ENTEGRASYON MİMARİSİ KULLANAN TEDARİK ZİNCİRİNİN MAKİNE ÖĞRENMESİ İLE DESTEKLENMESİ

Tedarik zincirinde dijitalleşme, çağımızın zorunluluğu haline gelmiştir. Bir tedarik zinciri takip sistemi geliştirilirken, siparişin verilmesi, mevcut stok durumunun tespiti, stok seviyelerindeki hammadde veya yarı mamül malzemelerin alım ya da tüketim süreçlerinin izlenmesi için sürekli olarak malzemelerin veri giriş ve çıkışlarını analiz eden otonom, entegre ve akıllı sistemlerin geliştirilmesine ihtiyaç vardır. Bu doğrultuda çalışma kapsamında, farklı paydaşlarda bulunan ERP (Enterprise Resource Planning - Kurumsal Kaynak Planlaması) sistemlerindeki verinin ortaklaşa kullanılabilmesi için bir mimari önerilmiş ve bu entegrasyon mimarisinden elde edilen veriden yararlanılarak hammadde miktarının tahminlenebilmesi üzerinde durulmuştur. Örnek senaryoda, yüzden fazla ekmek satış noktası olan bir fırın tarafından kullanılan un miktarının tespitine dair çalışmalar gerçekleştirilmiştir. Bu çalışmalar, makine öğrenmesi yöntemleri ile regresyon analizi üzerine yürütülmüştür. Önerilen çalışmadaki hedef, un stoğunun an itibarıyla yeterli olup olmadığının tespitidir. Bu noktada, regresyon modeli kullanımıyla eldeki un miktarından yararlanarak sonraki gün stokta olacak un miktarının belirli bir hata payı ile tespit edilmesi hedeflenmektedir. Yapılan çalışmada, geleneksel makine öğrenmesi ve derin öğrenme yöntemleri kullanılmıştır. Elde edilen sonuçlar, XAI (Explainable Artificial Intelligence - Açıklanabilir Yapay Zekâ) yöntemleri kullanılarak yorumlanmıştır. Tüm bu süreç sonucunda R2 0,90 ve MAE (Mean Absolute Error - Ortalama Mutlak Hatası) değeri 39,25 olarak en iyi sonucu LightGBM algoritması vermiştir.

Digitalization has become a necessity of our era within the supply chain. When developing a supply chain tracking system, there is a need to create an autonomous system to analyze the data inputs and outputs of materials that require continuous monitoring, such as order placement, determination of current stock status, and procurement or consumption processes of raw materials or semi-finished goods at stock levels. In this context, the focus has been on the possibility of using ERP systems among different stakeholders for shared data usage and forecasting based on this data. In the use case scenario, studies have been conducted on determining the amount of flour used by a bakery with over a hundred bread sales points. These studies were conducted using machine learning method is regression. The goal of proposed study was to determine whether the flour stock is sufficient at the moment. Here, the aim is to predict the amount of flour that will be in stock the next day with a certain margin of error, using the available flour quantity with the use of regression models. In this study, traditional machine learning and deep learning methods were used. The results obtained were interpreted using XAI (Explainable Artificial Intelligence) methods. As a result of this entire process, the LightGBM algorithm yielded the best result with an R2 value of 0.90 and a MAE (Mean Absolute Error) value of 39.25.