Tedarikçi Seçimi Karar Destek Sistemi Haydar Özler | LC Waikiki Veri Analitiği Direktörü Metin Uslu | LC Waikiki Kıdemli Veri Bilimci Türkiye Yapay Zeka İnisiyatifi (TRAI) 16.03.2022

Ajanda Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 2 ▪ Problem ▪ Modelleme Süreçleri ▪ Veri Kaynakları ▪ Modelleme: LightGBM, Decision Tree, Ensemble Model ▪ Performans Metrikleri ▪ Feature Importance ▪ Shap ▪ Model Sunumu(Model Serving) ▪ Mimari Yapı (Architecture Blueprint) ▪ Özet(ReCap)

Problem ▪ Tedarikçi Seçimi Karar Destek Sistemi projesi ile, Buyerların siparişlerini geçerken doğru tedarikçiye sipariş geçmelerini sağlayacak karar destek yapısı kurmaktır. ▪ Özetle; bir X ürününü Y tedarikçisi zamanında teslim edebilir mi? Yada tersinden düşünürsek buradaki risk ve bu riski açıklayan parametreler nelerdir? Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 3 Yıl Sezon Tedarikçi Alım Sipariş Sayısı Option Sayısı Net Alım Sipariş Miktarı 2021 S1+W1 868 ~93K ~90K ~506M

Modelleme Süreci ▪ Veri Kaynakları ▪ Temel Tablolar : Tedarikçi Tablosu, Termin Tablosu, Sipariş Tablosu, Ürün Tablosu, … ▪ Aday Input : ~100 [Tarihsel inputlar, Tedarikçiye ait inputlar, Termin ile ilgili inputlar, Sipariş ile ilgili inputlar, ek olarak Aggregate edilerek oluşturulan inputlar] ▪ Final Model Input : 35 + 1 (Target Variable) ▪ Target Variable : SiparisZamanindaTeslimOrani = ZamanindaGirenMiktar / GelmesiGerekenMiktar ▪ Target Value : 0 ile 1 arasında sürekli bir değer alıyor. Ardından [1 if SiparisZamanindaTeslimOrani>=0.90 else 0] ▪ Problem : Binary Classification ▪ Modelleme ▪ LightGBM : Gradient boosting framework’lerinden ağaç tabanlı öğrenme algoritması ▪ Decision Tree : Ağaç tabanlı öğrenme algoritması ▪ Ensemble Method : LightGBM + Decision Tree algoritmalarını birlikte kullanımı Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 4

Modelleme ▪ Performans 1: Algoritma Performansı Area Under Curve (AUC) ▪ Performans 2: Model bazlı olmak üzere modellerin daha iyi performe ettiği bölgelerdeki gücüne baktık. Olasılık uzayının sadece uç bölgeleri ile ilgilendik. (Arada kalan gri alanları ignore ettik); Proba<0.30 ve Proba>0.70 olanlar gözlemler için Ensemble Model (LGBM +Decision Tree) %72’lik bir başarım sağladık. Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 5 Model Metrik TestSet LGBM AUC ~ 0.68 – 0.70 DecisionTree

Modelleme(devam) ▪ Feature Importance (LightGBM Model) Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 6

Modelleme(devam) ▪ SHAP(SHapley Additive exPlanations) Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 7

Model Serving ▪ Modelleme için Python ▪ Experiment ve başarımları gözlemlemek için mlflow ▪ Servis için Python Flask-RESTful ▪ Konteyner Rancher ve CI/CD için AzureDevOps (Pipeline + Release) ▪ Credential & Token Management Vault ▪ Aggregate Data & Api Response MongoDB Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 8

Model Serving(devam) Servisimizi parametreler ile call ettiğimizde Response { "DateTime": "2022-03-15 20:11:28", "Proba": 0.942, "Top3Features": { "CariKlasmanPerformans": 0.906, "TerminSuresi": 0.068, "FiyatOrani": 0.006 }, "Bottom3Features": { "TedarikciSehir": 0.438, "SiparisKHafta": 0.427, "ModelBudgetKHafta": 0.076 } } Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 9 Proba Risk Derecesi <=0.30 Yüksek Risk >0.30 & <0.70 Orta Risk >=0.70 Düşük Risk

Model Serving(devam) Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 10

Model Serving(devam) Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 11

Architecture Blueprint Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 12

Teşekkürler Akıllı Perakende-Tedarik Zinciri ve Lojistik - Türkiye Yapay Zeka İnisiyatifi (TRAI) 13