Tersine lojistik sürecinde bir optimizasyon çalışması
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Fakültesi Bölümü, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: AYŞE NUR ADIGÜZEL TÜYLÜ
Danışman: Ergün Eroğlu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Satış tahmini, stok planlama ve dağıtım gibi faaliyetlerde yapılan hatalar nedeni ile birçok tekstil ürünü tersine lojistik ağına girmektedir. Kaynak kullanımını ve maliyeti en başta azaltmak için doğru sayıda üretimin yanı sıra bu ürünlerin doğru şubelere doğru sayıda, renkte, bedende ve modelde gönderilmesi, nakliyesinin ve stok planlamasının doğru bir şekilde yapılması gerekmektedir. Çok parametreli ve çok değişkenli problemlerde matematiksel model kurmanın zorluğu nedeniyle istatistiksel yöntemler, yapay zeka yöntemleri ve makine öğrenme yöntemleri kullanılmaktadır. Genel olarak tüm bu faaliyetler zaman serisine dayalı talep tahminleri baz alınarak yapılır, fakat moda ve tüketicilerin çok çabuk değişen istekleri nedeniyle talep tahminleri ile gerçekleşen talepler arasında önemli farklılıklar doğmaktadır. Son dönemde yapılan çalışmalar gösteriyor ki bu şekilde karmaşık yapılı büyük veri setlerinde yapay zeka ve makine öğrenme yöntemleri diğer tahmin yöntemlerine göre doğruluğu daha yüksek sonuçlar vermektedir. Bu çalışmada diğer çalışmalardan faklı olarak Tersine Lojistikte ürün iade oranlarının ilk defa Makine Öğrenme ve Bileşik Makine Öğrenme yöntemleri ile tahmin edilmesi söz konusudur. Bu doğrultuda müşterilerin tercihleri ile birlikte satışa çıkan ürünlerin iadeleri ve nedenleri üzerinde yoğunlaşılıp iadelerin daha doğru bir şekilde tahmin edilmesi amaçlanmaktadır. Bu şekilde, analizler sonucunda elde edilen tüketici bilgileri şubelere doğru beden, renk ve modelde ürünlerin gitmesi, gereksiz üretim, nakliye ve depolama faaliyetlerinden kaçınılması, maliyetin, kaynak kullanımının ve çevre kirliliğinin azaltılması konularında daha doğru planlama yapılmasını sağlayabilir. Ayrıca yapılan ürün iade oranlarının tahmin edilmesinde kullanılabilecek parametrelerin belirlenmesi ile de literatüre katkı sağlanması da çalışmanın temel amaçlarından biridir. Makine Öğrenme tekniklerinden fonksiyonel algoritmalardan Doğrusal Regresyon (Linear Regression) ve Destek Vektör Regresyonu (Support Vector Regression), karar ağacı algoritmalarından M5P, kural tabanlı algoritmalardan M5Rules ve Karar Tablosu (Decision Table) algoritmaları en iyi sonuç verirken, Bileşik Makine Öğrenme tekniklerinden Stacking, Voting, Bagging ve Random Sub Space yöntemleri ile iyi sonuçlar elde edilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak verilmiş, %83,89 değerinde korelasyon katsayısına ulaşılmıştır.