26901

بهبود پيش‌بيني تقاضا مشتريان براي محصولات مصرفي با چرخه عمر كوتاه با استفاده از تكنيك‌هاي داده‌كاوي

كارشناسي ارشد

مهندسي صنايع- مهندسي لجستيك و زنجيره تامين

1398

1401/4/6

مهدي غضنفري

مهندسي صنايع

چگونگي مواجهه با پايگاه داده‌هاي بزرگ در مديريت زنجيره تأمين مسئله بسيار مهمي مي‌باشد. پيش‌بيني تقاضا به عنوان يكي از اصلي‌ترين فعاليت‌ها در مديريت زنجيره‌تأمين مورد توجه صاحبان مشاغل و كسب‌وكارهايي مختلف بوده‌است و تنها شكل انجام آن در زمان‌هاي مختلف تغيير كرده است. برخلاف گذشته كه پيش‌بيني به كمك حجم محدودي از داده‌ها انجام مي‌شد، امروزه با ظهور فناوري‌هاي نوين، مانند زنجيره بلوكي، سيستم‌هاي شناسايي راديويي و امكان رديابي محصولات، افزايش مصرف گرايي و تنوع تقاضا در ميان مصرف‌كنندگان، كوتاه شدن چرخه عمر محصولات، زنجيره تأمين و رويكردهاي مديريت آن دستخوش تغييرات اساسي شده است. پيش‌بيني مي‌شود كه تكنيك‌هاي داده‌كاوي و روش‌هاي مبتني بر يادگيري ماشين مي‌تواند بصورت موثري در قسمت هاي مختلف زنجيره تأمين نظير انتخاب تأمين كننده، توزيع كننده، پيش‌بيني كننده تقاضا و ... مورد استفاده قرار گيرند. محصولات مصرفي با چرخه عمر كوتاه به عنوان دسته‌ي مهمي از كالاها معرفي مي‌شوند كه نيازمند توجه ويژه‌اي در زنجيره‌هاي تأمين هستند. اين دسته از كالا‌ها به علت داشتن شرايط خاص و محدوديت زماني استفاده، مي‌بايست در كمترين زمان ممكن و از سريع‌ترين راه و با كمترين هزينه به دست مشتري مناسب خود برسند. اين موضوع در سال‌هاي اخير توجه بسياري را به خود جلب كرده‌است. در اين پژوهش، الگوريتم‌هاي درخت تصميم، جنگل تصادفي، رگرسيون خطي، گراديان كاهشي تصادفي، رگرسيون كا-همسايگي، رگرسيون بردار پشتيبان و گراديان تقويتي به عنوان ابزارهاي پيش‌بيني كننده‌ي حجم تقاضا با استفاده از تحليل سوابق سفارشات صورت گرفته در يك مركز فروش مواد غذايي اتخاذ شده‌اند. با به‌كارگيري تكنيك‌هاي مهندسي ويژگي‌ها و بهينه‌سازي ابرپارامترها، مقايسه نتايج نشان مي‌دهد كه الگوريتم‌ جنگل تصادفي با دارا بودن زمان محاسبات كمتر و دقت بالاتر، در مقايسه با ساير الگوريتم‌ها، عملكرد بهتري دارد.

1401/06/09

Improving Customer Demand Forecasting for Short-lifecycle Consumer Products with Data mining Techniques

6/27/2023 12:00:00 AM

How to deal with large databases is very important in supply chain management. Demand forecasting as one of the main activities in supply chain management has been considered by various business owners and businesses and only the form of doing it has changed at different times. Unlike in the past, when forecasting was done with a limited amount of data, today with the advent of new technologies such as blockchain, radio identification systems and product tracking, increasing consumerism and diversification of demand among consumers, shortening the product life cycle, supply chain and Its management approaches have undergone fundamental changes. It is predicted that data mining techniques and methods based on machine learning can be used effectively in different parts of the supply chain such as supplier selection, distributor, demand forecaster and etc. Consumer products with short life cycle are introduced as an important category of goods that need special attention in supply chains. Due to the special conditions and time limit of use, these goods must reach their suitable customer in the shortest possible time and in the fastest way and at the lowest cost. This issue has attracted a lot of attention in recent years. In this study, Decision Tree algorithms, Random forest, Linear Regression, Stochastic Gradient Descent, K-nearest neighbors (KNN), Support Vector Regression and Reinforcement Gradient are used as tools to predict demand volume using order record analysis performed in a grocery store. Using Feature Engineering techniques and optimization of hyperparameters, the comparison of the results shows that the random forest algorithm has a better performance compared to other algorithms with less computation time and higher accuracy.

داده‌كاوي , زنجيره تأمين , كالاهاي فسادپذير , پيش‌بيني تقاضا , الگوريتم‌هاي يادگيري ماشين

Data Mining , Supply chain , Fast moving consumer goods , Demand forecast , machine learning algorithms

Hooman Kiyanmehr

Dr. Ghazanfari