بهبود عملكرد موجودي مبتني بر پيش‌بيني تقاضا با خوشه بندي مشتريان

Improving Inventory Performance with Clustering based Demand Forecasts

مديريت صحيح و كنترل بهتر موجودي اقلام فروشگاه مواد غذايي، يكي از ضروري ترين و مهم ترين اهداف مديران فروشگاه‌هاي مواد غذايي مي‌باشد. در اين مطالعه تلاش مي‌شود تا دانش تقسيم‌بندي مشتريان را بر اساس ويژگي‌هاي مختلف به عنوان ورودي در پيش بيني تقاضاي يك خرده‌فروشي ارائه دهد. هدف اين مقاله ارائه يك مدل پيش‌بيني براي خرده‌فروشان بر اساس خوشه بندي مشتريان، به منظور بهبود عملكرد موجودي مي باشد. خوشه بندي مشتريان با الگوريتم ژنتيك در نرم افزار MATLAB R2016a صورت گرفته است. مدل ارايه شده براي پيش بيني تقاضاي پنج قلم كالاي يك سوپرماركت در شهر گرگان به كار گرفته شده است. در اين مقاله، جهت پيش بيني از مدل هاي ARIMA، ARIMA فصلي، شبكه عصبي پيشخور Mlp و شبكه عصبي GMDH استفاده شده است. مدلسازي اين مدل ها در نرم افزار متلب صورت گرفته است. نتايج نشان داد كه شبكه عصبي GMDH با خوشه بندي مشتريان كمترين خطاي پيش بيني را دارد. مدل پيش بيني ارايه شده با سياست كنترل دوره اي سطح موجودي منجر به كاهش روزهاي مواجه با كمبود و افزايش سطح خدمت به مشتري مي‌شود. خرده‌فروشان مي‌توانند مدل ارايه شده را براي پيش بيني تقاضاي اقلام گوناگون به منظور بهبود عملكرد موجودي و سودآوري عمليات مورد استفاده قرار دهند.

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.