Üretim işletmelerinde stok maliyetlerinin azaltılması, malzeme eksikliklerinin önlenmesi, satın alma süreçlerinin doğru zamanda tetiklenmesi ve üretim sürekliliğinin sağlanması için Malzeme İhtiyaç Planlama (MRP) sistemleri kritik öneme sahiptir. Ancak MRP başarısı yalnızca yazılım seçimine bağlı değildir; ürün ağaçlarının, stok kayıtlarının, tedarik sürelerinin, açık siparişlerin ve üretim takvimlerinin güvenilirliği sistemin temelidir.

Geleneksel MRP deterministic (önceden tanımlanmış kesin) kurallarla net ihtiyaç ve tarih hesaplar. Yapay zeka ise talep, tedarik süresi ve gerçekleşme davranışlarındaki belirsizliği tahmin ederek MRP kararlarını güçlendirir. En doğru yaklaşım, ERP/MRP sistemini ana kayıt sistemi olarak korumak ve yapay zekayı bunun üzerinde çalışan bir karar zekası katmanı olarak konumlandırmaktır.

Şekil 1. Klasik MRP hesaplama akışının sadeleştirilmiş görünümü.

Bu makalenin cevapladığı temel sorular

• MRP sisteminin çalışabilmesi için minimum veri, süreç ve organizasyon şartları nelerdir?
• MRP ile MRP II arasındaki sınır nerede başlar?
• Yapay zeka talep tahmini, emniyet stoğu, tedarikçi riski ve istisna yönetiminde nasıl kullanılabilir?
• AI-MRP mimarisi hangi katmanlardan oluşmalıdır?
• Yapay zekaya ne zaman otomatik işlem yetkisi verilebilir ve hangi kontroller gereklidir?
• Başarı hangi KPI ve olgunluk göstergeleriyle ölçülmelidir?

1. MRP Nedir?

MRP - Material Requirements Planning, ana üretim programındaki ürünlerin hangi malzemelerden, ne kadar ve ne zaman gerektirdiğini hesaplayan zaman fazlı bir planlama yaklaşımıdır.

Sistem bu soruların cevabını müşteri siparişleri, satış tahminleri, ana üretim programı, ürün ağaçları, stok, açık satın alma siparişleri, açık üretim emirleri ve tedarik süreleri üzerinden hesaplar.

MRP ile MRP II arasındaki ayrım

MRP ağırlıklı olarak malzeme ihtiyaçlarının planlanmasına odaklanır. MRP II - Manufacturing Resource Planning ise malzemenin yanında makine, işçilik, üretim kapasitesi, vardiyalar, iş merkezleri ve finansal kaynakları da planlama kapsamına alır.

Bu nedenle “hangi malzemeden ne kadar almalıyız?” sorusu MRP alanındadır. “Bu siparişi mevcut makine, insan, malzeme ve zaman kapasitemizle ne zaman üretebiliriz?” sorusu ise MRP II ve ileri çizelgeleme/APS yaklaşımına doğru ilerler.

2. MRP Sisteminin Çalışabilmesi İçin Minimum Şartlar

MRP sisteminin başarısı algoritmadan önce veri doğruluğuna bağlıdır. En gelişmiş ERP veya yapay zeka çözümü dahi hatalı ürün ağacı, yanlış stok veya gerçekçi olmayan termin süreleri üzerinden güvenilir bir plan üretemez.

2.1. Malzeme ana verisi

Her stok kaleminin tekil bir malzeme kodu ve yönetilebilir bir ana veri standardı olmalıdır. Minimum olarak aşağıdaki alanlar tanımlanmalıdır:

• Malzeme kodu ve adı
• Malzeme tipi ve ana ölçü birimi
• Satın alınan / üretilen bilgisi
• Minimum sipariş miktarı ve sipariş katı
• Standart tedarik süresi
• Kritik malzeme sınıfı
• Stoklama lokasyonu
• Emniyet stoğu
• Aktif / pasif durumu

Aynı malzemenin farklı isim veya kodlarla birden fazla kez açılması, MRP netleştirmesini ve stok görünürlüğünü bozan temel veri problemlerinden biridir.

3. Ürün Ağacı - BOM Doğruluğu

MRP hesaplamasının merkezinde BOM - Bill of Materials / Ürün Ağacı bulunur.

Örneğin;

Ürün A için 1 gövde, 2 motor, 4 rulman ve 8 bağlantı elemanı gerekiyorsa; 100 adet Ürün A talebi sistemde ilgili alt seviye ihtiyaçları otomatik olarak oluşturmalıdır.

• BOM seviyeleri
• Bileşen miktarları
• Fire oranları
• Alternatif malzemeler
• Revizyonlar
• Geçerlilik tarihleri

Özellikle mühendislik değişikliklerinde eski ve yeni BOM revizyonlarının karışması ciddi stok, satın alma ve üretim problemlerine neden olabilir. Bu nedenle mühendislik değişiklik yönetiminin EBOM -> MBOM -> ERP/MRP zincirini kontrollü biçimde desteklemesi gerekir.

4. Stok Kayıtlarının Güvenilirliği

MRP açısından sistemde görünen stok ile fiziksel stok arasındaki fark kritiktir. Sistemde 100 adet görünen bir parçanın gerçekte 70 adet bulunması halinde MRP 30 adetlik açığı göremez ve ihtiyaç hesaplaması hatalı olur.

