Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption

要約

タイトル: 供給チェーンの弾力性を高める：混乱下における製品入手可能日予測のための機械学習手法

要約:
– COVID-19 パンデミックと地域紛争の持続的な影響により、グローバルな供給チェーンには大きな遅延が生じています。
– 製品の入手可能日に関する不確実性が非常に高く、企業が効果的な物流計画や出荷計画を立てるためにはこの情報が不可欠です。
– 正確な入手可能日の予測が成功した物流オペレーションの実行に重要であり、総輸送コストと在庫コストを最小限に抑えることができます。
– GE ガスパワーのガスタービンと蒸気タービンのサービスと製造オペレーションのための製品の入手可能日予測を、数値的およびカテゴリカルな特徴を用いて調査しました。
– シンプル回帰、ラッソ回帰、リッジ回帰、エラスティックネット、ランダムフォレスト、グラディエントブースティングマシン、およびニューラルネットワークモデルを含むいくつかの回帰モデルを評価しました。
– 実世界のデータに基づく実験の結果、木ベースのアルゴリズム（ランダムフォレストとグラディエントブースティングマシン）が最も一般化誤差が小さく、他の回帰モデルを上回ることが示されました。
– 予測モデルは、企業が供給チェーンの混乱を管理し、より広範なリスクを低減するのに役立つと期待されます。

要約(オリジナル)

The COVID 19 pandemic and ongoing political and regional conflicts have a highly detrimental impact on the global supply chain, causing significant delays in logistics operations and international shipments. One of the most pressing concerns is the uncertainty surrounding the availability dates of products, which is critical information for companies to generate effective logistics and shipment plans. Therefore, accurately predicting availability dates plays a pivotal role in executing successful logistics operations, ultimately minimizing total transportation and inventory costs. We investigate the prediction of product availability dates for General Electric (GE) Gas Power’s inbound shipments for gas and steam turbine service and manufacturing operations, utilizing both numerical and categorical features. We evaluate several regression models, including Simple Regression, Lasso Regression, Ridge Regression, Elastic Net, Random Forest (RF), Gradient Boosting Machine (GBM), and Neural Network models. Based on real world data, our experiments demonstrate that the tree based algorithms (i.e., RF and GBM) provide the best generalization error and outperforms all other regression models tested. We anticipate that our prediction models will assist companies in managing supply chain disruptions and reducing supply chain risks on a broader scale.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI