2014

Pazarlama 4.0 İçin Genetik Algoritma Tabanlı Bir Karar Destek Modeli Önerisi

Üretim işletmelerindeki sipariş kabul prosedürü ile teslim tarihi belirleme prosedürü, pazarlama birimi yöneticileriiçin kritik öneme sahiptir. Üretici firmalarının müşteri siparişlerine müşterilerin talep ettiği teslim tarihinden dahaerken veya daha geç bir teslim tarihi sunması müşteri ile firma arasında problem oluşturur. Sipariş kabulsüreçlerinin dijital dönüşüme uyarlanması ve otonom karar veren sistemler ile bu süreçlerin otomatikleştirilmesisayesinde, firmalara bu problemlerle başa çıkmanın yanında çeşitli avantajlar da kazandırılabilir. Bu avantajlardanbazıları; toplam gelirin artması, müşteri memnuniyetinin artması, işçilik maliyetlerinin azalması ve ilgili kararlarınotonom verilmesiyle verimliliğin artması şeklindedir. Yapılan çalışmada sipariş kabul ve teslim tarihi atama ileilgili güncel literatür çalışmalarından bahsedilmiştir. Buna ek olarak Endüstri 4.0 kavramının ortaya çıkışındanitibaren pazarlama karar destek sistemleri ile ilgili yapılan bilimsel çalışmalar araştırılmış ve bulgularpaylaşılmıştır. Devamında, Endüstri 4.0 ve Pazarlama 4.0 perspektifinde genetik algoritma tabanlı bir pazarlamakarar destek modeli önerilmiştir. Bu karar destek modeliyle, hem işletmelerin kârlılıkları ve pazar paylarınıarttırmaları amaçlanmakta, hem de kullanıcılardan kaynaklı hataların minimize edilmesi ve iş süreçlerinotomatikleştirilmesi amaçlanmaktadır. Öncelikle üretim işletmesine gelen müşteri siparişlerinin belirli bir sayıyaveya kapasiteye ulaşıncaya kadar sanal bir havuzda bekletilmesi tavsiye edilmiştir. Belirlenen koşulgerçekleştiğinde, müşterilerin sipariş taleplerinin çoklu yöntemlerce sıralanması ve her yönteme göre yapılansıralamadan elde edilecek gelirlerin karşılaştırılması sağlanacaktır. Bu sayede üretim işletmelerinin pazarlamabirimlerine gelen müşteri talepleri belirli kısıt altında bekletilerek hep birlikte değerlendirilmiş olacaktır. Anlıkolarak işletmenin amaçları için uygun siparişler üretim planlamasına alınarak siparişlerin teslim tarihleri otomatikolarak hesaplanacak ve müşterilerin onayına sunulacaktır. Sıralama işlemi bir karar problemi olarak ele alınıpbelirli değişken ve katsayılar için anlık veriler üzerinden çalıştırılacak bir genetik algoritma ile en optimumdeğerleri aranacaktır. Bu sayede her zaman mevcut siparişlerden maksimum gelirin elde edileceği siparişlerinseçilmesi amaçlanmıştır.

A Genetic Algorithm Based Decision Support Model Proposal for Marketing 4.0

The order acceptance procedure and delivery date determination procedure in manufacturing enterprises are critical for marketing unit managers. The fact that the manufacturer firms provide a delivery date earlier or later than the delivery date requested by the customers creates a problem between the customer and the company. By adapting order acceptance processes to digital transformation and automating these processes with autonomous decisionmaking systems, companies can gain various advantages as well as deal with these problems. Some of these advantages; increase in total revenue, increase in customer satisfaction, decrease in labor costs and increase efficiency through autonomous issuance of related decisions. In this study, current literature studies about order acceptance and delivery date are mentioned. In addition, from the emergence of the concept of Industry 4.0, scientific studies on marketing decision support systems have been researched and findings have been shared. Next, a marketing decision support model based on genetic algorithm was proposed in the perspective of Industry 4.0 and Marketing 4.0. With this decision support model, it is aimed to increase the profitability and market shareof the enterprises as well as to minimize the errors caused by the users and to automate the business processes. First, until it reaches a certain number of incoming customer orders or production capacity of the company was recommended to stand in a virtual pool. When the specified condition is fulfilled, it will be ensured that the order requests of the customers are sorted by multiple methods and the revenues from each order will be compared. In this way, the customer requests coming to the marketing units of production enterprises will be kept together under certain constraints and evaluated together. Orders which are suitable for the purposes of the enterprise shall be taken to production planning and delivery dates of the orders will be calculated automatically and submitted to the approval of the customers. The process of sorting will be considered as a decision problem and the optimum values will be searched by a genetic algorithm to be run over the instant data for certain variables and coefficients. In this way, it is always aimed to select the orders from which the maximum income will be obtained from the existing orders.

