Publication: Allocating costs in a lot sizing game using novel machine learning methods
Institution Authors
Authors
Journal Title
Journal ISSN
Volume Title
Type
Master's thesis
Access
info:eu-repo/semantics/restrictedAccess
Publication Status
Unpublished
Abstract
In supply chain management (SCM), effective resource utilization is the key to achieving certain strategic benefits such as minimizing costs, increasing service levels, reducing inventories, increasing responsiveness, and finally improving customer satisfaction. Collaborative approaches among supply chain entities have become increasingly popular to increase resource utilization. In this thesis, we analyze a collaborative production setting where several companies facing varying demands throughout a finite planning horizon attempt to reduce their procurement costs by ordering from a common supplier. As the capacity of the common supplier is better utilized in such a collaborative solution, it will yield benefits that will be shared by the collaborators. Our objective is to design a cost allocation framework to ensure the sustainability of the collaborative purchasing organization. We propose various methods, including novel and computationally efficient machine learning based methods, using two different architectures, gradient boosting mechanism, and artificial neural networks which ensure the scalability of the proposed framework. We perform an extensive computational study and observe that our proposed method significantly outperforms the generic methods in the literature in terms of solution quality and computation time.
Tedarik zinciri yönetiminde (TZY), etkin kaynak kullanımı, maliyetlerin en aza indirilmesi, hizmet düzeylerinin artırılması, stokların azaltılması, yanıt verme hızının artırılması ve son olarak müşteri memnuniyetinin artırılması gibi belirli stratejik faydaların elde edilmesinin anahtarıdır. Tedarik zinciri kuruluşları arasındaki işbirlikçi yaklaşımlar, kaynak kullanımını artırmak için giderek daha popüler hale geldi. Yapılan bu tez çalışması ile sınırlı bir planlama ufku boyunca değişen taleplerle karşılaşan birkaç şirketin ortak bir tedarikçiden sipariş vererek tedarik maliyetlerini düşürmeye çalıştığı ortak bir üretim ortamını analiz ediyoruz. Ortak tedarikçinin kapasitesi böyle bir işbirlikçi çözümde daha iyi kullanıldığından, işbirlikçiler tarafından paylaşılacak çeşitli faydalar sağlayacaktır. Amacımız, ortak satın alma organizasyonunun sürdürülebilirliğini sağlamak için bir maliyet dağıtım çerçevesi tasarlamaktır. Önerilen çerçevenin ölçeklenebilirliğini sağlamak için iki farklı algoritma, gradient boosting ve yapay sinir ağları, kullanan yeni ve hesaplama açısından verimli makine öğrenimi tabanlı yöntemler de dahil olmak üzere çeşitli yöntemler öneriyoruz. Bahsedilen yöntemlerle, kapsamlı bir hesaplama çalışması gerçekleştiriyoruz ve önerilen yöntemimizin, çözüm kalitesi ve hesaplama süreleri açısından literatürdeki jenerik yöntemlerden önemli ölçüde daha iyi performans gösterdiğini gözlemliyoruz.
Tedarik zinciri yönetiminde (TZY), etkin kaynak kullanımı, maliyetlerin en aza indirilmesi, hizmet düzeylerinin artırılması, stokların azaltılması, yanıt verme hızının artırılması ve son olarak müşteri memnuniyetinin artırılması gibi belirli stratejik faydaların elde edilmesinin anahtarıdır. Tedarik zinciri kuruluşları arasındaki işbirlikçi yaklaşımlar, kaynak kullanımını artırmak için giderek daha popüler hale geldi. Yapılan bu tez çalışması ile sınırlı bir planlama ufku boyunca değişen taleplerle karşılaşan birkaç şirketin ortak bir tedarikçiden sipariş vererek tedarik maliyetlerini düşürmeye çalıştığı ortak bir üretim ortamını analiz ediyoruz. Ortak tedarikçinin kapasitesi böyle bir işbirlikçi çözümde daha iyi kullanıldığından, işbirlikçiler tarafından paylaşılacak çeşitli faydalar sağlayacaktır. Amacımız, ortak satın alma organizasyonunun sürdürülebilirliğini sağlamak için bir maliyet dağıtım çerçevesi tasarlamaktır. Önerilen çerçevenin ölçeklenebilirliğini sağlamak için iki farklı algoritma, gradient boosting ve yapay sinir ağları, kullanan yeni ve hesaplama açısından verimli makine öğrenimi tabanlı yöntemler de dahil olmak üzere çeşitli yöntemler öneriyoruz. Bahsedilen yöntemlerle, kapsamlı bir hesaplama çalışması gerçekleştiriyoruz ve önerilen yöntemimizin, çözüm kalitesi ve hesaplama süreleri açısından literatürdeki jenerik yöntemlerden önemli ölçüde daha iyi performans gösterdiğini gözlemliyoruz.