Medikal sektöründe makine öğrenmesi algoritmaları ile talep öngörüsü ve stok yönetimi
Demand forecasting and inventory management with machine learning algorithms in the medical sector
- Tez No: 988989
- Danışmanlar: DOÇ. DR. SİBEL AÇIK KEMALOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Makine öğrenmesi, Stok yönetimi, Machine learning, Stock management
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Medikal sektörde tedarik ve üretim sürekliliğinin zorunluluğu ile artan maliyet baskıları, etkin stok yönetimini kritik hale getirmiştir. Bu tez çalışmasında, medikal sektörde faaliyet gösteren bir işletmenin 9 kritik hammaddesine ilişkin 2025 yılı aylık tüketim miktarlarını Makine Öğrenmesi (ML) yöntemleriyle öngörmeyi ve bu öngörülere göre etkin stok yönetimi parametrelerini öngörmek amaçlanmıştır. Çalışmada 2021–2024 dönemine ait satış, üretim, fire ve stok gibi operasyonel veriler kullanılmıştır. Gelecek döneme ait bağımsız değişkenlerin doğrudan gözlemlenememesi nedeniyle, iki aşamalı hibrit bir modelleme yaklaşımı benimsenmiştir. İlk aşamada, bağımsız değişkenler Mevsimsel Entegre Otoregresif Hareketli Ortalamalar Modeli (SARIMA) ve Nonlineer Otoregresif Zaman Serisi (NAR) yöntemleri ile tahmin edilmiş; bu iki yaklaşımın karşılaştırılması sonucunda, daha düşük hata değerleri ve daha tutarlı öngörüler sağladığı belirlenen NAR yöntemi tercih edilerek elde edilen tahminler ikinci aşamada girdi olarak kullanılmıştır. Bu kapsamda Gradyan Artırmalı Regresyon, Rastgele Orman Regresyonu ve Aşırı Gradyan Artırma Regresyonu modelleri kurulmuş; modellerin başarımı geriye dönük test yaklaşımı ile 𝑅2, RMSE ve MAPE ölçütleri kullanılarak değerlendirilmiştir. Uygulama sonuçları, ML yöntemlerinin, özellikle Gradient Boosting Regresyonu'nun, hammaddelerin büyük bir kısmında yüksek açıklayıcılık (𝑅2> 0.90) ve düşük hata oranlarıyla üstün performans sergilediğini göstermiştir. Tüketim serileri düzensiz (kesikli talep) olan hammaddelerde dahi modellerin ana tüketim eğilimini başarıyla yakaladığı tespit edilmiştir. Çalışmanın önemli pratik katkılarından biri, modelin tahmin hatası olan RMSE değerinin doğrudan talep belirsizliğinin standart sapması olarak kullanılmasıdır. Bu metodolojik yaklaşımla, %95 hizmet seviyesine göre her hammadde için Güvenlik Stoğu (SS) ve Yeniden Sipariş Noktası (ROP) parametreleri bilimsel bir temelde hesaplanmıştır. Geliştirilen ML tabanlı yaklaşım, kritik hammadde yönetiminin sezgisel değil veri temelli stratejik planlama ile yür
Özet (Çeviri)
The necessity of supply and production continuity in the medical sector, coupled with increasing cost pressures, has rendered effective inventory management critical. This thesis aims to forecast the monthly consumption quantities of nine critical raw materials for a medical enterprise in 2025 using Machine Learning (ML) methods and to determine effective inventory management parameters based on these forecasts. The study is based on operational data from 2021 to 2024, covering sales, production, wastage, and inventory. To address the challenge of unobservable future independent variables, a two-stage hybrid modeling framework was implemented. Initially, independent variables were estimated using Seasonal Autoregressive Integrated Moving Average (SARIMA) and Nonlinear Autoregressive (NAR) models. The NAR method was ultimately chosen to provide inputs for the second stage, as it demonstrated superior performance in terms of lower error values and forecast consistency. Subsequently, Gradient Boosting Regression, Random Forest Regression, and XGBoost Regression models were constructed, with their performance validated through backtesting using 𝑅2, RMSE and MAPE metrics. Application results demonstrate that ML methods, particularly Gradient Boosting Regression, exhibit superior performance with high explanatory power (𝑅2 > 0.90) and low error rates for most raw materials. It was observed that the models successfully captured the primary consumption trends even for raw materials with irregular (intermittent) demand patterns. A significant practical contribution of this study is the utilization of the model's prediction error (RMSE) directly as the standard deviation of demand uncertainty. Through this methodological approach, Safety Stock (SS) and Reorder Point (ROP) parameters for each raw material were calculated on a scientific basis, targeting a 95% service level. The developed ML-based approach demonstrates that critical raw material management can be conducted through data-driven strategic planning rather than intuition, providing a viable framework for similar production environments.
Benzer Tezler
- Sağlık hizmetleri arzı ve talebinin ajan bazlı modellemesi ve makine öğrenmesi ile ön tahmini
Agent-based modeling and machine learning forecasting of healthcare supply and demand
DEMET TOPAL KOÇ
- Car damage analysis for insurance market using convolutional neural networks
Sigorta sektörü için evrişimsel sinir ağları kullanarak araç hasarı analizi
CİHAT TOLGA ARTAN
Yüksek Lisans
İngilizce
2019
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA KAYA
- Makine öğrenmesi tabanlı gerçek zamanlı medikal nesnelerin interneti çerçevesinin geliştirilmesi
Development of machine learning-based real-time medical internet of things framework
EMRE YILDIRIM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇALHAN
- Sağlık sektöründe makine öğrenmesi yöntemleri kullanılarak kayıp müşteri analizi
Churn analysis by using machine learning algorithmns in healthcare sector
İLKNUR GÜMÜŞ
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEMİH ÖNÜT
DR. EZGİ MERYEM ASLAN
- Baskı çoğaltma endüstrisine yönelik otonom tekliflendirme ve cihaz yönetimi stratejilerinin değerlendirilmesi: Bir karar destek sisteminin tasarımı
Evaluation of autonomous bidding and device management strategies for the print reproduction industry: The design of a decision support system
DENİZ IŞIL ŞİMŞEK
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ÇEVİKCAN