📋 İçindekiler
Neden Stokastik Modelleme?
Geleneksel endüstri mühendisliği modelleri çoğunlukla deterministiktir: talep 100 adet/gün, üretim süresi 5 dakika, arıza oranı %2. Gerçek hayatta ise talep 80–130 arasında salınır, üretim süresi 3–8 dakika arasında değişir ve arıza "olabilir de olmayabilir de."
Deterministik: "Talebin 100 olduğunu biliyorum" → EOQ = √(2DS/H)
Stokastik: "Talep Normal(100, 15²) dağılımlı" → Optimal sipariş miktarı = f(servis seviyesi, talep dağılımı, lead time dağılımı)
Stokastik modeller daha karmaşıktır ama gerçeğe çok daha yakındır. Belirsizliği yok saymak değil, onu modele dahil etmek daha iyi kararlar üretir.
Temel Kavramlar
Rastgele Değişken (Random Variable)
Sonucu önceden bilinmeyen ama olası sonuçları ve olasılıkları tanımlanan değişken. Günlük talep, makine arızalar arası süre, tedarikçi lead time'ı birer rastgele değişkendir.
Olasılık Dağılımı (Probability Distribution)
Bir rastgele değişkenin olası değerlerinin ve bu değerlerin meydana gelme olasılıklarının matematiksel tanımı. Hangi dağılımı kullanacağınız verinin doğasına bağlıdır.
Beklenen Değer ve Varyans
E[X]: Uzun vadede ortalama sonuç. Var(X): Sonuçların ortalamadan ne kadar dağıldığı. Karar vermede yalnızca ortalamaya bakmak risklidir; varyans da önemlidir.
Endüstriyel Olasılık Dağılımları
| Dağılım | Parametre | Tipik Kullanım | Örnek |
|---|---|---|---|
| Normal | μ, σ | Ölçüm hataları, kalite değişkenliği | Ürün ağırlığı: N(500g, 2g²) |
| Poisson | λ | Birim zamandaki olay sayısı | Saatlik müşteri varışı: Poi(λ=12) |
| Üstel | λ (veya 1/μ) | Olaylar arası süre | Makine arızaları arası süre: Exp(μ=500 saat) |
| Weibull | β (şekil), η (ölçek) | Güvenilirlik, ömür analizi | Rulman ömrü: W(β=2.5, η=8000 saat) |
| Lognormal | μ, σ (log) | Lead time, tamir süresi | Tedarikçi teslimat süresi: LN(μ=2.5, σ=0.3) |
| Gamma | α (şekil), β (ölçek) | Toplam işlem süreleri | Sipariş toplama süresi: Γ(α=3, β=5 dk) |
| Üçgen | min, mod, max | Uzman tahmini (veri yokken) | Proje süresi: Tri(15, 20, 35 gün) |
Newsvendor (Gazete Satıcısı) Problemi
Stokastik envanter yönetiminin en temel ve en zarif modelidir. Tek dönemli, bozulabilir ürünler için optimal sipariş miktarını belirler:
Bir gazete satıcısı her sabah kaç gazete alacağına dönüşümsüz olarak karar verir:
• Çok alırsa → Satamadıkları çöpe gider (overage cost = Cₒ)
• Az alırsa → Müşterileri kaçırır (underage cost = Cᵤ)
Optimal Çözüm:
Kritik Oran (CR) = Cᵤ / (Cᵤ + Cₒ)
Q* = F⁻¹(CR) → Talebin kümülatif dağılımının CR'ye eşit olduğu nokta
Talep: Normal(μ=200, σ=40)
Alış fiyatı: c = 8 TL, Satış fiyatı: p = 15 TL, Hurda değeri: v = 2 TL
Cᵤ = p − c = 15 − 8 = 7 TL (kaçırılan satış maliyeti)
Cₒ = c − v = 8 − 2 = 6 TL (elde kalan stok maliyeti)
CR = 7 / (7 + 6) = 0.538
Q* = μ + z × σ = 200 + z₀.₅₃₈ × 40 = 200 + 0.095 × 40 = 203.8 ≈ 204 adet
💡 z₀.₅₃₈ = 0.095 (standart normal tablo). Satıcı her sabah 204 gazete almalıdır.
