Hybrid demand forecasting system on glass industry

Abstract

Talep tahmini, çeşitli endüstrilerde karar almanın önemli bir yönüdür ve envanter yönetimini, üretim planlamasını, genel operasyonel verimliliği ve kaynak tahsisini etkileyerek stratejik planlamada önemli bir rol oynamaktadır. Doğru tahmin, kuruluşların operasyonlarını optimize etmelerine, maliyetlerini azaltmalarına ve müşteri taleplerini verimli bir şekilde karşılamalarına olanak tanımaktadır. Talep ve envanter yönetimi, etkili üretim planlamasına, optimum varlık kullanımına ve stratejik yatırımlara yardımcı olduğundan tüm işletmeler için büyük önem taşımaktadır. Özellikle üretim planlamasının zor olduğu ve büyük nihai ürün hacimleri nedeniyle depolama alanlarının sınırlı olduğu sektörlerde, güçlü bir talep tahmin sisteminin kurulması, etkin stok yönetimi için hayati önem taşımaktadır. Zaman serisi analizi, ekonomi, finans ve çevre bilimi gibi çeşitli sektörlerdeki temel eğilimleri ve kalıpları ayırt etmede etkilidir. Zaman serileri aynı zamanda talep tahmini metodolojilerinde de yaygın olarak kullanılmaktadır. Şu anda, istatistiksel zaman serisi yöntemlerini, regresyona özgü yaklaşımları ve makine öğrenimine dayalı yöntemleri kapsayan çok sayıda talep tahmin tekniği mevcuttur. Bu araştırmada ise cam endüstrisine özel hibrit talep tahmin sistemlerinin geliştirilmesi amaçlanmaktadır. Cam sektörünün mevsimsellik veya trende bağlı talep tahmin gibi doğrusal özelliklerinin istatistiksel zaman serisi yöntemiyle, diğer doğrusal olmayan faktörlerinin ise makine öğrenimi tabanlı yapay (evrişimli) sinir ağı yöntemiyle analiz edilerek daha doğru bir talep tahmin aracı oluşturulması amaçlanmaktadır. Kullanıcı dostu bir talep yönetim sisteminin kurulması ve daha doğru talep tahminlerinin yapılması hedefler arasındadır. Cam endüstrisinde bu konuyla ilgili kapsamlı bir araştırmanın bulunmaması bu çalışmanın yapılmasına neden olmuştur. Çalışmada en uygun talep tahmin yöntemlerinin belirlenmesi ve sonuçları üzerinde durulacaktır. Ancak araştırılan yöntemlerin cam sektöründe uygulanabilirliğinin belirlenmesi ve cam sektörünün nüanslarına göre özel olarak hazırlanmış hibrit talep tahmininin uygulanması bu tezin önemli kilometre taşlarıdır. Çalışmada kısa dönem için dinamik bir hibrit talep tahmin sistemi, uzun dönem için ise statik bir hibrit talep tahmin sistemi geliştirilmiştir. Kısa dönemli talep tahmin sisteminde, karmaşık zamansal ilişkilerin yakalanmasındaki esnekliği ve etkinliği ile bilinen Otoregresif Bütünleşik Hareketli Ortalama (ARIMA) modellemesi ve bu ARIMA modellemesinin tahmin hataları üzerine eğitilmesi ile oluşturulan Evrişimsel Sinir Ağı Sistemi (CNN) kullanılarak hibrit bir talep tahmin sistemi geliştirilmiştir. Uzun dönemli talep tahmin sisteminde ise aynı yöntemlerin direkt olarak veri setine uygulandığı yöntemlerin oransal entegrasyonuyla oluşturulmuş statik bir hibrit talep tahmin sistemi oluşturulmuştur. Hibrit modelin zaman serisi verileri üzerindeki uygulanabilirliğini ve performansını değerlendirmek amacıyla çeşitli analizler yapılmıştır. Her iki durumda da araştırmanın sonuçları, talep tahminindeki yüksek doğruluk oranının da gösterdiği gibi, hibrit sistemin etkinliğini ve zaman serisi verilerinde yapısal yönleri modellemedeki ustalığını vurgulamaktadır. Bu çalışma, bu bilgilerin entegre edilmesinin tahminleri önemli ölçüde artırabileceğini ve belirsizliği azaltabileceğini göstermektedir.

Demand forecasting is a pivotal aspect of decision-making across diverse industries, playing a crucial role in strategic planning by influencing inventory management, production scheduling, overall operational efficiency, and resource allocation. Accurate forecasting enables organizations to optimize their operations, reduce costs, and meet customer demands efficiently. Demand and inventory management holds significant importance for all businesses as it aids in effective production planning, optimal asset utilization, and strategic investments. Particularly in sectors where production scheduling is challenging and storage space is limited due to large finished product volumes, establishing a robust demand forecasting system is crucial for efficient inventory management. Time series analysis is instrumental in discerning fundamental trends and patterns across various sectors such as economics, finance, and environmental science. Time series are commonly employed in demand forecasting methodologies. Presently, numerous demand forecasting techniques exist, encompassing statistical time series methods, regression-specific approaches, and machine learning-based methods. This research aims to develop hybrid demand forecasting systems tailored to the glass industry. Statistical time series methods are utilized to analyze linear characteristics such as seasonality or trend-dependent demand forecasting in the glass industry, while machine learning-based artificial (convolutional) neural network methods are employed to address other non-linear factors, aiming to create a more accurate demand forecasting tool. Establishing a user-friendly demand management system and achieving more accurate demand forecasts are among the objectives. The absence of comprehensive research on this topic in the glass industry has prompted this study. The focus will be on determining the most suitable demand forecasting methods and discussing the results. However, determining the applicability of the researched methods in the glass sector and implementing a specially tailored hybrid demand forecasting based on the nuances of the glass industry are significant milestones of this study. In the study, a dynamic hybrid demand forecasting system for the short term and a static hybrid demand forecasting system for the long term have been developed. In the short-term demand forecasting system, a hybrid demand forecasting system is developed using the Autoregressive Integrated Moving Average (ARIMA) modeling known for its flexibility and effectiveness in capturing complex temporal relationships, and the Convolutional Neural Network System (CNN) trained on the prediction errors of this ARIMA modeling. In the long-term demand forecasting system, a static hybrid demand forecasting system is created by directly applying the same methods to the dataset and integrating them proportionally. Various analyses have been conducted to evaluate the applicability and performance of the hybrid models on time series data. The results of the research in both cases emphasize the effectiveness of the hybrid system and its mastery in modeling structural aspects of time series data, as indicated by the high accuracy rate in demand forecasting. This study demonstrates that integrating this knowledge can significantly improve forecasts and reduce uncertainty.