Статьи

ПРОГНОЗИРОВАНИЕ И ПЛАНИРОВАНИЕ СПРОСА: КЕЙС ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ УПРАВЛЕНИИ ЦЕПОЧКАМИ ПОСТАВОК

Дата поступления: 16.06.2023 Дата принятия: 26.06.2023 Дата публикации: 15.01.2023

DOI: 10.22394/1997-4469-2023-60-1-172-180

Полный текст:

Аннотация

Актуальность темы. Необходимость рассмотрения степени влияния методов анализа данных и машинного обучения на прогнозирование спроса и планирование в управлении цепочками поставок. Цель. Оценка степени влияния методов анализа данных и машинного обучения на прогнозирование спроса и планирование в управлении цепочками поставок. Методология. Обзор тематических исследований и исследовательских работ для изучения потенциальных преимуществ этих методов в повышении эффективности цепочки поставок, управлении запасами, сокращении дефицита и повышении удовлетворенности клиентов. Результаты и выводы. Выявлено несколько проблем и ограничений, включая проблемы с качеством данных и потребность в квалифицированном персонале. Даны предложения по преодолению этих проблем, включая повышение качества данных и инвестирование в обучение и развитие персонала. В исследовании также освещаются будущие направления исследований в области интеграции данных в реальном времени и прогнозной аналитики. Результаты этого исследования имеют важные последствия для менеджеров цепей поставок и исследователей с точки зрения преимуществ, проблем и будущих направлений исследований, использования методов анализа данных и машинного обучения в прогнозировании и планировании спроса. Область применения. Сфера управления цепями поставок на мезоуровне.

Ключевые слова

Поступила в редакцию: 16.06.2023 · Принята к публикации: 26.06.2023

Как цитировать

Для цитирования:

Рогулин Р.С., Санаков И.К. ПРОГНОЗИРОВАНИЕ И ПЛАНИРОВАНИЕ СПРОСА: КЕЙС ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ УПРАВЛЕНИИ ЦЕПОЧКАМИ ПОСТАВОК // Регион: системы, экономика, управление. 2023. Т. 1, № 1 (60). С. 172–180. https://doi.org/10.22394/1997-4469-2023-60-1-172-180

For citation:

Rogulin R.S., Rogulin R.S. FORECASTING AND FORECASTING DEMAND: THE CASE OF ARTIFICIAL INTELLIGENCE IN SUPPLY CHAIN MANAGEMENT // Region: Systems, Economics, Management. 2023. Vol. 1, no. 1 (60). P. 172–180. https://doi.org/10.22394/1997-4469-2023-60-1-172-180

Как цитировать

Рогулин Р.С., Санаков И.К. ПРОГНОЗИРОВАНИЕ И ПЛАНИРОВАНИЕ СПРОСА: КЕЙС ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ УПРАВЛЕНИИ ЦЕПОЧКАМИ ПОСТАВОК // Регион: системы, экономика, управление. 2023. Т. 1, № 1 (60). С. 172–180. https://doi.org/10.22394/1997-4469-2023-60-1-172-180

Список литературы

  1. Abolghasemi, M., Hyndman, R. J., Tarr, G., & Bergmeir, C. (2019). Machine Learning Applications in Time Series Hierarchical Forecasting. Journal arXiv (Computer Science, Mathematics) 1912.00370, 1—12.
  2. Aggarwal, S., Srivastava, M. K., & Bharadwaj, S. S. (2020). Towards a Definition and Concept of Collaborative Resilience in Supply Chain: A Study of 5 Indian Supply Chain Cases. International Journal of Information Systems and Supply Chain Management, 13 (1), 98—117. doi:10.4018/IJISSCM.2020010105
  3. Alaoui, A., & Elberrichi, Z. (2018). Feature Subset Selection Using Ant Colony Optimization for a Decision Trees Classification of Medical Data. International Journal of Information Retrieval Research, 8(4), 39—43. doi:10.4018/IJIRR.2018100103
  4. Almuiet, M. Z., & Zawaideh, F. (2019). Intelligent Agent Framework For Knowledge Acquisition In Supply Chain Management. International Journal of Scientific & Technology Research, 8 (9), 1984—1994.
  5. Annor-Antwi, A., Al-Dherasi, A. A. M., & Chunting, Y. (2019). Application of Artificial Intelligence in Forecasting: A Systematic Review. American Journal of Computer Sciences and Applications, 2 (22), 1—10.
  6. Attia, A., & Salama, I. (2018). Knowledge Management Capability and Supply Chain Management Practices in the Saudi Food Industry. Business Process Management Journal, 24 (2), 459—477. doi:10.1108/BPMJ-01-2017-0001
  7. Baryannis, G., Dani, S., & Antoniou, G. (2019). Predicting Supply Chain Risks using Machine Learning: The Trade-off Between Performance and Interpretability. Future Generation Computer Systems, 101, 993—1004. doi:10.1016/j.future.2019.07.059
  8. Bateh, D. (2019). Machine Impact in Supply Chain Management. The International Journal of Business Management and Technology, 3 (3), 13—18.
  9. Bousqaoui, H., Achchab, S., & Tikito, K. (2019). Machine Learning Applications in Supply Chains: Long Short-Term Memory for Demand Forecasting. In Cloud Computing and Big Data: Technologies, Applications and Security. CloudTech 2017. Lecture Notes in Networks and Systems, 49. Springer. doi:10.1007/978-3-319-97719-5_19
  10. Brahami, M., Adjaine, M., Semaoune, K., & Matta, N. (2020). The Roles of Knowledge Management and Customer Relationship Management on Improved Hotel Performance. Information Resources Management Journal, 33 (4), 74—93. doi:10.4018/IRMJ.2020100105
  11. Brahami, M., Atmani, B., & Matta, N. (2015). An Approach to Dynamic Fusion of the Knowledge Maps of an Activities Process: Application on Healthcare. International Journal of Information Systems in the Service Sector, 7 (4), 1—26. doi:10.4018/IJISSS.2015100101
  12. Brahami, M., & Matta, N. (2018). A model to reduce the Risk of Projects guided by the Knowledge Management Process — Application on Industrial Services. International Journal of Information Systems in the Service Sector, 10 (2), 2—18. doi:10.4018/IJISSS.2018040103
  13. Brahami, M., & Matta, N. (2019). The Relationship Between Knowledge Mapping and the Open Innovation Process: The Case of Education System. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 33 (4), 1—13.