Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi


Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: ÖZGE ALBAYRAK ÜNAL

Danışman: Burak ERKAYMAN, Bilal USANMAZ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu tez çalışmasında, otomotiv yedek parça sektöründe faaliyet gösteren bir firma için tahmine dayalı stok planlaması geliştirmek amaçlanmıştır. Otomotiv sektöründe, yedek parça çeşitliliği, geniş ürün portföyü, karmaşık tedarik zinciri yapısı ve yüksek belirsizlik içermesi gibi nedenlerden dolayı talep tahmini oldukça önemlidir. Talep yapılarında görülen farklılıklar ve her birinin kendine özgü dinamiklere sahip olması, tahmin doğruluğunu doğrudan etkilediğinden bu farklılıkları dikkate alarak referansların talep yapılarına (düzgün, düzgün olmayan, değişken, aralıklı) göre sınıflandırılması ve en iyi performans gösteren yöntemin belirlenmesini gerektirmektedir. Bu nedenlerden dolayı yapay zekâ tabanlı tahmine dayalı bir stok planlaması gerçekleştirilmiş ve envanter yönetimini iyileştirmek amaçlanmıştır. Yöntem: Çalışmada, farklı talep kalıpları için makine öğrenmesi (destek vektör makinesi – DVM, rastgele orman – RO, lojistik regresyon – LR), derin öğrenme (çok katmanlı algılayıcı – ÇKA, özyinelemeli sinir ağı – ÖSA ve uzun kısa süreli bellek – UKSB) ve yığınlama topluluk öğrenmesi yöntemleri karşılaştırmalı olarak analiz edilmiştir. Her yöntemin tahmin doğruluğu performans metriklerine göre değerlendirilmiştir. En iyi performansa sahip yöntemden elde edilen tahmin sonuçları dikkate alınarak her bir referans için stok hesaplaması yapılmış ve gerçek değerlerle karşılaştırılmıştır. Bulgular: Elde edilen bulgular, talep yapılarının kendine özgü dinamiklere sahip olduğunu ve bu farklılıkların, tahminleme sürecinde kullanılan yöntemlerin başarısını doğrudan etkilediğini ortaya koymuştur. Bu durum, her talep yapısı için özel model seçiminin gerekliliğini ve farklı yapıların farklı tahminleme stratejilerine ihtiyaç duyduğunu göstermektedir. Özellikle yığınlama yönteminin kullanılması, farklı modellerin güçlü yönlerini bir araya getirdiği için tahmin doğruluğunda anlamlı iyileşmeler sağlamıştır. Derin öğrenme yöntemlerinin düzensiz talep yapısına sahip referansların tahmininde makine öğrenmesi yöntemlerine kıyasla daha yüksek doğruluk sağladığı sonucuna ulaşılmıştır. Sonuç: Sonuç olarak, tahmin başarısını artırmak için tek bir modele bağlı kalmak yerine, talep yapısına uygun modelin seçilmesinin önemi vurgulanmıştır. Elde edilen bulgular, otomotiv sektöründe faaliyet gösteren firmaların stok yönetimi, yedek parça planlaması ve üretim süreçlerinde daha isabetli ve veri temelli kararlar almalarına olanak tanıyan stratejik bir çerçeve sunmaktadır. Ayrıca, veri dengesizliği ve seyrek talep gibi tahmin sürecini zorlaştıran yapısal sorunları ele almak için talep türüne özgü modeller geliştirerek karar vericilere model seçimi konusunda sistematik ve kapsamlı bir rehberlik sağlamaktadır.