Envanter Sınıflandırmada Yapay Öğrenme Yöntemlerinin Kullanımı Ve Destek Vektör Makineleri İle Bir Uygulama

Abstract

Bu çalışmada, makine öğrenmesi olarak da bilinen yapay öğrenme yöntemlerinin envanter sınıflandırmada kullanımı incelenmiştir. Başta Destek Vektör Makineleri (DVM) olmak üzere sezgisel sınıflandırıcı algoritmaların başarımları bir uygulama üzerinden karşılaştırmalı olarak değerlendirilmiştir. Çalışmanın literatür araştırması kısmında, envanter yönetimi ve envanter sınıflandırma konularına değinilmiş, geleneksel ve çok ölçütlü ABC analizi yöntemleri anlatılmıştır. Ayrıca yapay öğrenme yöntemleri veri madenciliği kapsamında genel olarak incelenmiş ve sezgisel sınıflandırıcı algoritmalar ele alınmıştır. Tezin uygulama aşamasında, önce büyük ölçekli bir Türk otomotiv şirketinin endüstriyel malzemelerden oluşan envanteri, geleneksel ve çok ölçütlü ABC analizleri ile beş farklı model kullanılarak sınıflandırılmıştır. Ölçütler ve ölçütlerin önem dereceleri yöneticilerle yapılan görüşmelere ve anket değerlendirmelerine göre AHP grup kararlarıyla belirlenmiştir. Bu modellerin sınıflandırma çıktıları öğrenme kümeleri alınarak, seçilen yapay öğrenme algoritmaları eğitilmiştir. Naive Bayes, Bayes Net, YSA ve DVM olmak üzere dört ayrı sezgisel sınıflandırıcı kullanılmış ve yöntemlerin başarımları karşılıklı olarak değerlendirilmiştir. Son olarak sınıflandırma performansını iyileştirmek ve daha güvenilir bir sezgisel sınıflandırma sağlamak amacıyla, “iyi öğrenme” olarak tarif edilen bir yaklaşım önerilmiştir. DVM, bu yaklaşım ile yeniden eğitilmiş böylece daha iyi bir sınıflandırma başarımı sağlanmıştır. Elde edilen bulgu ve sonuçlardan yola çıkarak işletmeler ve araştırmacılar için önerilerde bulunulmuştur.

In this study, application of machine learning methods in inventory classification was examined. Heuristic classifiers’ performances, particularly Support Vector Machines (SVM)’ performances in classifying inventory were aimed to be evaluated. In literature review of the study, inventory management, inventory classification issues and various ABC analysis methods were discussed. Machine learning methods among data mining technics and heuristic classifier algorithms also were mentioned. In the application phase of the thesis, a large-scale Turkish automotive company’s industrial material inventory was classified first by classical ABC, then by multi-criteria ABC analyses. Five different models were applied to produce inventory classes. Each classification result was used to train the selected learning classification algorithms. Criteria and the priorities of the criteria were determined with respect to the results of AHP group decisions gathered by surveys and interviews with the managers and the engineers of the related department. Then, four different Heuristic classifiers were applied: Naive Bayes, Bayes Net, ANN and SVM; and their classification performances were evaluated both individually and comparatively. As the final step of the application, a new approach which was called “learning-well” was offered to provide a better and more reliable heuristic classification of inventory. SVM were re-trained by this approach, so a higher level of classification performance was achieved. According to obtained results, suggestions were made for both enterprises and researchers.