Prognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowych
  • Produkty
  • Jak działa AI Dature
  • Branże
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Źródła logiki nieklasycznej
            14 kwietnia 2022
            Collaborative Planning, Forecasting and Replenishment jako narzędzie skutecznego zarządzania zapasami
            6 maja 2022
            Aktualności

            Prognozowanie popytu z wykorzystaniem sieci neuronowych

            Prognozowanie popytu odgrywa kluczową rolę w zarządzaniu i optymalizacji zapasów i tym samym decyduje o rentowności przedsiębiorstwa. Jest też jednym z najważniejszych elementów zarządzania łańcuchem dostaw, mającym wpływ na przepływ produktów pomiędzy jego ogniwami. Poprawa trafności prognozowania popytu może przynieść wiele korzyści w postaci maksymalizacji zysku, zwiększenia sprzedaży czy efektywnego planowania produkcji. Podsumowując, prognoza popytu jest bardzo istotną informacją w zarządzaniu, a błąd popełniony podczas jej wyznaczenia może kosztować organizację bardzo dużo. Wraz z rosnącą złożonością rynku, prognozowanie popytu staje się coraz większym wyzwaniem ponieważ czynniki wpływające na popyt stają się coraz bardziej dynamiczne. Każdy czynnik wpływa na popyt produktu na swój własny sposób i dlatego nie można go tak łatwo odwzorować.

            Zaletą wykorzystania sieci neuronowych w problemie uzyskania trafnego prognozowania popytu jest właściwość sieci polegająca na tym, że dokładnie odwzorowują one zależność każdej zmiennej, a my nie musimy się martwić o szczegóły tego, co się dzieje w środku, o ile zadbamy o to, by nasza sieć neuronowa uczyła się jak najlepiej. Aby jednak wykorzystać sieci neuronowe do rozwiązywania praktycznych problemów, jednym z najważniejszych zadań jest dobre dopasowanie i właściwe modelowanie matematyczne. W tym celu należy rozważyć każdy z czynników, który może mieć wpływ na wielkość pożądaną, i przekształcić go w matematyczną wielkość fizyczną.

            Czynniki te powinny być od siebie niezależne, w przeciwnym razie nasza sieć neuronowa będzie otrzymywać nadmiarowe dane wejściowe. Czasami czynniki te mogą mieć również charakter losowy. Na przykład zmiany klimatyczne mogą wpłynąć na sprzedaż w danym dniu, a ponieważ zmian klimatu w odległej perspektywie czasowej nie można dokładnie przewidzieć, to nie możemy dokładnie przewidzieć sprzedaży w tymże dniu. Jakkolwiek, nawet klimat ma ustalony wzorzec, i jeśli weźmiemy pod uwagę większą granulację okresu prognostycznego, np. tydzień, będziemy w stanie przewidzieć sprzedaż na ten tydzień. W tym przypadku na naszą korzyść wykorzystujemy fakt, że błędy losowe mają najczęściej rozkład normalny.

            Dokładne prognozowanie sprzedaży produktów pozwala uniknąć niewystarczających lub nadmiernych zapasów w magazynie produktów. W tradycyjnych podejściach, gdzie stosuje się klasyczne modele szeregów np. model ARIMA, często ignorowane są informacje strukturalne, nieodłącznie związane z produktami, np. relacje między produktami i markami, relacje między różnymi produktami, etc.  W wyniku tego tradycyjne rozwiązania nie są w stanie poprawić trafności naszych prognoz. Sieci neuronowe umożliwiają ujęcie wpływu  znacznie większej złożoności czynników i tym samym poprawę trafności prognoz.

            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.

            Udostępnij
            OSTATNIE WPISY
            • Z jak zrównoważony rozwój - jak sztuczna inteligencja wspiera ochronę środowiska i walkę ze zmianami klimatu? 
            • Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 
            • X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 
            • W jak wirtualna rzeczywistość - jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 
            TAGI
            • #AI
            • #bullwhip-effect
            • #covid19
            • #łańcuch-dostaw
            • #NCBiR
            • #optymalizacja-zapasów
            • #out-of-stock
            • #outllier
            • #overstock
            • #prognozowanie
            • #prognozowanie-popytu
            • #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
            • #projekcja-zapasów
            • #projekcja-zapasów-w-czasie
            • #service-level-dostawcy
            • #sieci-neuronowe
            • #supplychain
            • #sztuczna-inteligencja-od-A-do-Z
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            25 sierpnia 2023

            Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 


            PRZECZYTAJ

            YouTube, stanowiący największą globalną platformę wideo, codziennie transmituje ponad miliard godzin materiałów filmowych. W celu skutecznego zarządzania tak imponującą ilością treści, YouTube aktywnie wykorzystuje możliwości sztucznej […]

            22 sierpnia 2023

            X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 


            PRZECZYTAJ

            Sztuczna inteligencja (AI) znajduje coraz szersze zastosowanie w różnych sektorach, od medycyny i edukacji po biznes, bezpieczeństwo i rozrywkę. Mimo to, często pozostaje dla nas niejasne, […]

            16 sierpnia 2023

            W jak wirtualna rzeczywistość – jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 


            PRZECZYTAJ

            Wirtualną rzeczywistość (VR) definiuje się jako trójwymiarowy cyfrowy krajobraz, który umożliwia użytkownikowi swobodne poruszanie się i interakcje, angażując jeden lub więcej z pięciu zmysłów człowieka. VR […]

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              biuro@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn
              • Facebook

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Polski
                        • Angielski