Publikace detail

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

Autoři: Hájek Petr | Abedin Mohammad Zoynul

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: IEEE ACCESS

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 58982-58994

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte