Spare parts demand forecasting and inventory management using machine learning models: A comprehensive application
Makine öğrenmesi modelleri ile yedek parça talep tahmini ve envanter yönetimi: Kapsamlı bir uygulama
- Tez No: 926230
- Danışmanlar: PROF. DR. METİN TÜRKAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Türkiye'nin ilk ve en büyük entegre klima fabrikasında gerçekleştirilen tez çalışmasında, yedek parça yönetimine odaklanılmıştır. Stok fazlası ve stok eksiği risklerini azaltmak amacıyla yedek parça talep tahmini ve stok yönetimi konusundaki temel zorluklar ele alınmıştır. Bacchetti and Saccani (2012)'nin yedek parça talep sınıflandırma, talep tahmini, stok yönetimi ve performans değerlendirme kapsamını içeren entegre modeli ile Boylan and Syntetos (2010)'ın tahminleme öncesi, tahminleme ve tahminleme sonrası aşamalarını kapsayan modeli kullanılmıştır. Tahminleme öncesi aşamasında talepler Düzensiz (Erratic), Aralıklı (Intermittent), Yığınsal (Lumpy) ve Düzgün (Smooth) olarak dört kategoriye ayrılmış ve en yaygın olanın Aralıklı talepler olduğu sonucuna ulaşılmıştır. Naïve Tahmin, Holt-Winters'in Mevsimsel Metodu, Croston Modifikasyonu (SBA), ARIMA, Çok Değişkenli Doğrusal Regresyon (MLR), Çok Değişkenli Doğrusal Olmayan Regresyon (MNLR), Destek Vektör Regresyonu (SVR), Yapay Sinir Ağları (ANN), Random Tree, REP Tree, Random Forest Regresyonu, XGBoost ve LightGBM gibi talep tahmini yöntemlerinin uygunluğu değerlendirilmiştir. Tahminleme sonrası aşamasında, toplam stok maliyeti hesaplamaları ve optimum hizmet seviyesi oranı, Newsvendor modeli kullanılarak belirlenmiş ve optimizasyon için Huber (2019)'den alınan ilham ile Örneklem Ortalama Yaklaşımına (Sample Average Approximation) dayalı veri odaklı bir yöntem uygulanmıştır. XGBoost, hedef servis seviyesini en az maliyetle karşılayan model olmuştur. Bu tez, talep sınıflandırmasını tahmin modellerinde bir özellik olarak kullanması, hizmet seviyeleri ile maliyetler arasındaki dengeyi vurgulaması ve yedek parça yönetiminin gerçek hayattaki uygulamasını göstermesi ile literatüre katkıda bulunmuştur.
Özet (Çeviri)
This thesis was conducted at Türkiye's first and largest integrated air conditioning factory, focusing on spare parts management. The study addresses key challenges in demand forecasting and inventory management of spare parts, with the goal of minimizing the risks of overstocking and stock shortages. A comprehensive framework from Bacchetti and Saccani (2012), merging spare parts classification, demand forecasting, inventory management, and performance evaluation, was applied. Aligning with the forecasting framework proposed by Boylan and Syntetos (2010), the study encompassed pre-processing, processing, and post-processing phases. In the preprocessing phase, demand was classified into categories such as Erratic, Intermittent, Lumpy, and Smooth, with Intermittent being the most prevalent. Demand forecasting methods, including Na¨ıve Forecast, Holt-Winters' Seasonal Method, Croston Modification (SBA), ARIMA, MLR, MNLR, SVR, ANN, Random Tree, REP Tree, Random Forest Regressor, XGBoost, and LightGBM, were evaluated for their suitability. In the post-processing phase, total inventory cost calculations and the optimal service level ratio were determined using the Newsvendor model. Additionally, a data-driven approach employing Sample Average Approximation was utilized for optimization inspiring from Huber et al. (2019). XGBoost outperformed all other models by achieving the minimum cost while meeting the target service level. The main contribution of this study lies in incorporating demand classification as a feature in forecasting models, emphasizing the balance between service levels and costs, and demonstrating its practical significance through real-world application in spare parts management.
Benzer Tezler
- A framework for bus spare parts inventory management in public transportation
Toplu taşımada bir otobüs yedek parça envanter yönetimi çerçevesi
İLKER MUTLU
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiYaşar Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER BULUT
- Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi
An applied analysis of predictive inventory planning with artificial intelligence-based approaches in the automotive industry
ÖZGE ALBAYRAK ÜNAL
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ERKAYMAN
DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Talep belirsizliği altında yedek parça stoklarının yönetimi
Spare parts stock management under demand uncertainty
GÜLÇİN ÖZGÜRBÜZ
Yüksek Lisans
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. DİLAY ÇELEBİ
- Comparison of the spare part demand forecasting models in automotive industry
Otomotiv sektöründe yedek parça talep tahmin modellerinin karşılaştırılması
ÇAĞATAY ÇİFTÇİ
Yüksek Lisans
İngilizce
2025
Bilim ve TeknolojiBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAMER UÇAR