Zamana Bağlı Markov Zincirlerine Dayalı İmalat İşletmelerinde Çevrimiçi EDI Sipariş Planlama Optimizasyon Stratejisi Araştırması

Neden daha akıllı sipariş planlaması önemli

Özel olarak üretilecek bir ürün satın aldığınızda, son dakikada “sipariş ver” tıkladığınızda bile zamanında gelmesini beklersiniz. Sahne arkasında fabrikalar, çok sayıda müşteriden gelen elektronik sipariş akışıyla aynı zamanda önceden planlanmış siparişleri de idare ediyor. Bu makale, geleneksel üretim tesislerinin çevrimiçi siparişleri daha akıllıca planlamak için matematiksel modelleme ve akıllı arama algoritmaları kullanarak bekleme sürelerini nasıl kısaltabileceğini, aynı zamanda insanları veya makineleri aşırı yormadan nasıl yapabileceğini inceliyor.

Hep açık elektronik siparişlerin yükselişi

Birçok üretici artık aynı anda iki şekilde sipariş alıyor: önceden tahmin edilip planlanan klasik “çevrimdışı” siparişler ve müşterilerin bilgisayar sistemlerinden doğrudan gelen çevrimiçi Elektronik Veri Değişimi (EDI) siparişleri. EDI siparişleri daha hızlı, daha az hataya açık ve işleme maliyeti daha düşük, ancak aynı zamanda daha değişkendir: müşteriler teslim tarihlerini öne çekebilir, erteleyebilir veya kısa sürede iptal edebilir. EDI müşterileri genellikle sadece birkaç günlük toleransla çok sıkı teslim pencereleri talep eder, bu yüzden fabrikalar bu işleri eski usul ilk gelen öncelikli kuyruğa koyamaz. Bunun yerine her üretim hattı aynı anda birkaç EDI siparişine hizmet vermeli ve zamanını bunlar arasında paylaşmalıdır. Tek tek hizmet anlayışından eşzamanlı çoklu hizmet anlayışına geçiş, mevcut planlama araçlarının çözmek üzere tasarlanmadığı yeni bir tür planlama bilmecesi yaratıyor.

Fabrikayı bir kuyruk sistemine dönüştürmek

Yazar, fabrikanın çevrimiçi EDI bölümünü bankada sıra bekleyen müşterilere benzer bir kuyruk sistemi olarak modelliyor; veznedarlar hizmetin farklı aşamalarında birkaç kişiye yardımcı olabiliyor. Zaman kısa dilimlere bölünüyor ve siparişler gün içindeki dilimler arasında değişebilen oranlarda rastgele geliyor; bu, gerçek talep zirvelerini ve düşüşlerini yakalıyor. Her üretim hattı, sabit bir limite kadar aynı anda birkaç siparişi işleyebiliyor ve her bir siparişin tamamlanma hızı, paralel işlenen sipariş sayısına bağlı. Model ayrıca pratik kurallara da uyuyor: çalışanların vardiyalar arasında dinlenmeye ihtiyacı var, vardiya uzunlukları sınırlı ve her zaman diliminde en az bir hattın çalışıyor olması gerekiyor. Buna ek olarak, fabrika ortalamanın kısa tutulmasından öte, aşırı uzun kuyruk olasılığını çok düşük tutmak istiyor; çünkü uzun birikimler hızla hizmet düzeyini ve müşteri güvenini zedeler.

Performansı ölçmek için olasılık araçlarını kullanmak

Önerilen herhangi bir planı değerlendirmek için çalışma, zamanla değişen bir Markov zinciri adı verilen matematiksel çerçeveyi ve uniformizasyon olarak bilinen bir tekniği kullanıyor. Basitçe söylemek gerekirse, bu yaklaşımla araştırmacı, siparişlerin gelmesi ve tamamlanmasıyla sistemin her olası durumunun (her hatta kaç siparişin beklediği ve işleniyor olduğu) olasılığının zaman içinde nasıl evrildiğini izleyebiliyor. Bu olasılıklardan model, siparişlerin sistemde ne kadar zaman geçirdiği, kuyrukların güvenli bir eşik değerin ne sıklıkla aştığı, her dilimde kaç üretim hattının aktif olduğu ve çalışanların gün sonunda ne kadar fazla mesai yapmasının beklendiği gibi temel ölçümleri hesaplayabiliyor. Kritik olarak, bu analitik yöntem, yalnızca büyük ölçekli bilgisayar simülasyonları çalıştırmaktan çok daha hızlı şekilde son derece doğru tahminler üretiyor; böylece iyileştirmeler ararken çok sayıda alternatif planı değerlendirmek pratik hale geliyor.

Daha iyi planları öğrenen bir arama stratejisi

Bu değerlendirme motoru üzerine kurulu olarak makale, iyi planlar bulmak için Değişken Komşuluk Araması (VNS) algoritması tasarlıyor. Üretim hatları için makul bir başlangıç vardiya planından başlıyor ve sonra planı rastgele birkaç vardiyayı değiştirerek “sallayarak”, ardından başlangıç ve bitiş zamanlarını oynamak, vardiya eklemek veya çıkarmak ya da vardiyaları ileri geri kaydırmak gibi yerel, adım adım ayarlamalarla tekrar tekrar düzeltiyor. Her değişiklikten sonra Markov tabanlı yöntem hızla birikim sürelerini, fazla mesaiyi ve işletme maliyetlerini yeniden tahmin ediyor. Yeni bir plan daha iyi performans gösterirse, algoritma onu yeni referans noktası olarak koruyor; göstermezse farklı bir değişiklik türünü deniyor. Bir üretim firmasından alınan gerçek sipariş verileri üzerinde yapılan testler—hem sıradan günleri hem de acil EDI siparişlerinin patladığı günleri kapsayan—VNS’nin hem şirketin mevcut planlarını hem de benzetilmiş tavlama (simulated annealing) gibi yerleşik bir sezgisel yöntemi geride bırakan planlar bulduğunu ve çok daha az hesaplama süresi kullandığını gösteriyor.

Fabrikalar ve müşteriler için bunun anlamı

Uzman olmayanlar için sonuç şu: Bu yaklaşım, fabrikaların her hattı ne zaman çalıştıracaklarına ve paralel olarak kaç siparişi işleyeceklerine karar verirken, müşterilerin daha az beklemesini sağlayacak şekilde aşırı fazla mesai veya makine kullanımını dramatik biçimde artırmadan hareket etmelerine yardımcı oluyor. Model, kuyrukları yüksek güvenilirlikle kontrol altında tutuyor, iş yükü zirvelerini gelen talebe daha iyi kapasite eşlemesiyle düzleştiriyor ve işlem süreleri hakkındaki varsayımlar gevşetildiğinde bile etkisini koruyor. Pratikte bunun anlamı müşterilere daha güvenilir teslim tarihleri, üretim kaynaklarının daha verimli kullanımı ve çevrimiçi siparişlerdeki ani sıçramalara daha dirençli bir yanıt—Endüstri 5.0 ile ilişkilendirilen insan merkezli, esnek üretim vizyonu için anahtar unsurlar.

Atıf: Wulan, Q. Research on online EDI order scheduling optimization strategy in manufacturing enterprises based on time-varying Markov chains. Sci Rep 16, 8086 (2026). https://doi.org/10.1038/s41598-026-39708-9

Anahtar kelimeler: çevrimiçi EDI planlama, akıllı imalat, üretim hattı optimizasyonu, kuyruk yönetimi, Endüstri 5.0