Otomotiv döküm parça talep tahmininin yapay sinir ağları ile modellenmesi ve arıma yöntemi ile karşılaştırmalı analizi

Şirketler kar edebilmek, sürekliliğini korumak ve büyümek için bazı politikalar uygularlar. Bu politikalara stok yönetimi, üretim planlaması, tedarik zinciri yönetimi ve maliyet yönetimi örnek verilebilir. Uygulanan bu politikaların temelini talep tahmini oluşturur. Otomotiv sektörü geçen her günde teknolojik gelişmeler ile daha da gelişmektedir. Otomotiv sektörünün gelişmesi uygulanan talep tahmini yöntemlerinin de gelişmesi gerektirdiğini ortaya çıkarmıştır. Döküm sektöründe faaliyet gösterip otomotiv sektörünün en önemli tedarikçilerinden birisi olan firmada müşteri ihtiyaçlarını karşılamak ve üretimi yönlendirmek için teknoloji ve üretimi birleştiren şirket için yeni bir talep tahmini yöntemi olan bu çalışma yapılmıştır. Döküm sektörü çok fazla girdiye, üretim olarak dar boğaza, yüksek üretim çeşitliliğine sahiptir. Hem üretim çeşitliliğini hem de kapasite kısıtlarını aynı anda yönetmek ayrıca müşteri beklentilerini tam zamanında karşılamak oldukça zordur. Bu zorluğun önüne geçmekte talep tahmini önemli bir araçtır. Literatürde cam sektörü, ekonomik kurlar, enerji harcamaları, giyim sektörü, beyaz eşya sektörü, yiyecek içecek tüketimleri, otomotiv satışları, demir çelik sektörleri gibi farklı çalışma alanlarında talep tahmini çalışmaları yapılmıştır. Yapılan talep tahmini çalışmalarında yapay sinir ağı, makine öğrenmesi, zaman serisi yöntemleri, istatiksel yöntemler gibi farklı talep tahmini yöntemleri kullanılmıştır. Bu çalışmada yapay sinir ağının farklı katman sayıları, farklı nöron sayıları ve farklı öğrenme algoritmaları kullanılarak talep tahmini yapılmış, ARIMA yöntemiyle karşılaştırılarak tahmin performansı en iyi talep tahmini yöntemi ve modeli belirlenmiştir. Yapay sinir ağı (YSA) tahminlerinin tahmin performansları ortalama mutlak hata (MAE), R Kare, kök ortalama kare hata (RMSE), mutlak ortalama yüzde hata (MAPE) analizleri ile karşılaştırılmıştır. En iyi yapay sinir ağına R Kare analizine göre karar verilmiştir. Yapay sinir ağı yönteminin sonuçları ARIMA yönteminin sonuçlarıyla karşılaştırılmıştır. ARIMA modellerinin tahmin performansları Akaike Bilgi Kriteri kullanılarak karşılaştırılmıştır. Seçilen parçanın satışını etkileyen kriterler hem uzman görüşleri alınarak hem de literatür taraması yapılarak kamyon üretim adeti, elektrik birim fiyatı, Euro kuru, yurtiçi üretici fiyat endeksi, genel tüketici fiyat endeksi, brent petrol varil fiyatı, hurda fiyatları, pik fiyatları ve gayri safi yurt içi hasıla olarak belirlenmiştir. Çıktı olarak ise parça aile grubuna ait satış adetleri kullanılmıştır. Çalışmada kullanılan veri ise girdi ve çıktı kriterlerine ait 2017 ve 2022 yılları arasındaki aylık verileridir. Yapay sinir ağı yöntemiyle yapılan talep tahmini çalışmalarından R Kare hata analiz yöntemine göre en iyi tahmin performansına sahip çalışma traincgb öğrenme algoritmalı, 2 katman 10 nöron, tansig aktivasyon fonksiyonlu yapay sinir ağı modeli olduğu sonucuna ulaşılmıştır. Ayrıca yapay sinir ağı yöntemiyle zaman serisi analizi yöntem sonucunu karşılaştırmak için satış verilerine ARIMA yöntemi uygulanmıştır. ARIMA modelleri arasından Akaike Bilgi Kriteri değeri baz alınarak en iyi ARIMA modeli ARIMA (1,1,1) seçilmiştir. Yapay sinir ağı ile ARIMA (1,1,1) modeli R Kare hata analiz yöntemiyle karşılaştırılarak yapay sinir ağı modelinin tahmin performansının ARIMA modelinden daha yüksek olduğu sonucuna ulaşılmıştır.