27962

پيش بيني فروش به كمك روشها ي يادگيري ماشين: يك مطالعه ي موردي

كارشناسي ارشد

مهندسي صنايع

1398

1401/08/02

دكتر محمد مهدوي مزده

دكتر مرتضي باقرپور

مهندسي صنايع

پيشبيني فروش در مديريت زنجيرهي تأمين و تحليلهاي كسب و كتار از اهميتت بتا يي برختوردار استت. پيشبيني دقيق ميزان فروش س ب تصميمگيري بهينه در فرايندهاي متعدد زنجيره، اعم از مديريت فتروش و موجودي، برنامهريزي ظرفيت و توزيع خواهد شد. مسائل پيشبينتي معمتو د در قالتب ستريهتاي زمتاني بررسي ميشوند؛ لذا در ادبيام موضوع، به دفعام از روش هاي م تني بر تحليل سريهاي زماني و رگرسيون جهت حل مسئلهي پيشبيني فروش استفاده شدهاست. با توسعهي الگوريتمها و پردازنتدههتاي محاست اتي، روش هاي يادگيري ماشين و يادگيري عميق جهت حل اين مسئله مورد استفاده قرار گرفتند. ايتن روش هتا قادر به يادگيري الگوهاي پيچيده موجود در كالندادهها با ابعاد با هستند. همچنتين ايتن روش هتا امكتان استفاده از متغيرهاي پيشبيني متعدد كه ميتوانند بر پيشبيني بهتر متغير پاسخ موثر باشند را فراهم مي- كنند. در اين مطالعه، روش هاي متعدد يادگيري ماشين به منظور حل مسئلهي پيشبينتي فتروش يتك فروشتگاه زنجيرهاي محصو م دارويي به كار رفتهاند. اطالعام فروش روزانهي واحدهاي SKU بته متدم بتيش از دو سال، به همراه اطالعاتي همچون ايام تعطيل و پروموشن به عنوان مورد مطالعه بكار رفتهاند. از تكنيكهتاي مختلف تحليل آمار توصيفي و مهندسي ويژگيها جهت غنيسازي مجموعته دادهي متورد بررستي استتفاده شدهاست. پس از پردازش دادگان خام، مدلهاي ل هي دانشي يادگيري ماشين با دو رويكرد يادگيري سري- به-سري و يادگيري متقابل پيادهسازي و مقايسه شدهاند. نتايج پژوهش نشان ميدهتد، آمتوزش متدلهتاي يادگيري با رويكرد يادگيري متقابل س ب به ود دقت پيشبيني مدلهاي يادگيري )بصورم ميتانگين 60 )% ميشود. در آخر، يك مدل تركي ي م تني بر ش كههاي حافظهي كوتاه-متدم بلنتد و شت كههتاي عصت ي مصتنوعي پيشنهاد و بر روي مسئلهي مورد برسي، ارزيابي شدهاست. متدل پيشتنهادي بتر استاس معيارهتاي خطتاي رگرسيوني، دقت پيشبيني در رويكرد يادگيري متقابل را تا 14 %نست ت بته بهتترين متدلهتاي يتادگيري ماشين به ود ميدهد كه از لحاظ آماري قابلمالحظه است. عملكرد مناسب مدل پيشنهادي بر روي دادگان آزمون، نشان از پايداري مدل در مواجهه با دادگان خارج-از-نمونه است.

1401/12/14

Sales Forecasting Using Machine Learning Methods: A case study

10/24/2023 12:00:00 AM

Sales forecasting (SF) is critical in Supply Chain Management (SCM) and Business Analytics. Accurate sales prediction would result in efficient decision making regarding sales & inventory management, capacity and also distribution planning. Traditionaly, classic Time-Series and statistical methods were used in order to solve SF problmes. With advancement of computing alogrithms and processors, methods such as Machine Learning (ML) and Deep Learning (DL) are leveraged to solve SF problems. These methods are capable of learning complex patterns in huge amounts of data with high dimensionality. They are also suitable for incorporating different predictor variables so as to have better accuracy in response variable prediction. In this study, different ML models are used in order to solve forecasting problem in a chain of pharmeceutical stores. More than 2 years of historical daily sales data with information such as holidays and promotion availability are used as a case study. Comprehensive Exploratory Data Analysis (EDA) and Feature Engineering are used In order to enrich the dataset being studied. After processing the raw data, state-of-art of ML models are implemented in a series-by-series and cross-learning fashion. Results show that training ML models in a cross-learning manner, provide significant improvement (Avg 60%) in prediction accuracy. Lastly, a hybrid LSTM-MLP model is proposed and applied to the SF problem in hand. The proposed model provide lower MAE and RMSE errors compared to ensemble of ML models (14% improvement which is significant) on validation set. Aforementioned model performs well on out-of-sample data which indicates the robustness of proposed model.

پيشبيني فروش، , يادگيري ماشين , يادگيري عميق

Sales Forecasting , Machine Learning , Deep Learning

AmirHossein Tajbakhsh

Dr. Mohammad Mahdavi Mazdeh