Proje İçeriği

Ford Otosan, üst üste 8 senedir Türkiye'nin, 12 senedir de otomotiv sektörünün ihracat lideri bir firma olarak yıllardır üretimde gösterdiği başarıyı, odağına Veri ve Analitiği, Yapay Zekayı alarak güçlendirmeyi hedeflemektedir.  

 Veri Kültürüne, bir organizasyonun veriyle kararlar almak için benimsediği inançlar, uygulamalar ve davranışlar kümesi diyebiliriz. Aslında bu, organizasyon içerisinde herkesten bir zihniyet değişikliği ve taahhüt gerektiren bütüncül bir yaklaşım olarak karşımıza çıkıyor. Biz de Ford Otosan olarak Mart 2023 de satın alma liderimizin fikriyle bir süreci yapay zeka destekli hale getirdik. Güncel uluslararası gerilimler ve tedarik zinciri krizleri nedeniyle artan belirsizliklerle başa çıkmak için geliştirilen "Çelik Fiyat Tahmini" projesi, Ford Otosan'ın iki çeyreklik satın alacağı çelik için fiyat tahmininde bulunmaktadır.

Veri Altyapılarının Modernizasyonu: 

Verinin tüm organizasyonda demokratikleştirilmesi amacıyla veri platformlarımızın modernizasyonu için çalışmalar yürüttük. Üretim 360, Araç 360 ve Müşteri 360 metriklerimizi hesaplayabilmek için gerekli tüm verinin toplanıp işlenebileceği, raporlanabileceği, analitik ile içgörüler oluşturulabileceği veri platformlarını devreye aldık. Öncelikle fabrikalarda IoT cihazlarından, sensörlerden vb kaynaklardan toplayacağımız yapısal olmayan veriyi topladığımız 1200 Core, 720 TB on-premise Hadoop açık kaynak tabanlı veri gölümüzü 6 ay gibi kısa bir sürede kurduk ve işletmeye başladık.  Burada açık kaynak tabanlı bir çok ürün ve teknolojiyi çalışır hale getirdik. Bunlarla ilgili veri bilimi standartlarımızı, süreçlerimizi oluşturarak Data Citizen larımız dahil tüm paydaşlarımıza duyurduk. Yine veri gölümüzün üzerinde Data Citizen larımızın kodlama yapmadan analitik modeller geliştirebilmesi için %100 Ford Otosan çalışanları tarafından geliştirilmiş No-Code Auto ML/AI ürünümüzü kurup kullanıma açtık.

Ayrıca Müşteri, Satış, Satış Sonrası gibi yapısal veri kaynaklarından aldığımız veriyi işleyip depoladığımız Kurumsal Veri Ambarımızı, tüm dünyaca kabul görmüş veri ambarı teknolojilerine taşımaya devam ediyoruz. Burada anlık veri çekebilme kabiliyeti olan veri kopyalama ürünlerini kullanıyoruz. 

Veri Analitik Yetkinliklerinin Geliştirilmesi

Veri Kültürüne, bir organizasyonun veriyle kararlar almak için benimsediği inançlar, uygulamalar ve davranışlar kümesi diyebiliriz. Aslında bu, organizasyon içerisinde herkesten bir zihniyet değişikliği ve taahhüt gerektiren bütüncül bir yaklaşım olarak karşımıza çıkıyor. Biz de Ford Otosan olarak Mart 2023 de satın alma liderimizin fikriyle bir süreci yapay zeka destekli hale getirdik. Güncel uluslararası gerilimler ve tedarik zinciri krizleri nedeniyle artan belirsizliklerle başa çıkmak için geliştirilen "Çelik Fiyat Tahmini" projesi, Ford Otosan'ın iki çeyreklik satın alacağı çelik için fiyat tahmininde bulunmaktadır.

Veriden Elde Edilecek Değerin Maksimize Edilmesi

Otomotiv endüstrisinde, çelik alımları toplam maliyetin büyük bir kısmını oluşturmaktadır. Bu nedenle, doğru fiyat tahminleri yapmak büyük bir öneme sahiptir. Projemiz, uzmanlarımıza her zaman kontrol etmek istediklerinde geleceğe dönük yaklaşık 6 aylık fiyat tahminleri sunarak, maliyetleri optimize etmeleri ve daha bilinçli satın alma kararları almaları için güçlü bir araç sağlar.

Projenin Amacı

Projenin temel amacı, Ford Otosan'ın karşılaştığı tedarik zinciri zorluklarına yönelik bir çözüm sunmaktır. Mevcut global belirsizlikler ve tedarik zinciri krizleri, çelik fiyatlarında büyük dalgalanmalara neden olmuştur. Bu dalgalanmalar, otomotiv endüstrisinde büyük bir maliyet kalemini oluşturan çelik alımlarını doğrudan etkilemektedir. Dolayısıyla, bu projeyi, mevcut tedarik süreçlerini iyileştirmek ve daha bilinçli, veriye dayalı satın alma kararları alabilmek için geliştirdik. Aynı zamanda, sürekli güncellenen ve doğru fiyat tahminleri sunan bir araçla, tedarik ekibine gerçek zamanlı içgörüler sağlama amacı güdülmüştür. Bu nedenle, projemiz hem mevcut bir süreci iyileştirmek hem de tedarik ekibine yeni bir hizmet sunmak amacıyla hayata geçirilmiştir. Bu hizmet, Ford Otosan'ın daha rekabetçi ve maliyet etkin olmasına katkıda bulunmaktadır.

