Yapay zeka teknikleri ile tedarik zincirinde ön sipariş tahmini

Abstract

Ön sipariş, tedarik zincirindeki herhangi bir eksiklik, artan ürün talebi veya ürün envanterinin tükenmesi nedeniyle müşterinin talep ettiği mal veya hizmetlerin gelecekte belirli bir tarihe kadar teslim edilmesini garanti edebilen bir sipariştir. Ön siparişler, ani talep artışları, kötü tedarik zinciri yönetimi ve yanlış envanter yönetimi durumlarında meydana gelir. Tedarik zincirindeki aksamalar, müşteri taleplerinde öngörülemeyen artışlar ve yanlış stok yönetimi durumlarında ön siparişler bir zorunluluk haline gelebilir. Bu çalışmada ön sipariş durumunun analiz edilmesi ve gelecekte karşılaşılabilecek ön siparişlerin tahmin edilmesi amaçlanmıştır. Bu şekilde firmalar ön siparişe girecek ürünleri tahmin ederek tedarik zincirindeki oluşması muhtemel aksamaları önleyebilecektir. Bu çalışmada, ön sipariş durumunun tahmini için yapay zeka makine öğrenimi algoritmalarından Derin Sinir Ağları (DNN), Rastgele Orman (RF) ve Aşırı Gradyan Artırma (XGBoost) teknikleri kullanılarak Python ve TAZI programları üzerinde yapılan çalışma ve uygulamaların sonuçları paylaşılmıştır. Literatürdeki çalışmalarda kullanılan makine öğrenimi sınıflandırıcıları, yöntemleri ve gerçekleşen sonuçlar ile elde edilen algoritmaların başarı oranları açıklanmaktadır. Bu tez çalışmasında elde edilen bulgulara göre önerilen model sonuçları AUC metriği baz alındığında 0.959 değeri ile Rastgele Orman algoritması en iyi performansa sahip algoritmadır. Ön sipariş tahmininin yapay zeka teknikleri kullanılarak yapılması, tedarik zinciri maliyetleri ve envanter yönetimi açısından işletmelere fayda sağlayabilecektir.

A backorder is an order that can guarantee the delivery of the goods or services requested by the customer by a specified date in the future due to any shortcomings in the supply chain, increased product demand, or depletion of product inventory. Backorders occur in situations of sudden demand increases, weak supply chain management and incorrect inventory management. Backorders can become a necessity in cases of disruptions in the supply chain, unforeseen increases in customer demands and incorrect inventory management. In this study, it is aimed to analyze the backorder status and to predict future backorders. In this way, companies will be able to prevent possible disruptions in the supply chain by predicting the products that will enter the backorder. In this study, the results of the studies and applications made on Python and TAZI programs by using Deep Neural Networks (DNN), Random Forest (RF) and Extreme Gradient Boosting (XGBoost) techniques, which are artificial intelligence machine learning algorithms, are shared for the prediction of the backorder status. The machine learning classifiers used in the studies in the literature, their methods and the actual results and the success rates of the algorithms are explained. According to the findings obtained in this thesis study, the Random Forest algorithm has the best performance with a value of 0.959, based on the proposed model results AUC metric. Backorder estimation will benefit companies using supply chain costs and inventory management issues.