Büyük veri ve makine öğrenmesi yöntemleriyle tedarik zinciri yönetimi üzerine bir uygulama
An application on supply chain management with big data and machine learning methods
- Tez No: 874254
- Danışmanlar: PROF. DR. NURİ ÖZGÜR DOĞAN
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Nevşehir Hacı Bektaş Veli Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Sayısal Yöntemler Bilim Dalı
- Sayfa Sayısı: 188
Özet
Tedarik zinciri yönetimi, bir ürünü oluşturan hammaddelerin temininden tüketicilerden geri dönüşlere kadar olan tüm süreci kapsayan bir disiplindir. Günümüzde dijitalleşme ve altyapı çalışmalarının etkisiyle tedarik zincirleri klasik yapıdan çıkarak yüksek miktarda veri içeren ve teknolojik donanımların kullanıldığı bir yapıya dönüşmüştür. Bu kapsamda tedarik zinciri ağında yer alan her bir aşamada sensörler yoğun olarak kullanılmaya başlanmıştır. Sensörlerin yoğun olarak kullanılması ile beraber klasik tedarik zinciri yönetimleri nesnelerin interneti (IoT) tabanlı tedarik zinciri yönetimi olarak isimlendirilmeye başlanmıştır. IoT tabanlı tedarik zinciri yönetiminde, taşımada kullanılan araçlardan ürünlerin satıldığı raflara kadar her bir aşama ve gereçte sensörler kullanılmaktadır. Bu sensörler ile anlık veriler elde edilmekte ve tüm sürece dair büyük veriler ortaya çıkmaktadır. Makine öğrenmesi ise elde edilen söz konusu büyük miktardaki verilerin analiz edilmesi için geliştirilen yapay zekâ tabanlı algoritmalardır. Tedarik zinciri yönetimi literatürü incelendiğinde zinciri bir bütün olarak ele alan ve makine öğrenmesi ile analizler içeren çalışma sayısının arttırılması amacıyla bu tez çalışması tasarlanmıştır. Konunun güncel olması ve literatürdeki eksiklik ele alındığında bu çalışmanın sonuçları önemli bulgular içermektedir. Bu kapsamda bir imalat işletmesinin hammadde temin süreci ve üretim sürecine dair gerçek veriler elde edilmiştir. Elde edilen bu büyük veriler makine öğrenmesi algoritmaları ile Microsoft Azure Machine Learning Studio platformunda analiz edilmiştir. İlk kısımda linear regresyon uygulaması yapılarak hammadde tedarik sürecinde gecikmeler tespit edilmiş ve gelecek dönemlere dair tahminler geliştirilmiştir. İkinci kısımda, öncelikle tedarik zinciri sürecine dair veriler arasında anlamlı ilişkilerin tespit edilmesi ve sonraki aşamalara temel olması için değişkenler arasındaki korelasyon ilişkisine, bağımlı değişken üzerindeki etkisinin belirlenmesi için ise regresyon analizi uygulanmıştır. İleri beslemeli bir yapay sinir ağı modeli geliştirilerek gerçekleşen üretim düzeyleri ile makine öğrenmesinin tahmin ettiği üretim düzeyleri karşılaştırılarak ortalama mutlak hatalar tespit edilmiş ve işletmenin üretim verimliliği ifade edilmiştir. Son kısımda ise varsayımsal bir doğrusal programlama modeli geliştirilerek işletmenin üreterek depoladığı ürünleri beş farklı dağıtım merkezine iletmesi problemi LİNDO paket programı ile çözülmüştür. Elde edilen sonuçlar ve kullanılan algoritmaların sektör için bir örnek teşkil edeceği ve alandaki boşluğu dolduracağı tahmin edilmektedir. Son olarak ise gelecek araştırmalar için öneriler sunulmuştur.
Özet (Çeviri)
Supply chain management is a discipline that covers the entire process from the supply of raw materials that make up a product to the returns from consumers. Today, with the effect of digitalization and infrastructure studies, supply chains have left the classical structure and transformed into a structure that contains high amounts of data and technological equipment is used. In this context, sensors have been used intensively at every stage in the supply chain network. With the intense use of sensors, classical supply chain managements have begun to be named as internet of things (IoT) based supply chain management. In IoT-based supply chain management, sensors are used at every stage and equipment, from the vehicles used in transportation to the shelves where the products are sold. With these sensors, instant data is obtained and big data about the whole process emerges. Machine learning, on the other hand, is artificial intelligence-based algorithms developed to analyze the large amount of data obtained. When the supply chain management literature is examined, it is seen that there is a lack of studies that deal with the chain as a whole and include machine learning and analysis. The results of this study contain important findings when the topic is up-to-date and the gap in the literature is considered. In this context, real data on the raw material procurement process and production process were obtained by considering the supply business of a manufacturing company. This big data obtained was analyzed with machine learning algorithms on Microsoft Azure Machine Learning Studio platform. In the first part, supply delays were determined by applying linear regression and forecasts for future periods were developed. In the second part, firstly, regression analysis was applied to determine the significant relationships between the data on the supply chain process and to determine the correlation between the variables to be the basis for the next stages, and to determine the effect on the dependent variable. In the continuation, a feed forward artificial neural network model was developed and the actual production levels were compared with the production levels predicted by machine learning, and the average absolute errors were determined and the production efficiency of the enterprise was expressed. In the last part, a hypothetical linear programming model was developed and the problem of the enterprise's production and delivery of the products it stored to five different distribution centers was solved with the LINDO package program. It is estimated that the results obtained and the algorithms used will set an example for the sector and fill the gap in the field. Finally, suggestions for future research are presented.
Benzer Tezler
- Perakende hazır giyim firmasında makine öğrenmesi yöntemleriyle satış tahmini
Sales forecasting in a retail fashion company using machine learning methods
ŞEYMA GÖNEN HALICI
Yüksek Lisans
Türkçe
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
HÜSEYİN MUSTAFA METİN
Doktora
Türkçe
2024
MatematikMuğla Sıtkı Koçman Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERDOĞAN GAVCAR
- Makine öğrenmesi yöntemleri kullanılarak market satış tahmin modellerinin oluşturulması
Creating demand forecasting models using machine learning methods
SİNEM SEÇGİN OLGUN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HİKMET HAKAN GÜREL
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