Χρήση μεθόδων μηχανικής μάθησης στο τομέα της εφοδιαστικής αλυσίδας : πρόβλεψη Backorder

Abstract

Καθώς ο όγκος των δεδομένων που έχουν να διαχειριστούν οι επιχειρήσεις τα τελευταία χρόνια έχει αυξηθεί ραγδαία, γεγονός στο οποίο έχει συμβάλει αναμφίβολα η διάδοση του διαδικτύου και των ηλεκτρονικών πλατφορμών που το απαρτίζουν, ο τομέας της μηχανικής μάθησης και των μεγάλων δεδομένων γίνεται όλο και πιο χρήσιμος στην σωστή διαχείριση αυτών των δεδομένων, εξοικονομώντας χρόνο και πολύτιμους πόρους στις επιχειρήσεις.

Στη συγκεκριμένη διπλωματική εργασία θα εστιάσουμε στο κομμάτι του Supply Chain και πιο συγκεκριμένα στο κομμάτι που αφορά το Backorder Prediction, το οποίο αποτελεί πλέον ένα αντικείμενο ιδιαίτερης σημασίας σε μεσαίες και μεγάλες επιχειρήσεις λόγω της υπερκατανάλωσης αλλά και της απρόβλεπτης/εναλλασσόμενης φύσης της ζήτησης της αγοράς. Επειδή ο αριθμός των backorder είναι πολύ μικρότερος από τον αριθμό των παραγγελιών που αποστέλλονται εγκαίρως, η εφαρμογή ενός αποτελεσματικού μοντέλου πρόβλεψης για αυτόν τον τομέα είναι μια πρόκληση.

Θα γίνει χρήση και σύγκριση μεταξύ διαφόρων μεθόδων και μοντέλων μηχανικής μάθησης και deep learning για να υπολογίσουμε την περίπτωση που ένα προϊόν θα βρεθεί σε backorder, δηλαδή μια παραγγελία που δεν μπορεί να ολοκληρωθεί άμεσα λόγω έλλειψης του προϊόντος.

Η δομή της εργασίας αρχίζει με μία αυτοματοποιημένη διαδικασία γραμμένη σε Python, όπου λαμβάνονται όλα τα αρχεία μορφής csv που περιέχουν τις στήλες με τα δεδομένα μας και γίνεται μια βασική μετατροπή και καθαρισμός σε αυτά ώστε να έρθουν σε μορφή αναγνωρίσιμη από SQL database. Έπειτα γίνεται η επιθυμητή προ-επεξεργασία των δεδομένων και τέλος ανεβαίνουν στην cloud υπηρεσία της Microsoft, Azure SQL, όπου είναι δυνατή και η περεταίρω διαχείριση και ανάγνωσή τους. Στη συνέχεια, για να τρέξουμε τα μοντέλα μηχανικής μάθησης και να κάνουμε οπτικοποίηση, σύγκριση και ερμηνεία των αποτελεσμάτων, μετατρέπουμε τους πίνακες από την βάση δεδομένων σε dataframes ώστε να συνεχιστούν οι προαναφερθείς διαδικασίες στο Jupyter Notebook.