FORECASTING AND PLANNING FOR DEMAND IN SUPPLY CHAIN MANAGEMENT. PART 2. REVIEW OF EXPERIENCE IN THE IMPLEMENTATION OF DATA ANALYSIS TECHNIQUES

В этой работе обсуждаются потенциальные 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. Также рассматриваются проблемы и ограничения использования этих методов, в том числе вопросы качества данных и потребность в квалифицированном персонале, и предлагаются стратегии для преодоления этих проблем. Кроме того, рассматриваются будущие направления исследований в области прогнозирования и планирования спроса, включая интеграцию данных в режиме реального времени и использование прогнозной аналитики. Обобщаются основные выводы и вклады, а также приводятся выводы для практики и будущих исследований. Как показывает практика внедрения ведущий 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 benefits of integrating data analytics and machine learning techniques for demand forecasting and planning in supply chain management. It reviews case studies and research papers that have successfully integrated these techniques to improve supply chain performance, and discusses their impact on inventory levels, stockouts, and customer satisfaction. The paper also examines the challenges and limitations of using these techniques, including data quality issues and the need for skilled personnel, and suggests strategies for overcoming these challenges. Additionally, the paper explores future directions for research in demand forecasting and planning, including the integration of real-time data and the use of predictive analytics. Finally, the paper summarizes the key findings and contributions, and provides implications for practice and future research. Overall, the integration of data analytics and machine learning techniques has the potential to greatly improve demand forecasting and planning in supply chain management, but it requires careful consideration of data quality, personnel training, and technological infrastructure.