Lojistik sektöründe makine öğrenmesi modelleri yardımı ile uygun paket tipinin seçilmesi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Ticaret Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, lojistik sektörlerinde maliyet ve verimlilik açısından önemli bir yere sahip olan paketleme sürecindeki siparişler için uygun paket tipinin makine öğrenmesi modelleri yardımı ile belirlenmesi problemi üzerinde durulmuştur. Siparişlerin içerisinde çok fazla boşluk bulunduracak büyük paketlerde gitmesi ya da küçük paketlere tam sıoğmadan gönderilmesi marka imajını zedelemekteddir ve son kullanıcının siparişten memnun kalmamasına sebebiyet verebilmektedir. Lojistik Regresyon, Destek Vektör Makineleri, Karar Ağaçları, K-En Yakın Komşu Sınıflandırıcısı, Rassal Orman Sınıflandırıcısı, Gaussian Naive Bayes Sınıflandırıcıs ve XGBoost Sınıflandırıcısı modelleri çapraz geçerleme yapılmadan ve çapraz geçerleme yapılarak uygulanmıştır. Belirtilen modeller uygulandıktan sonra en doğru ve güvenilir olan modelin 10 kat çapraz geçerlemenin yapıldığı XGBoost Sınıflandırıcısı olduğu gösterilmiştir. Bu model sonucunda siaprişlerin yaklaşık olarak %83'ü doğru bir şekilde paketlenebilmektedir. Sürekli değişen personeller sebebiyle bilgi birikiminin tam olarak oluşamaması ve süre kaybının minimuma indirilmesi sayesinde bu modelin lojistik sektörlerinde uygulanabilir olduğu gösterilmiştir.
In this study, the problem of selecting the appropriate package type for the orders in the packaging process, which has an important role in terms of cost and efficiency in the logistics sectors, is emphasized with the help of machine learning models. Sending orders in large packages that will contain too much space or sending them in small packages without fitting them completely damages the brand image and may cause the end user to be dissatisfied with the order. Logistic Regression, Support Vector Machines, Decision Trees, K-Nearest Neighbor Classifier, Random Forest Classifier, Gaussian Naive Bayes Classifier and XGBoost Classifier models were applied without cross-validation and cross-validation. After applying the specified models, it has been shown that the most accurate and reliable model is the XGBoost Classifier with 10-fold cross validation. As a result of this model, approximately 83% of orders can be packed correctly. It has been shown that this model is applicable in the logistics sectors, thanks to the fact that the knowledge cannot be fully formed due to the constantly changing personnel and the loss of time is minimized.
In this study, the problem of selecting the appropriate package type for the orders in the packaging process, which has an important role in terms of cost and efficiency in the logistics sectors, is emphasized with the help of machine learning models. Sending orders in large packages that will contain too much space or sending them in small packages without fitting them completely damages the brand image and may cause the end user to be dissatisfied with the order. Logistic Regression, Support Vector Machines, Decision Trees, K-Nearest Neighbor Classifier, Random Forest Classifier, Gaussian Naive Bayes Classifier and XGBoost Classifier models were applied without cross-validation and cross-validation. After applying the specified models, it has been shown that the most accurate and reliable model is the XGBoost Classifier with 10-fold cross validation. As a result of this model, approximately 83% of orders can be packed correctly. It has been shown that this model is applicable in the logistics sectors, thanks to the fact that the knowledge cannot be fully formed due to the constantly changing personnel and the loss of time is minimized.
Açıklama
Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı, Endüstri Mühendisliği Bilim Dalı
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
