Havacılık Sektöründe Yedek Parçaların Nicel Talep Tahmini
HAVADER Editör Ekibi
Bir uçağın yerde beklemesinin en sık nedenlerinden biri, ihtiyaç duyulan yedek parçanın stokta olmamasıdır. Havayolu bakım-onarım (MRO) firmaları için bu, hem maliyetli hem de operasyonel açıdan riskli bir durum: ne çok fazla parça stoklamak istersiniz (sermaye bağlar, depolama maliyeti yaratır) ne de çok az (uçağı günlerce hangar da bekletebilir). Bu ikilem, aslında hepimizin günlük hayatta bildiği bir sorunun büyük ölçekli hâli — bir aracın yedek parçasını ararken yaşanan sıkıntının, milyonlarca dolarlık bir havayolu operasyonundaki karşılığı.
Bu çalışmanın amacı, büyük bir havayolu bakım firmasının en sık karşılaştığı 10 farklı parça için, hangi sayısal tahmin yönteminin gelecekteki arıza sayısını en isabetli şekilde öngördüğünü belirlemekti. Araştırmacılar, 2021-2022 dönemine ait aylık arıza verilerini kullanarak dört farklı istatistiksel tahmin yöntemini birbiriyle yarıştırdı ve bu tahminleri 2023 yılı gerçek verileriyle karşılaştırdı.
Yöntemlerin başarısı, Ortalama Mutlak Hata, Ortalama Kare Hata ve Ortalama Mutlak Yüzde Hata gibi ölçülerle karşılaştırıldı. Sonuç şaşırtıcı derecede net oldu: Basit Üstel Düzgünleştirme Yöntemi en isabetli tahminleri verirken, daha karmaşık bir yöntem olan Holt-Winters bu veri seti için en başarısız performansı gösterdi. Bu, havacılıkta "daha karmaşık yöntem her zaman daha iyi sonuç verir" varsayımının her zaman doğru olmadığını gösteren güzel bir örnek.
Bu çalışmanın katkısı, kantitatif tahmin tekniklerinin arızalı parça planlamasında somut, ölçülebilir bir fayda sağladığını göstermesi. Bir bakım firması bu yöntemi kullandığında, hem gereksiz stok maliyetinden kaçınabiliyor hem de kritik bir parçanın stokta olmaması yüzünden bir uçağı günlerce bekletme riskini azaltabiliyor. Günlük hayattaki karşılığı ise aslında hepimizin tanıdık geleceği bir şey: bir oto tamircisinin, hangi yedek parçaları ne sıklıkla stoklaması gerektiğini tahmin etmesiyle aynı mantık — sadece burada bahis çok daha yüksek, çünkü gecikmeler yolcu uçuşlarını doğrudan etkiliyor.
Çalışma, gelecekteki araştırmalar için de bir kapı aralıyor: makine öğrenimi algoritmalarının bu tahmin doğruluğunu daha da artırıp artıramayacağı, havacılık bakım sektöründe önümüzdeki yıllarda üzerinde çalışılacak önemli bir soru olarak duruyor.
← Blog
Bu çalışmanın amacı, büyük bir havayolu bakım firmasının en sık karşılaştığı 10 farklı parça için, hangi sayısal tahmin yönteminin gelecekteki arıza sayısını en isabetli şekilde öngördüğünü belirlemekti. Araştırmacılar, 2021-2022 dönemine ait aylık arıza verilerini kullanarak dört farklı istatistiksel tahmin yöntemini birbiriyle yarıştırdı ve bu tahminleri 2023 yılı gerçek verileriyle karşılaştırdı.
Yöntemlerin başarısı, Ortalama Mutlak Hata, Ortalama Kare Hata ve Ortalama Mutlak Yüzde Hata gibi ölçülerle karşılaştırıldı. Sonuç şaşırtıcı derecede net oldu: Basit Üstel Düzgünleştirme Yöntemi en isabetli tahminleri verirken, daha karmaşık bir yöntem olan Holt-Winters bu veri seti için en başarısız performansı gösterdi. Bu, havacılıkta "daha karmaşık yöntem her zaman daha iyi sonuç verir" varsayımının her zaman doğru olmadığını gösteren güzel bir örnek.
Bu çalışmanın katkısı, kantitatif tahmin tekniklerinin arızalı parça planlamasında somut, ölçülebilir bir fayda sağladığını göstermesi. Bir bakım firması bu yöntemi kullandığında, hem gereksiz stok maliyetinden kaçınabiliyor hem de kritik bir parçanın stokta olmaması yüzünden bir uçağı günlerce bekletme riskini azaltabiliyor. Günlük hayattaki karşılığı ise aslında hepimizin tanıdık geleceği bir şey: bir oto tamircisinin, hangi yedek parçaları ne sıklıkla stoklaması gerektiğini tahmin etmesiyle aynı mantık — sadece burada bahis çok daha yüksek, çünkü gecikmeler yolcu uçuşlarını doğrudan etkiliyor.
Çalışma, gelecekteki araştırmalar için de bir kapı aralıyor: makine öğrenimi algoritmalarının bu tahmin doğruluğunu daha da artırıp artıramayacağı, havacılık bakım sektöründe önümüzdeki yıllarda üzerinde çalışılacak önemli bir soru olarak duruyor.