Prediktivní modely v logistice: srovnání tradičních přístupů a neuronových sítí

Abstract

Tato práce zabývá srovnáním tradičních metod analýzy časových řad; konkrétně pak Holt-Wintersovou metodou, exponenciálním vyrovnáváním a autoregresivními intergrovanými modely klouzavých průměrů (ARIMA) s umělou neuronovou sítí za účelem prognózy úrovně zásob více skladových jednotek (SKU - Stock Keeping Unit) na konci dodavatelského řetězce - v maloobchodní prodejně. Komparace je provedena za pomoci různých ukazatelů přesnosti prognóz. Je zde zkoumáno, jaký přístup je vhodné zvolit při prognóze úrovně zásob v prodejně na příkladu společnosti vyrábějící více SKUs. Práce rovněž objasňuje rozličné faktory, které ovlivňují kvalitu zvolených modelů; například události spojené s prodejem jako je reklama, období dovolené, víkendy atp. či četnost prognóz; zda jsou vyhotovovány týdně nebo měsíčně. Modelování a analýza byly provedeny v programovacím jazyku R. Data zde použitá jsou reálná a byla získána od přední společnosti z oblasti rychloobrátkového zboží. Výzkum se proto zaměřuje právě na toto odvětví a nabízí řešení ke zlepšení prognóz poptávky výše uvedené společnosti.

Demand forecasting is a crucial part of managing any supply chain network, since inaccurate forecasting often leads to inventory mismanagement which in-turn amounts to big losses for companies.Though most of the companies have some forecasting techniques in place, it is equally important to know if the forecasting techniques being used are best suited for their requirements.

This thesis provides a comparative study of traditional time series methods namely: \textit{Holt Winters, Exponential smoothing and ARIMA} with an artificial neural network model in order to forecast inventory levels of multiple SKUs at the last mile of the supply chain, which is a retail store. Comparison is performed using various forecasting accuracy measures. The study provides insights to the company that manufactures number of SKUs, as to which forecasting techniques would best suit their need for managing inventory at the store level and why. It also sheds light on the factors that affect the performance of models, for example sequence of events linked to sales like promotions, holiday season, weekends etc. or the granularity at which the forecasting is being done, whether it is weekly or monthly. Modelling and analysis was performed in R programming environment. The data used for this study is real world point of sales data provided by a leading fast moving consumer goods company. It is an industry based research to help the company improve their demand forecasting techniques.