Arıma, çoklu regresyon analizi ve yapay sinir ağları iletalep tahmini
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Talep tahmini pek çok konuda olduğu gibi işletmeler tarafından finans, lojistik, tedarik zinciri kararları gibi çeşitli kararların verilmesinde sıklıkla kullanılmaktadır. Özellikle günümüzde kıt kaynak sorunu da düşünüldüğünde arz, talep dengesini kurmak ciddi öneme sahiptir. Modern yaşamın getirileri, başarılı pazarlama stratejileri ve nüfus artışı gibi nedenlerle takviye edici gıdalara olan talep günden güne artış göstermektedir, bu sayede rakip firma sayısı artmış, bu durumsa beraberinde rekabet ortamını doğurmuştur. Günümüz rekabet ortamında varlığını sürdürmek isteyen firmalar kaynaklarını en optimal seviyede yönetmek için çeşitli tahmin yöntemlerine başvurmaktadır. Bu sebeple araştırmacılar, çeşitli nicel ve nitel talep tahmin yöntemleri geliştirilmişlerdir. Talep tahmin metotları nitel ve nicel metotlar olarak ikiye ayrılmaktadır. Nitel metotlar deneyimler ve sezgilerden yola çıkılarak yapılan, daha çok tahmin edilecek şeye ilişkin sayısal verilerin olmaması, belirsizliğin ve verilerin değişkenliğinin fazla olması durumunda tercih edilmektedir. Nicel metotlar ise verisel analizlerin yapılabileceği durumlarda geçmiş verilerden yararlanılarak istatiksel yöntemler ile yapılan tahmin metotlarını kapsamaktadır. Bu çalışmada geçmiş döneme ait satış verileri üzerinden nicel yöntemler kategorisinde yer alan Otoregresif entegre hareketli ortalama (ARIMA), Çoklu regresyon analizi (ÇRA) ve Yapay siniri ağları (YSA) yöntemleri kullanılmıştır. ARIMA metodu için geçmiş yıllara ait satış miktarı (D4) girdi verisi kullanılırken, ÇRA ve YSA tahmin metodları için geçmiş yıllara ait satış miktarları (D4), dolar kuru (D1), sağlık harcamalarına göre tüketici fiyat endeksi (D2), eczacılık ürünleri, tıbbi ve ortopedik ürünler, kozmetik ve kişisel bakım malzemeleri arındırılmış perakende satış hacim endeksi (D3) değerleri kullanılmıştır. Çalışmada giriş veri seti olarak 2020, 2021,2022 ve 2023 yıllarına ait veriler kullanılmıştır. Kurulan üç modelin performansı determinasyon katsayısı (R2) ve ortalama mutlak hata (MAPE) kriterlerinde karşılaştırılmıştır. ARIMA (1,2,1), ARIMA (1,2,2) ve ARIMA (2,2,2) olmak üzere üç farklı ARIMA modeli kurulmuştur. En iyi performans sonucunu %4,9 MAPE değeri ile ARIMA (1,2,2) vermiştir. Ardından ÇRA ile tahmin çalışması gerçekleştirilmiştir. ÇRA modeline düzeltilmiş D1 (D1*) ve D3 bağımsız değişkeni dahil olmuştur. ÇRA modelinin MAPE sonucu ise %9,48 ile ARIMA'dan daha düşük çıkmıştır. Son olarak YSA ile tahmin gerçekleştirilmiştir. YSA modeli 48 aylık değişken veri setinin 29 adetini ağın eğitimi için kullanırken kalanını ağın testi ve doğrulanması için kullanmıştır. YSA modelinin çıkarmış olduğu sonuca göre hata oranı %1,02 ile çok iyi bir performansa sahiptir. Sonuç olarak YSA ile yapılan tahminin diğer iki yönteme göre daha iyi sonuç verdiği gözlemlenmiştir.
