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

Abstract

Inventory policy optimization is a critical component of supply chain management. Well planned inventory management can boost operational efficiency and profitability, allowing businesses to meet customer demands while reducing costs. Machine learning algorithms have shown great promise in a variety of domains, including supply chain, in recent years. However, the application of machine learning in the field of inventory policy optimization has been rather limited, with organizations frequently relying on standard simulations to inform their decisions. To address this gap, this dissertation creates a novel inventory cost minimization framework based on advanced decision-tree based machine learning models. The proposed approach approximates inventory performance at the item level while taking key replenishment policy parameters and demand patterns into account. Several advantages of the proposed approach over traditional inventory simulations include flexibility, adaptability and the ability to quickly compute data-driven approximations. The framework can also incorporate knowledge from items other than those being optimized, which is useful when historical data is limited or heavily influenced by stock-outs. To evaluate the effectiveness of the proposed framework, the M5 competition dataset was used. The study's findings revealed that the methodology, particularly its transfer learning variant, resulted in significant reductions in total inventory cost while maintaining the same or even improving customer service level. The proposed framework was also incorporated in a decision support system, giving organizations a user friendly and valuable tool aiding in inventory management. In conclusion, the proposed framework makes an important contribution to the field of supply chain management. The framework provides a highly efficient and effective method for optimizing inventory control settings by leveraging advanced machine learning models. This approach has the potential to transform inventory management practices, resulting in significant improvements in operational efficiency and profitability.

Οι αλγόριθμοι μηχανικής μάθησης έχουν δείξει μεγάλες δυνατότητες σε διάφορους τομείς, 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.