Tedarik zincirinde yapay zeka tabanlı talep tahmini ve envanter yönetiminin performansa etkileri = The effects of artificial intelligence-based demand forecasting and inventory management on supply chain performance

Abstract

Bu çalışma, tedarik zinciri yönetiminde yapay sinir ağları (YSA) tabanlı talep tahmininin ve envanter yönetiminin işletme performansı üzerindeki etkilerini incelemeyi amaçlamaktadır. Araştırma kapsamında, 2021-2024 yılları arasındaki bir işletmeye ait satış verileri kullanılarak talep tahmin modelleri geliştirilmiştir. ABC analizi ile seçilen ürün gruplarına yönelik YSA modelleri uygulanmış ve tahmin sonuçları geçmiş verilere dayanarak doğruluk açısından değerlendirilmiştir. Uygulama sürecinde, veri seti ön işleme adımlarından geçirilmiş ve YSA modelleri ile farklı talep seviyelerine yönelik tahminler gerçekleştirilmiştir. Modellerin sonuçları, stok maliyetlerini optimize etme ve müşteri memnuniyetini artırma potansiyeline sahip olduğunu göstermiştir. Ayrıca, döviz kurları ve müşteri davranışlarındaki değişkenliklerin, tahmin modellerinin performansına etkisi incelenmiştir. Bu değişkenlerin modellere dahil edilmesinin tahmin sonuçlarına iyi anlamda etki ettiği görülmüştür. Bu çalışmada, yapay sinir ağları (YSA) kullanılarak gerçekleştirilen talep tahminlerinin doğruluk performansı değerlendirilmiştir. Elde edilen sonuçlar, YSA modellerinin klasik yöntemlere kıyasla daha düşük hata oranları (MAPE, PAE) ile yüksek doğruluk sağladığını göstermektedir. Bu bulgular doğrultusunda, yapay zeka entegrasyonlarının tedarik zinciri süreçlerine ve işletme operasyonlarında etkinlik sağladığını ve karar verme süreçlerini iyileştirdiğini ortaya koyulmuştur.

This study aims to examine the impact of artificial neural network (ANN)-based demand forecasting and inventory management on business performance in supply chain management. Sales data from a business for the years 2021-2024 were utilized to develop demand forecasting models. ANN models were applied to product groups selected through ABC analysis, and the accuracy of the forecasts was evaluated based on historical data. During the application process, the dataset was preprocessed, and ANN models were employed to generate forecasts for different demand levels. The results indicated that the models have the potential to optimize inventory costs and improve customer satisfaction. Moreover, the effects of exchange rate fluctuations and customer behavior variability on model performance were analyzed. It was observed that incorporating these variables into the models positively influenced the forecasting results. In this study, the accuracy performance of demand forecasting using Artifical Neural Networks (ANN) was evaluated. The results indicate that ANN models achieve higher accuracy with lower error rates (MAPE, PAE) compared to clasical methods. Based on these findings, it has been demonstrated that the integration of the artificial intelligence enhances the efficiensy of supply chain processes and business operations while improving decision-making processes.