PDF

___

[1] Akıllı Üretim Çağı, Fortuneturkey, 2019. http://www.fortuneturkey.com/akilli-uretim-cagiendustri-40-42841 (Erişim Tarihi: 20.03.2019).
[2] Guhlich H., Fleischmann M., Stolletz R. 2015. Revenue Management Approach To Due Date Quoting And Scheduling In An Assemble-To-Order Production System. OR Spectrum, 37 (4): 951-982.
[3] Demir H.I., Uygun O., Cil I., Ipek M., Sari M. 2015. Process Planning and Scheduling with SLK Due-Date Assignment where Earliness, Tardiness and Due-Dates are Punished. Journal of Industrial and Intelligent Information, 3 (3): 173-180.
[4] Demir H.I., Cil I., Uygun O., Simsir F., Kokcam A.H. 2016. Process Planning And Weighted Scheduling With Wnoppt Weighted Due-Date Assignment Using Hybrid Search For Weighted Customers. International Journal Of Science And Technology, 2 (1): Retrieved from https://grdspublishing.org/index.php/matter/article/view/151.
[5] Demir H.İ., Erden C. 2017. Solving Process Planning And Weighted Scheduling With WNOPPT Weighted Due-Date Assignment Problem Using Some Pure And Hybrid Meta-Heuristics. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21 (2): 210-222.
[6] Canıyılmaz E., Benli B., Ilkay M.S. 2015. An Artificial Bee Colony Algorithm Approach For Unrelated Parallel Machine Scheduling With Processing Set Restrictions, Job SequenceDependent Setup Times, And Due Date. The International Journal Of Advanced Manufacturing Technology, 77 (9-12): 2105-2115.
[7] Aktürk C, Gülseçen S. 2017. Teslim Tarihi Problemi ve İnovatif Bir Karar Modeli Önerisi. Girişimcilik İnovasyon ve Pazarlama Araştırmaları Dergisi, 1 (2): 103-119.
[8] Aktürk C., Gülseçen S. 2018. Sipariş Teslim Tarihi Problemi İçin Çok Kriterli ve Çok Yöntemli Karar Destek Sistemi Önerisi. İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadi Enstitüsü Yönetim Dergisi, 29 (84): 65-78.
[9] Tarabasz A. 2013. The Reevaluation of Communication in Customer Approach-Towards Marketing 4.0. International Journal of Contemporary Managament, 12 (4): 124-134.
[10] Ertuğrul İ., Deniz G. 2018. 4.0 Dünyası: Pazarlama 4.0 ve Endüstri 4.0. Bitlis Eren Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7 (1): 143-170.
[11] Vassileva B. 2017. Marketing 4.0: How Technologies Transform Marketing Organization. Óbuda University e-Bulletin, 7 (1): 47-56.
[12] Jara A.J., Parra M.C., Skarmeta A.F. 2012. Marketing 4.0: A New Value Added To The Marketing Through The Internet Of Things. Sixth International Conference On Innovative Mobile and Internet Services in Ubiquitous Computing, (p. 852-857). Sanpaolo Palace Hotel, Palermo, Italy.
[13] Ardito L., Petruzzelli A.M., Panniello U., Garavelli A.C. 2018. Towards Industry 4.0: Mapping Digital Technologies For Supply Chain Management-Marketing Integration. Business Process Management Journal, 25 (2): 323-346.
[14] Power D.J. 2014. Using ‘Big Data’for Analytics And Decision Support. Journal of Decision Systems, 23 (2): 222-228.
[15] You Z., Si Y.W., Zhang D., Zeng X., Leung S.C., Li T. 2015. A Decision-Making Framework For Precision Marketing. Expert Systems With Applications, 42 (7): 3357-3367.
[16] Ngai E.W.T., Peng S., Alexander P., Moon K.K. 2014. Decision Support And Intelligent Systems In The Textile And Apparel Supply Chain: An Academic Review Of Research Articles. Expert Systems with Applications, 41 (1): 81-91.
[17] Mazzarol T. 2015. Smes Engagement With E-Commerce, E-Business And E-Marketing. Small Enterprise Research, 22 (1): 79-90.
[18] Zekić-Sušac M., Has A. 2015. Data Mining As Support To Knowledge Management In Marketing. Business Systems Research Journal, 6 (2): 18-30.
[19] Gordini N., Veglio V. 2017. Customers Churn Prediction And Marketing Retention Strategies. An Application Of Support Vector Machines Based On The AUC Parameter-Selection Technique In B2B E-Commerce Industry. Industrial Marketing Management, 62: 100-107.
[20] Ekman P., Erixon C., Thilenius P. 2015. Information Technology Utilization For Industrial Marketing Activities: The IT–Marketing Gap. Journal of Business & Industrial Marketing, 30 (8): 926-938.
[21] Fan S., Lau R.Y., Zhao J.L. 2015. Demystifying Big Data Analytics For Business Intelligence Through The Lens Of Marketing Mix. Big Data Research, 2 (1): 28-32.
[22] Althuizen N., Wierenga B., Chen B. 2016. Managerial Decision-Making in Marketing: Matching The Demand And Supply Side Of Creativity. Journal of Marketing Behavior, 2 (2-3): 129-176.
[23] Fırat O.Z., Fırat S.Ü. 2017. Endüstri 4.0 Yolculuğunda Trendler Ve Robotlar. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 46 (2): 211-223.
[24] Genetik Algoritma, 2019. http://www.elektrik.gen.tr/2015/08/genetik-algoritma-ile-iletisimaglarinda-yonlendirme-optimizasyonu/346 (Erişim Tarihi: 25.03.2019).
[25] Aydemir E. 2019. Akademik Personel Performans Değerlendirmesinde Bir Karar Destek Sistemi Önerisi. Bilişim Teknolojileri Dergisi, 12 (2): 131-140.
[26] Khan M.E., Choudhury A., Won D., Friedman A. 2018. Decision Support System for Renal Transplantation. In Avishek Choudhury, Ehsan khan, Decision Support System for Renal Transplantation, Proceedings of the 2018 IISE Annual Conference, Orlando (pp. 431-436).