Geri Dön

Tersine lojistik sürecinde bir optimizasyon çalışması

An optimization study in reverse logistics process

  1. Tez No: 495870
  2. Yazar: AYŞE NUR ADIGÜZEL TÜYLÜ
  3. Danışmanlar: PROF. DR. ERGÜN EROĞLU
  4. Tez Türü: Doktora
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: Sayısal Yöntemler Bilim Dalı
  13. Sayfa Sayısı: 249

Özet

Satış tahmini, stok planlama ve dağıtım gibi faaliyetlerde yapılan hatalar nedeni ile birçok tekstil ürünü tersine lojistik ağına girmektedir. Kaynak kullanımını ve maliyeti en başta azaltmak için doğru sayıda üretimin yanı sıra bu ürünlerin doğru şubelere doğru sayıda, renkte, bedende ve modelde gönderilmesi, nakliyesinin ve stok planlamasının doğru bir şekilde yapılması gerekmektedir. Çok parametreli ve çok değişkenli problemlerde matematiksel model kurmanın zorluğu nedeniyle istatistiksel yöntemler, yapay zeka yöntemleri ve makine öğrenme yöntemleri kullanılmaktadır. Genel olarak tüm bu faaliyetler zaman serisine dayalı talep tahminleri baz alınarak yapılır, fakat moda ve tüketicilerin çok çabuk değişen istekleri nedeniyle talep tahminleri ile gerçekleşen talepler arasında önemli farklılıklar doğmaktadır. Son dönemde yapılan çalışmalar gösteriyor ki bu şekilde karmaşık yapılı büyük veri setlerinde yapay zeka ve makine öğrenme yöntemleri diğer tahmin yöntemlerine göre doğruluğu daha yüksek sonuçlar vermektedir. Bu çalışmada diğer çalışmalardan faklı olarak Tersine Lojistikte ürün iade oranlarının ilk defa Makine Öğrenme ve Bileşik Makine Öğrenme yöntemleri ile tahmin edilmesi söz konusudur. Bu doğrultuda müşterilerin tercihleri ile birlikte satışa çıkan ürünlerin iadeleri ve nedenleri üzerinde yoğunlaşılıp iadelerin daha doğru bir şekilde tahmin edilmesi amaçlanmaktadır. Bu şekilde, analizler sonucunda elde edilen tüketici bilgileri şubelere doğru beden, renk ve modelde ürünlerin gitmesi, gereksiz üretim, nakliye ve depolama faaliyetlerinden kaçınılması, maliyetin, kaynak kullanımının ve çevre kirliliğinin azaltılması konularında daha doğru planlama yapılmasını sağlayabilir. Ayrıca yapılan ürün iade oranlarının tahmin edilmesinde kullanılabilecek parametrelerin belirlenmesi ile de literatüre katkı sağlanması da çalışmanın temel amaçlarından biridir. Makine Öğrenme tekniklerinden fonksiyonel algoritmalardan Doğrusal Regresyon (Linear Regression) ve Destek Vektör Regresyonu (Support Vector Regression), karar ağacı algoritmalarından M5P, kural tabanlı algoritmalardan M5Rules ve Karar Tablosu (Decision Table) algoritmaları en iyi sonuç verirken, Bileşik Makine Öğrenme tekniklerinden Stacking, Voting, Bagging ve Random Sub Space yöntemleri ile iyi sonuçlar elde edilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak verilmiş, %83,89 değerinde korelasyon katsayısına ulaşılmıştır.

Özet (Çeviri)

Many textile products are in reverse logistics network due to mistakes made in activities such as sales forecasting, inventory planning and distribution. In order to reduce resource usage and cost at first step, in addition to producing the correct quantity, these products must be sent to branches, in correct properties (amount, color, size and model) and transportation planning and stock planning should be done correctly. Statistical methods, artificial intelligence and machine learning methods are used because of the difficulty of establishing mathematical models in multi-parameter and multi-variable problems. In general, all these activities are based on demand forecasts by time series, but there are important differences between these demand predictions and the actual demands because of fashion and consumers' requests change very quickly. Artificial intelligence and machine learning methods provide faster and more accurate results in complex data sets. The difference of this study from other studies is to estimate the product return rates in Reverse Logistics with Machine Learning and Compound Machine Learning methods. In this direction, it is aimed to predict the claims accurately by concentrating on the customers' preferences, their reasons and the replies of the products which are sold to the customers. Thus, the consumer information obtained as a result of these analyzes can provide us with more accurate planning in terms of avoiding unnecessary production, transportation and storage activities and sending the products with the correct properties (amount, color, size and model) to the branches. Machine Learning and Ensemble Machine Learning Methods are used to estimate the rates of product return. In addition, contributing to the literature with determining the parameters that can be used in estimating the product return rates is one of the main objectives of the study. Best results of this study are obtained with Linear Regression and Support Vector Regression from the functional algorithms of machine learning techniques, M5P from decision tree algorithms of machine learning techniques, M5Rules and Decision Table based on rules algorithms of machine learning techniques and Stacking, Voting, Bagging and Random Sub Space algorithms of ensemble machine learning techniques. The results obtained are given comparatively and the correlation coefficient value is reached to 83.89%.

Benzer Tezler

  1. Hipersezgisel yöntemlerle lojistik ağ tasarımı ve optimizasyon

    Logistic network design and optimization using hyperheuristic methods

    VURAL EROL

    Doktora

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT BASKAK

    PROF. DR. GÜLGÜN KAYAKUTLU

  2. Otomotiv endüstrisinde tersine tedarik zinciri ağı tasarımı

    Reverse supply chain network design in the automotive industry

    SEVAL ENE

    Doktora

    Türkçe

    Türkçe

    2015

    Endüstri ve Endüstri MühendisliğiUludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. NURSEL ÖZTÜRK

  3. Türkiye e-ticaret perakende sektöründe bir başarı faktörü olarak; iade yönetimi

    E-commerce in return management as a success factor in Turkey

    GİZEM BERKDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NİHAN YILDIRIM

  4. Sürdürülebilir atık yönetimi için tersine lojistik ağ tasarımı: Çok amaçlı optimizasyon modeli

    Reverse logistics network design multi-objective optimization model for sustainable waste management

    EDA ER TUNCER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiGebze Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYŞENUR BUDAK

  5. Miktar ve kalite belirsizliği altında tersine lojistik ağ tasarımı için bir stokastik programlama modeli önerisi: Elektronik atık sektöründe bir uygulama

    Proposal of a stochastic programming model for reverse logistics network design under quantity and quality uncertainties: A case study in electronic waste sector

    BERK AYVAZ

    Doktora

    Türkçe

    Türkçe

    2013

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HÜR BERSAM BOLAT