Mevsimsel Otoregresif Entegre Hareketli Ortalama Yöntemi ve Destek Vektör Regresyon Yönetimi ile Talep Tahmini: Bir Tatlı Firmasının Gelecek Dönemlerdeki Lokum Üretim Miktarının Tahmini

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.

In today's world, with globalization, competition among businesses is increasing, and businesses need to make strategic decisions in their important activities to stay ahead of this competition. Especially in manufacturing businesses, production planning, sales and marketing, and supply chain activities stand out as important and strategically important decision-making processes. Demand forecasting is one of the most important inputs used in decision-making processes related to production planning, sales and marketing, and supply chain management. Incorrect demand forecasting can lead businesses to hold excessive inventory, fail to meet demand, and miss opportunities. Therefore, many different methods have been proposed in the literature for demand forecasting. These methods fundamentally aim to predict future values ​​using past data. The accuracy of these methods depends on the structure, size, and complexity of the data used. In recent years, autoregressive integrated moving average (ARIMA) method from stochastic process models and artificial intelligence-based methods (artificial neural networks, support vector regression, etc.) have been frequently used in demand forecasting. In this study, demand forecasting for four different products produced by a confectionery company was performed using ARIMA and Support Vector Regression methods. The study found that seasonal effects are a significant factor in demand forecasting; therefore, the seasonal ARIMA method, which also takes seasonal effects into account, was used. To evaluate the accuracy of the proposed models, the Mean Absolute Percentage Error (MAPE) metric and the coefficient of determination were used, and it was determined that the results obtained with the support vector regression method had higher accuracy for the four products.