Data-driven machine learning approaches to demand forecasting in supply chain management
Tedarik zinciri yönetiminde talep tahmini için veri odaklı makine öğrenmesi yaklaşımları
- Tez No: 983206
- Danışmanlar: PROF. DR. MURAT ERMIŞ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Industrial and Industrial Engineering, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İlaç tedarik zincirlerinde talep tahmini kritik bir işlevdir; yanlış tahminler, stok yetersizliklerine, aşırı envantere ve finansal kayıplara yol açabilir. Bu tezde, iki yıllık aylık veri kullanılarak bir ilaç vaka çalışmasına istatistiksel yöntemler (Hareketli Ortalama, Tek Üstel Düzeltme, ARIMA) ve makine öğrenmesi modelleri (Karar Ağacı, Rastgele Orman, XGBoost) uygulanmış ve tahmin performansları değerlendirilmiştir. Veri seti 21 ay eğitim ve 3 ay test olarak ikiye ayrılmış, modellerin performansı Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Yüzde Hatası (MAPE) ile ölçülmüştür. Sonuçlar, istatistiksel modellerin makine öğrenmesi modellerinden tutarlı bir şekilde daha iyi performans gösterdiğini ortaya koymuştur. Hareketli Ortalama, Tek Üstel Düzeltme ve ARIMA yaklaşık %18–19 MAPE değerleriyle düşük hata oranları sağlamıştır. Makine öğrenmesi modelleri gecikme değişkenleri olmadan zayıf sonuçlar üretmiş (MAPE > %320), ancak gecikmeler eklendiğinde iyileşme göstermiştir. Rastgele Orman ve XGBoost en iyi performansı göstermelerine rağmen, hata oranları (%234–237 MAPE) istatistiksel yöntemlerden belirgin şekilde daha yüksek kalmıştır. Sınırlı veri koşullarında istatistiksel yaklaşımlar daha güvenilir olsa da, kullanılan kısa tarihsel dönem nedeniyle doğruluk ekonomik açıdan güçlü bir değer sunmamaktadır. Gelecekteki araştırmaların, daha uzun veri setleri ve daha zengin açıklayıcı değişkenler kullanarak tahmin doğruluğunu geliştirmesi ve ilaç tedarik zincirlerinde karar alma süreçlerini güçlendirmesi önerilmektedir.
Özet (Çeviri)
Demand forecasting is a critical function in pharmaceutical supply chains, where inaccurate estimates may result in shortages, excess inventory, and financial losses. This thesis evaluates forecasting performance using statistical methods (Moving Average, Single Exponential Smoothing, ARIMA) and machine learning models (Decision Tree, Random Forest, XGBoost) applied to a pharmaceutical case study with two years of monthly data. The dataset was divided into 21 months for training and 3 months for testing, and model performance was assessed using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results show that statistical models consistently outperformed machine learning models. Moving Average, SES, and ARIMA achieved testing errors of around 18– 19% MAPE, supported by stable MAE and RMSE values. Machine learning models performed poorly without lag variables (MAPE > 320%), but showed improvements when lags were introduced. Among them, Random Forest and XGBoost performed best, yet their errors remained substantially higher (MAPE ≈ 234–237%) compared to statistical methods. While statistical approaches were more reliable under limited data conditions, their accuracy still lacks strong economic value due to the short historical period analyzed. Future research should therefore expand the dataset and incorporate richer explanatory variables to improve predictive performance and support decisionmaking in pharmaceutical supply chains.
Benzer Tezler
- Türkiye'de konut piyasasında arz ve talep dinamikleri: Mekânsal Panel ARDL ve makine öğrenmesi yaklaşımıyla bir analiz
Supply and demand dynamics in the housing market in Turkey: An analysis using Spatial Panel ARDL and machine learning approaches
MURAT CELAL ÇINAR
Doktora
Türkçe
2025
EkonometriNevşehir Hacı Bektaş Veli Üniversitesiİktisat Ana Bilim Dalı
DOÇ. DR. SERAP ÇOBAN
- Makine öğrenmesi yöntemleriyle taleptahminleme : Bir mobilya firması örneği
Demand forecasting with machine learning methods: A casestudy of a furniture company
KADİR FIRAT KEKLİKÇİ
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri MühendisliğiNuh Naci Yazgan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLÇİN CANBULUT
- Deniz taşımacılığında makine öğrenmesi yöntemleriyle talep ve teslim süresi tahmini
Demand and lead time prediction with machine learning methods in maritime shipping
LARA J M NASER
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVAL ENE YALÇIN
- Perakende hazır giyim firmasında makine öğrenmesi yöntemleriyle satış tahmini
Sales forecasting in a retail fashion company using machine learning methods
ŞEYMA GÖNEN HALICI
Yüksek Lisans
Türkçe
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Ultra-kısa dönem fotovoltaik güç tahmininde istatistiksel ve makine öğrenmesi tabanlı yöntemlerin karşılaştırılması
Comparison of statistical and machine learning-basedmethods for ultra-short-term photovoltaicpower forecasting
ÖMER FARUK KIRIK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN HÜSEYİN ÇEVİK