Yapay sinir ağları ile talep tahmini yapma: Beyaz eşya üretim planlama örneği

Abstract

Üretim planlama için doğru bir talep tahminin yapılması oldukça önemli bir parametredir. Müşterilerin gelecekteki talep eğilimleri, piyasa durumu ve mevsimsellik gibi birçok faktörden etkilenebilir. Üretim planlama, işletmelerin hedefleri doğrultusunda üretim politikaları, üretim programları ve üretimle ilgili süreçlerin planlanmasıdır. Doğru bir talep tahmini yapmak oldukça kritik bir öneme sahip olup kaynakların daha verimli kullanılmasına olanak sağlayabilecektir. Talep tahmin metotları, kantitatif ve kalitatif olarak iki ana başlık altında toplanır. Kantitatif tahmin metodu, insanların kendi tecrübelerinden oluşan bilgiye dayanak olarak tahmin yapma yöntemidir. Kalitatif metot ise, sayısal verilerin matematiksel modellemelerle desteklenerek ortaya çıkan sonuçlara dayanarak tahmin yapma yöntemidir. Yapay sinir ağları modeli kantitatif tahmin metotlarının arasında yer alır. Bu çerçevede, makine öğrenme yöntemleri özellikle destek vektör makinesi, en yakın n-komşu, regresyon ve yapay sinir ağları ve bayes ağları gibi metotlar ve algoritmaların kullanılması uygun olabilir. Bu makalede yapay sinir ağları metodu kullanılarak talep tahmini problemi minimum hatayı veren sinir ağlarıyla çözülmüştür. Yapay sinir ağları metodu, belirli değişkenlere bağlı olan bir talep tahminini önceki örneklerin verileriyle yapay sinir ağlarının öğretilmesiyle ileriye dönük doğru talep tahmini yapması hedeflenmektedir.

Demand forecasting represents an important part of production planning because it can estimate the future demand of products and services and the amount of resources that needs to be allocated in order to accomplish that demand. As the demands can vary as the times passes, the production plan must be able to face those variations. Demand estimation methods are classified under two main headings: quantitative and qualitative. The quantitative estimation method is a method of estimating the basis of knowledge of people's own experiences. The qualitative method is the method of estimating the numerical data based on the results obtained by supporting the mathematical modeling. Artificial neural network model is among quantitative estimation methods. Therefore, it may be appropriate to use methods and algorithms such as machine learning methods, especially support vector machine, nearest n-neighbor, regression and artificial neural networks and Bayesian networks. In this paper, we focus on the mining of the time series formed by all the past results using an artificial neural network-based simulation system that is able to identify an appropriate production forecast. The results of the production simulations are used as historical data in order to forecast the future demands and the amount of time needed to satisfy them. The time series forecast results show that data mining can be used in this domain in order to extract patterns that can be used to optimize the production process.