Makine öğrenmesine dayalı talep tahmin modellerinin karşılaştırılması

Üretim planlarındaki gecikmelerin önlenmesi için hammaddenin ve yarı mamulün belirlenen miktarda bulundurulması planların gerçekleşmesinde önemli bir etkiye sahiptir. Bu doğrultuda literatürde yapılan çalışmaların tedarik zincirinde sürekliliğin sağlanması ve müşteriye teslim tarihlerinin gerçeklenmesinde talep tahmin modellerinin önemi yadsınamaz. Literatürde ve endüstriyel raporlarda sipariş gecikmelerinin önlenmesi için gerekli çalışmalardan biri olan gerçekçi talep tahmin modellerinin geliştirilmesi önemli bir yer tutmaktadır. Bu çalışmada makine öğrenmesine dayalı gerçekçi bir talep tahmin modeli geliştirilmesi amaçlanmıştır. Bu çalışmayla ürünler için ihtiyaç duyulan sipariş gecikmelerinde birincil derecede önemli hammadde ve yarı mamulün ihtiyaç duyulan zamanda ve miktarda belirlenebilmesi bu problemleri önemli oranda azaltacaktır. Bu çalışmanın sonucunda aylık periyotta yapılan tahminler ile malzemelerin stok miktarlarının optimum seviyede bulundurulabilmesi sağlanacaktır. Sipariş fazlası ve ürün teslimatındaki gecikmelerin önemli oranda düşürülebileceği bu çalışmanın sonuçlarına dayanarak söylenebilir. Bu çalışmada geliştirilen modelin tahmindeki hataları azaltabileceği, son üç dönem talep ortalamalarının bağımsız değişkenler olarak ele alınması ile sağlanabileceği gözlemlenmiştir. Geliştirilen modelde enerji maliyeti, euro/dolar paritesi, çelik fiyatı, 1 ay önceki sipariş miktarı, 2 ay önceki sipariş miktarı, 3 ay önceki sipariş miktarı ve son 3 dönem sipariş ortalaması niteliklerinin yanı sıra talebin artması ve azaltılması trendlerinin belirlenmesinde çelik hammadde fiyatındaki değişim ile enerji maliyetlerindeki değişim ve sipariş miktarındaki değişimler de bağımsız nitelikler olarak ele alınmıştır. Tahmin modellerinin geliştirilmesinde yapay sinir ağları, karar ormanı ve lineer regresyon yöntemleri kullanılmış ve modellerin performansları değerlendirilerek karşılaştırılmıştır. Talep tahmin modellerinin geliştirilmesinde en ilgili özelliklerin belirlenebilmesi amacıyla Parçacık Sürüsü Optimizasyonu, Harris Şahini Optimizasyonu, Gri Kurt Optimizasyonu, Yusufçuk Optimizasyonu, Genetik Optimizasyonu ve Yerçekimi Arama Optimizasyonu olmak üzere 6 farklı nitelik seçimi yöntemi uygulanmıştır. Bu optimizasyon algoritmalarıyla nitelik seçimleri yapılarak daha doğru sonuç veren modeller geliştirilmiştir. Geliştirilen modellerde hammaddenin ve yarı mamullerin yeterli miktarda bulunmaması sipariş gecikmelerine, fazla olması ise stok maliyetlerinin artmasına neden olabilmektedir. Geliştirilmiş olan modelde tahmin hatalarının azaltılmasıyla sipariş gecikmelerinin ve stok maliyetlerinin azaltılabileceği öngörülmüştür. Modelin uygulanmasında kullanılan veriler çelik imalat sektöründe faaliyet gösteren büyük ölçekli bir firmadan temin edilmiştir. Modelin uygulanmasında dört farklı ürünün geçmiş yıllara ait satış verileri kullanılmıştır. 89 aylık veri toplanmış ve bunun 80 aylık verisi modeli eğitmek için, 9 aylık veri de test ve performans verisi olarak kullanılmıştır. Deneysel sonuçlara göre, nitelik seçimi yöntemlerinin genel olarak tahmin modellerinin performansını artırdığı sonucuna ulaşılmasına ragmen her bir ürün için en uygun tahmin performansını gösteren nitelik kümesi ve talep tahmini yöntemi kombinasyonunun farklılık gösterdiği değerlendirilmiştir. Geliştilen modeller sayesinde ürünler için sırasıyla %93,6, %94,7, %90,3 ve %91,5 tahmin doğruluğu değerine ulaşılmıştır. Geliştirilen modeller MAPE, MAE, RMSE ve MSE performans ölçütlerine göre değerlendirilmiş, yapay sinir ağları yöntemiyle geliştirilen modelin diğer modellere göre daha iyi sonuç verdiği değerlendirilmiştir. Yapay sinir ağlarıyla geliştirilen modellerin ortalama %91,9, karar ormanı yöntemi ile geliştirilen modellerin ortalama %91,3, lineer regresyon yöntemiyle geliştirilen modellerin ortalama %87,3 doğruluk değerine ulaştığı gözlemlenmiştir. Çalışmada önerilen metodolojinin çelik sektöründe faaliyet gösteren firmalar bünyesindeki ürünler için etkili bir şekilde kullanılabileceği öngörülmektedir.