Presented at the 3rd International Symposium on Innovative Approaches in Scientific Studies (Engineering and Natural Sciences) (ISAS2019-ENS), Ankara, Turkey, Apr 19, 2019

SETSCI Conference Proceedings, 2019, 4, Page (s): 285-290 , https://doi.org/

Published Date: 01 June 2019    | 1012     56

Günümüzde globalleşme ile işletmeler arasında oluşan rekabet artmakta, işletmelerin bu rekabette bir adım öne geçmesi yürütmüş olduğu önemli faaliyetlerde stratejik kararlar almalarına bağlıdır. Özellikle ürün üreten işletmelerde üretim planlama, satış pazarlama ve tedarik zinciri faaliyetleri önemli ve stratejik karar vermeyi gerektiren faaliyetler olarak ön plana çıkmaktadır. Talep tahmini üretim planlama, satış-pazarlama ve tedarik zinciri yönetimi ile ilgili karar alma süreçlerinde kullanılan en önemli girdilerden bir tanesidir. Düzgün bir şekilde yapılamayan talep tahmini işletmelerin fazla stok tutmalarına talebi karşılayamamalarına ve bazı fırsatlarına kaçırmalarına neden olabilmektedir. Bu nedenle literatürde talep tahmini konusunda birçok farklı yöntem önerilmiştir. Bu yöntemler temel olarak geçmiş dönem verilerini kullanarak gelecek değerlerin tahmin edilmesini hedeflemektedir. Bu yöntemlerin doğru sonuç üretmeleri kullanılan verinin yapısına büyüklüğüne ve karmaşıklığına bağlıdır. Son yıllarda stokastik süreç modellerinden Otoregresif Entegre Hareketli Ortalama (ARIMA) Yöntemi ve yapay zeka temelli yöntemler (Yapay sinir ağları destek vektör regresyon vb.) talep tahmininde sıklıkla kullanılmaktadır. Bu çalışmada bir tatlı firmasının üretmiş olduğu dört farklı ürünün talep tahmini ARIMA ve Destek Vektör Regresyon Yöntemleri kullanılarak yapılmıştır. Yapılan çalışmada talep tahmininde mevsim etkisinin önemli bir etken olduğu saptanmış, bu nedenle mevsimsel etkiyi de dikkate alan mevsimsel ARIMA yöntemi kullanılmıştır. Önerilen modellerin doğruluğunu değerlendirmek için, Ortalama Mutlak Yüzde Hata (OMYH) ölçütü ve determinasyon katsayısı kullanılmış ve dört ürün için destek vektör regresyon yöntemi ile elde edilen sonuçların daha yüksek doğruluğa sahip olduğu belirlenmiştir.

Keywords - Tahmin, ARIMA, SARIMA Destek Vektör Regresyon, Üretim Planlama

[1] P. J. Brockwell, R. A. Davis, and M. V. Calder, Introduction to time series and forecasting vol. 2: Springer, 2002.

[2] E. Bakanlığı, "Şekerli ve Çikolatalı Mamuller," 2017.

[3] G. E. P. Box, Jenkins, G. M. and Reinsel, G. C. , "GM Jenkins Time Series Analysis: Forecasting and Control," San Francisco, Holdan-Day, 1970.

[4] D. C. Montgomery, C. L. Jennings, and M. Kulahci, Introduction to time series analysis and forecasting: John Wiley & Sons, 2015.

[5] A. J. Smola and B. Schölkopf, "A tutorial on support vector regression," Statistics and computing, vol. 14, pp. 199-222, 2004.

[6] C. Cortes and V. Vapnik, "Support-vector networks," Machine learning, vol. 20, pp. 273-297, 1995.

[7] V. N. Vapnik, The nature of statistical learning theory: Springer-Verlag, 1995.

[8] G. M. Ljung and G. E. Box, "On a measure of lack of fit in time series models," Biometrika, vol. 65, pp. 297-303, 1978.