Prognozowanie popytu w sieci neuronowej
Wykorzystaj siłę danych firmowych i rynkowych
Oprogramowanie DATURE ENTERPRISE wykorzystuje głębokie, rozmyte sieci neuronowe w procesie prognozowania popytu
Współczesne zarządzanie łańcuchem dostaw wymaga analizy dużych zbiorów danych. Jest to element szczególnie ważny w procesie generowania prognoz. Trafność oszacowania przyszłej sprzedaży jest zależna od tego jak dobrze potrafimy „przeczytać” i wykorzystać dane wpływające na popyt. Często posiadamy ogromne ilości danych, ale z powodu brak możliwości uwzględniania ich w tradycyjnych modelach prognostycznych, nie potrafimy ich biznesowo wykorzystać.
Sieci neuronowe pozwalają na łączną analizę dużej liczby potencjalnych zmiennych wpływających na popyt. np. promocjach, wybranych danych makroekonomicznych i sektorowych, meteorologicznych, etc. Mogą też się na ich bazie uczyć. Dają nam zatem szanse na ich wykorzystanie biznesowe i uzyskanie korzyści w postaci dużo trafniejszych przewidywań przyszłej sprzedaży.
Zalety sieci neuronowej
Wśród zalet wykorzystania sieci neuronowych w procesie prognozowania można wymienić:
- możliwość uczenia się oraz uogólniania wiedzy nabytej w procesie uczenia,
- zdolność do realizacji pamięci asocjacyjnej (skojarzeniowej – podobnie jak działa pamięć u ludzi)
- zdolność modelowania zależności nieliniowych,
- możliwość rozwiązywania problemów bez znajomości analitycznej zależności między danymi wejściowymi a oczekiwanymi wyjściami,
- zdolność adaptacji do zmieniających się warunków, w których prognoza jest stawiana,
Wykorzystanie Dature Enterprise w prognozowaniu popytu pozwala ponadto oszacować znaczenie danych użytych w modelu z punktu widzenia wyników prognozowania. Dzięki temu można poznać „ważności” cech tych danych i wykorzystać w procesach zarządzania produktami.
Uczenie sieci
Przykładowy proces uczenia maszynowego w sieci neuronowej zaczyna się od załadowania wybranych danych opisujących popyt. Zazwyczaj mamy historię sprzedaży – trzeba sobie odpowiedzieć na pytanie czy te dane dobrze opisują popyt? Na przykład warto naszą historię sprzedaży urealnić odfiltrowując sprzedaż przy braku lub niepełnym stanie magazynowym. Jeśli znamy lub podejrzewamy przyczynowo - skutkową relacje między naszymi działaniami (np. zmiany ceny, promocje), świętami publicznymi, zdarzeniami, zwykłą sezonowością to dokładamy takie dane. W ten sposób otrzymujemy zmienne, które wspomogą nasz model prognozowania popytu w sieci neuronowej.
Prognoza finalna jest tworzona na podstawie najlepszego modelu, parametrów lub zmiennych.
Taki proces daje nam dużą gwarancję, że otrzymamy najlepszą możliwą prognozę na bazie naszych danych i wiedzy o procesie biznesowym
Optymalizacja zapasów
z wykorzystaniem matematycznej funkcji celu
Oprogramowanie DATURE ENTERPRISE wykorzystuje matematyczne modele funkcji celu z uwzględnieniem ograniczeń dla optymalizacji zapasów.
Proste modele optymalizacyjne dotyczą zazwyczaj określenia optymalnej wielkości zamówienia i są oparte na koncepcji tzw. ekonomicznej wielkości zamówienia (economic order quantity – EOQ). Modele te mogą uwzględniać koszty braku zapasu, są jednak w tym względzie oparte na założeniu stałego, arbitralnie przyjętego poziomu obsługi (może on wynikać np. z wewnętrznych normatywów opartych na klasyfikacji ABC). Takie „jednowymiarowe” podejście nadaje się zatem do racjonalnego zarządzania zapasem cyklicznym, zwłaszcza dla pojedynczych pozycji asortymentowych. W przypadku sterowania zapasami wielu pozycji asortymentowych podejście to jest realizowane w ujęciu wartościowym (tzw. ekonomiczna wartość zamówienia).
