Bu çalışmanın amacı, endüstriyel üretim işletmelerinde yüksek performans, minimum maliyet ve iş barışının korunmasını sağlayan optimal bir çözüm modeli önermektir. Bu model, işletmelerin şirket değerinin maksimizasyonunu veya ortakların çıkarının maksimize edilmesini sağlayacaktır. Çalışmanın çalışma evreni çok bölümlü (departmanlı) imalat işletmeleri ve örneklemi, çok sayıda imalat ve hizmet departmanı bulunan endüstriyel işletmelerdir.
Çalışmada, üretim birimi için işçi kapasitesinin belirlenmesi için bir metodolojik yaklaşım sunulmaktadır. İlk bulgular, birim çalışanları için aylık ve yıllık brüt ve net çalışma saatleridir. Üretim birimi için standart performanslar belirlenmiştir. Bu bilgiler ile üretim bütçesi hedefleri ilişkilendirilerek, üretim biriminin direkt ve endirekt işçilik saatlerinin belirlenmesi, toplam işçi sayısının belirlenmesi ve optimize edilmesi hesaplanmıştır.
Model, büyük imalat işletmelerinde, üretim bütçesi aylık hedef farklılıklarının yaratacağı işçi çıkarılması ve alınması döngüsünün insanlar üzerindeki etkisini ve maliyetini engellemeyi amaçlar. Model, aynı zamanda minimum maliyetle ve yüksek performansla iş barışı, yasal ve etik değerler korunarak, üretim faaliyetlerinin nasıl yapılması gerektiğinin metodolojisini ortaya koyar. Model, ayrıca bir maliyet muhasebesi uygulaması ve bütçe takibinin yapılmasını içermektedir.
Model, maliyet muhasebesi uygulaması ve bütçe takibi için bir araç olarak da kullanılabilir. Ancak, ayrıca işletmenin sürekli gelişmesi ve iyileşmesi için gerekli olan güncelleme ve revizyonların yapılmasını da kolaylaştırır. Böylece, endüstriyel üretim işletmeleri şirket değerinin maksimizasyonunu veya ortakların çıkarının maksimize edilmesini sağlar.
Veri Analitik ve Modelleme: Verilerin toplandığı, depolandığı, analiz edildiği ve model oluşturulduğu aşamalardır. Bu aşamalarda kullanılan matematiksel formüller arasında lineer regresyon, logistik regresyon, k-ortalama (k-means) ve naif Bayes gibi algoritmalar bulunur.
Veri Sınıflandırma: Verilerin sınıflandırılması ve etiketlenmesi için kullanılan matematiksel formüller arasında decision tree (karar ağacı), random forest ve support vector machine (SVM) gibi algoritmalar bulunur.
Veri Madenciliği: Verilerin keşfedilmesi, çıkarılması, temizlenmesi ve mükemmel hale getirilmesi aşamalarıdır. Bu aşamalarda kullanılan matematiksel formüller arasında association rule mining, clustering ve principal component analysis (PCA) gibi algoritmalar bulunur.
Veri Görselleştirme: Verilerin görsel olarak sunulması ve anlaşılması için kullanılan matematiksel formüller arasında histogram, scatter plot ve heat map gibi grafik türleri bulunu
Makine Öğrenmesi: Verilerin kullanılarak makine öğrenmesi modeli oluşturulması aşamasıdır. Bu aşamada kullanılan matematiksel formüller arasında gradient descent (eğim inişi), mean squared error (ortalama kare hata) ve confusion matrix (karışıklık matrisi) gibi algoritmalar bulunu Bur.r.nur.
Çalışmada, üretim birimi için işçi kapasitesinin belirlenmesi için bir metodolojik yaklaşım sunulmaktadır. İlk bulgular, birim çalışanları için aylık ve yıllık brüt ve net çalışma saatleridir. Üretim birimi için standart performanslar belirlenmiştir. Bu bilgiler ile üretim bütçesi hedefleri ilişkilendirilerek, üretim biriminin direkt ve endirekt işçilik saatlerinin belirlenmesi, toplam işçi sayısının belirlenmesi ve optimize edilmesi hesaplanmıştır.
Model, büyük imalat işletmelerinde, üretim bütçesi aylık hedef farklılıklarının yaratacağı işçi çıkarılması ve alınması döngüsünün insanlar üzerindeki etkisini ve maliyetini engellemeyi amaçlar. Model, aynı zamanda minimum maliyetle ve yüksek performansla iş barışı, yasal ve etik değerler korunarak, üretim faaliyetlerinin nasıl yapılması gerektiğinin metodolojisini ortaya koyar. Model, ayrıca bir maliyet muhasebesi uygulaması ve bütçe takibinin yapılmasını içermektedir.
Model, maliyet muhasebesi uygulaması ve bütçe takibi için bir araç olarak da kullanılabilir. Ancak, ayrıca işletmenin sürekli gelişmesi ve iyileşmesi için gerekli olan güncelleme ve revizyonların yapılmasını da kolaylaştırır. Böylece, endüstriyel üretim işletmeleri şirket değerinin maksimizasyonunu veya ortakların çıkarının maksimize edilmesini sağlar.
Veri Analitik ve Modelleme: Verilerin toplandığı, depolandığı, analiz edildiği ve model oluşturulduğu aşamalardır. Bu aşamalarda kullanılan matematiksel formüller arasında lineer regresyon, logistik regresyon, k-ortalama (k-means) ve naif Bayes gibi algoritmalar bulunur.
Veri Sınıflandırma: Verilerin sınıflandırılması ve etiketlenmesi için kullanılan matematiksel formüller arasında decision tree (karar ağacı), random forest ve support vector machine (SVM) gibi algoritmalar bulunur.
Veri Madenciliği: Verilerin keşfedilmesi, çıkarılması, temizlenmesi ve mükemmel hale getirilmesi aşamalarıdır. Bu aşamalarda kullanılan matematiksel formüller arasında association rule mining, clustering ve principal component analysis (PCA) gibi algoritmalar bulunur.
Veri Görselleştirme: Verilerin görsel olarak sunulması ve anlaşılması için kullanılan matematiksel formüller arasında histogram, scatter plot ve heat map gibi grafik türleri bulunu
Makine Öğrenmesi: Verilerin kullanılarak makine öğrenmesi modeli oluşturulması aşamasıdır. Bu aşamada kullanılan matematiksel formüller arasında gradient descent (eğim inişi), mean squared error (ortalama kare hata) ve confusion matrix (karışıklık matrisi) gibi algoritmalar bulunu Bur.r.nur.