Predictive modeling for order quantities in the automotive industry: A statistical and machine learning approach
Otomotiv sektöründe sipariş miktarları için tahmine dayalı modelleme: İstatistik ve makine öğrenimi yaklaşımı
- Tez No: 914716
- Danışmanlar: DOÇ. DR. FULYA GÖKALP YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Otomotiv endüstrisi, ürün merkezli bir yaklaşımdan müşteri merkezli bir yaklaşıma doğru odaklanmaya başlamaktadır. Dolayısıyla, satış sonrası hizmetler, geleneksel üretimin yanı sıra, otomotiv şirketleri için mükemmel müşteri hizmeti sağlamanın çok önemli bir yönü ve önemli bir kâr kaynağı haline gelmiştir. Bu hizmet ve ürünleri müşterilere etkin bir şekilde sunmak için iyi yapılandırılmış ve organize edilmiş bir lojistik zinciri gereklidir. Satış sonrası hizmetlere bir örnek de yedek parça teslimatıdır. Müşteri talebini karşılayabilmek için şirketlerin etkin depolama ve envanter yönetimi sistemlerine sahip olması gerekir. Müşteriler tarafından gelecekteki üretim ve sevkiyat için verilen ancak şu anda mevcut olmayan veya stokta bulunmayan siparişler, üretim maliyetlerinin artmasına ve müşteriler arasında memnuniyetsizliğe yol açabilir. Bu tezin amacı, sipariş miktarını önceden tahmin ederek müşteri memnuniyetini artırmak, maliyetleri düşürmek ve otomotiv endüstrisinin satış sonrası hizmetlerinde verimliliği artırmak için istatistiksel ve makine öğrenimi yöntemlerini kullanmaktır. Bu çalışmada ARIMA, ETS, TBATS ve Prophet gibi istatistiksel yöntemlere ek olarak, rastgele karar ormanları, gradyan artırma algoritması, LightGBM, uzun-kısa süreli bellek yapay sinir ağları ve ileri beslemeli sinir ağları gibi makine öğrenmesi yöntemleri kullanılmıştır. Analizin ilk amacı sipariş miktarını tahmin etmek olduğu için analiz tek değişkenli ve çok değişkenli analiz olarak iki kısma ayrılmıştır. İlk analiz tek değişkenli veri üzerinde uygulandıktan sonra tahminlerin doğruluğunu artırmak için daha fazla değişken dahil edilip çok değişkenli analiz yapılmıştır. Analiz sonuçları, model performans metriklerine göre, tek değişkenli analiz için Prophet metodunun, çok değişkenli analiz için ise rastgele karar ormanları yönteminin diğer yöntemlere göre daha iyi sonuç verdiğini göstermiştir.
Özet (Çeviri)
The automotive industry is undergoing a shift in focus from a product-centric approach to a customer-centric approach. As a result, after-sales services have become a crucial aspect of providing excellent customer service and a significant source of profit for automotive companies, in addition to traditional manufacturing. To effectively provide these services and products to clients, a well-structured and organized logistics chain is necessary. One example of after-sales services is the delivery of spare parts. In order to meet customer demand, companies must have efficient warehousing and inventory management systems in place. Orders placed by customers for future manufacturing and shipping, but currently unavailable or out of stock, can lead to increased manufacturing costs and dissatisfaction among customers. The goal of this thesis is to use statistical and machine learning methods to improve customer satisfaction, reduce costs and enhance efficiency in the after-sales services of the automotive industry by predicting order quantity in advance. In this study, both traditional statistical methods; ARIMA, ETS, TBATS, and Prophet, and machine learning algorithms; including Random Forest, Gradient Boosting, LightGBM, Long Short-Term Memory (LSTM) networks and Feedforward Neural Networks (FFNN) were employed. The analysis is divided into two parts as univariate and multivariate analysis since the initial purpose of the analysis is to predict the order quantity. Initial analysis is applied on the univariate data, and to improve the accuracy of the predictions, further variables are included. The analysis results showed that for univariate analysis Prophet, and for the multivariate analysis, Random Forest slightly outperformed other models in terms of model evaluation metrics.
Benzer Tezler
- Elektrikli araçlardaki lityum-iyon bataryalar için modelleme ve şarj durumunun kestirimi
Modelling and state of charge estimation for lithium-ion batteries in electric vehicles
KENAN YILDIRIM
Yüksek Lisans
Türkçe
2021
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması
Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis
BEYZA KURTGERİ
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERVE CENGİZ TOKLU
- Bilgisayar destekli üretim ortamının simulasyonu
Başlık çevirisi yok
M.BÜLENT MUŞLU
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. EŞREF ADALI
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
- Otomotiv ön cam buz çözme performansının sayısal olarak modellenmesi ve buzun erimesine etki eden parametrelerin irdelenmesi
Numerical modeling of windshield de-icing performance and parametric evaluation of ice melting process
SERHAN TATAR
Yüksek Lisans
Türkçe
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. LEVENT ALİ KAVURMACIOĞLU