Makine öğrenmesi ile talep tahmini ve envanter yönetimi
Loading...
Date
2024
Authors
Serbest, Amine Bayar
Journal Title
Journal ISSN
Volume Title
Publisher
Bursa Uludağ Üniversitesi
Abstract
Stok kontrolü her işletmenin göz önünde bulundurması gereken önemli bir husustur. Çok fazla stok, satış süresinin artmasına ve verimsizleşmesine, hatta kayıplara neden olabilir. Talebi ve envanteri tahmin etmek, fazla stoğu ve eksik stoğu en aza indirgemek için ve kayıp riskini azaltmak için çok gereklidir. İyi tahmin edilmiş talebin doğru şekilde yönetilmesi, bir dizi avantaj sağlar. Bunlar arasında stokta kalmama riskinin azaltılması, daha iyi müşteri deneyimi sağlanması, envanterin daha etkili bir şekilde planlanması ve daha az ürün iptalinin gerçekleşmesiyle maliyetlerin düşürülmesi gibi önemli faktörler bulunmaktadır. Yapay zekâ (YZ) çağında, makine öğrenmesi (MÖ) teknolojisinin yükselişi, birçok mühendislik uygulamasının karşılaştığı zorluklara hızlı ve etkili çözümler sunabilen önemli bir alandır. Makine öğrenimi, veri analizi, desen tanıma ve öngörülebilirlik gibi konularda çığır açan gelişmeler sunmaktadır. Ancak, bu alandaki ilerlemelere rağmen, hala birçok varsayım ve tartışma bulunmaktadır. Tekstil sektöründe makine öğrenmesi yöntemleri, geleneksel üretim süreçlerine yenilikçi ve verimli çözümler sunma potansiyeli taşımaktadır. Bu alandaki gelişmeler, işletmelerin üretim, stok yönetimi ve talep tahmini gibi kritik süreçlerde daha etkili ve optimize edilmiş kararlar almasına olanak tanımaktadır. Tekstil sektöründe bu konuda sınırlı literatür bulunması, bu çalışmanın işletmelere yol gösterici bir kaynak olması beklentisini artırmaktadır. Tekstil sektöründe, talep tahmini işlemi, üretim planlaması ve envanter yönetimi açısından kritik bir rol oynamaktadır. Bu çalışmada, makine öğrenmesi algoritmaları kullanılarak bir tekstil işletmesindeki gerçek veri seti üzerinde talep tahmini modeli geliştirilmiştir. Bu model, işletmenin gelecekteki taleplerini daha doğru bir şekilde tahmin etmeyi amaçlamaktadır.
Inventory control is an important aspect that every business should consider. Excessive inventory can lead to increased sales cycle times, inefficiency, and even losses. Predicting demand and managing inventory are crucial to minimizing excess and shortage of stock and reducing the risk of loss. Properly managing forecasted demand provides several advantages, including reducing the risk of stockouts, providing a better customer experience, more effectively planning inventory, and reducing costs by minimizing product cancellations. In the era of Artificial Intelligence (AI), the rise of Machine Learning (ML) technology is a significant field that can provide fast and effective solutions to many challenges faced by engineering applications. Machine learning offers groundbreaking developments in areas such as data analysis, pattern recognition, and predictability. However, despite advancements in this field, there are still many assumptions and debates. Machine learning methods in the textile sector have the potential to offer innovative and efficient solutions to traditional production processes. These advancements allow businesses to make more effective and optimized decisions in critical processes such as production, inventory management, and demand forecasting. The limited literature in the textile sector on this topic increases the expectation that this study will be a guiding resource for businesses. Demand forecasting plays a critical role in production planning and inventory management in the textile sector. In this study, a demand forecasting model has been developed using machine learning algorithms on a real dataset from a textile business. This model aims to more accurately predict the company's future demands.
Inventory control is an important aspect that every business should consider. Excessive inventory can lead to increased sales cycle times, inefficiency, and even losses. Predicting demand and managing inventory are crucial to minimizing excess and shortage of stock and reducing the risk of loss. Properly managing forecasted demand provides several advantages, including reducing the risk of stockouts, providing a better customer experience, more effectively planning inventory, and reducing costs by minimizing product cancellations. In the era of Artificial Intelligence (AI), the rise of Machine Learning (ML) technology is a significant field that can provide fast and effective solutions to many challenges faced by engineering applications. Machine learning offers groundbreaking developments in areas such as data analysis, pattern recognition, and predictability. However, despite advancements in this field, there are still many assumptions and debates. Machine learning methods in the textile sector have the potential to offer innovative and efficient solutions to traditional production processes. These advancements allow businesses to make more effective and optimized decisions in critical processes such as production, inventory management, and demand forecasting. The limited literature in the textile sector on this topic increases the expectation that this study will be a guiding resource for businesses. Demand forecasting plays a critical role in production planning and inventory management in the textile sector. In this study, a demand forecasting model has been developed using machine learning algorithms on a real dataset from a textile business. This model aims to more accurately predict the company's future demands.
Description
Keywords
Makine öğrenmesi, Talep tahmini, Tekstil sektörü, Machine learning, Demand forecasting, Textile sector
Citation
Serbest, A. B. (2024). Makine öğrenmesi ile talep tahmini ve envanter yönetimi. Yayınlanmamış yüksek lisans tezi. Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü.