Prognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowychPrognozowanie popytu z wykorzystaniem sieci neuronowych
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Angielski
  • Polski
✕
            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. Popraw 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
            • The essence of the classic model of inventory renewal based on the information level - the point of reordering
            • Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
            • Fuzzy systems
            • Systemy rozmyte
            • The benefits of using artificial intelligence in the supply chain
            TAGI
            • #NCBiR
            • #Program Operacyjny Inteligentny Rozwój 2014-2020
            • #Sieci Neuronowe
            • #Zapas zabezpieczający
            • Bullwhip effect
            • Koronawirus
            • Łańcuch Dostaw
            • optymalizacja zapasów
            • out-of-stock
            • Outllier
            • overstock
            • Prognozowanie
            • prognozowanie popytu
            • Projekcja zapasów
            • projekcja zapasów w czasie
            • Service Level dostawcy
            • supplychain
            • Zapas bezpieczeństwa
            • zapas sezonowy
            • zarządzanie zapasem

            Powiązane wpisy

            15 lipca 2022

            Systemy rozmyte


            PRZECZYTAJ

            W oparciu o zbiory rozmyte można zbudować rozmyty system wnioskowania. W takim systemie do modelowania implementowane są reguły rozmyte, które z kolei umożliwiają prowadzenie procesu wnioskowania rozmytego.

            15 lipca 2022

            Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw


            PRZECZYTAJ

            Według Gartnera, poziom automatyzacji w procesach łańcucha dostaw podwoi się w ciągu najbliższych pięciu lat. Jednocześnie, według najnowszych badań, globalne wydatki na platformy IIoT mają wzrosnąć […]

            15 lipca 2022

            Modelowanie niepewności za pomocą zbiorów rozmytych


            PRZECZYTAJ

            Niepewność jest obecna we wszystkich dziedzinach działalności człowieka, jest nieodłącznym elementem rzeczywistości. Oznacza to, że jakakolwiek próba opisu tej rzeczywistości powinna uwzględniać występowanie niepewności.  To właśnie w potrzebie modelowania niepewności  należy upatrywać impulsu dla rozwoju teorii zbiorów rozmytych i jej późniejszym uogólnieniom.

            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
              info@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

              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
                        • Angielski
                        • Polski