Medikal sektöründe makine öğrenmesi algoritmaları ile talep öngörüsü ve stok yönetimi

Abstract

Medikal sektörde tedarik ve üretim sürekliliğinin zorunluluğu ile artan maliyet baskıları, etkin stok yönetimini kritik hale getirmiştir. Bu tez çalışmasında, medikal sektörde faaliyet gösteren bir işletmenin 9 kritik hammaddesine ilişkin 2025 yılı aylık tüketim miktarlarını Makine Öğrenmesi (ML) yöntemleriyle öngörmeyi ve bu öngörülere göre etkin stok yönetimi parametrelerini öngörmek amaçlanmıştır. Çalışmada 2021–2024 dönemine ait satış, üretim, fire ve stok gibi operasyonel veriler kullanılmıştır. Gelecek döneme ait bağımsız değişkenlerin doğrudan gözlemlenememesi nedeniyle, iki aşamalı hibrit bir modelleme yaklaşımı benimsenmiştir. İlk aşamada, bağımsız değişkenler Mevsimsel Entegre Otoregresif Hareketli Ortalamalar Modeli (SARIMA) ve Nonlineer Otoregresif Zaman Serisi (NAR) yöntemleri ile tahmin edilmiş; bu iki yaklaşımın karşılaştırılması sonucunda, daha düşük hata değerleri ve daha tutarlı öngörüler sağladığı belirlenen NAR yöntemi tercih edilerek elde edilen tahminler ikinci aşamada girdi olarak kullanılmıştır. Bu kapsamda Gradyan Artırmalı Regresyon, Rastgele Orman Regresyonu ve Aşırı Gradyan Artırma Regresyonu modelleri kurulmuş; modellerin başarımı geriye dönük test yaklaşımı ile 𝑅2, RMSE ve MAPE ölçütleri kullanılarak değerlendirilmiştir. Uygulama sonuçları, ML yöntemlerinin, özellikle Gradient Boosting Regresyonu'nun, hammaddelerin büyük bir kısmında yüksek açıklayıcılık (𝑅2> 0.90) ve düşük hata oranlarıyla üstün performans sergilediğini göstermiştir. Tüketim serileri düzensiz (kesikli talep) olan hammaddelerde dahi modellerin ana tüketim eğilimini başarıyla yakaladığı tespit edilmiştir. Çalışmanın önemli pratik katkılarından biri, modelin tahmin hatası olan RMSE değerinin doğrudan talep belirsizliğinin standart sapması olarak kullanılmasıdır. Bu metodolojik yaklaşımla, %95 hizmet seviyesine göre her hammadde için Güvenlik Stoğu (SS) ve Yeniden Sipariş Noktası (ROP) parametreleri bilimsel bir temelde hesaplanmıştır. Geliştirilen ML tabanlı yaklaşım, kritik hammadde yönetiminin sezgisel değil veri temelli stratejik planlama ile yürütülebileceğini göstermekte ve benzer üretim ortamları için uygulanabilir bir çerçeve sunmaktadır.