Otomotiv sektöründe yedek parça talebi, tedarik zincirinin etkin yönetimi ve operasyonel verimliliğin sağlanması açısından kritik bir öneme sahiptir. Bu talebin doğru tahmin edilmesi, işletmelerin stok seviyelerini optimize etmesine ve müşteri taleplerini zamanında karşılarken maliyetleri minimize etmesine yardımcı olur. Bu çalışma, Türkiye'deki bir otomotiv sektöründe yedek parça talep tahmini için çeşitli yöntemlerin performansını değerlendirmeyi amaçlamaktadır. Analiz için, 2018 yılının 3. ayında başlatılan bir seri üretim projesinin 60 aylık sürecinde elde edilen veriler kullanılmıştır. Araştırma, zaman serileri ve makine öğrenimi yöntemlerinin, özellikle ARIMA, MLP ve NNAR modellerinin performanslarını değerlendirmiştir. Sonuçlar, NNAR yönteminin SP1 ve SP2 veri setleri için en düşük Ortalama Mutlak Yüzde Hata (MAPE) değerlerini sağladığını göstermiştir. Buna karşılık, SP3 veri setinde MLP yöntemi, NNAR yönteminden daha iyi bir performans sergilemiştir. Bu bulgular, otomotiv sektöründe yedek parça talep tahmini için NNAR yönteminin etkili bir araç olabileceğini ve işletmelerin doğru tahminler yapmalarına yardımcı olabileceğini göstermektedir. Bununla birlikte, diğer veri setleri ve zaman periyotları üzerinde daha kapsamlı analizlerin yapılması gerekmektedir. Gelecekteki araştırmalarda, farklı makine öğrenme algoritmalarının ve tahmin yöntemlerinin de değerlendirilmesi önerilmektedir. Sonuç olarak, otomotiv sektöründe yedek parça talep tahmini alanında doğru tahminler yapmak için çeşitli yöntemlerin karşılaştırılmasının önemli olduğu sonucuna varılmıştır. Bu çalışma, sektördeki işletmelere ve araştırmacılara, yedek parça talep tahmini süreçlerinde etkin kararlar alabilmek için önemli bir rehberlik sunmaktadır.
Anahtar Kelimeler: Yedek Parça, Talep tahmini, Zaman serisi, MLP, NNAR ,Yapay sinir ağları
|
