Készletszint-optimalizálás mesterséges intelligencia alapú előrejelzési modellek alkalmazásával

Abstract

A dolgozat célja a készletgazdálkodás hatékonyságának vizsgálata mesterséges intelligencia alapú előrejelzési modellek alkalmazásával. A kutatás a hagyományos idősoros módszerek (SES, Holt–Winters, SARIMA) és az automatizált gépi tanulási (AutoML) megközelítések összehasonlítására épült, három különböző kiskereskedelmi adathalmaz – barkács-, drogériai és ruházati termékek – elemzésén keresztül. Az előrejelzési modellek pontosságát a legelterjedtebb hibamutatók (NRMSE, RMSE, MAE, MAPE) segítségével értékeltem az Azure Machine Learning AutoML platformon. Az eredmények azt mutatták, hogy az AutoML modellek – különösen a Voting Ensemble algoritmus – minden esetben alacsonyabb előrejelzési hibát értek el, mint a hagyományos statisztikai módszerek. A mesterséges intelligencia alkalmazása a készletgazdálkodásban lehetővé teszi a kereslet pontosabb előrejelzését, a készlethiányok és túlkészletezések csökkentését, valamint az adatvezérelt döntéshozatal támogatását. A kutatás rávilágított, hogy az AutoML rendszerek bevezetése nemcsak technológiai, hanem stratégiai előnyt is jelenthet a vállalatok számára a jövő készletoptimalizálási gyakorlatában.