Otomotiv sektöründe yedek parça talebi, tedarik zincirinin etkin yönetimi ve operasyonel verimliliðin saðlanmasý açýsýndan kritik bir öneme sahiptir. Bu talebin doðru tahmin edilmesi, iþletmelerin stok seviyelerini optimize etmesine ve müþteri taleplerini zamanýnda karþýlarken maliyetleri minimize etmesine yardýmcý olur. Bu çalýþma, Türkiye'deki bir otomotiv sektöründe yedek parça talep tahmini için çeþitli yöntemlerin performansýný deðerlendirmeyi amaçlamaktadýr. Analiz için, 2018 yýlýnýn 3. ayýnda baþlatýlan bir seri üretim projesinin 60 aylýk sürecinde elde edilen veriler kullanýlmýþtýr. Araþtýrma, zaman serileri ve makine öðrenimi yöntemlerinin, özellikle ARIMA, MLP ve NNAR modellerinin performanslarýný deðerlendirmiþtir. Sonuçlar, NNAR yönteminin SP1 ve SP2 veri setleri için en düþük Ortalama Mutlak Yüzde Hata (MAPE) deðerlerini saðladýðýný göstermiþtir. Buna karþýlýk, SP3 veri setinde MLP yöntemi, NNAR yönteminden daha iyi bir performans sergilemiþtir. Bu bulgular, otomotiv sektöründe yedek parça talep tahmini için NNAR yönteminin etkili bir araç olabileceðini ve iþletmelerin doðru tahminler yapmalarýna yardýmcý olabileceðini göstermektedir. Bununla birlikte, diðer veri setleri ve zaman periyotlarý üzerinde daha kapsamlý analizlerin yapýlmasý gerekmektedir. Gelecekteki araþtýrmalarda, farklý makine öðrenme algoritmalarýnýn ve tahmin yöntemlerinin de deðerlendirilmesi önerilmektedir. Sonuç olarak, otomotiv sektöründe yedek parça talep tahmini alanýnda doðru tahminler yapmak için çeþitli yöntemlerin karþýlaþtýrýlmasýnýn önemli olduðu sonucuna varýlmýþtýr. Bu çalýþma, sektördeki iþletmelere ve araþtýrmacýlara, yedek parça talep tahmini süreçlerinde etkin kararlar alabilmek için önemli bir rehberlik sunmaktadýr.
Anahtar Kelimeler: Yedek Parça, Talep tahmini, Zaman serisi, MLP, NNAR ,Yapay sinir aðlarý
|
