Otomotiv yedek parça sektöründe etkili, yapay zekâ destekli bir talep tahmin uygulaması: Türkiye'den gerçek bir vaka

Yedek parça talebini tahmin etmenin önemi

Bir araba arıza yaptığında sürücüler doğru yedek parçanın rafta olmasını bekler. Üreticiler ve servis atölyeleri için yeterli parçayı stokta tutmak, ama depoları da gereksiz yere doldurmamak sürekli bir denge çabasıdır. Bu çalışma, yapay zekânın akıllıca kullanımıyla otomotiv yedek parça sektöründeki firmaların çok düzensiz talebi daha doğru tahmin ederek maliyetleri düşürürken müşterileri yolda tutmaya nasıl yardımcı olabileceğini inceliyor.

Dur-kalk (stop-and-go) talebin zorluğu

Yedek parçalar düzgün, istikrarlı bir şekilde satılmaz. Birçok kalem aylarca sipariş almadan bekler, sonra ani talep patlamaları yaşar. Yazarlar bu örüntülere aralıklı ve düzensiz (lumpy) talep diyor. Birçok dönemde talep sıfırdır; siparişler geldiğinde miktarlar büyük dalgalanmalar gösterebilir. Günlük tüketim malları için iyi çalışan klasik tahmin araçları bu ortamda zorlanır ve genellikle ya rafların boş kalmasına ya da kullanılmayan pahalı stokların birikmesine yol açar. Yedek parçalar ekipmanın çalışır durumda kalması için kritik olduğundan, kötü tahminler hizmet kalitesini zedeleyebilir ve maliyetleri artırabilir.

Eski kurallardan veriden öğrenmeye

Bunu ele almak için araştırmacılar hem uzun zamandır kullanılan istatistiksel yöntemleri hem de daha yeni veri odaklı yaklaşımları gözden geçirdiler. Croston tabanlı geleneksel teknikler çok sayıda sıfır içeren seriler için özel olarak tasarlanmış olsa da, talep son derece düzensizleştiğinde sınırlamaları vardır. Destek vektör makineleri, rastgele ormanlar ve lineer regresyon gibi makine öğrenmesi yöntemleri ile çok katmanlı algılayıcılar, yinelemeli sinir ağları ve uzun-kısa hafıza (LSTM) ağları gibi derin öğrenme yöntemleri veriden karmaşık örüntüleri otomatik olarak öğrenebilir. Ancak her yöntemin kendi güçlü ve zayıf yanları vardır ve tek bir model her durumda en iyi sonuç vermez.

Bir yedek parça üreticisinden gerçek veriler

Araştırma ekibi, araçlar için elektrikli tahrik sistemi bileşenleri üreten bir Türk üreticiyle çalıştı. Özellikle planlaması zor olan iki yüksek değerli yedek parçaya odaklandılar: biri aralıklı talep gösteren, diğeri ise güçlü şekilde düzensiz (lumpy) talep gösteren. 51 aylık gerçek aylık satış verisini kullanarak kayıtları temizlediler ve normalize ettiler, ardından talep örüntülerini talebin ne sıklıkta gerçekleştiği ve ne kadar değişken olduğuna dair standart ölçülerle sınıflandırdılar. Veriler, modellerin gerçek dünyadaki tahminlemeye benzer şekilde görülmemiş dönemler üzerinde değerlendirilmesi için eğitim ve test setlerine ayrıldı.

Birçok modelin oybirliğiyle çalışması

Tek bir tahmin aracına güvenmek yerine yazarlar, çıktıları basit bir ikinci seviye model tarafından birleştirilen bir stacking (yığma) ensemble kurdular. İlk aşamada birkaç makine öğrenmesi ve derin öğrenme modeli bağımsız olarak tahminler üretti. Bu tahminler daha sonra her birine ne kadar güvenileceğini öğrenen bir lineer regresyon modeline beslendi. Bu yığılmış model, Croston tabanlı yöntemlere ve her bir bireysel öğrenme yöntemine karşı karşılaştırıldı; karşılaştırmada tipik hataları ve bunların ortalama talebe göre göreli büyüklüğünü yakalayan hata ölçümleri kullanıldı. Araştırmacılar ayrıca performans farklarının tesadüfi olup olmadığını kontrol etmek için grafiksel özetler ve istatistiksel testler kullandılar.

Daha akıllı tahminlerin iş açısından anlamı

Yığılmış model, hem aralıklı hem de düzensiz talepler için tutarlı şekilde en doğru ve en istikrarlı tahminleri üretti. Derin öğrenme yöntemleri tek başına genellikle geleneksel yaklaşımlardan daha iyi performans gösterdi, ancak birden çok yöntemin birleşimi en iyi sonucu verdi. Ortak şirket için bunun anlamı daha düşük güvenlik stokları, raflarda kalan daha az kullanım dışı parça ve müşterilere zamanında tedarik edememe riskinin azalmasıydı. Basitçe söylemek gerekirse, çalışma, dikkatle tasarlanmış bir yapay zekâ model karışımının dağınık, dur-kalk yedek parça talebini daha temiz tahminlere dönüştürerek daha yalın stoklar ve daha güvenilir hizmet sağlanmasına olanak verdiğini gösteriyor.

Atıf: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Anahtar kelimeler: yedek parça talebi, aralıklı (intermittent) talep, ensemble öğrenme, otomotiv tedarik zinciri, talep tahmini