Efektywne zarządzanie łańcuchem dostaw jest uważane za jeden z kluczowych elementów wpływających na budowanie rynkowej przewagi konkurencyjnej. Łańcuch dostaw jest siecią, która zwykle obejmuje wiele firm współpracujących w ramach danej branży: od dostawców materiałów i komponentów, poprzez producentów, po dystrybutorów i detalistów. Dlatego też łańcuch dostaw należy postrzegać jako system wielopoziomowy, w którym korzystne jest współdzielenie danych i operowanie zintegrowanym planowaniem. Niestety rzadko który łańcuch tak funkcjonuje. Zwykle poszczególne ogniwa przygotowują własne plany i prognozy.

Bez względu na to, jak dobry jest model predykcyjny użyty do prognozowania i planowania, nigdy nie uda się osiągnąć 100% trafności. Jednak oszczędność kosztów, którą można osiągnąć poprzez ciągłe podnoszenie jakości wyników jest tym, co odróżnia przeciętną firmę od lidera rynku. Bez względu na to o jakiej skali przedsiębiorstwa mówimy, brak możliwości dokładnego przewidywania zapasów jest zwykle bardzo kosztowny. Brak dostępności zapasów powoduje utratę klientów, przychodów i marży, środki zamrożone w nadmierne zapasy blokują kapitał potrzebny na rozwój firmy. Dlatego podnoszenie jakości prognozowanie popytu i optymalizacji zapasów jest nie do przecenienia. Największe firmy na świecie, inwestują w analitykę, a zwłaszcza w analitykę łańcucha dostaw, aby uzyskać prawidłowe prognozy popytu i sprzedaży oraz właściwą alokację zapasów.

Aby być konkurencyjnym, firma musi korzystać z prognozy przyszłego popytu w celu określenia ilości produktów do wysłania oraz do określenia zdolności produkcyjnych potrzebnych w swoich zakładach. W dalszej części łańcucha dostaw, inna firma, która produkuje jeden z komponentów, również potrzebuje prognoz, aby określić swój poziom produkcji i zapasów. Z tego samego powodu, dostawcy tej firmy również potrzebują prognoz. Zatem na każdym etapie łańcucha dostaw przygotowywana jest odrębna prognoza, a prognozy te są często bardzo różne. Może to skutkować niedopasowaniem podaży i popytu. Kiedy wszystkie etapy łańcucha dostaw współpracują ze sobą w celu stworzenia wspólnej prognozy, jest ona znacznie bardziej dokładna. Wynikająca z tego dokładność prognoz pozwala łańcuchom dostaw być zarówno bardziej wrażliwym, jak i bardziej efektywnym w obsłudze swoich klientów. W związku z powyższym, niezwykle pilne wydaje się skonstruowanie modelu, który umożliwia prognozowanie krótko- i średniookresowe popytu. Niewątpliwie historyczne informacje o popycie mogą być wykorzystane do prognozowania przyszłego popytu, a taka analiza wpływa na funkcjonowanie całego łańcucha dostaw.

W celu przewidywania sprzedaży, mogą zostać wykorzystane głębokie sieci neuronowe typu LSTM (ang. Long Short Term Memory), które pozwalają walczyć z problemem pamięci krótkotrwałej. Jest to niezwykle ważne, ponieważ informacje są tracone w wyniku przekształceń danych, które zachodzą podczas ich przepływu przez sieć. Sieć LSTM jest w stanie rozpoznawać i uczyć się długoterminowych zależności, co wykorzystywane jest m.in. w prognozowaniu szeregów czasowych. LSTM jest odmianą rekurencyjnej sieci neuronowej (ang. Recurrent Neural Network – RNN), która może uczyć się długoterminowych zależności. Sieci LSTM, podobnie jak klasyczne sieci gęste, posiadają warstwę wejściową, jedną lub więcej warstw ukrytych oraz warstwę wyjściową. Główna właściwość modelu zawarta jest w warstwie (warstwach) ukrytej, która składa się z komórek pamięci. Trzy bramki w każdej komórce pamięci utrzymują stan komórki: bramka zapominania, bramka wejściowa i bramka wyjściowa.

Sieci LSTM sprawdzają się w szerokim zakresie zadań i są najpopularniejszym typem rekurencyjnej sieci neuronowej. Istnieje wiele typów modeli LSTM, które mogą być użyte dla różnych zadań prognozowania szeregów czasowych. Oprócz klasycznych sieci LSTM warte rozważenia są sieci GRU (ang. Gated Recurrent Units). GRU jest jak sieć LSTM z bramką zapominania, ale ma mniej parametrów niż LSTM, ponieważ nie posiada bramki wyjściowej. Wydajność GRU w niektórych zadaniach modelowania muzyki okazała się podobna do wydajności LSTM. Wykazano również, że GRU charakteryzuje się lepszą wydajnością na mniejszych i rzadszych zbiorach danych.

Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.