- Hangi malzemeden, ne kadar stok tutmalıyım (Forecast: Q)?
- Ne zaman yeniden satın alma sipariş vermeliyim (RoP: Re-order Point)?
- Yeni ürünü ne zaman pazara sürmeliyim (Product Lifecyle)?
- Tedarik zincirinin en zayıf halkaları hangi tedarikçilerdir (Supplier evaluation)?
- Yılın ikinci yarısında ne kadar üretim kapasitesine ihtiyacımız olacak (Demand planning)?
- ….
Birçok üretici, operasyonlarını yürütmek için bu gibi sorulara cevaplar arıyor. Geçmiş veriler, sezgisel yaklaşımlar, ön görüler ve elbette ki EXCEL yardımı ile geleceği tahmin etmeye çalışıyor. Ancak, verinin büyüklüğü ve süreçlerin otomatize edilmesinin gerekliliği veri analizinde yeni yaklaşımların kullanılmasını zorunlu kılıyor.
Devir değişmeye çoktan başladı. Yakın bir zamanda Excel’in yerini JUPYTER / PHYTON alacak gibi görünüyor. Zira, bu ortamda gerçekleştirilen ML uygulamaları geleceği çok hızlı ve daha doğru öngörebiliyor. Örneğin, yukarıda bahsi geçen sorulara ‘Holt-Winter’s ES, ARIMA, Decomposition’ gibi zaman serisi tahminleme (Time Series Forecast) yöntemleri üzerinden çok hızlı, kolay ve daha az yanılma payı ile cevaplar bulunabiliyor. Üstelik bunun için 20 yıllık deneyime de ihtiyacınız yok, 20’li yaşlarda bir veri bilimi mühendisinin ERP ‘den gerekli verileri çekerek, Phyton üzerinden ML uygulaması geliştirmesi yeterli.
Yeni dönemin itici gücü ‘veri’, temel konusu ise verinin dönüşümü. Artık, CI (Continual Improvement) ile birlikte CDT (Continual Data Transformation) konusunu da gündeme almak gerekiyor. İşletmelere, vakit kaybetmeden, ERP’ deki verileri üzerinden ML uygulamaları geliştirmek için en az bir veri bilimi mühendisi istihdam edin; genç arkadaşlarıma da ML konusunda kendinizi geliştirin derim.
