Geri Dön

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

PDF İndir

  1. Tez No: 955424
  2. Yazar: ÖZGE ALBAYRAK ÜNAL
  3. Danışmanlar: PROF. DR. BURAK ERKAYMAN, DR. ÖĞR. ÜYESİ BİLAL USANMAZ
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu tez çalışmasında, otomotiv yedek parça sektöründe faaliyet gösteren bir firma için tahmine dayalı stok planlaması geliştirmek amaçlanmıştır. Otomotiv sektöründe, yedek parça çeşitliliği, geniş ürün portföyü, karmaşık tedarik zinciri yapısı ve yüksek belirsizlik içermesi gibi nedenlerden dolayı talep tahmini oldukça önemlidir. Talep yapılarında görülen farklılıklar ve her birinin kendine özgü dinamiklere sahip olması, tahmin doğruluğunu doğrudan etkilediğinden bu farklılıkları dikkate alarak referansların talep yapılarına (düzgün, düzgün olmayan, değişken, aralıklı) göre sınıflandırılması ve en iyi performans gösteren yöntemin belirlenmesini gerektirmektedir. Bu nedenlerden dolayı yapay zekâ tabanlı tahmine dayalı bir stok planlaması gerçekleştirilmiş ve envanter yönetimini iyileştirmek amaçlanmıştır. Yöntem: Çalışmada, farklı talep kalıpları için makine öğrenmesi (destek vektör makinesi – DVM, rastgele orman – RO, lojistik regresyon – LR), derin öğrenme (çok katmanlı algılayıcı – ÇKA, özyinelemeli sinir ağı – ÖSA ve uzun kısa süreli bellek – UKSB) ve yığınlama topluluk öğrenmesi yöntemleri karşılaştırmalı olarak analiz edilmiştir. Her yöntemin tahmin doğruluğu performans metriklerine göre değerlendirilmiştir. En iyi performansa sahip yöntemden elde edilen tahmin sonuçları dikkate alınarak her bir referans için stok hesaplaması yapılmış ve gerçek değerlerle karşılaştırılmıştır. Bulgular: Elde edilen bulgular, talep yapılarının kendine özgü dinamiklere sahip olduğunu ve bu farklılıkların, tahminleme sürecinde kullanılan yöntemlerin başarısını doğrudan etkilediğini ortaya koymuştur. Bu durum, her talep yapısı için özel model seçiminin gerekliliğini ve farklı yapıların farklı tahminleme stratejilerine ihtiyaç duyduğunu göstermektedir. Özellikle yığınlama yönteminin kullanılması, farklı modellerin güçlü yönlerini bir araya getirdiği için tahmin doğruluğunda anlamlı iyileşmeler sağlamıştır. Derin öğrenme yöntemlerinin düzensiz talep yapısına sahip referansların tahmininde makine öğrenmesi yöntemlerine kıyasla daha yüksek doğruluk sağladığı sonucuna ulaşılmıştır. Sonuç: Sonuç olarak, tahmin başarısını artırmak için tek bir modele bağlı kalmak yerine, talep yapısına uygun modelin seçilmesinin önemi vurgulanmıştır. Elde edilen bulgular, otomotiv sektöründe faaliyet gösteren firmaların stok yönetimi, yedek parça planlaması ve üretim süreçlerinde daha isabetli ve veri temelli kararlar almalarına olanak tanıyan stratejik bir çerçeve sunmaktadır. Ayrıca, veri dengesizliği ve seyrek talep gibi tahmin sürecini zorlaştıran yapısal sorunları ele almak için talep türüne özgü modeller geliştirerek karar vericilere model seçimi konusunda sistematik ve kapsamlı bir rehberlik sağlamaktadır.

Özet (Çeviri)

Purpose: The aim of this thesis is to develop a predictive inventory planning system for a company operating in the automotive spare parts industry. Demand forecasting is very important in the automotive sector due to the diversity of spare parts, the broad product portfolio, the complex structure of the supply chain and the high level of uncertainty. Since the differences in the demand structures and the fact that each of them has its own dynamics have a direct impact on the forecasting accuracy, it is necessary to classify the references according to their demand structures (smooth, lumpy, erratic, intermittent) and to determine the best performing method by taking these differences into account. For these reasons, an artificial intelligence-based predictive stock planning was implemented and aimed to improve inventory management. Method: In the study, methods of machine learning (support vector machine - SVM, random forest - RF, logistic regression - LR), deep learning (multilayer perceptron - MLP, recurrent neural network - RNN and long short-term memory - LSTM), and stacking ensemble learning are analyzed comparatively for different demand patterns. The forecasting accuracy of each method was evaluated using performance metrics. Considering the prediction results obtained with the method with the best performance, the stock calculation was performed for each reference and compared with the actual values. Findings: The results show that demand structures have unique dynamics and that these differences have a direct impact on the success of the methods used in the forecasting process. This shows that a specific model selection is required for each demand structure and that different structures require different forecasting strategies. The use of the stacking method in particular led to significant improvements in prediction accuracy, as it combines the strengths of different models. It is concluded that deep learning methods provide higher accuracy in predicting references with irregular demand structure compared to machine learning methods. Results: As a result, the importance of choosing the appropriate model for the demand structure, rather than relying on a single model, is emphasized to improve forecasting success. The results provide a strategic framework that enables companies operating in the automotive sector to make more accurate and data-driven decisions in inventory management, spare parts planning, and production processes. It also provides decision makers with systematic and comprehensive guidance on model selection by developing demand type-specific models to address structural issues that complicate the forecasting process, such as data imbalance and inconsistent demand.

Benzer Tezler

  1. Tez No

    949332

    Recommanding new products with high sales potential in fashion retail: A machine learning approach

    Moda perakendesinde yüksek satış potansiyeline sahip yeni ürünlerin önerilmesi: Bir makine öğrenimi yaklaşımı

    ENES TEZCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜL HALİM ZAİM

  2. Tez No

    269

    Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar

    Başlık çevirisi yok

    OSMAN MURAT KOÇTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Gıda MühendisliğiEge Üniversitesi

    Tarım Ekonomisi Ana Bilim Dalı

    PROF. DR. METİN TALİM

  3. Tez No

    277

    Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması

    Başlık çevirisi yok

    MÜRŞİDE KESEROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İşletmeEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA NAZMİ ERCAN

  4. Tez No

    232

    Barajların hacim-verim ilişkisi üzerine bir araştırma

    Başlık çevirisi yok

    MEHMET KILIÇARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1987

    İnşaat MühendisliğiÇukurova Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TEFARUK HAKTANIR

  5. Tez No

    282

    Çiğit ve ayçiçek yağlarının doğal antioksidan içerikleri ile bu yağların stabilitelerinin arttırılmaları üzerinde araştırmalar

    Başlık çevirisi yok

    ALİ KEMAL YALNIZ

    Doktora

    Türkçe

    Türkçe

    1985

    Gıda MühendisliğiEge Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHİR ÇOLAKO¦LU

Geri Dön