Yapay zekâ destekli maliyet yönetimi: istatistiksel ve makine öğrenmesi modelleri ile bir inceleme
Yükleniyor...
Dosyalar
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüz iş dünyası, teknolojik gelişmelerin ve küreselleşmenin etkisiyle sürekli bir dönüşüm içerisindedir. Özellikle üretim sektöründe artan rekabet, işletmeleri maliyetlerini düşürmek, kaynaklarını daha verimli kullanmak ve müşteri taleplerine hızla uyum sağlamak için yeni yöntemler benimsemeye zorlanmaktadır. Geleneksel yönetim ve üretim planlama yaklaşımlarının bu karmaşık ve dinamik ortamda tüm ihtiyaçların aynı anda karşılanması hususunda yetersiz kalabileceği düşünülmektedir. Bu bağlamda, yapay zekâ ve veri analitiği gibi modern yöntemler, işletmelerin hem maliyetlerini optimize etmesine hem de operasyonel verimliliklerini artırmasına olanak tanımaktadır. Bu tez, yapay zekâ destekli veri analitiği ve maliyet optimizasyonunun entegrasyonunu incelemektedir. Çalışma, otomotiv sanayisinde kullanılan X ürününün satış ve maliyet tahminleri için çoklu doğrusal regresyon ve makine öğrenmesi modelleri kullanarak, her iki yöntem arasındaki farkları analiz etmiş ve belirli değişkenlerin satış ve maliyet tahminlerinde ne derece etkili olduğunu ortaya koymuştur. Elde edilen bulgular, yapay zekâ ve veri analitiği teknolojilerinin işletmelerin maliyet optimizasyonu süreçlerinde nasıl etkin bir şekilde kullanılabileceğini göstermektedir. Çoklu doğrusal regresyon modelinde yapılan analizler, satış miktarları üzerinde etkili olan bağımsız değişkenleri belirlemiştir. Bu değişkenler arasında Motorlu Kara Taşıt Sayısı (MKTS), Sanayi Üretim Endeksi (SÜE), Tüketici Fiyatlarının Değişimine İlişkin Düşünce (TFDD) ve Ücretlerin Değişimine İlişkin Beklenti (ÜDİB) yer almaktadır. Satış miktarlarına ilişkin modelin Düzenlenmiş R² değeri 0,916 olup, bu da modelin satış miktarlarını yüksek bir doğrulukla açıklayabildiğini göstermektedir. Öte yandan, maliyet tahminlerine yönelik modelin Düzenlenmiş R² değeri 0,974 olarak hesaplanmış ve bu da modelin maliyet tahmininde oldukça güçlü bir açıklayıcılığa sahip olduğunu ortaya koymuştur. Elde edilen sonuçlar, satış ve maliyet tahminlerinde belirli değişkenlerin kritik bir rol oynadığını ve işletmelerin bu değişkenlere dikkat etmelerinin önemli olduğunu vurgulamaktadır. Gradyan Arttırmalı Regresyon Ağaçları (GBRT) ve yapay sinir ağları (YSA) modelleri ile yapılan analizlerde, her iki bağımlı değişken için en iyi performans YSA modellerinden elde edilmiştir. YSA modelleri, doğrusal olmayan ilişkileri daha başarılı bir şekilde modelleyerek daha doğru tahminler sunmuş ve geleneksel istatistiksel yöntemlere kıyasla daha düşük hata oranları ve daha yüksek doğruluk oranlarına ulaşmıştır. Özellikle, X ürünü satış adetleri için yapılan analizde R² değeri 0,98 ve Ortalama Mutlak Yüzde Hata (MAPE) değeri 0,08 olarak hesaplanırken, maliyetler için R² değeri 0,997 ve MAPE değeri 0,02 olarak belirlenmiştir. Çoklu doğrusal regresyon modeli sonucunda raporlanan değerler ise, X ürünü satış adetleri için yapılan analizde düzenlenmiş R2 değeri 0,916 ve X ürünü maliyetleri için yapılan analizde de düzenlenmiş R2 değeri 0,974'tür. Bu bulgular karşılaştırıldığında, makine öğrenmesi modellerinin geleneksel istatistiksel yöntemlere göre daha güçlü tahminler sunduğunu ve işletmelerin karar alma süreçlerine daha fazla katkı sağladığını göstermektedir. Sonuçlar, MKTS ve SÜE gibi değişkenlerin satış ve maliyet tahminleri üzerinde önemli etkiler oluşturduğunu ortaya koymuştur. Bu bağlamda, işletmelerin üretim ve maliyet planlamalarında bu değişkenleri düzenli olarak takip etmeleri, daha doğru ve verimli stratejiler geliştirmelerine yardımcı olacaktır. Sonuç olarak, bu tez hem geleneksel istatistiksel yöntemlerin hem de modern makine öğrenmesi yaklaşımlarının maliyet optimizasyonu süreçlerinde nasıl etkin bir şekilde kullanılabileceğini göstermiştir. Yapay zekâ ve makine öğrenmesi tabanlı modellerin, üretim ve maliyet planlamalarında daha güvenilir tahminler sağladığı ve işletmelerin stratejik karar alma süreçlerine katkı sağladığı ortaya çıkmıştır. Elde edilen bulgular, işletmelerin daha doğru tahminler yapabilmesine ve verimli planlamalar gerçekleştirerek rekabet avantajı elde etmelerine yardımcı olacaktır.
