Tedarik zincirinde veri madenciliği uygulamasının araştırılması
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tedarik zinciri işletmelerin doğru zamanda, doğru ürün ve hizmetleri müşteriye en hızlı ve en güvenli bir şekilde ulaştırmak için her geçen gün gelişmekte olan teknolojiden faydalanmaktadır. Bu gelişmeyle, var olan tüm süreçler tedarik zincirine entegre edilerek birçok veri akışının sürekliliğini sağlamaktadır. Tedarik zinciri bu veriler ile tüm faaliyetleri analiz ederek daha verimli sonuçlar almaktadır. Bu sonuçlar doğrultusunda işletmeler maliyetlerini optimize etmektedirler. Bu nedenle, tedarik zincirinde veri madenciliğinin kullanılması lojistik, depolama, üretim, stok, sipariş ve envanter gibi iş süreçlerinin daha aktif olması için gerçek zamanlı veriler kullanılmaktadır. Bu veriler ile işletmeler daha hızlı kararlar alarak tedarik zincirinin verimliliğini arttırmaktadırlar. Bu verimlilik müşteri memnuniyetini artırarak daha fazla kar elde edilmesini sağlamaktadır. Bu durum tedarik zincirinde rekabet avantajının sürekliliğini devam ettirmektedir. Bu çalışmanın amacı tedarik zincirindeki verileri kullanarak işletmelerin tahminler yapabilmesini sağlayarak faaliyetlerini nasıl planlamaları gerektiğini sağlamaktır. Bu kapsamda Kaggle veri tabanından temin edilen tedarik zincirinde araba satışı veri seti kullanılmıştır. Bu veri seti içerisinde 23906 adet gözlem verisi yer almaktadır. Değişken özellik sayısı toplamda 16'dır. Veri setinin doğru tahminler yapabilmesine yardımcı olması için WEKA programında analizler yapılmıştır. Bu analizlerin sonuçlarını almak için Decision Tree (J48), Bayes Net, Naive Bayes, KNN, LWL, Bagging ve Adaboost M1 algoritmaları ile sınıflandırma yapılarak bilgiler sunulmaktadır.
Supply chain businesses benefit from the technology that is developing day by day in order to deliver the right products and services to the customer at the right time in the fastest and safest way. With this development, the supply chain integrates all existing processes and ensures the continuity of many data flows. The supply chain gets more efficient results by analyzing all activities with this data. In line with these results, businesses optimize their costs. Therefore, the use of data mining in the supply chain uses real-time data to make business processes such as logistics, storage, production, stock, order and inventory more active. With this data, businesses make faster decisions and increase the efficiency of the supply chain. This efficiency increases customer satisfaction and leads to more profit. This situation maintains the continuity of competitive advantage in the supply chain. The aim of this study is to enable businesses to make forecasts by using the data in the supply chain and how they should plan their activities. In this context, the data set of car sales in the supply chain obtained from the Kaggle database was used. There are 23906 observation data in this dataset. The number of variable features is 16 in total. Analyses were performed in the WEKA program to help the dataset make accurate predictions. In order to get the results of these analyzes, information is presented by classifying with Decision Tree (J48), Bayes Net, Naive Bayes, KNN, LWL, Bagging and Adaboost M1 algorithms.
Supply chain businesses benefit from the technology that is developing day by day in order to deliver the right products and services to the customer at the right time in the fastest and safest way. With this development, the supply chain integrates all existing processes and ensures the continuity of many data flows. The supply chain gets more efficient results by analyzing all activities with this data. In line with these results, businesses optimize their costs. Therefore, the use of data mining in the supply chain uses real-time data to make business processes such as logistics, storage, production, stock, order and inventory more active. With this data, businesses make faster decisions and increase the efficiency of the supply chain. This efficiency increases customer satisfaction and leads to more profit. This situation maintains the continuity of competitive advantage in the supply chain. The aim of this study is to enable businesses to make forecasts by using the data in the supply chain and how they should plan their activities. In this context, the data set of car sales in the supply chain obtained from the Kaggle database was used. There are 23906 observation data in this dataset. The number of variable features is 16 in total. Analyses were performed in the WEKA program to help the dataset make accurate predictions. In order to get the results of these analyzes, information is presented by classifying with Decision Tree (J48), Bayes Net, Naive Bayes, KNN, LWL, Bagging and Adaboost M1 algorithms.
Açıklama
Anahtar Kelimeler
Tedarik Zinciri, Veri Madenciliği, Sınıflandırma Algoritmaları, Supply Chain, Data Mining, Classification Algorithms
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Koçak, Ş. (2024). Tedarik zincirinde veri madenciliği uygulamasının araştırılması. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya.