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

Projemizin en büyük yeniliği, global olaylara ve piyasa koşullarına hızla tepki veren dinamik bir tahmin modeli oluşturmaktır. Bu model, hem genel pazar trendlerini hem de belirli olayların çelik fiyatları üzerindeki etkisini dikkate alarak, 24/7 erişilebilir bir şekilde 6 aylık fiyat tahminleri sunmaktadır. Bu, tedarik ekibinin mevcut ve gelecekteki piyasa koşullarına hızla uyum sağlamasına olanak tanır.

Projenin inovatif yönü, çeşitli veri kaynaklarından gerçek zamanlı olarak saatlik veri çekme yeteneğidir. Özellikle "Steelorbis", "Fastmarket", "Ford Superg Systems", "Borsa İstanbul" ve "Nymex" gibi kaynaklardan elde edilen veriler, çelik fiyatlarının dinamiklerini anlamak için kritik öneme sahiptir. Bu veri akışı, projemizin sürekli olarak güncellenen ve doğru fiyat tahminleri sunmasını sağlar. Kullandığımız teknolojilerle birleşen bu dağınık, düzensiz, yapısal olmayan verilerin entegrasyonu, projeyi benzersiz kılarak,  gerçek zamanlı, doğru ve kapsamlı fiyat tahminleri oluşturma kapasitesini artırır. Bu da tedarik süreçlerinin optimize edilmesine ve maliyetlerin azaltılmasına olanak tanır. Bu inovasyon, Ford Otosan'ın tedarik süreçlerini daha etkili, verimli ve bilgiye dayalı hale getirme amacını desteklemektedir.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Proje özellikle Ford Otosan'ın tedarik ekibine büyük fayda sağlamıştır. Tedarik ekibi, bu sayede karşılaştığı zorlukları daha etkili bir şekilde aşmış, riskleri minimize ederek daha bilinçli satın alma kararları alabilmektedir. Ayrıca, tahminlerin doğruluğu sayesinde, satın alma maliyetlerini azaltarak yıllık %1 (~4M €)tasarruf sağlamayı öngörmüşlerdir.

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Dijital Ürün ve Servisler Liderimiz Hayriye Karadeniz, veri odaklı organizasyonunun kurulmasına bizzat liderlik etmiştir. Gerekli kaynak ve bütçelerin ayrılması konusunda sponsor olarak her türlü desteği sağlamıştır. Satınalma liderimiz hem bu dönüşümü desteklemiş, hemde bizzat veri analitiği programına katılarak kendisini geliştirmiş ve liderlik ettiği ekiplere ve organizasyona örnek olmuş desteklenmesini sağlamıştır. Ayrıca CEO muz Güven Özyurt veri ile karar alma kültürünün yaygınlaştırılması konusunda, bizzat kendisinin tasarladığı rapor ve dashboard lar ile diğer liderlere rol model olmuştur.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

Evet analiz ettik ve değerini de ortaya koyduk. Ağustos – Ekim 2023 arasında devreye alınan yapay zeka modelinin sonuçları gözlenmekte ve oldukça doğru sonuçlar vermektedir. Bu haliyle yıllık alımlarda yıllık  %1’lik (~4M €) tasarruf sağlayacağı öngörülmektedir. Ford Otosan’ın yılda 430 bin ton çelik hammadde alımı yaptığını düşünürsek bu oran çok çok iyi bir kazanımdır.

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

Veri ve Otomasyon ekibinden 4 kişi, Satılalma liderliğinden 3 kişi bu çalışmaların içerisinde aktif olarak görev almıştır.

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Veri altyapılarının modernizasyonu konusunda Koç Dijital, Bentego, Cloudera, Oracle, Metric firmaları ile çalıştık. Projenin tamamı Ford Otosan kendi mühendisleri ile geliştirilmiştir.

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)

Apache Hadoop: Veri depolama için Hadoop'u kullandık. Özellikle büyük miktarda ham veriyi saklamak ve bu verilere hızla erişmek için bu platformu tercih ettik. Apache Spark: Veri işleme ve analizinde Spark'ı kullandık. Özellikle büyük veri setlerini hızla işlemek ve analiz etmek için bu aracı kullandık. Apache Kafka: Gerçek zamanlı veri akışını yönetmek için Kafka'yı kullandık. Özellikle farklı veri kaynaklarından gelen veriyi anında işleyebilmek için bu platformu tercih ettik. Selenium: Web'den veri çekmek için Selenium'u kullandık. Özellikle çeşitli kaynaklardan güncel çelik fiyatları ve diğer ilgili verileri otomatik olarak çekmek için bu aracı kullandık. Apache Airflow: Otomatik veri işleme görevlerini planlamak ve yönetmek için Airflow kullanıldı. Bu, veri toplama ve işleme görevlerini otomatikleştirmemize ve belirli zamanlarda bu görevleri çalıştırmamıza olanak tanır. Scikit-learn: Çeşitli makine öğrenimi modellerini eğitmek ve değerlendirmek için Scikit-learn kütüphanesini kullandık. Keras LSTM Modeli: Tahminleme görevleri için Keras ile LSTM (Uzun Kısa Vadeli Bellek) modelini kullandık. Özellikle zaman serisi verileri üzerinde daha doğru tahminler yapabilmek için bu derin öğrenme modelini tercih ettik.