Eczacılık sektöründe yapay sinir ağları ve zaman serileri analizi ile talep tahmini

Abstract

Doğru ve güvenilir talep tahminleri işletmelerin verimliliğin artmasında önemli rol oynamaktadır. Her sektörde olduğu gibi sağlık sektöründe de talep tahminleri konusu önemli bir yer tutmaktadır. Stok maliyetlerinin kontrolü için iyi bir talep tahmini yapılmalıdır. Bu çalışmada, İstanbul'da bir eczaneden alınan 2015-2018 yılları arasındaki gerçek satış verileri kullanılarak 100 tane ilacın tahminlemesi yapılmıştır. Uygulama kapsamında yapay sinir ağları ve zaman serileri analizinden hareketli ortalama, üssel düzeltme, ikili üssel düzeltme ve Holt-Winters yöntemleri kullanılarak talep tahmini yapılmıştır. Tahminleme sonuçları ve gerçek değerler arasında hata değerleri MSE yöntemi kullanılarak hesaplanmıştır. Her ürün için en düşük hata değerini veren yöntem seçilmiştir. Seçim sonuçlarına göre 14 ürün için hareketli ortalama, 16 ürün için üssel düzeltme, 12 ürün için ikili üssel düzeltme, 14 ürün için Holt-Winters ve 44 ürün için yapay sinir ağları en iyi tahmin değerlerini vermiştir. Uygulamada kullanılan ürünlerin çoğunluğunda yapay sinir ağlarının daha iyi sonuçlar verdiği görülmüştür.Anahtar Kelimeler: 1.Yapay Sinir Ağları; 2.Zaman Serileri Analizi; 3.Hareketli Ortalama; 4. Üssel Düzeltme; 5.İkili Üssel Düzeltme; 6.Holt-Winters; 7.Talep Tahmini; 8.Eczacılık Sektörü

Accurate and reliable demand forecasting plays an important role in increasing the productivity of businesses. Demand forecasting is also an important issue in the health sector as in every sector. A good demand forecast should be made to control inventory costs. In this study, the sales data of 100 drugs between the years of 2015-2018 from a pharmacy in Istanbul is used. Based on this data demand forecast was performed by using artificial neural networks and time series analysis methods, such as the moving average, exponential smoothing, double exponential smoothing and Holt-Winters within the scope of the application. Error values between the forecasting results and the actual values were calculated by using the MSE method. The method with the lowest error value is selected for each product. According to the selection results give the best estimation values; moving average for 14 products, exponential smoothing for 16 products, double exponential smoothing for 12 products, Holt-Winters for 14 products and artificial neural networks for 44 products. Artificial neural networks were found to give better results the most of the products used in the application.Keywords: 1.Artificial Neural Network; 2.Time Series Analysis; 3.Moving Average; 4.Exponential Smoothing; 5.Double Exponential Smoothing; 6.Holt-Winters; 7.Demand Forecasting; 8.Pharmacy Industry