Sac malzeme satın alma süreçlerinde veri madenciliği ve makine öğrenmesi uygulamaları

Abstract

Firmaların varlıklarını sürdürebilmeleri için, belli karlılık hedeflerini tutturmaları gerekmektedir. Firmalarda karlılık hedeflerine doğrudan etki eden faaliyetlerden biri de satın alma faaliyetleridir. Değişen dünya koşullarında satın alma süreçlerinin kritik malzeme grupları için çevik ve stratejik olması gerekmektedir. Bu çalışmada, çelik malzeme ürün grubunda fiyat tahminleme çalışması için veri madenciliği ve makine öğrenmesi yöntemleri ortaya konmuştur. Veri setinde bulunan gürültülü veriler tespit edilerek veri madenciliği teknikleri ile temizlenmiştir. Temizlenen veri seti makine öğrenmesi tekniklerinden hiyerarşik kümeleme ve k-ortalamalar yöntemleri kullanılarak ideal küme sayıları tespit edilmiştir. Bu analizde bulunan ideal küme sayısının doğrulaması farklı performans ölçütlerine göre doğrulanmıştır. Belirlenen kümede yer alan referanslar için hem yapay sinir ağları ile hem adaptif ağ yapısına dayalı bulanık çıkarım sistemleri (ANFIS) ile fiyat tahminlemesi yaparak hangi yöntemin diğerine göre daha üstün olduğu ortaya konmuştur. Bu çalışmada önerilen analizler ile satın alma süreçlerinde, çalışan kaynaklı hataların satın alma stratejileri geliştirme süreçlerindeki etkileri azaltılmış, satın alma çalışanlarının uzun zaman harcayarak yaptığı analizler, endüstri mühendisliğinin teknikleri içerisinde yer alan veri analizi ve makine öğrenmesi yöntemleri ile gerçekleştirilmiştir.

For the sustainability of companies, it is necessary to meet certain profitability targets. Purchasing function is one of the crucial functions that directly affects the profitability targets of companies. It has become a necessity to act agile and strategically for critical material groups in changing world conditions of purchasing functions. In this study, data mining and machine learning methods has presented to forecast price of steel material product groups. The noisy data in the data set was revealed and cleaned with data mining techniques. The data set was analyzed by clustering analysis such as hierarchical clustering and k-means methods. Optimal number of clusters was determined and validated by different methods. For the references in the selected cluster, price forecasting models was presented by using artificial neural networks (ANN) and adaptive network based fuzzy inference systems (ANFIS) The proposed forecasting model aims to reduce the effects of purchasing employee related errors in strategy development process for purchasing decisions and the analyses made by purchasing experts by spending a long time were carried out with industrial engineering methods such as data mining and machine learning algorithms.