FORECASTING AND PLANNING FOR DEMAND IN SUPPLY CHAIN MANAGEMENT. Part 1. OVERVIEW OF DATA ANALYSIS METHODS

Abstract

Обсуждаются потенциальные теоретические преимущества интеграции методов анализа данных и машинного обучения для прогнозирования спроса и планирования в управлении цепочками поставок. Рассматриваются опубликованные в базах данных Scopus и Web of Science тематические исследования и научные статьи, в которых приведены анализ или международные примеры успешного интегрирования рассматриваемых методов для повышения эффективности цепочки поставок, и обсуждается их влияние на уровни запасов, дефицит и удовлетворенность клиентов. В обзоре также затрагиваются такие вопросы для управления цепями поставок, как важность прогнозирования и планирования спроса, краткие выдержки из области применения методов машинного обучения, методы анализа данных для прогнозирования и планирования спроса, основные определения методов анализа данных для прогнозирования и планирования спроса, включая статистический анализ, анализ временных рядов и регрессионный анализ, преимущества и ограничения каждого метода, анализ тематических исследований и исследовательских работ, в которых использовались методы анализа данных для прогнозирования спроса и планирования, избранные определения и свойства методов машинного обучения для прогнозирования и планирования спроса, включая нейронные сети, деревья решений и случайные леса, преимущества и ограничений каждого метода. Приведен обзор тематических исследований и исследовательских работ, в которых использовались методы машинного обучения для прогнозирования и планирования спроса. Как показывает обзор практик внедрения ведущих мировых корпораций (например, Walmart), интеграция методов анализа данных и машинного обучения может значительно улучшить прогнозирование спроса и планирование в управлении цепочками поставок, но требует тщательного рассмотрения качества данных, обучения персонала и технологической инфраструктуры. This paper discusses the potential theoretical benefits of integrating data analysis and machine learning techniques for demand forecasting and planning in supply chain management. It reviews case studies and research papers published in the Scopus and Web of Science databases that provide analysis or international examples of successful integration of the considered methods to improve supply chain efficiency, and discusses their impact on inventory levels, stockouts and customer satisfaction. The review also touches upon such points for supply chain management as: the importance of demand forecasting and planning, brief excerpts from the scope of machine learning methods, data analysis methods for demand forecasting and planning, basic definitions of data analysis methods for demand forecasting and planning, including statistical analysis, time series analysis and regression analysis, advantages and limitations of each method, analysis of case studies and research papers that have used data analysis methods for demand forecasting and planning, selected definitions and properties of machine learning methods for demand forecasting and planning, including neural networks , decision trees and random forests, the advantages and limitations of each method, an overview of case studies and research papers that have used machine learning methods for demand forecasting and planning. As a review of the implementation practices of the world's leading corporations (such as Walmart) shows, integrating data analytics and machine learning can significantly improve demand forecasting and planning in supply chain management, but requires careful consideration of data quality, staff training and technology infrastructure.