W wielu przypadkach takie podejście jest jednak niewystarczające, bowiem wymagany (optymalny) poziom obsługi może zależeć od kosztów ewentualnego braku zapasu i jego relacji wobec kosztów utrzymania zapasu. To prowadzi do konieczności budowy modeli kompleksowych, w których zmienne niezależne (optymalizowane) obejmują zarówno wielkość dostaw (ogólniej częstość lub liczbę dostaw w ciągu przyjętego okresu) oraz poziom obsługi (lub odpowiadający mu współczynnik bezpieczeństwa). Wielkości te oddziaływają w sposób złożony zarówno na koszty uzupełniania jak i na koszty utrzymania i braku zapasu. Przestawia to poniższy rysunek.
Optymalizacja a funkcja celu: minimalizacja kosztów / maksymalizacja marży
Optymalizacja przepływów dóbr w łańcuchach dostaw, obok konieczności zdefiniowania funkcji celu, wymaga uwzględnienia szeregu ograniczeń. Mogą mieć one różny charakter i dotyczyć różnych kwestii, np. dopuszczalnej dostępności powierzchni magazynowej czy budżetu finansującego zapas,. W przypadkach, w których jednym z czynników wpływających na wartość funkcji celu jest poziom zapasu, ograniczeniem będzie poziom obsługi (poziom dostępności dóbr wydawanych z zapasu).
Optymalizacja obu ogniw łańcucha dostaw (dostawca-odbiorca)
Działając w ramach łańcucha dostaw, funkcjonujemy zwykle w kontekście odbiorca-dostawca, generując łącznie wartość dla klientów końcowych. Optymalizacja średniego poziomu zapasów powinna być zatem rozpatrywana z perspektywy zarówno odbiorcy jak i dostawcy.
W aplikacji Dature Enterprise jest to możliwe dzięki opracowanym algorytmom modelu pozwalającego na rozwiązanie dwóch zadań optymalizacyjnych:
- minimalizacji łącznych kosztów logistycznych
- maksymalizacji łącznej marży przy uwzględnieniu:
- zadanego poziomu obsługi- na poziomie odbiorcy
- ograniczeń ze strony pojemności magazynów, środków transportu itp.
- zmiennych kosztów uzupełniania zapasu (np. transportu) jako funkcji wielkości dostaw
- kosztów występowania braków w zapasie
- itp
Prognozowanie popytu jest istotnym zagadnieniem z punktu widzenia zarządzania zapasami w łańcuchach dostaw. Jednak równie ważnym czynnikiem mającym wpływ na niezawodność procesów zaopatrzeniowych, poziom obsługi, a w konsekwencji na poziom zapasów zabezpieczających i związanych z tym kosztów jest czas cyklu uzupełnienia. Cykl uzupełnienia musi być dokładanie zdefiniowany poprzez identyfikację jego składowych i ich wzajemnych relacji, obejmujących nie tylko okresy, za które odpowiada Dostawca, ale także te które leżą po stronie Odbiorcy. Duża złożoność cyklu uzupełnienia powoduje, że optymalizacja poziomu zapasów z uwzględnieniem czasu uzupełnienia zapasu wymaga uwzględnienia szeregu czynników ekonomicznych. Oznacza to konieczność szczegółowej identyfikacji tych czynników.
Przy optymalizacji średniego poziomu zapasów powinny być uwzględnione łączne koszty utrzymywania i przemieszczania zapasów w całym łańcuchu dostaw, skutki braku zapasu, przy zachowaniu zidentyfikowanych ograniczeń (np. pojemności magazynów w poszczególnych ogniwach).
Dostępne w Dature podejście pozwala na realizację złożonego procesu optymalizacji na następującej sekwencji:
- zdefiniowanie bazowych wskaźników poziomu obsługi i ich wartości ze strony Odbiorcy wobec jego klientów
- określenie niezbędnych poziomów obsługi dla poszczególnych (wszystkich, bądź wybranych, kluczowych) pozycji asortymentowych zarządzanych przez Odbiorcę
- zdefiniowanie wskaźników poziomu obsługi i ich wartości ze strony Dostawcy wobec Odbiorcy
- określenie niezbędnych poziomów obsługi dla poszczególnych (wszystkich bądź wybranych) pozycji asortymentowych zarządzanych przez Dostawcę
- określenie optymalnych miejsc lokalizacji zapasu, z uwzględnieniem różnych rozwiązań organizacyjnych oraz łącznych kosztów utrzymania zapasów i przemieszczania dóbr.