Publication: Gestión inteligente de la demanda en la cadena de suministro
Loading...
Official URL
Full text at PDC
Publication Date
2011
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
Disponer de mecanismos que permitan anticipar la demanda es un factor clave para éxito comercial de un distribuidor. Las ventajas se pueden agrupar en torno a dos grandes conceptos: optimización de operaciones mediante la elaboración de estrategias óptimas de aprovisionamiento y la reducción de stock que permite reducir costes de almacenamiento, manipulación … En la actualidad existe una gran variedad de métodos para realizar pronósticos, desde los métodos estadísticos puros como el alisado exponencial de Holt-Winters, modelos ARIMA hasta los basados en técnicas de inteligencia artificial como redes neuronales o sistemas borrosos. Sin embargo, a pesar de poder construir modelos precisos, en la gestión de la cadena de suministro basada en pronósticos existe el problema conocido como “efecto Forrester” con independencia del modelo escogido. Controlar el impacto de este efecto, dado el volumen de información que se maneja en las grandes corporaciones, es un proceso (muchas veces manual) muy costoso para dichas corporaciones ya que requiere investigar aspectos como la adecuación de los modelo, asignación de los modelos conocidos a las series temporales de venta, descubrimiento de nuevos patrones de comportamiento... En el presente trabajo se propone un sistema inteligente basado en máquinas que vectores de soporte para resolver los problemas relativos a la asignación de modelos y descubrimiento de nuevos modelos. Con este objetivo en mente, el sistema se encarga de construir grupos de series temporales que comparten modelo de pronósticos. Para la identificación de los nuevos modelos, el sistema asignará “modelos virtuales” a aquellos grupos que no tengan un modelo predefinido.
[ABSTRACT]
To be able of anticipate demand is a key factor for commercial success in the Supply-Chain sector. The benefits can be grouped around two main concepts: optimization of operations through the development of optimal strategies for procurement and stock reduction that reduces storage costs, handling ... Currently there are a variety of methods to make predictions, this methods vary from pure statistical methods such as exponential smoothing Holt-Winters or ARIMA models, to those based on artificial intelligence techniques like neural networks or fuzzy systems. However, despite being able to build accurate models, in managing the supply chain based on forecasts there is a problem known as "Forrester effect" regardless of the model chosen. Monitor the impact of this effect, given the volume of information handled in large corporations, is a process (often manual) very expensive for such corporations. Because it requires investigating issues such as the adequacy of the model, allocation of known models to the sales time series, discovery of new patterns of behavior ... This article proposes an intelligent system based on support vector machines to solve problems concerning the allocation and discovery of new models. With this focus in mind, the system objective is to build groups of time series that share the same forecasting model. For the identification of new models, the system will assign "virtual models" for those groups that do not have a predefined pattern.
Description
Máster en Investigación en Informática, Facultad de Informática, Departamento de Ingeniería del Software e Inteligencia Artificial, curso 2010-2011