Araç muayene istasyonlarında kapasite yönetimi

Abstract

Doğru ve güvenilir talep tahminleri işletmelerin verimliliğin artmasında önemli rol oynamaktadır. Her sektörde olduğu gibi araç muayene istasyonlarında randevu kapasite yönetiminde de talep tahminleri konusu önemli bir yer tutmaktadır. Kapasite yönetimiyle gelmeyen müşterilerin tahminlemesinin yapılması ve kapasite üstü rezervasyon tanımlaması yapılması hem gelmeyen müşterilerin sayılarını minimize etmek, hemde gelir kaybını önlemek açısından oldukça önemlidir.Bu çalışmada, İstanbul'da hizmet veren bir araç muayene istasyonunun 247 günlük randevu kapasite verileri, veri madenciliği süreçlerinde izlenen adımlar uygulanarak anlamlı, işlenebilir bir data elde edilerek gelmeyen müşterilerin saatlik dilimlerde tahminlemesi yapılmıştır. Yapılan çalışmada 2 farklı model karşılaştırılmış olup, modeller arasında P-değeri (probability) güçlü fakat korelasyon'u düşük olan model yerine, korelasyonu diğer modele göre oldukça yüksek olan modeli tercih edlmiştir. Tahminleme modeli olarak regresyon yöntemi kullanılmış ve her bir gün için yapılan tahminleme sonuçları, günlük gelmeyen müşteri gerçekleşmeleri ile kıyaslanarak modelin performansı değerlendirilmiştir. Tahminleme geliştirilecek olan model yardımıyla, randevusuna gelmeyen müşterileri belirlemede göz önüne alınması gereken değişkenler ve bu değişkenlerin ağırlıklarının saptanması, randevuya gelmeyen müşteri sayılarının minimuma indirilmesi ile gelir kaybının düşürülmesi hedeflenmiştir.

Accurate and reliable demand forecasts play an important role in increasing the productivity of enterprises. As in every sector, the demand estimations of appointments in vehicle inspection stations are important. Estimation of the customers who do not come with capacity management and the identification of the over-the-top reservation is very important to minimize the number of customers who do not come and prevent loss of income.In this study, 247-day appointment capacity data of a vehicle inspection station serving in Istanbul, the steps taken in the data mining processes were applied, and a meaningful, processable data was obtained and the customers were estimated in hourly intervals. In the study, 2 different models were compared and the model with a high P-value but the low correlation was preferred instead of the other model. The regression method was used as the estimation model and the performance of the model was evaluated by comparing the estimation results for each day with the customer realizations.It is aimed to determine the variables that should be taken into consideration in determining the customers who do not come to the appointment and the weights of these variables and to decrease the income loss by minimizing the number of customers who do not come to the appointment.