Stokastik Envanter Modelleri
Klasik EOQ modeli sabit talep ve lead time varsayar. Stokastik versiyonları belirsizliği dahil eder:
📦 (Q, R) Sürekli Gözden Geçirme Modeli
Parametreler
- Q: Sabit sipariş miktarı
- R: Yeniden sipariş noktası (reorder point)
- Talep: stokastik (Normal dağılımlı)
- Lead time: sabit veya stokastik
Formül
- R = μ_L + SS
- SS = z × σ_L (emniyet stoğu)
- σ_L = σ_d × √L (lead time talebi standart sapması)
- z: servis seviyesine karşılık gelen z-değeri
Günlük talep: D ~ Normal(μ=50, σ=10)
Lead time: L = 7 gün (sabit)
Hedef servis seviyesi: %95 → z = 1.645
σ_L = σ_d × √L = 10 × √7 = 10 × 2.646 = 26.46 adet
SS = z × σ_L = 1.645 × 26.46 = 43.5 ≈ 44 adet
R = μ_d × L + SS = 50 × 7 + 44 = 394 adet
💡 Stok 394 adete düştüğünde yeni sipariş verilir. Emniyet stoğu (44 adet), lead time boyunca talebin normalden yüksek olması riskine karşı tampondur.
VaR: Riske Maruz Değer
Value at Risk (VaR), belirli bir güven düzeyinde ve zaman diliminde olabilecek maksimum kayıp miktarıdır. Finanstan başlayıp endüstriyel uygulamalara yayılmıştır:
| VaR Hesaplama Yöntemi | Avantajı | Dezavantajı |
|---|---|---|
| Parametrik (Varyans-Kovaryans) | Hızlı, basit | Normal dağılım varsayımı |
| Tarihsel Simülasyon | Dağılım varsayımı yok | Geçmiş = gelecek varsayımı |
| Monte Carlo Simülasyonu | En esnek, karmaşık portföyler | Hesaplama yoğun |
Senaryo: Aylık tedarik zinciri maliyeti
Maliyet dağılımı: Normal(μ=2.000.000 TL, σ=300.000 TL)
Güven düzeyi: %95
VaR₉₅ = μ + z₀.₉₅ × σ = 2.000.000 + 1.645 × 300.000 = 2.493.500 TL
Yorum: %95 güvenle aylık tedarik zinciri maliyeti 2.493.500 TL'yi aşmayacaktır. Bütçe planlamasında bu rakam kullanılmalıdır.
CVaR (Conditional VaR): VaR'ı aştığında beklenen ortalama kayıp
CVaR₉₅ ≈ μ + σ × φ(z₀.₉₅) / (1−0.95) = 2.000.000 + 300.000 × 0.1031 / 0.05 = 2.618.600 TL
Senaryo Analizi ve Stres Testi
Monte Carlo simülasyonu ile binlerce senaryo üretilir, sonuçların dağılımı analiz edilir:
Hangi değişkenler belirsiz? Her biri için uygun olasılık dağılımını belirle. Talep: Normal, Lead time: Lognormal, Döviz kuru: GBM (Geometrik Brownian Motion).
Belirsiz girdiler arasındaki ilişkileri tanımla. Örneğin: döviz kuru artarsa import hammadde maliyeti de artar (pozitif korelasyon). Copula fonksiyonları ile modellenebilir.
Her senaryoda tüm belirsiz girdiler eş zamanlı olarak örneklenir, model çalıştırılır, çıktı kaydedilir. Latin Hypercube Sampling ile verimlilik artırılır.
Ortalama, P10, P50, P90 değerleri hesaplanır. Tornado diyagramı ile hangi girdinin çıktıyı en çok etkilediği belirlenir (hassasiyet analizi).
