreneurial Firms: An Empirical Study of Small Technology-Based Firms in Germany. Journal of Small Business and Entrepreneurship, 24(1), 49-66.
• Saatçioğlu, Ömür. (2019). Bilişim Sistemleri ve Lojistik . Eskişehir: Anadolu Kitap.
• Saatçioğlu Derya(2016). Aralıklı Talep Yapısına Sahip Ürünlerin Talep Tahmininde Makine Öğrenme Yöntemlerinin Uygulanması. İstanbul.
• Silveira, Giovani (2003). Towards A Frameworkfor Operations Management In E-Commerce. International Journal Of Operations & Production Management, 23(2), 200-212.
• Stevenson, William j.(2015). Operations Management. New York: McGraw Hill Internationa Edition.
• Tanyaş, Mehmet(2005). Türkiye’de Lojistik Sektörü için Çözüm Önerileri,. İstanbul.
• Taşçı, Deniz; Ulukan, Cemil (2014). Stratejik Yönetim I. Stratejik Yönetim I (I-IV)). Anadolu Üniversitesi. Eskişehir.
• Tranmer, M., Murphy, J., Elliot, M., & Pampaka, M. (2020). Multiple Linear Regression. Manchester: CC-BY licence. Witt, Stephen F. Witt and Christine A. (1992). Modeling and forecasting demand in tourism. London: Academic Press. İnternet Kaynakları Amazon.(2018) Dijital dünya ve iş imkânları, https://webrazzi.com/2018/09/04/amazon-1-trilyon-dolar-degere-ulasti, ( Erişim Tarihi: 04.09.2018.)
• Çolak, Ertuğrul (2020). Korelasyon Analizi http://eczacilik.anadolu.edu.tr/bolumSayfalari/belgeler/ecz2014%2012_20140527094539.pdf. (Erişim Tarihi : 29.04.2020)