ERKUT EKİNCİ

HUGO BOSS

CIO

Kesimhanede, üretim siparişlerinin çeşitliliğine göre ortak bir paydada buluşturduğumuz kesim planlarını uyguluyoruz ama bu ortak paydaların en optimize şekilde oluşturulması oldukça karmaşık birçok parametreye bağlı. Bunun için kullandığımız yazılımlar pastal(ürünü oluşturan parçaların yerleşim çizimleri) havuzundan seçilebilecek alternatifleri bize sunuyor ama hangi pastalların hangi kombinasyonla kullanılması durumunda nasıl bir kumaş kazancı, cutter kapasite boşluğu yaratılması gibi konularda hangi alternatifin daha iyi olacağını tecrübelerimizle yönetiyorduk. Bu nedenle kumaş kazancı ve cutter kapasitesi açısından hala daha iyiye uzanabilecek yollarımız olduğunu düşündük. Bu amaçla hem Optimizasyon hem de Makine Öğrenmesi (Machine Learning – ML) tekniklerini kullanarak kumaş kazancı, süreç sadeleştirme, cutter kapasite kazancı gibi üç farklı alanda beklentinin de ötesinde yeni bir düzlem yarattık. Yaşadığımız en büyük zorluk, elimizdeki verilerin Makine Öğrenmesi ile modellenmesi ve diğer sistemlerle olan entegrasyonu idi. Özellikle kullandığımız yazılımların paket program olması nedeniyle entegrasyon aşamasında RPA (Robotic process Automation) yazılımlarını da kullanarak aslında dünyada birçok bakımdan bir ilki gerçekleştirmiş olduk. Diğer bir deyişle; Makine Öğrenmesi, Optimizasyon ve RPA tekniklerinin kullanıldığı ve somut, ölçülebilir yüksek kazanca sahip çok verimli bir sistem yarattık.  Şu anki sonuçlar çok tatmin edici düzeylerde. Özellikle üretim kapasitesi ile doğru orantılı bir kazanç olması ve Hugo Boss Izmir olarak yüksek adetli üretim hacmimizden dolayı 7 haneli rakamlara ulaşan bir kazanç sözkonusu. Diğer taraftan artan sipariş karmaşası ve miktarları nedeniyle ekstra cutter yatırımına gerek duymuyoruz. Cutter kapasitesinde yaratılan boşluklar ve süreç yalınlaştırma bize az zamanda daha çok kumaş kesebilme esnekliğini kazandırmıştır.