Big Data – Supply Chain Management Framework for Forecasting: Data Preprocessing and Machine Learning Techniques

要約

この記事は、最先端のサプライチェーン (SC) 予測戦略とテクノロジーを体系的に特定し、比較分析することを目的としています。
SC 管理 (問題の特定、データ ソース、探索的データ分析、機械学習モデルのトレーニング、ハイパーパラメーターの調整、パフォーマンス評価、最適化) にビッグ データ分析を組み込み、人員、在庫、および SC 全体への影響を予測する新しいフレームワークが提案されています。
当初は、SC 戦略に従ってデータを収集する必要性とその収集方法について議論されました。
この記事では、期間または SC 目標に応じたさまざまなタイプの予測の必要性について説明します。
SC KPI と誤差測定システムは、最高のパフォーマンスを発揮するモデルを最適化するために推奨されています。
ファントム在庫が予測に及ぼす悪影響と、モデルのパフォーマンスパラメータを決定し、運用管理、透明性、計画効率を改善するための SC KPI に対する経営上の意思決定の依存性が示されています。
フレームワーク内の循環接続により、後工程の KPI に基づいた前処理の最適化が導入され、全体的な制御プロセス (在庫管理、従業員の決定、コスト、生産、能力計画) が最適化されます。
この研究の貢献は、標準的な SC プロセス フレームワークの提案、推奨される予測データ分析、SC パフォーマンスへの影響の予測、その後の機械学習アルゴリズムの最適化、そして将来の研究に光を当てることにあります。

要約(オリジナル)

This article intends to systematically identify and comparatively analyze state-of-the-art supply chain (SC) forecasting strategies and technologies. A novel framework has been proposed incorporating Big Data Analytics in SC Management (problem identification, data sources, exploratory data analysis, machine-learning model training, hyperparameter tuning, performance evaluation, and optimization), forecasting effects on human-workforce, inventory, and overall SC. Initially, the need to collect data according to SC strategy and how to collect them has been discussed. The article discusses the need for different types of forecasting according to the period or SC objective. The SC KPIs and the error-measurement systems have been recommended to optimize the top-performing model. The adverse effects of phantom inventory on forecasting and the dependence of managerial decisions on the SC KPIs for determining model performance parameters and improving operations management, transparency, and planning efficiency have been illustrated. The cyclic connection within the framework introduces preprocessing optimization based on the post-process KPIs, optimizing the overall control process (inventory management, workforce determination, cost, production and capacity planning). The contribution of this research lies in the standard SC process framework proposal, recommended forecasting data analysis, forecasting effects on SC performance, machine learning algorithms optimization followed, and in shedding light on future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google