Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, belirsizliğin deterministik çözüme göre %3,3 maliyet artışına neden olduğunu ve talep seviyesinin en kritik parametre olduğunu (elastikiyet: 1,185) göstermiştir. %95 güven düzeyinde Risk Değeri (VaR) 5.306.861 TL, Koşullu Risk Değeri (CVaR) 5.485.245 TL olarak hesaplanmıştır.
📌 3 Maddede Bu Makale
Özet
Bu araştırma, Türkiye çelik sektöründe faaliyet gösteren bir işletmenin tedarik zinciri ağ tasarımı problemini tedarikçi güvenilirliği ve talep belirsizliği koşulları altında ele almaktadır. Üç aşamalı hibrit bir metodoloji önerilmiştir. İlk aşamada 12 tedarikçinin 12 aylık performans verileri Minitab 21 yazılımı kullanılarak K-ortalamalar kümeleme algoritması ile analiz edilmiş ve üç farklı performans grubu belirlenmiştir. İkinci aşamada, tedarikçi-fabrika-depo-müşteri yapısını içeren dört katmanlı tedarik zinciri ağı için LINGO 19.0 yazılımı ile karma tam sayılı doğrusal programlama modeli geliştirilmiş ve kümeleme sonuçları optimizasyon kısıtlarına entegre edilmiştir. Kümeleme kısıtının katkısını ölçmek amacıyla gerçekleştirilen baseline karşılaştırmasında, söz konusu kısıt olmaksızın düşük performanslı tedarikçi payının %52,4'e yükseldiği, kısıtın devreye girmesiyle %16,4'e gerilediği ve yalnızca %0,56 ek maliyet karşılığında 36,0 puanlık kalite kazanımı sağlandığı görülmüştür. Üçüncü aşamada, teslimat süreleri, talep seviyeleri ve kalite oranlarındaki belirsizlikler Python 3.11 programlama dili kullanılarak 10.000 yinelemeli Monte Carlo benzetimi ile modellenmiş ve risk metrikleri hesaplanmıştır. Bulgular, belirsizliğin deterministik çözüme göre %3,3 maliyet artışına neden olduğunu ve talep seviyesinin en kritik parametre olduğunu (elastikiyet: 1,185) göstermiştir. %95 güven düzeyinde Risk Değeri (VaR) 5.306.861 TL, Koşullu Risk Değeri (CVaR) 5.485.245 TL olarak hesaplanmıştır. Metodolojik katkı, istatistiksel kümeleme analizinin optimizasyon kısıtlarına parametrik entegrasyonunda ve bu entegrasyonun etkisinin nicel olarak ölçülmesinde yatmaktadır.
Abstract
This study addresses the supply chain network design problem of a manufacturing company operating in the Turkish steel industry under supplier reliability and demand uncertainty conditions. A three-stage hybrid methodology is proposed. In the first stage, 12-month performance data of 12 suppliers are analyzed using the K-means clustering algorithm in Minitab 21 software, and three distinct performance groups are identified. In the second stage, a mixed-integer linear programming model is developed in LINGO 19.0 for the four-echelon supply chain network encompassing supplier-factory-warehouse-customer structure, and clustering results are integrated into optimization constraints. A baseline comparison conducted to quantify the contribution of clustering constraints reveals that removing these constraints raises the low-performance supplier share to 52.4%, whereas the constrained model reduces it to 16.4%, yielding a 36.0 percentage-point quality gain at only 0.56% additional cost. In the third stage, uncertainties in delivery times, demand levels, and quality rates are modeled through Monte Carlo simulation with 10,000 iterations using Python 3.11, and risk metrics are calculated. Findings reveal that uncertainty causes a 3.3% cost increase compared to the deterministic solution, and demand level is the most critical parameter (elasticity: 1.185). Value-at-Risk (VaR) at the 95% confidence level is calculated as 5,306,861 TL, and Conditional Value-at-Risk (CVaR) as 5,485,245 TL. The methodological contribution lies in the parametric integration of statistical clustering analysis into optimization constraints and the quantitative measurement of this integration's impact on network design decisions.