ارائه‌ی یک رویکرد یادگیری ماشین نظارت‌شده برای شبیه‌سازی مبتنی ‌بر ‌داده در مسئله‌ی انتخاب تامین‌کننده

با رقابتی‌شدن فضای صنعت و کسب ‌و کارها، استفاده از فناوری‌های جدید داده‌محور و روش‌های یادگیری ماشین در ارزیابی و انتخاب تامین‌کنندگان اهمیت پیدا کرده است. در پژوهش حاضر، ابتدا با استفاده از نرم‌افزار ارنا، یک مسئله‌ی انتخاب تامین‌کننده‌ شبیه‌سازی و سپس مجموعه‌ی‌ داده‌ی استخراج‌شده از آن به عنوان ورودی مدل یادگیری ماشین در نظر گرفته شده است. سپس با استفاده از الگوریتم‌های درخت تصمیم، k نزدیک‌ترین همسایه، و رگرسیون لجستیک داده‌ها بررسی شده‌اند. براساس نتایج، الگوریتم درخت تصمیم با دقت فوق‌العاده‌ی 99%، الگوریتم رگرسیون لجستیک با دقت 98%، و الگوریتم k نزدیک‌ترین همسایه با دقت 96% تخصیص سفارش را به تامین‌کنندگانی انجام داده‌اند که بیشترین احتمال موفقیت را در تحویل به موقع آن سفارش داشته‌اند. رویکرد پژوهش حاضر در تجزیه و تحلیل پایگاه تامین‌، شناسایی تامین‌کنندگان حیاتی، یا ترکیبی از آن‌ها و کمینه‌سازی اختلال‌های ناشی از عملکرد نامطلوب تامین‌کنندگان ارزشمند است.

proposing a supervised machine learning approach for data-driven simulation in supplier selection problem

supplier selection is a crucial aspect of supply chain management. traditionally، multi-criteria decision-making methods and experts' experience have been the go-to approaches for this process. however، in today's highly competitive business environment، making decisions quickly and accurately has become paramount. consequently، innovative data-driven technologies and machine learning methods have gained significant importance. surprisingly، the combination of simulation and machine learning has received limited attention in research endeavors. this study evaluates supplier performance based on specific characteristics utilizing a combination of simulation and machine learning techniques. the research investigates its applications in data-driven decision support for supplier selection. we tackled the supplier selection challenge by simulating the problem using arena software. the dataset generated from the simulation served as input for our machine learning model. we employed different algorithms، namely decision tree (dt)، k-nearest neighbor (knn)، and logistic regression (lr)، to analyze the data. our research demonstrates the remarkable effectiveness of machine learning algorithms in supplier selection. based on the results، the dt algorithm with 99% accuracy، the lr algorithm with 98% accuracy، and the knn algorithm with 96% accuracy assign orders to suppliers with the highest probability of delivering them on time. our approach proves invaluable in analyzing the supplier base and identifying critical suppliers or combinations thereof، minimizing disruptions caused by adverse supplier performance. these findings underscore the potential of integrating advanced computational methods to significantly enhance decision-making processes within supplier selection in supply chain management. our analysis highlights the pivotal role of combining simulation and machine learning techniques، offering a robust framework for improving supplier selection methods in the fast-paced and competitive landscape of modern industries. this approach not only improves existing methods but also promises a new era in supply chain management. the synergy of simulation and machine learning can revolutionize how businesses choose strategic suppliers and ensure speed and accuracy in decision-making processes.