Envanter planlaması ve yönetimi her daim sıkıntılı konu olmuştur. Talep tahminleme süreçlerinde başvurulan sezgisel yöntemler ve malzeme akışını destekleyecek doğru sürecin tesis edilememesi stokların şişmesine, işletme sermayesinin bağlanmasına etki ederek işletmelerin rekabetçi olabilmeleri engel teşkil etmektedir. İşletmelerin Kamçı etkisinisönümlemek ve rekabetçi stratejiler izleyebilmek için iki konuya odaklanması gerekiyor: Doğru forecast ve JIT purchasing.
Forecast, geçmiş verilere bakarak geleceğin projeksiyonun çıkarılması anlamına gelir. Eğer, zaman serisi (time series) olarak geçmiş dönem verilerinize bakarsanız (örneğin son iki yılın aylık satış rakamları) iç içe geçmiş üç bileşen görürsünüz (F = T * S * I). Trend, sezonsal etki (seasonal component) ve gürültü (noise).
- T: Trend, sezonsal ve gürültü faktörlerinden arındırılmış bileşendir. Pazardan, zaman içinde ne kadar pay aldığınızı ‘saf’ olarak olarak tanımlar. Genelde lineer bir fonksiyon olarak tanımlanır ve gelecekte nasıl davranacağı ön görülebilir.
- S: Seasonal component, trendden arındırılmış geçmiş veri içindeki düzenli değişkenlikleri, paternleri açıklar. Örneğin kış aylarında şemsiye satışı artar, yazın düşer. Paternler de aynen trend gibi dönemsel olarak açıklanabilir ve gelecekte nasıl değişkenlik göstereceği tahmin edilebilir. Sezonsal etkiyi açıklayabilmek için geçmiş dönemlerin aynı zamanına bakılır. Örneğin, bu senenin temmuz ayı ile geçmiş senelerin temmuz ayı karşılaştırması sezonsal etkiyi açıklar. Oysa, bu senenin haziran ayı ile temmuz ayı karşılaştırması trendi açıklar.
- I: Irregular components (noise), bizim kontrolümüz dışında gelişen, öngörülebilmesi mümkün olmayan ve hiç bir şekilde patern oluşturmayan değişkenliklerdir. Forecast süreçlerinde göz önünde bulundurulmamaları gerekir.
Bu bilgiler doğrultusunda gelecek dönem Forecast ‘F = T * S’ olarak tanımlanabilir. Burada ‘I’ faktörü yani noise hesaba katılmamıştır.
Önceleri, bu süreci yönetmek oldukça meşakkatliydi. Kompleks istatistik araçları kullanmak, konunun uzmanlarından destek almak gerekiyordu. Bunlar sağlansa dahi binlerce malzeme için, en az üç parametreyi optimize edebilmek pek kolay değildi. Ancak şimdi Machine Learning (time series forecasting) uygulamaları ile bu süreç çok daha basit ve doğru şekilde yapılabiliyor. EOQ için gerekli olan (K, D, hc) dönemsel olarak ML / Forecasting üzerinden elde edilebiliyor ve o dönem için en uygun sipariş miktarı (Q) hesaplanabiliyor. Hem de binlerce ürün için…
Peki, bu süreci yönetebilmek için MLOps tek başına yeterli midir? Model, bize gelecek dönemin ihtiyacının hesaplanabilmesi için gerekli olan parametre değerlerini üretmiştir. Şimdi ise JIT purchasing (EOQ + Kanban) yöntemi ile malzeme tedariki yapılması ve yine KAIZEN uygulamaları ile EOQ’ yu aşağı alacak iyileştirme faaliyetlerini yapmamız gerekiyor.
Burada üzerine düşünülmesi gereken soru şu olabilir. ML mi yoksa LEAN uygulamaları mı kamçı etkisinin indirgenmesine daha fazla etki etmiştir? ML, forecasting ile bize rakamları üretir. Gürültü payını hesaba katmaz ve belki de gerçek hayatta hiç ummadığımız başka ön görülemeyen değişkenlikler de olabilir. Savaş, pandemi, doğal afet gibi. İşte bu aşamada Kanban ve SM üzerinden yürütülen JIT purchasing, gereğinden fazla sipariş verilmesini engeller; kamçı etkisini sönümler.
Lean her zaman hayatımızda olacak; ML de yeni yeni giriyor. MLOps nereye odaklamamız gerektiğini, Lean ise nasıl düzelteceğimizi açıklıyor. MLOps konusu giderek daha da önem kazanıyor. Veri bilimi konusuna yatırım yapanlar rekabet avantajı elde ediyor. Zira, bilmek değil kullanmak fark oluşturuyor. Ancak, Lean konusunu da asla ihmal etmeyin derim.