پیش‌بینی تقاضا بر اساس روشهای یادگیری ماشین با تاکید بر محصولات جایگزین در صنعت نساجی

پیش‌بینی تقاضا با دقت بالا باعث کاهش هزینه های انبارداری، بهبود تنوع موجودی و افزایش شاخص تحویل به موقع خواهد شد. محصولات جایگزین به‌طور معمول در فرآیند تولید به دلیل کمبود محصول اصلی مطرح هستند و لذا پیش‌بینی تقاضا باید به‌طور موثری این جایگزینی‌ها را لحاظ کند. در این تحقیق محصولات جایگزین ابتدا در یک گروه قرار گرفته وپیش‌بینی تقاضا با استفاده از روش‌های ann, ar, arima, sarima, sarimax, lstm بر روی گروه محصول انجام می‌شود با این روش خطای پیش‌بینی حداقل شده و اثر محصولات جایگزین نیز در مدل لحاظ خواهد شد. در ادامه، با استفاده از روش تخصیص متناسب و بر اساس سهم تاریخی فروش هر محصول، تقاضای پیش‌بینی‌شده برای هر گروه، به‌طور منطقی بین محصولات درون آن گروه توزیع می‌گردد. در صنعت نساجی، جایگزینی محصول به دلیل کمبود محصول اصلی پر تکرار است لذا در پیش‌بینی تقاضا شناسایی محصولات جایگزین ضروری است. برای این منظور، با استفاده از داده‌های موجود و ویژگی‌های محصولات جایگزین، گروه‌بندی محصولات از طریق الگوریتم‌های یادگیری ماشین انجام خواهد شد. سپس، پیش‌بینی تقاضا به‌صورت جداگانه برای هر گروه، با بهره‌گیری از مدل‌هایی که پیش‌تر معرفی شدند، صورت می‌گیرد تا دقت پیش‌بینی افزایش یابد و تاثیر جایگزینی محصولات در فرآیند تقاضا به‌طور موثری لحاظ شود. مراحل پژوهش در یک مطالعه موردی در صنعت نساجی و در شرکت ظریف مصور، پیاده‌سازی شده و اثرات استفاده از پیش‌بینی تقاضا با گروه‌بندی محصولات جایگزین مورد بررسی قرار خواهد گرفت و با توجه به نتایج حاصل از معیار سیلوئت ، دسته‌بندی 2253 محصول در 30 خوشه به‌عنوان ساختار بهینه خوشه‌بندی انتخاب شد، در نهایت نتایج عددی حاصل از پیاده‌سازی مدل نشان می‌دهد که در نظر گرفتن ساختار جایگزینی محصولات، باعث کاهش خطای پیش‌بینی mape از 13.2٪ به 6.72٪ شده است.