• Buradasın

    Talep Tahmini

    Özetteki ilgi çekici içerikler

    • Kuyruk Modeli ve İşletmelerdeki Uygulamaları

      Bu video, kuyruk modeli hakkında bilgi veren eğitici bir içeriktir.. Video, işletmelerin servis ve tamir, bakım gibi süreçlerde ortaya çıkan kuyruk durumlarını ele almaktadır. Bekleme sorunlarının üretimi aksattığı ve ilave maliyet faktörü haline geldiği vurgulanmaktadır. Ayrıca, talep tahmininin zor olduğu durumlarda kuyruk hattının özelliklerinin analiz edilmesinin önemi ve bu analiz sayesinde bekleme sorunlarının nasıl ortadan kaldırılabileceği açıklanmaktadır.

      • youtube.com

    • Üretim Yönetimi Dersinde Üssel Düzeltme Yöntemi

      Bu video, üretim yönetimi dersinin talep tahminleri konusundan üssel düzeltme yöntemini anlatan bir eğitim içeriğidir.. Video, üssel düzeltme yönteminin temel prensiplerini açıklayarak başlıyor ve ardından formülünü detaylı şekilde anlatıyor. Yöntem, bir önceki dönemin tahmini talep verisini düzeltme katsayısı ile birlikte tahmin hatası ekleyerek hesaplama yaparak, talepte tesadüfi dalgalanmaların etkilerini gidererek genel yönelime uygun bir tahminde bulunmayı amaçlıyor. Video, teorik bilgilerin ardından bir örnek üzerinden beş dönem için talep tahminlerinin nasıl yapılacağını adım adım gösteriyor.

      • youtube.com

    • Organon'un Analitik Çözüm Hizmeti Tanıtımı

      Bu video, Organon'un analitik çözüm hizmetini tanıtan bir tanıtım filmidir.. Video, şirketlerin ölçekten bağımsız olarak karşılaştığı analitik problemleri (müşteri kalıcılığı, talep tahminleri, risk yönetimi) ele alıyor. Büyük şirketlerin 1990'ların ortalarından beri analitik çözümleri denediğini ve 2000'lerde bu çözümleri operasyonlarına entegre ettiğini belirtiyor. Organon'un analitik tez service çözümü, orta ve küçük ölçekli şirketlerin teknolojik altyapı ve insan kaynağı yatırımı yapmadan analitik dönüşümü gerçekleştirmelerine olanak sağlıyor.

      • youtube.com

    • Solvao'da İş Deneyimi

      Bu videoda bir kişi, Solvao'da çalıştığı iş deneyimini anlatıyor. Konuşmacı, Solvao'da iki ana akım çalışan olan modeller ve geliştiriciler arasında yer alan bir pozisyonda çalıştığını belirtiyor.. Video, konuşmacının günlük iş rutinini ve görevlerini açıklıyor. Modeller genellikle endüstri mühendislerinden oluşuyor ve müşteriyle canlı etkileşim halinde, problemleri alıp çözümlerini sunuyorlar. Geliştiriciler ise sistemin arka tarafında geliştirmeler yapıyorlar. Konuşmacı ise bu iki grup arasında yer alarak, modeller tarafından kullanılan forecasting metodlarının nasıl çalıştığını, parametrelerini ve optimizasyon süreçlerini inceliyor. Ayrıca müşterilerden gelen talepleri ve veri analizinde karşılaşılan sorunları çözmeye çalışıyor.

      • youtube.com

    • Dinamik Talep Tahmini Modeli Hakkında Bilgilendirme

      Bu videoda bir konuşmacı, Türkiye'nin en büyük perakende sektörlerinden birinde kurulan dinamik talep tahmini modeli hakkında bilgi veriyor.. Konuşmacı, bu modelin her bir mağazanın bir sonraki ay ne kadar satış yapacağını tahmin etmek için 300 bin tane model çalıştığını anlatıyor. Model seçimi otomatikleştirilerek en etkili tahminler elde ediliyor ve konuşmacı bu süreçte bir gün bile harcamıyor. Video, günümüz dünyasında zamanın önemini vurgulayarak, teorik dünyadan pratik dünyaya geçiş yaparak hızlı karar alma ve aksiyona geçme gerekliliğini açıklıyor.

