Bir otomotiv sektörü işletmesinde yedek parça talep tahmin analizi

Abstract

Otomotiv yedek parça taleplerinin tahmini sektördeki işletmelerin temel bir sorunu olarak değerlendirilmektedir. Stok seviyelerinin ve üretim planlarının doğru biçimde belirlenmesi, üretim verimliliğinin artırılması ve müşteri taleplerinin zamanında karşılanması hayati önem taşır. Bu nedenle, yedek parça talebi üzerine yapılan tahminler, otomotiv üreticileri için stratejik kararların alınmasında temel bir rol oynamaktadır. Talep tahmini, üretim kapasitesinin belirlenmesi ve tedarik zincirinin yönetilmesi için önemli bir kılavuz sağlar. Bu bağlamda, doğru talep tahmini, otomotiv sektöründeki işletmelerin rekabet avantajı elde etmesine ve sürdürülebilir başarıya ulaşmasına yardımcı olur. Bu çalışmada, Türkiye'deki bir otomotiv sektöründe yedek parça talep tahmini için çeşitli yöntemler karşılaştırılmıştır. 2018 yılının 3. ayında seri üretimine başlanan bir projenin 60 aylık sürecinde elde edilen veriler üzerinden analiz gerçekleştirilmiştir. Daha önceki literatür taramaları, talep tahmini için zaman serileri ve makine öğrenme yöntemlerinin yaygın olarak kullanıldığını ve yedek parça talep tahmini alanında bu yöntemlere yönelik birçok çalışmanın olduğunu ortaya koymuştur. Yaygın biçimde kullanılan istatistiksel tahmin yöntemlerinden biri olan ARIMA zaman serisi yöntemi ve NNAR (Nonlinear Autoregressive) ve MLP (Multilayer Perceptron) adlı makine öğrenmesi yöntemleri en iyi tahmin yöntemini belirlemek ve 6 aylık yedek parça talep tahminlerini elde etmek için kullanılmıştır. Yapılan analizler sonucunda, projenin farklı versiyonları için MLP yönteminin bir örnek veride ve NNAR yönteminin ise iki örnek veride en iyi tahmin yöntemi olduğu belirlenmiştir. Bu çalışmanın sektördeki işletmelere ve araştırmacılara, yedek parça talep tahmini süreçlerinde kullanılacak yöntemleri seçmede bir rehberlik sağlaması hedeflenmiştir.The prediction of automotive spare parts demand is considered a fundamental issue for businesses in the industry. Accurately determining stock levels and production plans is crucial for increasing production efficiency and meeting customer demands in a timely manner. Therefore, forecasts of spare parts demand play a key role in strategic decision-making for automotive manufacturers. Demand forecasting serves as an important guide for determining production capacity and managing the supply chain. In this context, accurate demand forecasting helps businesses in the automotive sector achieve a competitive advantage and sustainable success. This study compares various methods for forecasting spare parts demand in the automotive sector in Turkey. An analysis was conducted using data collected over a 60-month period from a project that began mass production in the third month of 2018. Previous literature reviews have revealed that time series and machine learning methods are widely used for demand forecasting, with many studies focused on these methods in the field of spare parts demand forecasting. The ARIMA time series method, a commonly used statistical forecasting method, along with machine learning methods such as NNAR (Nonlinear Autoregressive) and MLP (Multilayer Perceptron), were utilized to determine the best forecasting method and to obtain 6-month spare parts demand forecasts. The analysis results indicated that the MLP method was the best forecasting method for one sample datasets and the NNAR method for two sample datasets for different versions of the project. This study aims to provide guidance to businesses and researchers in the industry on selecting methods to use in spare parts demand forecasting processes.