Makine öğrenmesi modelleri ile yedek parça talep tahmini ve envanter yönetimi: Kapsamlı bir uygulama

Türkiye'nin ilk ve en büyük entegre klima fabrikasında gerçekleştirilen tez çalışmasında, yedek parça yönetimine odaklanılmıştır. Stok fazlası ve stok eksiği risklerini azaltmak amacıyla yedek parça talep tahmini ve stok yönetimi konusundaki temel zorluklar ele alınmıştır. Bacchetti and Saccani (2012)'nin yedek parça talep sınıflandırma, talep tahmini, stok yönetimi ve performans değerlendirme kapsamını içeren entegre modeli ile Boylan and Syntetos (2010)'ın tahminleme öncesi, tahminleme ve tahminleme sonrası aşamalarını kapsayan modeli kullanılmıştır. Tahminleme öncesi aşamasında talepler Düzensiz (Erratic), Aralıklı (Intermittent), Yığınsal (Lumpy) ve Düzgün (Smooth) olarak dört kategoriye ayrılmış ve en yaygın olanın Aralıklı talepler olduğu sonucuna ulaşılmıştır. Naïve Tahmin, Holt-Winters'in Mevsimsel Metodu, Croston Modifikasyonu (SBA), ARIMA, Çok Değişkenli Doğrusal Regresyon (MLR), Çok Değişkenli Doğrusal Olmayan Regresyon (MNLR), Destek Vektör Regresyonu (SVR), Yapay Sinir Ağları (ANN), Random Tree, REP Tree, Random Forest Regresyonu, XGBoost ve LightGBM gibi talep tahmini yöntemlerinin uygunluğu değerlendirilmiştir. Tahminleme sonrası aşamasında, toplam stok maliyeti hesaplamaları ve optimum hizmet seviyesi oranı, Newsvendor modeli kullanılarak belirlenmiş ve optimizasyon için Huber (2019)'den alınan ilham ile Örneklem Ortalama Yaklaşımına (Sample Average Approximation) dayalı veri odaklı bir yöntem uygulanmıştır. XGBoost, hedef servis seviyesini en az maliyetle karşılayan model olmuştur. Bu tez, talep sınıflandırmasını tahmin modellerinde bir özellik olarak kullanması, hizmet seviyeleri ile maliyetler arasındaki dengeyi vurgulaması ve yedek parça yönetiminin gerçek hayattaki uygulamasını göstermesi ile literatüre katkıda bulunmuştur.