Ευφυές σύστημα για τη βέλτιστη διαχείριση αποθεμάτων βασισμένο σε αλγορίθμους μηχανικής μάθησης και μεταφοράς γνώσης

Abstract

Οι αλγόριθμοι μηχανικής μάθησης έχουν δείξει μεγάλες δυνατότητες σε διάφορους το-μείς, αλλά η εμφάνισή τους στη βελτιστοποίηση των ρυθμίσεων διαχείρισης αποθεμάτων, που αποτελεί σημαντικό μέρος μιας εφοδιαστικής αλυσίδας, και πρωταρχικής σημασίας για τις εταιρείες λιανικής, παραμένει περιορισμένη. Αντικείμενο της παρούσας διατριβής είναι η ανάπτυξη ενός ολοκληρωμένου συστήματος βελτιστοποίησης των πολιτικών αποθεματοποίησης μέσω της ελαχιστοποίησης του συνολικού κόστους αποθεματοποίησης, το οποίο εκμεταλλεύεται προηγμένα μοντέλα μηχανικής μάθησης, που βασίζονται σε δέντρα αποφάσεων, προκειμένου να προσεγγίσει τις επιμέρους συνιστώσες που επηρεάζουν άμεσα το συνολικό κόστος σε επίπεδο προϊόντος. Τα μοντέλα μηχανικής μάθησης, έτσι, δύνανται να προσεγγίσουν αυτές τις επιμέρους συνιστώσες λαμβάνοντας ως εισόδους τα μοτίβα εμφάνισης της ζήτησης, δηλαδή τα χαρακτηριστικά των χρονοσειρών που αναπαριστούν τη ζήτηση, και τις βασικές παραμέτρους της πολιτικής αποθεματοποίησης που χρησιμοποιείται. Η προτεινόμενη τεχνική βασίζεται σε δεδομένα και είναι ταχύτερη σε σύγκριση με τους διαδεδομένους τρόπους βελτιστοποίησης της διαδικασίας αποθεματοποίησης, μέσω προσομοιώσεων, χωρίς, όμως, να υπολείπεται σε απόδοση, ενώ παράλληλα είναι ευέλικτη ως προς τις μεθόδους που μπορεί να χρησιμοποιήσει για την πρόβλεψη της ζήτησης ή την εκτίμηση του μέσου επιπέδου αποθέματος, των χαμένων πωλήσεων και του αριθμού παραγγελιών, μεταξύ άλλων. Επιπλέον, το εν λόγω πλαίσιο, εφόσον αυτό είναι επιθυμητό, μπορεί να κάνει χρήση γνώσεων που εξάγονται από διαφορετικά σύνολα δεδομένων από αυτά που βελτιστοποιούνται, τεχνική που ονομάζεται μεταφορά μάθησης, παρέχοντας έτσι πιο ακριβείς προτάσεις σε περιπτώσεις όπου τα ιστορικά δεδομένα είναι ελλιπή ή περιορισμένου μεγέθους. Το πλαίσιο αξιολογήθηκε χρησιμοποιώντας δεδομένα του διαγωνισμού προβλέψεων M5, με τα αποτελέσματα να υποδηλώνουν ότι το προτεινόμενο πλαίσιο, και ιδιαίτερα η προσέγγιση που κάνει χρήση μεταφοράς μάθησης, μπορεί να οδηγήσει σε σημαντικές βελτιώσεις, τόσο ως προς το συνολικό κόστος αποθεματοποίησης όσο και ως προς το επίπεδο εξυπηρέτησης πελατών. Τέλος, στο πλαίσιο της διατριβής αναπτύχθηκε, επίσης, ένα ισχυρό σύστημα υποστήριξης αποφάσεων, το οποίο εμπεριέχει την προσέγγιση μεταφοράς μάθησης του προτεινόμενου πλαισίου, δημιουργώντας ένα φιλικό προς τον χρήστη και πολύτιμο εργαλείο για τους υπεύθυνους λήψης αποφάσεων.