Рекомендаційна система прогнозу замовлення продукції

Abstract

Кожного дня зростає кількість магазинів та розширюється асортимент продукції, що ставить перед власниками нові виклики. Також з цим пов’язані певні труднощі: складно відслідковувати кількість товарів на полицях, щоб уникнути недостачі або надлишку продукції. Деякі керівники магазинів вирішують цю проблему, збільшуючи кількість працівників, але це може призвести до помилок через людський фактор, збільшення витрат і велику ймовірність індивідуальних винагород. Використання рекомендаційної системи прогнозу замовлення продукції може вирішити ці проблеми, дозволяючи формувати замовлення автоматично з мінімальною участю персоналу. Також це дає змогу точніше прогнозувати зміни у попиті на товари та заощадити час на формування замовлення, використовуючи дані про витрати на транспорт, продажів за минулі періоди та взаєморозрахунки з постачальниками. Це також дозволяє уникнути замовлення зайвого товару та замороження оборотних коштів у запасах. Для різних методів прогнозування використовуються різні алгоритми. Це залежить від характеру попиту на товари, що продаються (продаються стабільно кожен день, раз в тиждень або під індивідуальне замовлення). Автоматизація процесу замовлення є ключем до підвищення прибутковості роздрібної торгівлі, оскільки вона дозволяє ефективно використовувати час і не втрачати актуальність запасів. Для визначення правильного обсягу закупівель товарів використовується модель періодичних закупівель, а також нефіксований розклад поставок, що дозволяє формувати замовлення на основі реального попиту [1]. Об’єктом дослідження є всі аспекти, пов’язані зі збором, обробкою та аналізом даних для прогнозу замовлення продукції. Предметом дослідження є процес розробки, впровадження та оптимізації рекомендаційної системи прогнозу замовлення продукції. Мета і задача дослідження. Розробити рекомендаційну систему прогнозу замовлення продукції, яка на основі даних минулих та поточного періодів зможе прогнозувати обсяг замовлення для вибраного магазину та товару. Для того, щоб виконати сформовану задачу потрібно виконати наступні завдання: - оглянути та проаналізувати проблему прогнозу замовлення продукції, визначити основні тренди даної предметної області та можливі методи вирішення даної проблеми, дослідити існуючі аналоги та виявити базові критерії для реалізації рекомендаційної системи; - за допомогою методів системного аналізу визначити цілі роботи, розробити дерево цілей та спроектувати концептуальну модель системи; - вибрати методи системного аналізу для реалізації системи; - розробити рекомендаційну систему прогнозу замовлення продукції; - протестувати розроблену систему. Опис реалізації системи. Для рекомендаційних систем існують дві основні стратегії створення: - контентна фільтрація – системи засновані на даних минулих періодів. Для них не мають значення типи об’єктів, проте вони не є ефективними без початкових даних; - колаборативна фільтрація – системи засновані на профілях користувачів та об’єктів. Кожен з профілів містить певну інформацію, яка використовується для аналізу [2]; Для рекомендаційної системи прогнозу замовлення продукції підходить стратегія контентної фільтрації. Також потрібно обрати стратегію управління запасами для коректних розрахунків. MRP, або система планування потреб у матеріалах (Material Requirements Planning), є підходом до управління запасами, який використовує ієрархічне планування для оптимізації виробничого процесу. Це найпопулярніший метод управління запасами, оскільки він дозволяє точніше планувати і керувати запасами, зменшуючи витрати та забезпечуючи вчасні поставки. На основі даних минулих періодів обчислюється прогноз продажів та рекомендації щодо замовлення продукції. Для реалізації системи використано інструмент Microsoft Power BI Desktop, який надає змогу провести всі обчислення за допомогою мови програмування DAX та створити візуалізації для кращого сприйняття інформації, та Microsoft Power BI Service, який дозволяє опублікувати систему та отримати до неї доступ через мережу Інтернет. Результати дослідження. Удосконалено існуючі рекомендаційні системи прогнозу замовлення продукції завдяки доступності та простоті інтеграції. Дана система може легко інтегруватись з локальними та хмарними базами даними, отримувати дані з API або файлів та забезпечує легкий доступ з браузеру та телефону. Також система дозволяє використовувати зовнішні джерела даних для покращення точності прогнозування.Every day the number of stores increases and the assortment of products expands, which poses new challenges to the owners. There are also certain difficulties associated with this: it is difficult to monitor the number of products on the shelves in order to avoid a shortage or excess of products. Some store managers solve this problem by increasing the number of employees, but this can lead to errors due to human factors, increased costs and a high probability of individual rewards. Using a product order forecasting recommender system can solve these problems by allowing orders to be generated automatically with minimal staff involvement. It also makes it possible to more accurately forecast changes in demand for goods and save time on order formation, using data on transport costs, sales for past periods and mutual settlements with suppliers. It also avoids ordering excess goods and freezing working capital in stocks. Different algorithms are used for different forecasting methods. It depends on the nature of the demand for the goods sold (they are sold consistently every day, once a week or by individual order). Automating the ordering process is key to increasing retail profitability, as it allows you to use time efficiently and keep inventory up-to-date. To determine the correct volume of goods purchases, a model of periodic purchases is used, as well as a non-fixed delivery schedule, which allows you to form orders based on real demand [1]. The object of the study is all aspects related to the collection, processing and analysis of data for the forecast of product orders. The subject of the study is the process of development, implementation and optimization of the recommender system of product order forecasting. The purpose and task of the research. Develop a recommendation system for product order forecasting, which, based on past and current period data, will be able to forecast the order volume for the selected store and product. In order to complete the created task, you need to complete the following tasks: - examine and analyze the problem of product order forecasting, determine the main trends of this subject area and possible methods of solving this problem, research existing analogues and identify basic criteria for the implementation of the recommendation system; - using the methods of system analysis to determine work goals, develop a tree of goals and design a conceptual model of the system; - choose methods of system analysis for system implementation; - to develop a recommendation system for product order forecasting; - test the developed system. Description of system implementation. There are two main building strategies for recommender systems: - content filtering – systems are based on data from past periods. They don't care about object types, but they aren't effective without initial data; - collaborative filtering – systems based on user and object profiles. Each of the profiles contains certain information that is used for analysis [2]; A content filtering strategy is suitable for a recommender system of product order forecasting. You also need to choose an inventory management strategy for correct calculations. MRP, or Material Requirements Planning, is an inventory management approach that uses hierarchical planning to optimize the manufacturing process. This is the most popular inventory management method because it allows for more accurate planning and inventory management, reducing costs and ensuring on-time deliveries. Based on the data of past periods, the sales forecast and recommendations for ordering products are calculated. To implement the system, the Microsoft Power BI Desktop tool was used, which allows you to perform all calculations using the DAX programming language and create visualizations for a better perception of information, and Microsoft Power BI Service, which allows you to publish the system and access it via the Internet. Research results. Improved existing product order forecasting recommendation systems due to accessibility and ease of integration. This system can easily integrate with local and cloud databases, receive data from API or files and provides easy access from a browser and phone. The system also allows the use of external data sources to improve forecasting accuracy.