      • youtube.com

    • Algopoli Kurucu Ortağı Berkbay ile Enerji Sektöründe Veri Analitiği

      Bu video, bir röportaj formatında olup, sunucu Algopoli kurucu ortağı Berkbay ile sohbet ediyor. Berkbay, endüstri mühendisi, ODTÜ ve Boğaziçi'nden doktora yapmış, finansal matematik alanında uzmanlaşmış ve 2017'de Mustafa ile birlikte Algopoli'yi kurmuş bir girişimcidir.. Röportajda Algopoli'nin enerji sektöründe talep tahmini yaparak finansal modelleme ve yapay zeka uygulamaları geliştirdiği anlatılıyor. Berkbay, enerji sektöründe doğru tahminlerin önemi, veri toplama ve işleme zorlukları, Excel'den kurtulma gerekliliği ve kurumsal şirketlerde veri analitiğinin nasıl daha etkili hale getirilebileceği konularını ele alıyor. Ayrıca, 2018 yılında 400-421 milyon TL değerinde dengesizlik maliyetini minimize etme başarıları da paylaşılıyor.

      • youtube.com

    • Advanced Data Analytics ve Azure Machine Learning

      Bu video, şirketler için iş zekası ve raporlama çalışmaları yapan bir konuşmacının sunumudur.. Video, şirketlerin artık sadece geçmiş verileri değil, şu anki durumları ve gelecekteki olasılıkları analiz etme ihtiyacı olduğunu vurguluyor. Advanced data analytics yeteneklerinin önemi, müşteri kaybı riski hesaplama, kampanya kabul olasılığı ve talep tahminleri gibi konularda nasıl kullanılabileceği anlatılıyor. Konuşmacı, bu ihtiyaçları karşılamak için Azure Machine Learning'in kolay bir çözüm olduğunu belirtiyor.

      • youtube.com

    • Enerji Sektöründe Anlamlı Veri Önemi

      Bu video, enerji sektöründe çalışan bir kişinin anlamlı veri kavramını anlattığı bir konuşmadır.. Konuşmacı, enerji sektöründe talep ve arz miktarlarının takip edilmesinin önemini vurguluyor. Anlamlı verinin, müşterilerin günlük tüketim değerlerinin takip edilmesiyle oluştuğunu, aksi takdirde forecastlerin olumsuz yönde etkilendiğini açıklıyor. Özellikle sayaç okumalarının aylık yapılması gibi veri kayıplarının, talep tahminindeki hataları artırdığını ve bu nedenle sistemlerin bu verilere yönelik geliştirildiğini belirtiyor.

      • youtube.com

    • Dinamik Talep Tahmini ve Sektörlerdeki Uygulamaları

      Bu video, dinamik talep tahmininin Türkiye'deki uygulamalarını anlatan bir eğitim içeriğidir.. Video, dinamik talep tahmininin bankalar, perakende sektörü ve özellikle enerji sektöründe nasıl kullanıldığını açıklamaktadır. Enerji sektörünün elektrik veya enerji alıp satma üzerine kurulu olduğu için, başarılı tahminler yapmanın zararı minimize etme veya kar elde etme açısından çok önemli olduğu vurgulanmaktadır.

      • youtube.com

    • Üssel Yumuşatma (Exponential Smoothing) Modeli Eğitim Videosu

      Bu video, Endüstriko platformunda sunulan bir eğitim içeriğidir. Eğitmen, talep tahminlemede kullanılan üssel yumuşatma (exponential smoothing) modelini anlatmaktadır.. Video, üssel yumuşatma modelinin temel prensiplerini açıklayarak başlıyor ve dört farklı versiyonunu tanıtmakta, ancak bu videoda sadece basit üssel yumuşatma modelini detaylı olarak ele alıyor. İçerik, teorik bilgilerin ardından Excel'de çözücü kullanarak alfa parametresinin optimizasyonu ve MAPE hata değerinin minimize edilmesi gibi pratik uygulamaları içermektedir.. Videoda ayrıca hata değeri hesaplama, alfa parametresinin optimizasyonu ve Excel'de çözücü kullanarak en iyi alfa değerini bulma süreci adım adım gösterilmektedir. Örnek olarak 22 Mart haftasında 100 kişi gelebileceği tahmin edilmekte ve seramik stüdyosu örneği üzerinden pratik hesaplama yapılmaktadır.