Uygulama: Stokastik Sipariş Miktarı
Firma: MNO Elektronik San. A.Ş. — İstanbul deposu
Ürün: Endüstriyel güç kaynağı (model PS-500)
Günlük talep: Normal(μ=25, σ=8)
Lead time: Normal(μ=10 gün, σ=2 gün) — stokastik!
Hedef servis seviyesi: %98 → z = 2.054
Sipariş maliyeti: S = 1.200 TL, Taşıma maliyeti: H = 45 TL/adet/yıl
Lead time talebi belirsizliği (hem talep hem LT stokastik):
σ_L = √(10 × 8² + 25² × 2²)
σ_L = √(10 × 64 + 625 × 4)
σ_L = √(640 + 2500)
σ_L = √3140 = 56.04 adet
SS = z × σ_L = 2.054 × 56.04 = 115.1 ≈ 116 adet
R = μ_d × μ_L + SS = 25 × 10 + 116 = 366 adet
Q* = √(2DS/H) = √(2 × 25 × 365 × 1200 / 45) = √(21.900.000/45) = √486.667 ≈ 698 adet
| Metrik | Deterministik (SS=0) | Stokastik (%98 servis) |
|---|---|---|
| Emniyet stoğu | 0 adet | 116 adet |
| Yeniden sipariş noktası | 250 adet | 366 adet |
| Stokta kalma oranı (servis seviyesi) | ~%50 | %98 |
| Yıllık emniyet stoğu maliyeti | 0 TL | 5.220 TL |
| Stok tükenme kayıp riski (yıllık) | ~180.000 TL | ~7.200 TL |
| Net fayda | 5.220 TL emniyet stoğu ile 172.800 TL stok tükenme kaybı önleniyor | |
Gerçek Dünya Vaka Çalışmaları
Büyük bir Türk e-ticaret şirketi, 100.000+ SKU için stokastik envanter modeli uyguladı. Her SKU'nun talep dağılımı otomatik fit ediliyor, emniyet stoğu dinamik hesaplanıyor. Sonuç: Stokta kalma oranı %92'den %97'ye çıkarken, toplam envanter yatırımı %15 azaldı.
Büyük bir Amerikan havayolu, Newsvendor modelinin genelleştirilmiş versiyonunu koltuk fiyatlamasında kullanıyor. Her uçuş bir "tek dönemli stokastik problem" olarak modelleniyor: kaç koltuğu indirimli satmak ve kaç tanesini son dakika yolcuları için ayırmak optimal? Yıllık gelir artışı: %3-5 (milyar dolar ölçeğinde devasa etki).
Büyük bir Türk enerji şirketi, rüzgar çiftliği yatırım kararlarında Monte Carlo tabanlı stokastik fizibilite modeli kullanıyor. Rüzgar hızı Weibull dağılımlı, döviz kuru GBM ile modelleniyor. 10.000 senaryo sonucunda P90 IRR hesaplanarak yatırım kararı veriliyor — "en kötü durumda bile kârlı mı?"
Geleceğe Bakış
- Bayesian Optimization: Az veriyle bile güçlü tahmin yapan Bayesçi yaklaşımların endüstriyel kalibrasyonda kullanımı artıyor
- Digital Risk Twin: Fiziksel dijital ikizlerin yanında "risk dijital ikizleri" — tedarik zincirinin stokastik dijital kopyası ile sürekli risk izleme
- Stochastic Programming: Belirsizlik altında çok aşamalı optimizasyon — her karar noktasında gelecekteki belirsizlikler dikkate alınır
- Quantum Computing: Kuantum bilişim ile stokastik optimizasyon problemlerinin katlanarak hızlanması bekleniyor
"Tam olarak bilmiyorum" demek zayıflık değil, olgunluktur. Stokastik modeller, bu bilinmezliği ölçülebilir ve yönetilebilir kılar. Deterministik model "en iyi tahminimi söyle" derken, stokastik model "tüm olasılıkları göster ve bana buna göre karar verdirt" der. Endüstri mühendisleri, belirsizlik altında karar verme konusunda eğitilmiş profesyoneller olarak bu araçların doğal kullanıcılarıdır.