Bedarfsprognose und Bestandsverwaltung im Einzelhandel – SARIMA-Modell

Das Einzelhandelsgeschäft wickelt täglich Lagerbestände in großem Umfang ab, was die Überwachung und Verwaltung des Lagerbestands mühsamer macht. Die herkömmliche Bestandsverwaltung in Einzelhandelsgeschäften ist eine umständliche Methode mit ineffizienter Überwachung, Nachverfolgung und Verwaltung. Daraus ergibt sich der Bedarf an einem robusten, digitalisierten Bestandsverwaltungssystem, das nahtlos Analysen der Lagerbestände von Einzelhandelsgeschäften durchführt, um mit weniger manueller Arbeit weniger Lagerbestände und mehr Lagerbestände zum Verkauf zu erreichen.

Dieser Artikel zeigt, wie SARIMA, ein Zeitreihenmodell für maschinelles Lernen, verwendet werden kann, um eine Bestandsanalyse des Einzelhandelsgeschäfts effizient durchzuführen und den erforderlichen Bestandsparameter zu berechnen, um im Laufe der Zeit auf die Bedürfnisse der Kunden einzugehen und dem Einzelhandelsgeschäft mit maximalem Gewinn zu helfen.

---

DATENSATZ

Laden Sie zunächst den Datensatz herunter. Dieser Datensatz enthält historische Aufzeichnungen zu einem bestimmten Produkt, die Informationen zum Datum, zur Produktnachfrage und zum aktuellen Lagerbestand enthalten.

---

CODE

Der Python-Code zur Durchführung der Bedarfsprognose und Bestandsverwaltung ist wie folgt.

import pandas as pd
import numpy as np
import plotly.express as px
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX

data = pd.read_csv("demand_inventory.csv")
print(data.head())

data = data.drop(columns=['Unnamed: 0'])

fig_demand = px.line(data, x='Date', y='Demand', title='Demand Over Time')
fig_demand.show()

fig_inventory = px.line(data, x='Date', y='Inventory', title='Inventory Over Time')
fig_inventory.show()

data['Date'] = pd.to_datetime(data['Date'], format='%Y/%m/%d')
time_series = data.set_index('Date')['Demand']

differenced_series = time_series.diff().dropna()

# Plot ACF and PACF of differenced time series
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
plot_acf(differenced_series, ax=axes[0])
plot_pacf(differenced_series, ax=axes[1])
plt.show()

order = (1, 1, 1)
seasonal_order = (1, 1, 1, 2)
model = SARIMAX(time_series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit(disp=False)
future_steps = 10
predictions = model_fit.predict(len(time_series), len(time_series) + future_steps - 1)
predictions = predictions.astype(int)
print(predictions)

# Create date indices for the future predictions
future_dates = pd.date_range(start=time_series.index[-1] + pd.DateOffset(days=1), periods=future_steps, freq='D')

# Create a pandas Series with the predicted values and date indices
forecasted_demand = pd.Series(predictions, index=future_dates)

# Initial inventory level
initial_inventory = 5500

# Lead time (number of days it takes to replenish inventory)
lead_time = 1

# Service level (probability of not stocking out)
service_level = 0.95

# Calculate the optimal order quantity using the Newsvendor formula
z = np.abs(np.percentile(forecasted_demand, 100 * (1 - service_level)))
order_quantity = np.ceil(forecasted_demand.mean() + z).astype(int)

# Calculate the reorder point
reorder_point = forecasted_demand.mean() * lead_time + z

# Calculate the optimal safety stock
safety_stock = reorder_point - forecasted_demand.mean() * lead_time

# Calculate the total cost (holding cost + stockout cost)
holding_cost = 0.1  # it's different for every business, 0.1 is an example
stockout_cost = 10  # # it's different for every business, 10 is an example
total_holding_cost = holding_cost * (initial_inventory + 0.5 * order_quantity)
total_stockout_cost = stockout_cost * np.maximum(0, forecasted_demand.mean() * lead_time - initial_inventory)

# Calculate the total cost
total_cost = total_holding_cost + total_stockout_cost

print("Optimal Order Quantity:", order_quantity)
print("Reorder Point:", reorder_point)
print("Safety Stock:", safety_stock)
print("Total Cost:", total_cost)

---

DEN CODE VERSTEHEN

Wir beginnen mit der Visualisierung der „Nachfrage im Zeitverlauf“ und des „Bestands im Zeitverlauf“, anhand derer ein saisonales Muster beobachtet werden kann. Daher verwenden wir SARIMA – Seasonal Autoregressive Moving Average, um die Nachfrage vorherzusagen.

Um SARIMA zu verwenden, benötigen wir p (autoregressive Ordnung), d (Grad der Differenzierung), q (Ordnung des gleitenden Durchschnitts), P (saisonale AR-Reihenfolge), D (saisonale Differenzierung) und Q (saisonale MA-Reihenfolge) . ACF – Autokorrelationsfunktion und PACF – Teilautokorrelationsfunktion werden aufgetragen, um die Parameterwerte zu finden.

Zur Prognose initialisieren wir nun einige Werte. Wir legen zukünftige Schritte, d. h. die zu prognostizierenden Tage, auf 10, die Vorlaufzeit, d. h. die Anzahl der Tage, um den Lagerbestand aufzufüllen, auf 1 und andere vom Einzelhandelsgeschäft abhängige Werte fest.

Um schließlich das optimale Ergebnis des Inventars zu berechnen, verwenden wir die NewsVendor-Formel. Die NewsVendor-Formel wird vom NewsVendor-Modell abgeleitet, einem mathematischen Modell zur Bestimmung des optimalen Lagerbestands. In diesem Artikel erfahren Sie mehr über die NewsVendor-Formel.

Die ausgewerteten Endergebnisse sind:

1. Optimale Bestellmenge – Bezieht sich auf die Menge eines Produkts, die bei Lieferanten bestellt werden sollte, wenn der Lagerbestand einen bestimmten Punkt erreicht.
2. Nachbestellpunkt – Der Lagerbestand, bei dem eine neue Bestellung aufgegeben werden sollte, um den Lagerbestand aufzufüllen, bevor er aufgebraucht ist.
3. Sicherheitsbestand – Zusätzlicher Lagerbestand wird vorrätig gehalten, um Unsicherheiten bei Nachfrage und Angebot Rechnung zu tragen. Es fungiert als Puffer gegen unerwartete Schwankungen der Nachfrage oder der Vorlaufzeit.
4. Gesamtkosten – Stellt die kombinierten Kosten dar, die mit der Bestandsverwaltung verbunden sind.

Das vorgeschlagene SARIMA-Modell digitalisierte die Lagerbestandsverwaltung von Einzelhandelsgeschäften auf effiziente Weise mithilfe der Newsvendor-Formel, um den optimalen Lagerbestand zu berechnen, der zur Erfüllung der Kundenanforderungen erforderlich ist und gleichzeitig den Einzelhändlern maximalen Gewinn bringt.

---

Ich hoffe, dieser Artikel hat Ihnen bei dem geholfen, wonach Sie gesucht haben. Alle Verbesserungen oder Vorschläge für den Artikel sind willkommen. Prost :)

Schauen Sie sich hier meine sozialen Netzwerke an und vernetzen Sie sich gerne ^_^

Das obige ist der detaillierte Inhalt vonBedarfsprognose und Bestandsverwaltung im Einzelhandel – SARIMA-Modell. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!