Makine Öğrenme Yöntemlerinin Depo Yönetim Süreçlerinde Uygulanması: Azure ML Studio Örneği

E-ticaret süreçleri, lojistik tarafta depo ve operasyon faaliyetleri ile birlikte uyumlu ve eş zamanlı çalışmak zorundadır E-ticaret faaliyetleri;sipariş taleplerinin olumlu bir şekilde sonuçlanmasıile gerçekleşen süreçleri içerir. Siparişlerin, doğru ve hızlı bir şekilde yönlendirilmesi, depo teknolojilerinin, ERP sistemleriyle entegre ve sorunsuz çözümüne bağlıdır. Buçalışmanın amacı;gelecekte talep edilecek ürünlerin öngörüsü yapılarak depo kapasitesininverimli bir şekilde yönetilmesini içerir. Çalışmada, ulusal düzeyde faaliyet gösteren bir E-ticaret firmasının verileri Azure ML(Makine Öğrenmesi)Studio’da işlenerek geleceğe dönük öngörü ve talep tahmin değerleri hesaplanmaya çalışılmıştır. Yeni nesil makine öğrenme bulut platformunun tanıtıldığı ve model performanslarının karşılaştırmalı olarak ölçümlendiği çalışma; E-ticaret sektörü ve lojistik faaliyetlerin veriler üzerinden planlanması ve geliştirilmesini hedeflemektedir.

The Application of Machine Learnıng Methods in Warehouse Management Processes: The Example of Azure Ml Studio

E-commerce processes must work in harmony and simultaneously with warehouse and operation activities on the logistics side. E-commerce activities include the processes resultingin positive order requests. Routing orders in a correct and fast way depends on the integrated and seamless solution of warehouse technologies with ERP systems. The aim of this study is to manage the warehouse capacity efficiently by predicting the products to be demanded in the future.In the study, the data of an e-commerce company operating at national level was processed in Azure ML (Machine Learning) Studio and the future and demand forecast values were tried to be calculated. The study in which thenew generation machine learning cloud platform was introduced and model performances were measured comparatively aims to plan and develop e-commerce sector and logistics activities based on data.

Kaynakça

Akar, Cüneyt. (2018). İş Analitiği. Bandırma: Dora.

Akyurt, İbrahim Zeki (2015). Talep Tahmininin Yapay Sinir Ağlarıyla Modellenmesi: Yerli Otomobil Örneği. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 147-157.

Arslan, Deniz; Bayırtepe, Hikmet (2018). Bitümlü Sıcak Karışımlara Ait Akma Değerinin Regresyon Modelleri İle Tahmini. Gazi Ü.Fen Bilimleri Dergisi, 45-53.

Ayan,Ahmet (2018), E-Ticaret Sitelerinin Satışlarının Artırılması İçin Bulut Bilişim Tabanlı Yapay Öğrenme, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Konya

Berg, Van Den; Zijm, Henk (1999). Models For Warehouse Management: Classiþcation And Examples. Int. J. Production Economics, 519-528.

Chenn, Kuan-Yu; Wang, Cheng-Hua (2007). Support Vector Regression With Genetic Algorithms İn Forecasting Tourism Demand. Tourism Management, 215-226.

Cho, Jay J.Kun; Ozment,J.;Sink, H (2008). Logistics Capability, Logistics Outsourcing And Firm Performance İn An E-Commerce Market. International Journal Of Physical Distribution & Logistics Management, 336-360.

Croxton, Keely; Rogers, Dale S.(2001). The Supply Chain Management Processes. The International Journal of Logistics Management, 13-36.

Coolliler, Michael; Shahan Robin (2016), Microsoft Azure Essentials, Microsoft Press

Çam, Engin (2014). Dünü, Bugünü ve Yarını İle E-Ticaret: Karşılaşılan Sorunlar Ve Çözüm Önerileri, İnönü Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, Malatya

Çancı, Metin; Erdal, Murat (2013). Lojistik Yönetimi. İstanbul: UTİKAD.

Elith, J.; Leathwick, J. R.; Hastie, T. (2008). A working guide to boosted regression trees. Journal of Animal Ecology, 802-813.

Eryürük Selin Hanife (2010). Tekstil ve Konfeksiyon Sektörleri Arasında Etkin Lojistik Faaliyetlerinin Gerçekleştirilmesi Amacıyla Bir Lojistik Merkez Yer Seçimi ve Tasarımı. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi.İstanbul

Chan Felix T.S.; Chan H.K. (2011). Improving The Productivity Of Order Picking Of A Manual-Pick And Multi-Level Rack Distribution Warehouse Through The İmplementation Of Class-Based Storage. Expert Systems With Applications, 2688-2700.

Goia, Aldo; May, Caterina; Fusai, Gianluca. (2010). Functional Clustering And Linear Regression For Peak Load Forecasting. International Journal Of Forecasting, 702-711.

