Yiyecek içecek sektörü için çok ürünlü, çok aşamalı üretim planlamasına yönelik model ve karar destek sistemi önerisi

Abstract

Gıda ve içecek endüstrisinde; üretim planlama kararı güvenilir bir talep tahminine bağlıdır. Bu üretim alanlarında -özellikle hammaddelerin bozulabilir olduğu düşünüldüğünde- taleplerin zamanlamasını tahmin etmek; üretimi planlamak ve müşteri gereksinimlerini karşılamak için çok önemlidir. Literatürde gıda ve içecek endüstrisinde talep tahmini yapmak için, otoregresif hareketli ortalama (ARMA), otoregresif entegre hareketli ortalama (ARIMA), doğrusal olmayan ARMA modelleri, Holt-Winters metodları, yapay sinir ağları (ANN), genetik algoritmalar gibi çeşitli istatistiksel modellerin denendiği görülmektedir. Yapılacak tahminler için kullanılacak model verilerin karakteristiğine -'eğilim' veya 'mevsimsellik' özelliklerine- bağlıdır. Bu çalışmada 'gerçel zamanlı, çok aşamalı ve çok hatlı' bir üretim sürdürürken, hem toptan hem de perakende satış yapan bir reçel-şerbet üretim tesisi ele alınmaktadır. Tesisin; kapasite sınırlamaları ve taleplerin belirsizliği gibi sorunların varlığında oluşan üretim zamanlaması problemini çözebilmek için 'zaman serileri analizi' temelli bir talep tahmini yaklaşım modeli kurulmuştur ve bu çalışmada bu model tanıtılmaktadır. Uzun dönem talep tahmini için kullanılan 'zaman serileri modeli işletmenin iki yıllık satış verilerinden elde edilen aylık satış bilgilerinden oluşturulmuştur. Modelde Holt ve Winters'ın üçlü üstel düzleştirme ve mevsimsel düzeltme metotları kullanılarak 2015 yılı için talep tahmini yapılmıştır. Uygulama, gıda ve içecek sektöründe mevsimsel belirsizlikleri ele alabilen ilk çalışmalardan biridir. Modelin tutarlılığında hata ölçütü olarak ortalama mutlak yüzdesel hata (MAPE) kriteri ele alınmıştır. Talep tahmin modelini kurduktan sonra, envanter planlama modülünü de içeren, üretim planlama ve zamanlama modeli olarak karışık tam sayılı programlama modeli kullanılmıştır. Geliştirilen modelin 'belirsizlik' içeren durumlara da kolaylıkla uyum gösterebilir olması, modeli hem şu anki problemin çözümü hem de gelecekteki çalışmalar için en uygun seçenek kılmaktadır. Çalışmanın son kısmında, uç noktalara varan değişken taleplerin olduğu durumlarda kullanıcılara yardımcı olabilecek bir karar destek sistemi önerilmiştir.

In F&B industry; decision to increase the production capacity depends on a reliable demand forecasting. In food production, forecasting the timing of demands is crucial in planning production scheduling to satisfy customer needs on time. Several statistical models have been used in demand forecasting in F&B industry. Most of the studies applied linear models such as autoregressive moving average (ARMA), autoregressive integrated moving average (ARIMA) for linear cases; non-linear ARMA, Holt-Winters (HW) exponential smoothing, various kinds of data mining techniques utilizing ensemble learning, artificial neural networks (ANN), genetic algorithms with radial basis function and fuzzy logic systems used with non-linear data, to predict future sales. Naturally, the model to be used for prediction is strongly related to the characteristics of the data such as the 'trend' or the 'seasonality' observed. This study presents the results by examining the effectiveness of demand forecasting using time series analysis and possibilistic-probabilistic approaches in production scheduling problem of a real world multi-stage and multi-line sherbet and jam production company producing multiple products for both retail and wholesale sharing a limited capacity when demands are uncertain. A time series model for long term forecasting is developed by obtaining monthly sales data from company from January 2013 to December 2014. Triple exponential smoothing method of HW multiplicative with seasonality, trend analysis and seasonal decomposition methods are compared and the best fit model is adapted in order to predict 2015 demand. As performance measures, the mean absolute percentage error (MAPE) ratio is used as evaluation metric. Following this approach possibilistic and probabilistic models were applied to predict the demand data for situations possessing uncertainties. After the forecasting model, a mixed integer programming model is utilized for production planning and scheduling, containing a module caring for inventory planning. The adaptability of the model to the cases dealing with 'uncertainty', keeps the model as an efficient base for the future studies with the given case. As the final stage, a decision support system was designed to help the users to deal with cases with varying demand structures touching to extremities.