پیش بینی تقاضا بر اساس روشهای یادگیری ماشین با تاکید بر محصولات جایگزین در صنعت نساجی

پیش بینی تقاضا با دقت بالا باعث کاهش هزینه های انبارداری، بهبود تنوع موجودی و افزایش شاخص تحویل به موقع خواهد شد. محصولات جایگزین به طور معمول در فرآیند تولید به دلیل کمبود محصول اصلی مطرح هستند و لذا پیش بینی تقاضا باید به طور موثری این جایگزینی ها را لحاظ کند. در این تحقیق محصولات جایگزین ابتدا در یک گروه قرار گرفته و پیش بینی تقاضا با استفاده از روش های ANN, AR, ARIMA, SARIMA, SARIMAX, LSTM بر روی گروه محصول انجام می شود. با این روش خطای پیش بینی حداقل شده و اثر محصولات جایگزین نیز در مدل لحاظ خواهد شد. در ادامه، با استفاده از روش تخصیص متناسب و بر اساس سهم تاریخی فروش هر محصول، تقاضای پیش بینی شده برای هر گروه، به طور منطقی بین محصولات درون آن گروه توزیع می گردد. در صنعت نساجی، جایگزینی محصول به دلیل کمبود محصول اصلی پرتکرار است لذا در پیش بینی تقاضا شناسایی محصولات جایگزین ضروری است. برای این منظور، با استفاده از داده های موجود و ویژگی های محصولات جایگزین، گروه بندی محصولات از طریق الگوریتم های یادگیری ماشین انجام خواهد شد. سپس، پیش بینی تقاضا به صورت جداگانه برای هر گروه، با بهره گیری از مدل هایی که پیش تر معرفی شدند، صورت می گیرد تا دقت پیش بینی افزایش یابد و تاثیر جایگزینی محصولات در فرآیند تقاضا به طور موثری لحاظ شود. مراحل پژوهش در یک مطالعه موردی در صنعت نساجی و در شرکت ظریف مصور، پیاده سازی شده و اثرات استفاده از پیش بینی تقاضا با گروه بندی محصولات جایگزین مورد بررسی قرار خواهد گرفت و با توجه به نتایج حاصل از معیار سیلوئت، دسته بندی ۲۲۵۳ محصول در ۳۰ خوشه به عنوان ساختار بهینه خوشه بندی انتخاب شد، در نهایت نتایج عددی حاصل از پیاده سازی مدل نشان می دهد که در نظر گرفتن ساختار جایگزینی محصولات، باعث کاهش خطای پیش بینی MAPE از ۱۳.۲٪ به ۶.۷۲٪ شده است.

کلیدواژه ها:

پیش بینی تقاضا ، یادگیری ماشین ، محصول جایگزین