      • youtube.com

    • Stratejik Pazarlama Dersi: Pazar Analizi

      Bu video, bir akademik ders formatında sunulan stratejik pazarlama dersinin yedinci hafta konusu olan pazar analizi anlatımını içermektedir. Eğitmen, pazar analizi konusunu detaylı şekilde ele almaktadır.. Video, pazar analizi konusunun çeşitli yönlerini kapsamlı şekilde ele almaktadır. İçerikte pazarın büyüklüğü ve talebin yapısı, pazarın yaşam eğrisi, pazarın çekiciliği, talep ölçümü, talep tahmininde kullanılan istatistiksel yöntemler (regresyon analizi, zaman serileri analizi, kesit verilerle tahmin ve zincir oran yöntemi) ve kantitatif yöntemler (gözlem ve anket) detaylı olarak incelenmektedir.. Eğitmen, pazarın yaşam eğrisinin dört aşamalı (giriş, büyüme, olgunluk ve düşüş) olduğunu açıklarken, pazarın çekiciliği için karlılık oranı, pazar kalitesi ve girdi temininde kolaylık gibi faktörleri vurgulamaktadır. Ayrıca, talep tahmininin pazar fırsatlarının analizini, pazarlama çabalarının planlanmasını ve pazarlama performansının kontrolünü sağladığı belirtilmektedir.

      • youtube.com

    • Envanter Modelleri ve Ekonomik Sipariş Miktarı Dersi

      Bu video, bir eğitmen tarafından sunulan eğitim dersi formatında hazırlanmış olup, öğrencilere yönelik envanter modelleri ve ekonomik sipariş miktarı konularını ele almaktadır.. Video, envanterin tanımı, işlevleri ve çeşitleriyle başlayıp, envanter yönetiminin amacı, envanter akış çevrimi ve maliyetleri gibi temel kavramları açıklamaktadır. Daha sonra deterministik envanter modelleri, talep türleri ve sipariş çevrimi gibi konular ele alınmakta, ardından ekonomik sipariş miktarı (ESM) modeli detaylı şekilde incelenmektedir.. Videoda özellikle kırtasiye örneği üzerinden yıllık talep miktarı, sipariş açma maliyeti ve elde bulundurma maliyeti gibi değerler kullanılarak ESM hesaplamaları gösterilmekte, formüller ve örnek hesaplamalar üzerinden konu pekiştirilmektedir.

      • youtube.com

    • 2023 Talep Tahmini ve Envanter Planlaması Semineri

      Bu video, Cemide Stream Line tarafından düzenlenen bir webinar formatında sunulan "2023 Talep Tahmini ve Envanter Planlaması için En İyi Uygulamalar" semineridir. Sunumda tedarik zinciri yönetimi konusunda 20 yıllık deneyime sahip olan sunucular ve matematik modelleme uzmanı bir konuşmacı yer almaktadır.. Seminer, risk ve rekabetin arttığı dönemde tedarik zincirinin dayanıklılığını ve çevikliğini geliştirmeyi amaçlamaktadır. Stream Line yazılımının talep tahmini, stok planlaması ve tedarik zinciri yönetimi konularındaki çözümleri detaylı olarak gösterilmekte, katılımcıların sorularına yanıt verilmekte ve endüstrilerde yaşanan sorunlar anket yoluyla toplanmaktadır.. Sunumda geçmiş verileri analiz ederek gelecekteki talep tahminleri yapma, min-max ve periyodik sipariş yöntemleri gibi stok planlama stratejileri, yeni ürünler için talep tahmini yöntemleri ve sistemlerin ERP ve Excel formatlarından veri kaynağına bağlanabilme özellikleri gibi konular ele alınmaktadır. Ayrıca, Toyota'nın Japonya depremlerinden sonra tedarik zinciri esnekliğini nasıl yenilediği gibi örnekler de paylaşılmaktadır.

      • youtube.com

    • Dünya Petrol Talebi ve OPEC Tahminleri

      Bu video, dünya petrol talebi ve OPEC (Petrol İhraç Eden Ülkeler Birliği) hakkında bilgi veren bir haber veya analiz içeriğidir.. Video, 2013 yılında dünya petrol talebindeki hız kaybının devam edeceği tahminini sunuyor. Gelişmiş ülkelerdeki zayıf seyir ve yükselen ekonomilerdeki yavaşlama nedeniyle petrol tüketiminin azalması bekleniyor. OPEC, bu yılki petrol talebi artışı tahminini değiştirmeden, 2013'te günlük 800 bin varilde kalacağını ve toplam üretiminin 90 milyon varile yaklaşacağını açıkladı. Ayrıca, birlik üyelerinin petrol ihracatından gelirinin 1,1 trilyon dolar seviyesinde kalacağı belirtiliyor.

