DOI: 10.56584/1560-8816-2023-3-57-65

УДК 519.874

 

РАЗРАБОТКА АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБНОСТИ В ЗАПАСАХ ГОТОВОЙ ПРОДУКЦИИ

 

Ценина Е. В.,

к.э.н., доц., доцент кафедры предпринимательства и логистики, Российский экономический университет имени Г.В. Плеханова, Москва, Россия

Слепенкова Е. В.,

к.э.н., доц., доцент кафедры предпринимательства и логистики, Российский экономический университет имени Г.В. Плеханова, Москва, Россия

 

Аннотация. В данной научной статье представлена разработка алгоритма для увеличения точности прогноза потребности в готовой продукции. Для достижения этой цели были использованы статистические модели, реализованные на языке программирования Python. В качестве прогностических моделей были выбраны популярные методы, такие как Модель Тейла-Вейджа, Модель Тейла-Вейджа с экспоненциальным трендом, Модель Хольта-Уинтерса, Модель Уинтерса с мультипликативным трендом и Модель SARIMA. Исследование было выполнено на основе данных о трех типовых категориях товаров (А, В, С) производственной FMCG компании К°. Для решения задач исследования был разработан алгоритм машинного обучения на языке программирования Python, который позволил повысить точность прогноза более чем в 2 раза. Точность прогноза составила 89,36% для товара С, 83% для товара B и 83,11% для товара А. Положительные результаты исследования указывают на целесообразность применения методов машинного обучения и математико-экономического моделирования для достижения более высокой точности прогноза.

Ключевые слова: прогнозирование спроса, управление запасами, статистические модели, машинное обучение, Python, математико-экономическое моделирование

 

Development of a machine learning algorithm for forecasting the need for finished products’ inventory

 

Tsenina E. V.,

Candidate of Economics, Associate Professor, Associate Professor of the Department of Entrepreneurship and Logistics, Russian Economic University named after G.V. Plekhanov, Moscow, Russia

Slepenkova E. V.,

Candidate of Economics, Associate Professor, Associate Professor of the Department of Entrepreneurship and Logistics, Russian Economic University named after G.V. Plekhanov, Moscow, Russia

 

Abstract. This scientific article presents the development of an algorithm to increase the accuracy of forecasting the need for finished products. To achieve this goal, statistical models implemented in the Python programming language were used. Popular methods such as the Tail-Wage Model, the Tail-Wage Model with an exponential trend, the Holt-Winters Model, the Winters Model with a multiplicative trend and the SARIMA Model were chosen as predictive models. The study was carried out on the basis of data on three typical product categories (A, B, C) of the FMCG production company Co. To solve the research tasks, a machine learning algorithm was developed in the Python programming language, which allowed to increase the accuracy of the forecast by more than 2 times. The accuracy of the forecast was 89.36% for product C, 83% for product B and 83.11% for product A. The positive results of the study indicate the feasibility of using machine learning methods and mathematical and economic modeling to achieve a higher accuracy of the forecast.

Keywords: demand forecasting, inventory management, statistical models, machine learning, Python, mathematical and economic modeling

 

Библиографический список:

1.      Nemati Amirkolaii K., Baboli A., Shahzad M.K. et al. Demand Forecasting for Irregular Demands in Business Aircraft Spare Parts Supply Chains by using Artificial Intelligence (AI) // IFAC-PapersOnLine, Volume 50, Issue 1, 2017, Pages 15221-15226, ISSN 2405-8963, https://doi.org/10.1016/j.ifacol.2017.08.2371.

2.      Punia S., Shankar S. Predictive analytics for demand forecasting: A deep learning-based decision support system // Knowledge-Based Systems, Volume 258, 2022, 109956, ISSN 0950-7051, https://doi.org/10.1016/j.knosys.2022.109956.

3.      Reuben Varghese Joseph, Anshuman Mohanty, Soumyae Tyagi et al. A hybrid deep learning framework with CNN and Bi-directional LSTM for store item demand forecasting // Computers and Electrical Engineering, Volume 103, 2022, 108358, ISSN 0045-7906, https://doi.org/10.1016/j.compeleceng.2022.108358.

4.      Seyedan M., Mafakheri F., Wang Ch. Order-up-to-level inventory optimization model using time-series demand forecasting with ensemble deep learning // Supply Chain Analytics, Volume 3, 2023, 100024, ISSN 2949-8635, https://doi.org/10.1016/j.sca.2023.100024.

5.      Tadayonrad Y., Ndiaye A.B. A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality // Supply Chain Analytics, Volume 3, 2023, 100026, ISSN 2949-8635, https://doi.org/10.1016/j.sca.2023.100026.

6.      Завалич К.И. Прогнозирование спроса на продукцию производственного предприятия методами машинного обучения / К. И. Завалич, В. А. Мельников // Информационные технологии и системы : Труды Седьмой Всероссийской научной конференции с международным участием, Ханты-Мансийск, 12–16 марта 2019 года / Ответственные редакторы Ю.С. Попков, А.В. Мельников. – Ханты-Мансийск: Автономное учреждение Ханты-Мансийского автономного округа – Югры «Югорский научно-исследовательский институт информационных технологий», 2019. – С.240-244.

7.      Осин А.А., Фомин А.К., Сологуб Г.Б. и др. Использование методов машинного обучения для решения задач прогнозирования спроса на новый товар в интернет-маркетплейсе // Моделирование и анализ данных. – 2020. – Т. 10, №4. – С.41-50. – DOI 10.17759/mda.2020100404.

8.      Пилипенко А. Ю. Прогнозирование спроса на товары средствами машинного обучения // StudNet. – 2022. – Т. 5, № 2.

9.      Почему мы не считаем MAPE, RMSE и другие математические ошибки при прогнозировании спроса [Электронный ресурс], - https://vc.ru/trade/529784-pochemu-my-ne-schitaem-mape-rmse-i-drugie-matematicheskie-oshibki-pri-prognozirovanii-sprosa - статья в интернете