• Depo girişleri
• Üretime malzeme çıkışları
• Üretimden iadeler
• Fire ve hurda kayıtları
• Lokasyon transferleri
• Üretim tamamlamaları

5. Tedarik Sürelerinin Tanımlanması

MRP yalnızca “ne kadar?” sorusuna değil, “ne zaman sipariş vermeliyim?” sorusuna da cevap verir. Bu nedenle her malzeme için gerçekçi satın alma ve üretim termin süreleri tanımlanmalıdır.

Örneğin bir malzemenin üretimde ihtiyaç tarihi 30 Haziran ve gerçek tedarik süresi 30 gün ise MRP satın alma talebini yaklaşık olarak Mayıs sonunda oluşturmalıdır. Sistem parametresi 10 gün ise malzeme üretime yetişmeyebilir.

6. Ana Üretim Programı - MPS

MRP’nin çalıştırılabilmesi için sistem gelecekte ne üretileceğini bilmelidir. Bu bilgi MPS - Master Production Schedule / Ana Üretim Programı üzerinden oluşturulur.

• Kesinleşmiş müşteri siparişleri
• Satış tahminleri
• Proje siparişleri
• Minimum stok politikaları
• Kampanya ve sezon beklentileri

MRP daha sonra MPS’deki bitmiş ürün miktarlarını ürün ağacında aşağı doğru patlatarak zaman fazlı malzeme ihtiyaçlarını hesaplar.

7. MRP İçin Minimum Veri ve Sistem Gereksinimleri

Bu veriler güvenilir değilse, önce veri ve süreç standardizasyonu yapılmalı; daha sonra MRP parametreleri etkinleştirilmelidir.

8.Temel MRP Hesaplama Mantığı

Örnek: Brüt ihtiyaç 1.000 adet, kullanılabilir stok 400 adet, açık satın alma siparişi 200 adet ve emniyet stoğu 100 adet ise net ihtiyaç 500 adettir. Sistem daha sonra lead time bilgisini geriye doğru kullanarak planlanan sipariş açılış tarihini belirler.

9. MRP’nin En Büyük Problemi: Belirsizlik

Klasik MRP çoğunlukla deterministik parametrelerle çalışır. Sistem “termin süresi 20 gündür” bilgisini doğru kabul eder. Oysa gerçek teslimatlar 15, 18, 24 veya 32 gün olabilir. Benzer şekilde satış tahmini 1.000 adetken gerçekleşen talep 700 veya 1.400 adet olabilir.

Grafik 1. Talep tahmininde AI kullanımının temsili gösterimi. Veriler gerçek işletme verisi değildir.

10. Yapay Zeka MRP Sürecine Nasıl Entegre Edilebilir?

Yapay zekanın MRP sistemine entegrasyonu; tahmin, risk analizi, optimizasyon ve doğal dil destekli karar yardımı olmak üzere dört temel kabiliyeti bir araya getirir. Aşağıdaki kullanım alanları birlikte veya kademeli olarak uygulanabilir.

10.1. Yapay zeka destekli talep tahmini

Klasik tahminler önceki yıl satışları, hareketli ortalama ve satış yöneticisi öngörüleri üzerinden üretilebilir. AI modelleri ise geçmiş satışlar, müşteri siparişleri, mevsimsellik, ürün grubu, fiyat değişimleri, promosyonlar, bölgesel satışlar ve uygun harici göstergeleri birlikte analiz edebilir.

11. Dinamik Emniyet Stoğu

Klasik ERP sistemlerinde emniyet stoğu çoğu zaman sabit bir rakamdır. Oysa talep ve tedarik riski sürekli değişir. AI; talep oynaklığı, tedarikçi gecikme geçmişi, ürün kritikliği, sezon ve stok tükenme riskini analiz ederek dinamik emniyet stoğu önerebilir.

Bu yaklaşım gereksiz stok artışını sınırlarken hedeflenen servis seviyesinin korunmasına yardımcı olur.

12. Yapay Zeka Destekli Tedarikçi Termin Tahmini

ERP sisteminde standart termin 20 gün tanımlı olabilir. AI modeli son siparişler, sipariş miktarı, ürün tipi, tedarikçi performansı, sezon, teslimat lokasyonu ve geçmiş gecikmeler üzerinden gerçek teslim süresini tahmin edebilir.

13. Stok Tükenme Riskinin Önceden Tahmini

AI algoritması gelecekte oluşabilecek malzeme eksikliklerini sipariş gecikmesi gerçekleşmeden önce tahmin edebilir. Tahmin; mevcut stok, açık sipariş, planlanan tüketim ve belirsizlikleri aynı değerlendirmede birleştirir.

14. AI Destekli Alternatif Malzeme Yönetimi

Kritik bir malzeme eksik olduğunda sistem; muadil malzemeleri, teknik uygunluğu, mevcut stok miktarını, maliyeti ve tedarik süresini birlikte analiz ederek alternatif önerebilir.

Mühendislik açısından kritik malzemelerde AI önerisi doğrudan uygulanmamalıdır. Teknik uygunluk, kalite ve değişiklik yönetimi onayından geçmelidir.

15. MRP Exception Management - İstisna Yönetimi

MRP çalıştırıldığında siparişi öne çek, ertele, iptal et, yeni satın alma talebi oluştur, üretim emrini öne çek, stok yetersiz veya termin riski var gibi çok sayıda planlama mesajı oluşabilir. Yapay zeka bu mesajları iş etkisine göre sıralayabilir.