Making warehouse location decisions with machine learning methods: A case of a Turkish logistics company
Büyük veri makine öğrenme yöntemleri ile depo lokasyon kararlarının alınması: Bir Türk lojistik şirketi örneği
- Tez No: 875125
- Danışmanlar: DOÇ. DR. ATINÇ YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: 82
Özet
Lojistik firmaları, temel olarak ürünlerin belirli noktalara taşınması, müşterilerinin ihtiyaç duyduğu noktalara zamanında bu ürünlerin transferini kolaylaştırmak amacıyla ürünlerin belirli lokasyonlarda depolanması alanlarında faaliyet göstermektedir. Şirketler, tüm bu süreçleri yürütürken yakıt tüketimi, depo sayısı ve lokasyona bağlı olarak katlanılan depo işletme giderlerini optimize ederken, şirket karlılıklarını ve müşteri memnuniyetlerini yüksek tutmayı amaçlar. Ürünlerin tutulacağı depoların lokasyonlarının doğru belirlenmesi, bu amaç doğrultusunda kritik etkenlerden biridir. Veri bilimi, depo konumlarının tahsisi problemi için çeşitli çözümler sunmaktadır. Araştırmalar, çeşitli makine öğrenimi algoritmalarının konum tahsisi problemine yönelik çözümler sunduğunu göstermektedir. Bu çalışmada, depoların konumlarının belirlenmesinde etkili olan değişkenlerin belirlenmesi ve bu değişkenler ile optimum sayıda ve konumda depo lokasyonlarının tahsis edilmesi konuları üzerine makine öğrenimi algoritma uygulamaları incelenecektir. Problemin çözümüne yönelik olarak literatürde çokça çalışılmış olan Kendini Düzenleyen Haritalar, Gürültülü Uygulamaların Yoğunluk Tabanlı Uzamsal Kümelenmesi, Hiyerarşik Kümeleme, K-Means Kümeleme ve Genetik Algoritma olmak üzere beş farklı metod ve Kendini Düzenleyen Haritalar ile K-Means Kümeleme metotlarının beraber kullanıldığı bir hibrit model uygulanmıştır. Modeller, bir lojistik firmasının gerçek verileri üzerine test edilmiştir. Modellerin performansları karşılaştırılarak depo lokasyonlarının belirlenmesi için uygun olabilecek makine öğrenimi teknikleri incelenmiştir. En İyi Siluet Puanı, Yeniden Oluşturma Hatası, Açıklanan Varyans, modeller tarafından belirlenen aday konumlar arasındaki toplam mesafe ve modellerin yürütme süresi performans metrikleridir. Hibrit model, bu performans metrikleri bir arada değerlendirildiğinde yüksek performans göstermektedir. Bu çalışmanın sonucuna göre, lojistik ihtiyacı bulunan şirketler için yeni depo merkezlerinin konumu belirlenebilecektir.
Özet (Çeviri)
Logistics companies primarily operate in the fields of transporting products to specific points and storing products at certain locations to facilitate the timely transfer of these products to the points where their customers need them. While managing all these processes, companies aim to keep company profitability and customer satisfaction high by optimizing the costs depending on fuel consumption, the number of warehouses, and their locations. In this study, the variables that are effective in determining the locations of warehouses will be identified, and machine learning algorithm applications on the topics of allocating warehouse locations in optimum numbers and locations will be examined. Five different methods that are Self-Organizing Map, Density-Based Spatial Clustering Application with Noise, Hierarchical Agglomerative Clustering, K-Mean, and Genetic Algorithm, and a hybrid model, that is developed by Self-Organizing Map and K-Means, have been applied. The models have been tested on the real data of a logistics company. Machine learning techniques were examined by comparing the performances of the models. Best Silhouette Score, Reconstruction Error, Explained Variance, total distance between the candidate locations determined by the models, and execution time of models are the performance metrics. The hybrid model shows high performance when these performance metrics are evaluated together. According to the study results, warehouse locations for companies with logistics needs can be determined.
Benzer Tezler
- Warehouse location selection in retail industry using machine learning and multi criteria decision making
Perakende sektöründe makine öğrenmesi ve çok kriterli karar verme ile depo yeri seçimi
NADİ KAZAZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEM ÇAĞRI DÖNMEZ
DR. ÖĞR. ÜYESİ DORUK ŞEN
- E-ticaret platformlarına ait operasyon merkezinde makine öğrenmesi ile birliktelik analizi ve ürün lokasyonlarının belirlenmesi
Association analysis and determining product locations with machine learning in operation center of e-commerce platforms
MELİH YÜCE KILIÇARSLAN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ÇİL
- Ro-Ro gemi operasyonlarında optimizasyon modeli
Optimization model in Ro-Ro vessel operations
BERK MERCAN
Yüksek Lisans
Türkçe
2024
Denizcilikİstanbul Teknik ÜniversitesiDenizcilik Çalışmaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAYRAM BARIŞ KIZILSAÇ
PROF. DR. DİLAY ÇELEBİ GONIDIS
- Esnek imalat sistemleri ve alternatif rotaları göz önünde bulundurarak esnek ortamlar için üretim hücrelerinin dizaynı
Flexible manufacturing systems and design of manufacturing cells for flexible environmental
GİRAY İLKER ÇELİK
Yüksek Lisans
Türkçe
1994
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÖNÜL YENERSOY
- Perakende piyasalarında dayanıksız tüketim ürünleri ile ilgili gelişmeler -bireysel markalı ürünlerde satın alma davranışı
Developments regarding fast moving consumer goods at retail markets-buying behavior at the private label products
K. SELÇUK TUZCUOĞLU