پیش بینی تقاضای محصولات در صنعت قطعات لاستیکی با استفاده از مدل های یادگیری ماشین (موردمطالعه: شرکت پولاسا)

شرکتهای عضو زنجیره تامین جهت حذف هزینه اضافی انبارداری و نگهداری محصولات اضافی، سعی در پیش بینی تقاضای مشتریاندارند. اما اثر شلاقی که افزایش مقدار تقاضای مشتریان با گذر از هر عضو زنجیره تامین است، این پیش بینی را به چالش می کشد.این پژوهش باهدف پیش بینی تقاضای محصولات در صنعت قطعات لاستیکی با استفاده از مدل های یادگیری ماشین انجام شد وعملکرد پیش بینی، توسط دو الگوریتم یادگیری ماشین هموارسازی نمایی سری زمانی با میانگین متحرک (EWMA) و میانگینمتحرک یکپارچه رگرسیون خودکار (ARIMA) بررسی و مقایسه گردید. این پژوهش از نظر هدف کاربردی، از نظر ماهیت داده هاکمی و از حیث ماهیت مسئله پیش بینی می باشد و از نظر جمع آوری داده ها تاریخی - اسنادی بود. نمونه آماری این پژوهش شاملداده های تقاضای گروه محصولات شرکت پولاسا به صورت ماهانه از سال ۱۳۹۳ تا ۱۴۰۲ بود. روش نمونه گیری به صورت سرشماریانجام شد. مراحل انجام پیش بینی شامل جمع آوری و پیش پردازش داده ها، انتخاب و تنظیم پارامترهای مدل ها، آموزش مدلها وارزیابی عملکرد آنها با استفاده از معیارهای مختلف مانند RMSE ، MAE ، SSE و AIC بود. برای آزمون فرضیه های تحقیق ا زبررسی و تحلیل آرشیو گذشته و بررسی و تحلیل اسناد و مدارک موجود و از رو شهای Exponential Esmoothing و ARIMAو نرم افزارهای Python و VSCode استفاده شد. نتایج نشان داد که مدل های هموارسازی نمایی سری زمانی با میانگین متحرک(EWMA) در مقایسه با مدل های میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA) عملکرد بهتری داشته اند و توانسته اندمقادیر پیش بینی را بادقت، کارایی و انعطاف پذیری بیشتر و خطای کمتر ارائه دهند. نتایج این پژوهش میتواند به شرکتها کمککند تا تقاضای آینده را بادقت بیشتری پیش بینی کرده و تصمیمات بهتری در زمینه تولید و موجودی اتخاذ کند که این امر میتواندبه کاهش هزینه ها و افزایش بهره وری منجر شود.

Keywords:

پیش بینی تقاضا , قطعات لاستیکی , یادگیری ماشین