İşletmelerin müşterilerine sundukları hizmetlerin aksamaması için araç, makine vb. kaynaklarını verimli ve etkin kullanması gerekmektedir. İşletme kaynaklarının daima hazır ve çalışır olması için bakım süreci kritik önemdedir. Ayrıca, bakım ve onarım işlemleri için ihtiyaç duyulan yedek parça ile sarf malzemeleri işletme giderlerinde önemli bir pay oluşturmaktadır. Bu nedenle bakım departmanlarında başarılı bir bakım ve envanter yönetimi işletmelere birçok boyuttan kazanç sağlamaktadır. Bu çalışma da bir otobüs filosunda envanter yönetimi ile kestirimci bakım planlarını entegre eden dinamik bir model önerilmiştir. İşletmeye ait veriler üzerinde makine öğrenmesi ve derin öğrenme algoritmaları ile ortalama arıza kilometre tahminleri yapılmıştır. Makine öğrenmesi algoritmaları kullanılarak %95 R2 değeri ile yüksek tahmin başarısı sağlanmış ve kestirimci bakım çalışmasından elde edilen bakım planlarına göre envanter yönetim çalışması yürütülmüştür. Önerilen envanter yönetimi modeli ile yılda ihtiyaç duyulacak yedek parça miktarları, emniyet stokları, yeniden sipariş noktaları ve sipariş miktarları belirlenmiştir. Gerçekleştirilen çalışma, en önemli on adet yedek parça için test edilmiş ve stok maliyetlerinde %2,11 düşüş sağlanmıştır.
Businesses need to use their resources, such as vehicles, machinery, etc., efficiently and effectively not to interrupt their customers' services. Maintenance is critical for business resources to be always ready and operational. In addition, spare parts and consumables used in maintenance-repair processes have a significant share in operating expenses. For this reason, successful maintenance and inventory management in maintenance departments provides benefits to businesses in many dimensions. This study proposes a dynamic model integrating inventory management and predictive maintenance plans in a bus fleet. Machine learning and deep learning algorithms were used to predict the average mileage of breakdowns on the company's data. By using machine learning algorithms, high prediction success was achieved with 95% R2 value, and the inventory management study was carried out according to the maintenance plans obtained from the predictive maintenance study. With the proposed inventory management model, the amount of spare parts needed per year, safety stocks, reorder points and order quantities were determined. The study was tested for the ten most critical spare parts and achieved a 2.11% reduction in inventory costs.
