Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach

要約

サプライチェーンの複雑さの増加と、欠陥または標準以下の商品（不良品）に関連するコストの上昇は、リスクを軽減し、運用効率を高めるための高度な予測方法論の緊急の必要性を強調しています。
この研究では、時系列ARIMA（自己回帰統合移動平均）モデルを、時系列予測後に悪い商品を計算するために特別に設計された独自の処方と統合する新しいフレームワークを提示します。
販売、リターン、容量などの履歴データパターンを活用することにより、モデルは潜在的な品質障害を予測し、積極的な意思決定を可能にします。
Arimaは、時系列データの時間的傾向をキャプチャするために採用されていますが、新しく開発されたフォーミュラは、欠陥の可能性と影響をより正確に定量化します。
有機ビール-G 1リットルの2022-2024に及ぶデータセットで検証された実験結果は、提案された方法が、予測の精度とリスク評価の両方で、指数関数的な平滑化やホルトウィンターズなどの従来の統計モデルよりも優れていることを示しています。
この研究は、サプライチェーンの品質管理における時系列予測、ARIMA、およびリスク管理を橋渡しすることにより、予測分析の分野を進め、悪い商品による損失を最小限に抑えるためのスケーラブルで実用的なソリューションを提供します。

要約(オリジナル)

The increasing complexity of supply chains and the rising costs associated with defective or substandard goods (bad goods) highlight the urgent need for advanced predictive methodologies to mitigate risks and enhance operational efficiency. This research presents a novel framework that integrates Time Series ARIMA (AutoRegressive Integrated Moving Average) models with a proprietary formula specifically designed to calculate bad goods after time series forecasting. By leveraging historical data patterns, including sales, returns, and capacity, the model forecasts potential quality failures, enabling proactive decision-making. ARIMA is employed to capture temporal trends in time series data, while the newly developed formula quantifies the likelihood and impact of defects with greater precision. Experimental results, validated on a dataset spanning 2022-2024 for Organic Beer-G 1 Liter, demonstrate that the proposed method outperforms traditional statistical models, such as Exponential Smoothing and Holt-Winters, in both prediction accuracy and risk evaluation. This study advances the field of predictive analytics by bridging time series forecasting, ARIMA, and risk management in supply chain quality control, offering a scalable and practical solution for minimizing losses due to bad goods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google