Data Department, birden fazla marka ve satış kanalında 100.000'den fazla aktif yedek parçayı yöneten büyük bir otomotiv distribütörlüğü grubu için olasılıksal yedek parça talep tahmini sistemi kurdu. Proje 12 ay sürdü; sistem, tahminleri her gün güncelleyecek şekilde tasarlandı. Eski yönteme göre tahmin doğruluğunu yaklaşık %30 artırdı ve stok taşıma maliyetini yaklaşık %10 düşürdü.
Karar neydi?
Planlamacılar her gün hangi parçadan, nerede, ne kadar tutulacağına karar verir. Az stok tutulursa araç yetkili serviste parça bekler. Fazla stok tutulursa sermaye yıllarca stokta bağlı kalır.
Grup parçaları yetkili servisler, bayiler ve doğrudan satış kanalıyla satıyordu. Mevcut yöntem her parça için tek bir sayı üretiyordu: nokta tahmin. Nokta tahmin, taşıdığı belirsizliğin boyutunu göstermez. "Gelecek ay 12 adet" gören bir planlamacı, gerçek aralığın 10–14 mü yoksa 0–40 mı olduğunu bilemiyordu. Bu yüzden emniyet stoku riske göre değil, alışkanlığa göre belirleniyordu.
Bize sorulan soru "daha iyi tahmin yapabilir misiniz?" değildi. Asıl soru şuydu: "Bilmediklerimizi de hesaba katarak her parçadan ne kadar stok tutmalıyız?"
Ne geliştirdik?
Nokta tahminlerin yerine olasılıksal tahminleri koyduk. Böylece her parça için bir tahmin aralığı elde edildi; planlamacı hem beklenen talebi hem de belirsizliğin ne kadar geniş olduğunu görebilir.
100.000 parçanın tamamı için tek bir model uygun değildir. Kataloğu segmentlere ayırdık ve her talep davranışı için farklı bir yaklaşım kullandık:
| Parça segmenti | Model | Neden |
|---|---|---|
| Sık satılan parçalar | Mevsimselliği içeren gradient boosting | Örüntüleri doğrudan öğrenmeye yetecek geçmiş veri var |
| Seyrek ve düzensiz talepli parçalar | İkame verisini kullanan hiyerarşik Bayes modelleri | Geçmiş veri az; benzer ve ikame parçalardan bilgi ödünç alınır |
| Yüksek değerli parçalar | Bulunabilirliğe göre ayarlanmış temkinli modeller | Stoksuz kalmanın bedeli yüksek; model bulunabilirliği önceliklendirir |
Modellerde sipariş geçmişi, bölgelere göre araç parkı, parça uyumluluğu ve ikame ilişkileri, mevsimsellik ve hava durumu ile tüm kanallardaki satışlar kullanıldı.
Sistem AWS (Amazon Web Services) üzerinde SageMaker ile, konteyner yapısında kuruldu. Tahminler her gün güncellenecek ve doğrudan grubun ERP (kurumsal kaynak planlama) ve planlama araçlarına aktarılacak şekilde tasarlandı; böylece planlamacıların zaten kullandıkları sistemlerde çalışabilmesi hedeflendi.
Sonuçlar
- Çalışma süresi: 12 aylık proje.
- Tahmin doğruluğunda ~%30 iyileşme (eski yönteme göre).
- Stok taşıma maliyetinde ~%10 düşüş.
- Planlamacılar için yorumlanabilir güven aralıkları: stok seviyesi, her parça için kabul edilen stoksuz kalma riskine göre belirlenebiliyor.
Başarıyı belirleyen etkenler
Modelden değil, stok kararından başladık. Planlamacıların ihtiyacı, her tahminin etrafındaki belirsizliği görmekti. Daha doğru tek bir sayı, emniyet stokunu belirleme biçimlerini değiştirmezdi. Bu değişikliği tahmin aralıkları sağladı.
Segmentasyon, tek bir algoritmadan daha önemliydi. Seyrek talepli parçaların talep davranışı, hızlı dönen parçalardan belirgin biçimde farklıdır. Bunları ayrı ele almak ve az geçmiş veriyi ikame bilgisiyle tamamlamak, kazanımın önemli bir kısmını sağladı. Gerekçeyi yedek parçada olasılıksal tahmin yazımızda ayrıntılı anlatıyoruz.
Her parçanın riski farklıdır. Yüksek değerli parçalarda bilerek temkinli modeller seçtik. Eksik parçanın pahalıya mal olduğu yerde, teorik doğruluktan biraz feragat edip bulunabilirliği artırmak daha değerliydi.
Entegrasyon ilk günden kapsamdaydı. Tahminler, bir raporda kalmayıp planlamacılara çalıştıkları araçlarda ulaşacak şekilde, her gün ERP ve planlama araçlarına aktarılmak üzere tasarlandı.
Bu tür çalışmalar talep tahmini ve stok optimizasyonu hizmetimizin merkezinde yer alıyor ve dağıtım ve lojistik şirketleri için sık başvurulan bir başlangıç projesidir.
Sık sorulan sorular
Olasılıksal tahmin nedir?
Olasılıksal tahmin, tek bir sayı yerine olası sonuçların aralığını ve olasılıklarını verir. Yedek parçada bu, planlamacının her parça için kabul ettiği stoksuz kalma riskine göre stok seviyesi belirlemesini sağlar.
Yılda birkaç kez satılan parçalar nasıl tahmin ediliyor?
Seyrek ve düzensiz talepli parçalarda hiyerarşik Bayes modelleri kullandık. Bu modeller benzer ve ikame parçalardan bilgi aldığı için, az geçmişi olan bir parça için de makul bir tahmin ve gerçekçi bir belirsizlik aralığı üretilebilir.
Sistem planlamacıların yerini aldı mı?
Hayır. Sistem, planlamacılara mevcut ERP ve planlama araçlarının içinde günlük tahmin ve güven aralığı sunmak üzere tasarlandı. Stok kararını planlamacılar verir; ancak daha iyi bilgiye dayanarak.