Yüklüyor…
Yapay zekâ destekli maliyet yönetimi: istatistiksel ve makine öğrenmesi modelleri ile bir inceleme /
Günümüz iş dünyası, teknolojik gelişmelerin ve küreselleşmenin etkisiyle sürekli bir dönüşüm içerisindedir. Özellikle üretim sektöründe artan rekabet, işletmeleri maliyetlerini düşürmek, kaynaklarını daha verimli kullanmak ve müşteri taleplerine hızla uyum sağlamak için yeni yöntemler benimsemeye zo...
| Yazar: | |
|---|---|
| Müşterek Yazar: | |
| Diğer Yazarlar: | |
| Materyal Türü: | Tez |
| Dil: | Türkçe |
| Konular: | |
| Online Erişim: | https://hdl.handle.net/20.500.12885/3543 OPAC'ta görüntüle |
| Özet: | Günümüz iş dünyası, teknolojik gelişmelerin ve küreselleşmenin etkisiyle sürekli bir dönüşüm içerisindedir. Özellikle üretim sektöründe artan rekabet, işletmeleri maliyetlerini düşürmek, kaynaklarını daha verimli kullanmak ve müşteri taleplerine hızla uyum sağlamak için yeni yöntemler benimsemeye zorlanmaktadır. Geleneksel yönetim ve üretim planlama yaklaşımlarının bu karmaşık ve dinamik ortamda tüm ihtiyaçların aynı anda karşılanması hususunda yetersiz kalabileceği düşünülmektedir. Bu bağlamda, yapay zekâ ve veri analitiği gibi modern yöntemler, işletmelerin hem maliyetlerini optimize etmesine hem de operasyonel verimliliklerini artırmasına olanak tanımaktadır. Bu tez, yapay zekâ destekli veri analitiği ve maliyet optimizasyonunun entegrasyonunu incelemektedir. Çalışma, otomotiv sanayisinde kullanılan X ürününün satış ve maliyet tahminleri için çoklu doğrusal regresyon ve makine öğrenmesi modelleri kullanarak, her iki yöntem arasındaki farkları analiz etmiş ve belirli değişkenlerin satış ve maliyet tahminlerinde ne derece etkili olduğunu ortaya koymuştur. Elde edilen bulgular, yapay zekâ ve veri analitiği teknolojilerinin işletmelerin maliyet optimizasyonu süreçlerinde nasıl etkin bir şekilde kullanılabileceğini göstermektedir. Çoklu doğrusal regresyon modelinde yapılan analizler, satış miktarları üzerinde etkili olan bağımsız değişkenleri belirlemiştir. Bu değişkenler arasında Motorlu Kara Taşıt Sayısı (MKTS), Sanayi Üretim Endeksi (SÜE), Tüketici Fiyatlarının Değişimine İlişkin Düşünce (TFDD) ve Ücretlerin Değişimine İlişkin Beklenti (ÜDİB) yer almaktadır. Satış miktarlarına ilişkin modelin Düzenlenmiş R² değeri 0,916 olup, bu da modelin satış miktarlarını yüksek bir doğrulukla açıklayabildiğini göstermektedir. Öte yandan, maliyet tahminlerine yönelik modelin Düzenlenmiş R² değeri 0,974 olarak hesaplanmış ve bu da modelin maliyet tahmininde oldukça güçlü bir açıklayıcılığa sahip olduğunu ortaya koymuştur. Elde edilen sonuçlar, satış ve maliyet tahminlerinde belirli değişkenlerin kritik bir rol oynadığını ve işletmelerin bu değişkenlere dikkat etmelerinin önemli olduğunu vurgulamaktadır. Gradyan Arttırmalı Regresyon Ağaçları (GBRT) ve yapay sinir ağları (YSA) modelleri ile yapılan analizlerde, her iki bağımlı değişken için en iyi performans YSA modellerinden elde edilmiştir. YSA modelleri, doğrusal olmayan ilişkileri daha başarılı bir şekilde modelleyerek daha doğru tahminler sunmuş ve geleneksel istatistiksel yöntemlere kıyasla daha düşük hata oranları ve daha yüksek doğruluk oranlarına ulaşmıştır. Özellikle, X ürünü satış adetleri için yapılan analizde R² değeri 0,98 ve Ortalama Mutlak Yüzde Hata (MAPE) değeri 0,08 olarak hesaplanırken, maliyetler için R² değeri 0,997 ve MAPE değeri 0,02 olarak belirlenmiştir. Çoklu doğrusal regresyon modeli sonucunda raporlanan değerler ise, X ürünü satış adetleri için yapılan analizde düzenlenmiş R2 değeri 0,916 ve X ürünü maliyetleri için yapılan analizde de düzenlenmiş R2 değeri 0,974'tür. Bu bulgular karşılaştırıldığında, makine öğrenmesi modellerinin geleneksel istatistiksel yöntemlere göre daha güçlü tahminler sunduğunu ve işletmelerin karar alma süreçlerine daha fazla katkı sağladığını göstermektedir. Sonuçlar, MKTS ve SÜE gibi değişkenlerin satış ve maliyet tahminleri üzerinde önemli etkiler oluşturduğunu ortaya koymuştur. Bu bağlamda, işletmelerin üretim ve maliyet planlamalarında bu değişkenleri düzenli olarak takip etmeleri, daha doğru ve verimli stratejiler geliştirmelerine yardımcı olacaktır. Sonuç olarak, bu tez hem geleneksel istatistiksel yöntemlerin hem de modern makine öğrenmesi yaklaşımlarının maliyet optimizasyonu süreçlerinde nasıl etkin bir şekilde kullanılabileceğini göstermiştir. Yapay zekâ ve makine öğrenmesi tabanlı modellerin, üretim ve maliyet planlamalarında daha güvenilir tahminler sağladığı ve işletmelerin stratejik karar alma süreçlerine katkı sağladığı ortaya çıkmıştır. Elde edilen bulgular, işletmelerin daha doğru tahminler yapabilmesine ve verimli planlamalar gerçekleştirerek rekabet avantajı elde etmelerine yardımcı olacaktır. |
|---|---|
| Fiziksel Özellikler: | 65 sayfa ; 30 cm. |
| Bibliyografya: | Kaynakça : 60-64 sayfa |