Collaborative Planning, Forecasting and Replenishment czyli czy warto dzielić się informacjami
Dla przypomnienia CPFR (ang. Collaborative Planning, Forecasting and Replenishment) to wspólne prognozowanie, planowanie i uzupełnianie zapasów, które opiera się na porozumieniu partnerów biznesowych w zakresie stałej wymiany informacji na temat prognoz sprzedaży, zakupów i zapasów oraz planów promocji, produkcji i dostaw wraz z ustaleniem sposobów identyfikacji i wyjaśniania zaistniałych odchyleń. Nawiązanie współpracy zgodnie z zasadami…
Collaborative Planning, Forecasting and Replenishment jako narzędzie skutecznego zarządzania zapasami
CPFR (ang. Collaborative Planning, Forecasting and Replenishment) to wspólne prognozowanie, planowanie i uzupełnianie zapasów, które opiera się na porozumieniu partnerów biznesowych w zakresie stałej wymiany informacji na temat prognoz sprzedaży, zakupów i zapasów oraz planów promocji, produkcji i dostaw wraz z ustaleniem sposobów identyfikacji i wyjaśniania zaistniałych odchyleń. CPFR to technika poprawiająca jakość prognozowania i…
Prognozowanie popytu z wykorzystaniem sieci neuronowych
Prognozowanie popytu odgrywa kluczową rolę w zarządzaniu i optymalizacji zapasów i tym samym decyduje o rentowności przedsiębiorstwa. Jest też jednym z najważniejszych elementów zarządzania łańcuchem dostaw, mającym wpływ na przepływ produktów pomiędzy jego ogniwami. Popraw trafności prognozowania popytu może przynieść wiele korzyści w postaci maksymalizacji zysku, zwiększenia sprzedaży czy efektywnego planowania produkcji. Podsumowując, prognoza popytu…
Źródła logiki nieklasycznej
Za twórcę teorii zbiorów rozmytych i logiki rozmytej uważa się Lotfiego A. Zadeha, który jako pierwszy zaproponował formalną definicję zbioru rozmytego[1]. Jednak pierwsze próby wyjścia poza klasyczną logikę są znacznie starsze. Najbardziej charakterystycznym założeniem logiki klasycznej jest zasada dwuwartościowości. Pozornie zasada ta wydaje się być oczywista, ale w obowiązywanie tej zasady wątpił już Arystoteles. Logika…
Zbiory rozmyte
W języku naturalnym do opisu zjawisk często posługujemy się określeniami nieprecyzyjnymi i wieloznacznymi. Używamy określeń takich jak: wysoki wzrost, młody człowiek, niska temperatura, duże miasto itp. Ale co to znaczy, że ktoś jest np. wysoki? Czy człowiek, mający 180 cm wzrostu jest wysoki? Czy 179 cm również wystarczy by być uznanym za wysokiego? Co jeśli…
Perspektywy zastosowania sieci neuronowych LSTM i GRU w zarządzaniu łańcuchem dostaw
Efektywne zarządzanie łańcuchem dostaw jest uważane za jeden z kluczowych elementów wpływających na budowanie rynkowej przewagi konkurencyjnej. Łańcuch dostaw jest siecią, która zwykle obejmuje wiele firm współpracujących w ramach danej branży: od dostawców materiałów i komponentów, poprzez producentów, po dystrybutorów i detalistów. Dlatego też łańcuch dostaw należy postrzegać jako system wielopoziomowy, w którym korzystne jest…
Istota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytu
Zapas zabezpieczający jest utrzymywany dla zabezpieczenia przed zmiennością popytu (odchyleniami popytu od prognoz) oraz zmiennością czasu cyklu uzupełnienia zapasów. Właściwy poziom zapasu bezpieczeństwa pozwala uniknąć sytuacji braku zapasu w przypadku nieoczekiwanego wzrostu popytu lub wydłużenia się cyklu dostawy [1]. Niezbędne informacje do wyznaczenia zapasu zabezpieczającego to [2]: Oszacowanie odchylenia standardowego błędu prognozy popytu w cyklu…
Przedziały predykcji jako kwantyfikacja prognoz z wykorzystaniem sieci neuronowej
Przedziały predykcji (PP) oferują wygodny sposób kwantyfikacji niepewności prognoz, dlatego też znalazły szerokie zastosowanie w praktyce prognozowania. PP mogą dostarczyć informacji o najlepszych i najgorszych scenariuszach, umożliwiając decydentom podejmowanie świadomych decyzji w oparciu o cenne informacje na temat nieuniknionej niepewności przyszłości, a także tworzenie odpowiednich planów awaryjnych. Na przykład wąskie PP oznaczają niski poziom niepewności predykcji,…
Rekurencyjne sieci neuronowe
Rekurencyjne sieci neuronowe (Recursive Neural Networks, RNN) wykorzystywane są do modelowania i prognozowania zmiennych ewoluujących w czasie. W odróżnieniu od standardowych sieci neuronowych mają zdolność zapamiętania kontekstu, w którym się znajdują. W przypadku tradycyjnej sieci neuronowej zakłada się, że wszystkie wejścia (i wyjścia) są niezależne od siebie, natomiast sieci RNN wykonują to samo zadanie dla każdego…
