Views
15
Amaç: Bir ürüne yönelik talebin tahmin edilmesi, o ürünün tedarik zinciri süreçlerinin verimli bir biçimde gerçekleştirilmesi için kritik önem taşır. Bu çalışmanın amacı, imalatçı firmalar için, Yapay Sinir Ağları (YSA) yaklaşımı ile içsel ve dışsal değişkenlerin sistematik olarak analiz edildiği, hibrit bir tahmin modeli ortaya koymaktır. Yöntem: Çalışma kapsamında, madeni eşya imalat sektöründe faaliyet gösteren bir firma tarafından üretilen bir ürün grubunun talep tahminini gerçekleştirmek üzere YSA modellerinden yararlanılmıştır. İlk aşamada, firmanın geçmiş satış verileri kullanılarak geleneksel zaman serisi modelleri oluşturulmuştur. Daha sonra bu yöntemler tek tek YSA modeline eklenerek tek değişkenli hibrit modeller kurulmuş, ardından bu modellere kademeli olarak dışsal değişkenler eklenerek çok değişkenli hibrit YSA modelleri elde edilmiştir. Oluşturulan modellerin tahmin hatalarının ölçülmesi ile en iyi modeller belirlenerek, bu yöntemlerle gelecek dönemlerin tahminleri gerçekleştirilmiştir. Bulgular: Analiz aşamasında toplam 48 hibrit YSA modeli kurulmuş olup, en düşük hata oranına sahip model, %18,01 ile “Winters’ Eklemeli Mevsimsel” yöntemi ile Reel Efektif Döviz Kuru ve İmalat Sanayi Üretim Endeksi dışsal değişkenlerinin kullanıldığı hibrit YSA modelidir. Özgünlük: Bu çalışmanın, madeni eşya imalat sektöründe sınırlı bir araştırma alanına sahip olan talep tahmini probleminin çözümü için önerilen sistematik, kapsamlı ve uyarlanabilir tahmin modeliyle, literatürdeki boşluğun kapatılmasına katkıda bulunması beklenmektedir.
Purpose: Forecasting the demand for a product is critical for the efficient management of its supply chain processes. The aim of this study is to present a hybrid forecasting model for manufacturing firms, in which endogenous and exogenous variables are systematically analyzed using an Artificial Neural Network (ANN). Methodology: In this study, ANN models are utilized to forecast the demand for a product group produced by a firm operating in the metal goods manufacturing industry. In the first stage, traditional time series models were created using the firm's historical sales data. Then, univariate hybrid models were constructed by adding these methods to the ANN model one by one, and then multivariate hybrid ANN models were obtained by gradually adding exogenous variables to these models. By measuring the prediction errors of the models, the best hybrid models were determined and the future demands were forecasted by these methods. Findings: A total of 48 hybrid ANN models were constructed in the analysis phase. It was founded that the best model with 18,00% error rate is the hybrid ANN model including the "Winters' Additive Seasonal" method and the exogenous variables, "Real Effective Exchange Rate" and "Manufacturing Industry Production Index". Originality: By providing a systematic, comprehensive and adaptive forecasting model, this study is expected to contribute to the literature gap in solving the demand forecasting problem, which has a limited research area in the metal goods manufacturing industry.
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