      • youtube.com

    • Üretim Yönetim Dersi

      Bu video, bir eğitmen tarafından sunulan üretim yönetimi konulu kapsamlı bir eğitim dersidir. Mahmut adında bir öğrenci de ders sırasında konuşmalar içine dahil olmuştur.. Video, üretim yönetiminin temel kavramlarından başlayarak, üretim sistemleri, talep tahminleri, iş tasarımı, stok yönetimi ve fabrika yerleşim türleri gibi konuları sistematik bir şekilde ele almaktadır. Her bölümde KPSS sınavına hazırlananlar için örnek sorular ve çözümler sunulmaktadır.. Ders içeriğinde üretim sistemlerinin sınıflandırılması (sürekli, kesikli, mal üretim, hizmet üretimi), talep tahmin teknikleri, iş tasarımı (iş analizi, metot geliştirme, iş ölçümü), stok yönetimi (stok sınıflandırması, ESM modeli, MRP), JIT üretim ve fabrika yerleşim türleri (üretim akışı, ürüne göre yerleşim, sabit iş merkezine göre yerleşim) gibi konular detaylı olarak açıklanmaktadır.

      • youtube.com

    • R ile Neural Network Tabanlı Talep Tahmini Eğitimi

      Bu video, bir konuşmacının sunduğu eğitim içeriğidir ve neural network kullanarak talep tahmini yapma yöntemlerini anlatmaktadır.. Video, talep grafiği analizi ve mevsimsellik kavramlarıyla başlayıp, regresyon analizi ile neural network arasındaki farkları açıklamaktadır. Ardından beyaz eşya sektörü örneği üzerinden tahmin yaparken dikkat edilmesi gereken faktörler (hava durumu, nüfus büyümesi, ortalama gelir düzeyi, döviz kuru) ele alınmaktadır. Son bölümde ise R programlama dilinde veri normalizasyonu işlemleri, matrix manipülasyonları ve normalizasyon formüllerinin uygulanması adım adım gösterilmektedir.. Eğitim, neural network'ün eğriye uyum sağlayabilme özelliğini vurgulayarak, verilerin normalizasyonu için gerekli kod adımlarını ve normalizasyon yapılmış verilerin yapay sinir ağları için nasıl hazırlanacağını detaylı şekilde anlatmaktadır.

      • youtube.com

    • Regresyon Analizi ile Talep Tahmini Programı Geliştirme Eğitimi

      Bu video, bir eğitmen tarafından sunulan programlama eğitim dersidir. Eğitmen, regresyon analizi ile talep tahmini programının tasarımı ve kodlanması sürecini adım adım göstermektedir.. Video, regresyon analizi programının form tasarımı aşamasından başlayarak, kullanıcı arayüzü oluşturma, veri girişi, regresyon denkleminin hesaplanması ve tahmin yapma işlemlerini kapsamaktadır. Eğitmen, C# dilinde program yazarken, global değişkenlerin tanımlanması, dizi işlemlerinin yapılması, a ve b katsayılarının hesaplanması ve toplam sapmanın bulunması gibi teknik detayları göstermektedir.. Eğitim içeriğinde ayrıca kullanıcı deneyimini iyileştirmek için sıfırlama butonu, menü ekleme ve tüm alanların temizlenmesi gibi ek özellikler de gösterilmektedir. Video, endüstri mühendisliğinde üretim planlaması konusunu kullanarak pratik bir program geliştirme örneği sunmaktadır.

      • youtube.com

    • Veri Bilimi, Veri Madenciliği ve İstatistik Arasındaki Farklar

      Bu video, "Genel Bilgiler" kategorisinin ikinci bölümü olup, bir konuşmacı tarafından sunulan eğitici bir içeriktir. Veri bilimi konusunda bilgi veren giriş videosunun devamı niteliğindedir.. Video, veri bilimi, veri madenciliği ve istatistik arasındaki temel farkları açıklamaktadır. Önce veri, informasyon ve bilgi kavramları tanımlanmakta, ardından veri madenciliğinin süreci anlatılmaktadır. Daha sonra her iki kavram arasındaki farklar, kullanılan algoritmalar ve modeller detaylı olarak karşılaştırılmaktadır.. Konuşmacı, K-Nearest Neighbors algoritması ve regresyon modelleri gibi örnekler üzerinden konuyu pekiştirmekte ve talep tahmini örneği üzerinden her iki yöntemin hangi durumlarda daha uygun olduğunu göstermektedir. İstatistik genellikle örnekleme yapar, model kurar ve verilerin dağılımını analiz ederken, veri madenciliği daha az varsayım gerektiren, parametrik olmayan yöntemler ve algoritmalar kullanır.

      • youtube.com
  • Yazeka sinir ağı makaleleri veya videoları özetliyor