The modern business world is undergoing continuous transformation due to technological advancements and globalization. Increasing competition, particularly in the manufacturing sector, compels businesses to adopt new methods to reduce costs, utilize resources more efficiently, and quickly adapt to customer demands. Traditional management and production planning approaches may be insufficient in simultaneously addressing all these complex and dynamic needs. In this context, modern methods such as artificial intelligence and data analytics enable businesses to optimize costs while enhancing operational efficiency. This thesis examines the integration of AI-supported data analytics and cost optimization. The study analyzes the differences between multiple linear regression and machine learning models for sales and cost forecasting of the X product used in the automotive industry. It also explores how specific variables influence sales and cost predictions. The findings demonstrate how artificial intelligence and data analytics technologies ca The multiple linear regression analysis identified key independent variables affecting sales volumes, including the Number of Motor Vehicles (NMV), the Industrial Production Index (IPI), Consumer Price Expectation (CPE), and Wage Change Expectation (WCE). The Adjusted R² value of the sales volume model was 0.916, indicating high accuracy in explaining sales quantities. Meanwhile, the Adjusted R² value for the cost estimation model was calculated as 0.974, demonstrating its strong explanatory power. These results emphasize the critical role of certain variables in sales and cost predictions and highlight the importance of businesses monitoring these factors closely. Further analyses using Gradient Boosted Regression Trees (GBRT) and Artificial Neural Networks (ANN) showed that ANN models provided the best performance for both dependent variables. ANN models successfully captured nonlinear relationships, yielding more accurate predictions with lower error rates and higher precision than traditional statistical methods. Specifically, the R² value for X product sales forecasts was 0.98, with a Mean Absolute Percentage Error (MAPE) of 0.08, while for cost forecasts, the R² value was 0.997, with a MAPE of 0.02. The multiple linear regression model results reported an Adjusted R² value of 0.916 for X product sales and 0.974 for X product costs. When comparing these findings, machine learning models demonstrated superior predictive capabilities over traditional statistical methods, contributing more effectively to business decision-making processes. The results revealed that NMV and IPI significantly impact sales and cost forecasts. In this regard, businesses should regularly monitor these variables in their production and cost planning to develop more accurate and efficient strategies. In conclusion, this thesis demonstrates how both traditional statistical methods and modern machine learning approaches can be effectively utilized in cost optimization processes. AI and machine learning-based models provide more reliable predictions, supporting businesses' strategic decision-making processes. The findings help companies to make more accurate forecasts, enabling efficient planning and gaining a competitive advantage.
The modern business world is undergoing continuous transformation due to technological advancements and globalization. Increasing competition, particularly in the manufacturing sector, compels businesses to adopt new methods to reduce costs, utilize resources more efficiently, and quickly adapt to customer demands. Traditional management and production planning approaches may be insufficient in simultaneously addressing all these complex and dynamic needs. In this context, modern methods such as artificial intelligence and data analytics enable businesses to optimize costs while enhancing operational efficiency. This thesis examines the integration of AI-supported data analytics and cost optimization. The study analyzes the differences between multiple linear regression and machine learning models for sales and cost forecasting of the X product used in the automotive industry. It also explores how specific variables influence sales and cost predictions. The findings demonstrate how artificial intelligence and data analytics technologies ca The multiple linear regression analysis identified key independent variables affecting sales volumes, including the Number of Motor Vehicles (NMV), the Industrial Production Index (IPI), Consumer Price Expectation (CPE), and Wage Change Expectation (WCE). The Adjusted R² value of the sales volume model was 0.916, indicating high accuracy in explaining sales quantities. Meanwhile, the Adjusted R² value for the cost estimation model was calculated as 0.974, demonstrating its strong explanatory power. These results emphasize the critical role of certain variables in sales and cost predictions and highlight the importance of businesses monitoring these factors closely. Further analyses using Gradient Boosted Regression Trees (GBRT) and Artificial Neural Networks (ANN) showed that ANN models provided the best performance for both dependent variables. ANN models successfully captured nonlinear relationships, yielding more accurate predictions with lower error rates and higher precision than traditional statistical methods. Specifically, the R² value for X product sales forecasts was 0.98, with a Mean Absolute Percentage Error (MAPE) of 0.08, while for cost forecasts, the R² value was 0.997, with a MAPE of 0.02. The multiple linear regression model results reported an Adjusted R² value of 0.916 for X product sales and 0.974 for X product costs. When comparing these findings, machine learning models demonstrated superior predictive capabilities over traditional statistical methods, contributing more effectively to business decision-making processes. The results revealed that NMV and IPI significantly impact sales and cost forecasts. In this regard, businesses should regularly monitor these variables in their production and cost planning to develop more accurate and efficient strategies. In conclusion, this thesis demonstrates how both traditional statistical methods and modern machine learning approaches can be effectively utilized in cost optimization processes. AI and machine learning-based models provide more reliable predictions, supporting businesses' strategic decision-making processes. The findings help companies to make more accurate forecasts, enabling efficient planning and gaining a competitive advantage.
Açıklama
Anahtar Kelimeler
Çoklu doğrusal regresyon, Maliyet optimizasyonu, Veri analitiği, Yapay zekâ, Artificial intelligence, Cost optimization, Data analytics, Multiple linear regression
