Tersine lojistik sürecinde bir optimizasyon çalışması
An optimization study in reverse logistics process
- Tez No: 495870
- Danışmanlar: PROF. DR. ERGÜN EROĞLU
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Sayısal Yöntemler Bilim Dalı
- 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
- Hipersezgisel yöntemlerle lojistik ağ tasarımı ve optimizasyon
Logistic network design and optimization using hyperheuristic methods
VURAL EROL
Doktora
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT BASKAK
PROF. DR. GÜLGÜN KAYAKUTLU
- Otomotiv endüstrisinde tersine tedarik zinciri ağı tasarımı
Reverse supply chain network design in the automotive industry
SEVAL ENE
Doktora
Türkçe
2015
Endüstri ve Endüstri MühendisliğiUludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. NURSEL ÖZTÜRK
- 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
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAN YILDIRIM
- 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
2024
Endüstri ve Endüstri MühendisliğiGebze Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞENUR BUDAK
- 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
2013
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜR BERSAM BOLAT