Demand forecasting, as in many other areas, is frequently used by businesses in making various decisions such as those related to finance, logistics, and supply chain management. Especially today, considering the problem of scarce resources, establishing a balance between supply and demand is of critical importance. Due to factors such as the demands of modern life, successful marketing strategies, and population growth, the demand for dietary supplements has been increasing day by day. As a result, the number of competing companies has risen, which in turn has created a competitive environment. In today's competitive market, companies seeking to sustain their presence resort to various forecasting methods in order to manage their resources at the most optimal level. For this reason, researchers have developed various qualitative and quantitative demand forecasting methods. Demand forecasting methods are categorized into qualitative and quantitative approaches. Qualitative methods are based on experiences and intuition and are generally preferred in situations where there is a lack of numerical data regarding the item to be forecasted, where uncertainty is high, or where data variability is considerable. Quantitative methods, on the other hand, are applied in cases where data analysis is possible, utilizing historical data and statistical techniques. In this study, quantitative methods were employed based on historical sales data, specifically the Autoregressive integrated moving average (ARIMA), Multiple Regression Analysis (MRA), and Artificial Neural Networks (ANN). For the ARIMA method, historical sales quantity (D4) was used as the input variable, whereas for MRA and ANN, the input variables included historical sales quantity (D4), the exchange rate of the U.S. dollar (D1), the consumer price index for health expenditures (D2), and the retail sales volume index (seasonally and calendar-adjusted) for pharmaceutical products, medical and orthopedic products, cosmetics, and personal care items (D3). The input dataset comprised data from the years 2020, 2021, 2022, and 2023. The performance of the three models was compared based on the coefficient of determination (R2) and the Mean Absolute Percentage Error (MAPE). Three different ARIMA models were built: ARIMA (1,2,1), ARIMA (1,2,2), and ARIMA (2,2,2). The ARIMA (1,2,2) model yielded the best performance with a MAPE value of 4.9%. Multiple Regression Analysis was then conducted, resulting in a model including the adjusted D1 (D1*) and D3 as independent variables. The MRA model achieved a MAPE of 9.48%, which was lower in accuracy compared to the ARIMA result. Finally, the ANN method was applied, in which 29 out of the 48 months of data were used for network training, with the remainder used for testing and validation. The ANN model produced an error rate of 1.02%, indicating excellent performance. In conclusion, it was observed that the ANN-based forecast outperformed the other two methods in terms of accuracy.
Demand forecasting, as in many other areas, is frequently used by businesses in making various decisions such as those related to finance, logistics, and supply chain management. Especially today, considering the problem of scarce resources, establishing a balance between supply and demand is of critical importance. Due to factors such as the demands of modern life, successful marketing strategies, and population growth, the demand for dietary supplements has been increasing day by day. As a result, the number of competing companies has risen, which in turn has created a competitive environment. In today's competitive market, companies seeking to sustain their presence resort to various forecasting methods in order to manage their resources at the most optimal level. For this reason, researchers have developed various qualitative and quantitative demand forecasting methods. Demand forecasting methods are categorized into qualitative and quantitative approaches. Qualitative methods are based on experiences and intuition and are generally preferred in situations where there is a lack of numerical data regarding the item to be forecasted, where uncertainty is high, or where data variability is considerable. Quantitative methods, on the other hand, are applied in cases where data analysis is possible, utilizing historical data and statistical techniques. In this study, quantitative methods were employed based on historical sales data, specifically the Autoregressive integrated moving average (ARIMA), Multiple Regression Analysis (MRA), and Artificial Neural Networks (ANN). For the ARIMA method, historical sales quantity (D4) was used as the input variable, whereas for MRA and ANN, the input variables included historical sales quantity (D4), the exchange rate of the U.S. dollar (D1), the consumer price index for health expenditures (D2), and the retail sales volume index (seasonally and calendar-adjusted) for pharmaceutical products, medical and orthopedic products, cosmetics, and personal care items (D3). The input dataset comprised data from the years 2020, 2021, 2022, and 2023. The performance of the three models was compared based on the coefficient of determination (R2) and the Mean Absolute Percentage Error (MAPE). Three different ARIMA models were built: ARIMA (1,2,1), ARIMA (1,2,2), and ARIMA (2,2,2). The ARIMA (1,2,2) model yielded the best performance with a MAPE value of 4.9%. Multiple Regression Analysis was then conducted, resulting in a model including the adjusted D1 (D1*) and D3 as independent variables. The MRA model achieved a MAPE of 9.48%, which was lower in accuracy compared to the ARIMA result. Finally, the ANN method was applied, in which 29 out of the 48 months of data were used for network training, with the remainder used for testing and validation. The ANN model produced an error rate of 1.02%, indicating excellent performance. In conclusion, it was observed that the ANN-based forecast outperformed the other two methods in terms of accuracy.
Açıklama
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
