بهبود عملکرد موجودی مبتنی بر پیش‌بینی تقاضا با خوشه بندی مشتریان

مدیریت صحیح و کنترل بهتر موجودی اقلام فروشگاه مواد غذایی، یکی از ضروری ترین و مهم ترین اهداف مدیران فروشگاه‌های مواد غذایی می‌باشد. در این مطالعه تلاش می‌شود تا دانش تقسیم‌بندی مشتریان را بر اساس ویژگی‌های مختلف به عنوان ورودی در پیش بینی تقاضای یک خرده‌فروشی ارائه دهد. هدف این مقاله ارائه یک مدل پیش‌بینی برای خرده‌فروشان بر اساس خوشه بندی مشتریان، به منظور بهبود عملکرد موجودی می باشد. خوشه بندی مشتریان با الگوریتم ژنتیک در نرم افزار matlab r2016a صورت گرفته است. مدل ارایه شده برای پیش بینی تقاضای پنج قلم کالای یک سوپرمارکت در شهر گرگان به کار گرفته شده است. در این مقاله، جهت پیش بینی از مدل های arima، arima فصلی، شبکه عصبی پیشخور mlp و شبکه عصبی gmdh استفاده شده است. مدلسازی این مدل ها در نرم افزار متلب صورت گرفته است. نتایج نشان داد که شبکه عصبی gmdh با خوشه بندی مشتریان کمترین خطای پیش بینی را دارد. مدل پیش بینی ارایه شده با سیاست کنترل دوره ای سطح موجودی منجر به کاهش روزهای مواجه با کمبود و افزایش سطح خدمت به مشتری می‌شود. خرده‌فروشان می‌توانند مدل ارایه شده را برای پیش بینی تقاضای اقلام گوناگون به منظور بهبود عملکرد موجودی و سودآوری عملیات مورد استفاده قرار دهند.

Improving Inventory Performance with Clustering based Demand Forecasts

Proper management and better control of inventory of food items are one of the most important and important goals of food store managers. In this study, we try to provide knowledge of customer segmentation based on various characteristics as inputs in predicting retail demand. The purpose of this paper is to provide a prediction model for retailers based on customer clustering to improve inventory performance. Customer clustering with the genetic algorithm is performed in MATLAB R2016a software. The proposed model is used to predict the demand for five items of supermarket goods in Gorgan. In this paper, the predictions of ARIMA, ARIMA, MLP, and GMDH neural networks are used to predict. Modeling of these models has been done in MATLAB software. The results showed that the GMDH neural network with the clustering of customers had the least predictive error. The model predicted by the inventory control policy reduces the number of days that the shortage faces and increases the level of service to the customer. Retailers can use the proposed model to predict the demand for various items to improve inventory performance and profitability of operations.