Χρήση μεθόδων μηχανικής μάθησης στο τομέα της εφοδιαστικής αλυσίδας : πρόβλεψη Backorder
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Ορφανίδης, Ευθύμιος | |
| dc.date.accessioned | 2024-04-29T06:04:58Z | |
| dc.date.available | 2024-04-29T06:04:58Z | |
| dc.date.issued | 2023 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16419 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3841 | |
| dc.description.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. | el |
| dc.format.extent | 87 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Χρήση μεθόδων μηχανικής μάθησης στο τομέα της εφοδιαστικής αλυσίδας : πρόβλεψη Backorder | el |
| dc.title.alternative | Use of machine learning methods in the supply chain sector : Backorder prediction | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | As the amount of data that businesses have to manage has increased rapidly in recent years, a fact to which the spread of the internet and the electronic platforms that make it up have undoubtedly contributed, the field of machine learning and big data is becoming increasingly useful in the proper management of this data, saving time and valuable resources in businesses. In this particular thesis we will focus on the part of the Supply Chain and more specifically on the part concerning Backorder Prediction, which is now a task of particular importance in medium and large companies due to the overconsumption and also the unpredictable/changing nature of market demand. Because the number of backorders is much smaller than the number of orders shipped on time, implementing an effective forecasting model for this sector is a challenge. Various machine learning and deep learning methods and models will be used and compared, to calculate if a product will be backordered, i.e., an order that cannot be completed immediately due to a lack of availability of the product. The structure of the thesis begins with an automated process written in Python, where all the csv files containing the columns with our data are received and a basic conversion and cleaning is done to them, so that they transform into a format recognizable by SQL database. Then, the desired pre-processing of the data is done and finally they are uploaded to Microsoft's cloud service, Azure SQL, where they can be further managed and read. Afterwards, in order to run the machine learning models and visualize, compare and interpret the results, we convert the tables from the database into dataframes to continue the aforementioned processes in Jupyter Notebook. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Supply chain | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Backorder prediction | el |
| dc.subject.keyword | Neural networks | el |
| dc.subject.keyword | Microsoft Azure | el |
| dc.date.defense | 2023-09-26 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα