Talep tahmini için model topluluklarının kullanılması

Tedarik zinciri, ürün, bilgi, servis ve paranın kaynaktan müşteriye veya müşteriden kaynağa aktarımı ve bu aktarım sırasında gerçekleşen tüm süreçleri ifade etmektedir. Depolar için talep tahmini ise herhangi bir deponun ileri tarihli bir zaman dilimi için hangi üründen hangi miktarda satacağını öngörebilmek için bir model geliştirilmesi ve bu model kullanılarak ilgili sonuçların üretilmesi sürecidir. Talep tahmini, tedarik zinciri yönetimi içerisindeki bir alt süreç olup oldukça karmaşık, zor ancak bir o kadar da önemli bir problem olarak kabul edilmektedir. Talep tahmininin karmaşık bir problem olmasındaki en önemli sebeplerden biri oldukça fazla sayıda dış faktörden etkilenmesidir. Bir depo için talep tahmini yapılırken deponun bulunduğu bölge, bu bölgedeki müşterilerin ekonomik durumları, bölgedeki depo sayısı, bölgenin büyüklüğü gibi birçok faktörün göz önünde bulundurulması gerekmektedir. Tüm bunlara ek olarak depo ve ürün sayısının fazlalığı da problemin karmaşıklığını arttırmaktadır. Bu çalışmada yukarıda önemi ve zorluğu vurgulanan, depolar için talep tahmini üzerine çalışılmıştır. Yapılan çalışmada kullanılan veri kümesi Türkiye'de hizmet veren ulusal bir kuruyemiş firmasının üç yıllık gerçek satış verileri kullanılarak oluşturulmuştur. Oluşturulan veri kümesinde 98 ana dağıtım deposu ve 70 farklı ürün yer almaktadır. Çalışmada öncelikle seçilen dört farklı makine öğrenmesi algoritmasıyla (Lineer Regresyon, Çok Katmanlı Algılayıcı, Bayes Ağı, Ardışık Minimal Optimizasyon) bağımsız modeller oluşturulmuştur. Ardından çeşitli çizge ve veri madenciliği yaklaşımları kullanılarak depoların ürün satış davranışlarına ilişkin gruplar oluşturulmuştur. Oluşturulan bu gruplar için ayrı ayrı modeller oluşturulduğunda başarımın arttığı görülmüştür. Bunun ardından Lineer Regresyon, Çok Katmanlı Algılayıcı, Bayes Ağı, Ardışık Minimal Optimizasyon algoritmalarından oluşturulan modellerin model topluluğu oluşturma (model birleştirme) yaklaşımından yararlanılarak birlikte kullanılması denenmiştir. Böyle bir yaklaşımın denenmesinin nedeni, talep tahmini gibi karmaşık bir problemi çözmek için tek bir modelin yetersiz kalmasıdır. Model topluluğu oluşturma yöntemleriyle başarımın arttırılabileceği düşünülmüştür. Burada model topluluğu oluşturulması için öncelikle yığılmış genelleme yönteminin kullanıldığı denemeler yapılmıştır. Ardından modelleri birleştirmek için bu çalışmada önerilen yöntemle başka bir deneme yapılmıştır. Çalışmada önerilen model, yığılmış genelleme yönteminden yola çıkılarak oluşturulmuştur. Ancak söz konusu modelin genelleme modeli için giriş öznitelikleri seçilmesi kısmı yığılmış genelleme yönteminden ayrılmaktadır. Önerilen yöntem kullanılarak tahmin modelinin başarımının arttığı gözlenmiştir.