Publication detail

A Profit Function-Maximizing Inventory Backorder Prediction System Using Big Data Analytics

Authors: Hájek Petr | Abedin Mohammad Zoynul

Year: 2020

Type of publication: článek v odborném periodiku

Name of source: IEEE ACCESS

Publisher name: IEEE (Institute of Electrical and Electronics Engineers)

Place: New York

Page from-to: 58982-58994

Titles:

Language	Name	Abstract	Keywords
cze	Systém predikce stavu zásob maximalizující funkci zisku pomocí analýzy velkých dat	Predikce stavu zásob je obecně uznávána jako důležitá součást modelů zásob. Predikce zpoždění dodávek je však tradičně založena na stochastické aproximaci, čímž se zanedbává podstatné množství užitečných informací skrytých v historických datech o zásobách. Abychom těmto modelům poskytli predikci zpoždění založeného na velkých datech, navrhujeme model strojového učení vybavený procedurou podvzorkování, který maximalizuje očekávaný zisk rozhodnutí o dodávkách zásob. Toho je dosaženo integrací navrhovaného měřítka založeného na zisku do predikčního modelu a optimalizací prahové hodnoty pro rozhodování, aby bylo možné určit optimální strategii. Ukazujeme, že navrhovaný model predikce zpoždění zásob ukazuje lepší predikci a výkonnost funkce zisku než nejmodernější metody strojového učení používané pro velká nevyvážená data. Je pozoruhodné, že navrhovaný model je výpočetně efektivní a robustní vůči variacím jak v nákladech na skladování / zásoby, tak v tržní marži. Kromě toho model předpovídá jak zpožděné tak nezpožděné dodávky v referenční datové sadě.
eng	A Profit Function-Maximizing Inventory Backorder Prediction System Using Big Data Analytics	Inventory backorder prediction is widely recognized as an important component of inventory models. However, backorder prediction is traditionally based on stochastic approximation, thus neglecting the substantial amount of useful information hidden in historical inventory data. To provide those inventory models with a big data-driven backorder prediction, we propose a machine learning model equipped with an undersampling procedure to maximize the expected profit of backorder decisions. This is achieved by integrating the proposed profit-based measure into the prediction model and optimizing the decision threshold to identify the optimal backorder strategy. We show that the proposed inventory backorder prediction model shows better prediction and profit function performance than the state-of-the-art machine learning methods used for large imbalanced data. Notably, the proposed model is computationally effective and robust to variation in both warehousing/inventory cost and sales margin. In addition, the model predicts both major (non-backorder items) and minor (backorder items) classes in a benchmark dataset.	Big data; inventory backorder; machine learning; prediction

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links