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.
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.
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 […]
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.