Talep Tahmininde Yapay Sinir Ağlarının Kullanılması

Abstract

Artan rekabet ortamında şirketlerin gelecek için güvenle yol alabilmeleri tahminlerindeki doğruluklarla paraleldir. Bu kapsamda talep tahminleri tüm işletmeler için önemlidir. Talep tahmini, gelecekteki bir zaman süresi için şirketin bir ürünü veya çeşitli ürünleri için talep düzeyini tespit etmektir. Şirket yönetiminin stratejik ve taktik kararların alınmasında, kısa dönemli ve uzun dönemli hedeflere ulaşmada kullanılacak en temel araçların başında gelen talep tahmini sayesinde etkin bir talep planlama ile şirket fonksiyonları optimum kar seviyesine doğru ilerler, stratejik hedefler ile operasyonel gereksinimler arasındaki çatışma azalır. Çalışma içerisinde yapay sinir ağları ve talep tahmini kavramları açıklanmıştır. Uygulama bölümüde yapay sinir ağları kullanılarak altın ürün satışları ile ilgili bir tahmin modeli kurulmuş ve ytgulanmıştır. Yapay sinir ağları yönteminin yanısıra regresyon analizi ve eğri uydurma yöntemleri ile de altın ürünlerin talep tahmini yapılmış ve sonuçlar kıyaslanmıştır. Uygulama sonucunda yapay sinir ağı yönteminin etkin bir talep tahmini yöntemi olduğu gösterilmiştir.

For companies, the possibility of surviving is parallel with the accuracy of predictions in increasing competition environment. In that concept, demand prediction is important for all companies. Demand prediction is determining the demand level of a product or more than one product of a company for a time in the future. While having determined strategic and tactical decisions by company management; with the help of demand prediction which is one of the main tools used to achieve short term and long term targets, the functions of a company arise to the optimum profit level with an effective planning and the conflict between strategic targets and operational necessities decreases. In that study, artificial neural network and demand predictions concepts are explained. In application part of this study, artificial neural networks sales forecasting model for golden products is builded and implemented. On the other hand, prediction models are builded for regresion analysys and curve estimation method. In conclusion, results are compared and shown that artificial neural networks is an efficient tool for forecasting.