Depo yönetimiyle ilgili en önemli kararlardan biri hammadde veya ürünlerin raflara atanmasıdır. Etkin raf yönetimi, üretimde sürekliliğin ve verimliliğin anahtarıdır. ABC analizi depolarda malzeme sınıflandırmasında en çok tercih edilen yöntemlerden biridir. Bu çalışmada, hammaddelerin raflara atanmasında geleneksel çok kriterli ABC analizi puanlamasına alternatif olarak geliştirilmiş bir çapraz ABC Analizi önerilmektedir. Uygulamayı kolaylaştırmak amacıyla sınıflandırmada tüm kriterlerin dikkate alınması yerine ağırlıkları en yüksek olan ilk iki kriterin dikkate alınması yeni bir yaklaşım olarak önerilmektedir. Bir diğer farklılık ise bu sınıflandırma sonucunda elde edilecek ve matematiksel atama modeli için kullanılacak önem puanlarının belirlenmesindedir. Uygulama sonuçları değerlendirildiğinde, AHP ağırlıklı ABC analizi ve klasik ABC analizi sonuçları ile önerilen yöntemden elde edilen sonuçların karşılaştırılmasıyla, önerilen yöntemin daha az işlem yükü ve karmaşıklıkla daha detaylı bir sınıflandırma yapılabildiği görülmektedir.
One of the most important decisions regarding warehouse management is the assignment of raw materials or products to the shelves. Effective shelf management is the key to continuity and efficiency in production. ABC analysis is one of the most preferred methods for material classification in warehouses. In this study, an enhanced cross-ABC analysis is proposed as an alternative to the traditional multi-criteria ABC analysis scoring for the assignment of raw materials to the shelves. In order to simplify the application, instead of taking into account all the criteria in the classification, it is suggested as a new approach to consider the first two criteria whose weights are the highest. Another difference is in determining the importance scores to be obtained as a result of this classification and used for the mathematical assignment model. When the application results are evaluated, by comparing the Analytical Hierarchy Process (AHP) weighted ABC analysis and classical ABC analysis results with the results obtained from the proposed method, it is seen that the proposed method can make a more detailed classification with less processing load and complexity.