Görçün, Ömer Faruk (2017). Depo ve Envanter Yönetimi. İstanbul: Beta. Graham, Catherine H.; Elith, Jane (2006). Novel Methods İmprove Prediction Of Species‟ Distributions From Occurrence Data. Ecography, 129-151.

Gürdal, Sahavet (2006). Türkiye Lojistik Sektörü Altyapı Analizi. İstanbul: İTO.

Harper, Ralph L. (2010). Warehouse Technology in the Supply Chain Management Systems. Institute of Electrical and Electronics Engineers, 6-10.

Hauke, Jan; Kossowski, Tomasz (2011). Comparıson Of Values Of Pearson‟s And Spearman‟s Correlatıon Coeffıcıents On The Same Sets Of Data., Quaestıones Geographıcae , 87-93.

İlhan, İzzet (2015). Tedarik Zinciri Yönetiminde Kantitatif Talep Tahmin Yöntemi Seçimi İle Stok Optimizasyonuna Dair Bir Uygulama.. T.C.Maltepe Üniv. Fen Bilimleri Enstitüsü Yüksek Lisans Tezi. İstanbul

İyi, Pelin; Erol Hamza (2008), Çoklu Lineer Regresyonda En İyi Model Seçimi, Ç.Ü Fen Bilimleri EnstitüsüCilt:17-5

Karahan, Mehmet (2015). Yapay Sinir Ağları Metodu İle İhracat Miktarlarının Tahmini: Arıma ve YSA Metodunun Karşılaştırmalı Analizi. Ege Akademik Bakış, 165-172.

Kıvrak, Oğuzhan (2016), Müşteri Yaşam Boyu Değerinin Yapay Zeka Algoritmalarıyla Modellenmesi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Doktora Tezi, Balıkesir .

Koral, Yunus Emre (2009). Elektronik Ticaretin Lojistik Hizmet Kalitesine Etkisi. Marmara Üniversitesi Sosyal Bilimler Enstitüsü Yüksek Lisans Tezi .İstanbul

Koster, René B. M. De; Johnson, Andrew L.; Roya, Debjit (2017). Warehouse Design and Management. Informa UK Limited, Trading as Taylor & Francis Group, 6327-6330.

Küçük, Orhan (2017). Stok Yönetimi. Ankara: Seçkin.

Lewis, C. (1982). Industrial And Business Forecasting Methods. London: Butterworths.Moreno Montaño, J. J., Palmer Pol, A., Sesé Abad, A., & Cajal Blasco, B. (2013). Using The R-MAPE İndex As A Resistant Measure Of Forecast Accuracy. Psicothema, 500-506.

Özdemir, Sinan; Kakade, Sunil; Tibaldeschi, Marco (2018). Principles of Data Science. Birmingham: Packt Publishing.

Perrealt, W.D.; McCarthy, E.J. (1996). Basic Marketing: A Global Managerial Approach. Chicago: Educarion Grp.

Qureshi, Shadid; Kretzer, Jan (2012). An Investigation of Antecedents and Outcomes of Marketing Capabilities in Entrepreneurial Firms: An Empirical Study of Small Technology-Based Firms in Germany. Journal of Small Business and Entrepreneurship, 24(1), 49-66.

Saatçioğlu, Ömür. (2019). Bilişim Sistemleri ve Lojistik . Eskişehir: Anadolu Kitap.

Saatçioğlu Derya(2016). Aralıklı Talep Yapısına Sahip Ürünlerin Talep Tahmininde Makine Öğrenme Yöntemlerinin Uygulanması. İstanbul.

Silveira, Giovani (2003). Towards A Frameworkfor Operations Management In E-Commerce. International Journal Of Operations & Production Management, 23(2), 200-212.

Hompel,M; Schmid T.(2004).Warehouse Management, Springer.

Stevenson, William j.(2015). Operations Management. New York: McGraw Hill Internationa Edition.

Tanyaş, Mehmet(2005). Türkiye‟de Lojistik Sektörü için Çözüm Önerileri,. İstanbul.

Tranmer, M., Murphy, J., Elliot, M., & Pampaka, M. (2020). Multiple Linear Regression. Manchester: CC-BY licence.

Witt, Stephen F. Witt and Christine A. (1992). Modeling and forecasting demand in tourism. London: Academic Press.

Çolak, Ertuğrul (2020). Korelasyon Analizi http://eczacilik.anadolu.edu.tr/bolumSayfalari/belgeler/ecz2014%2012_20140527094539.pdf. (Erişim Tarihi : 29.04.2020)

Kaynak Göster

  • ISSN: 1305-970X
  • Yayın Aralığı: Yılda 4 Sayı
  • Başlangıç: 2006

4.1b 2b