Нейросетевой XYZ анализ многономенклатурных грузов

В работе решается задача управления многономенклатурными запасами интегрированных цепей поставок через нейросетевой XYZ анализ. Рассмотрено практическое применение к XYZ анализу. На основе развития этого метода предлагается новая методика оптимизации управления многономенклатурными запасами.

Аннотация статьи
многокритериальная оптимизация
многономенклатурные запасы
интегрированная цепь поставок
нейросетевые технологии
Ключевые слова

Схема обучения нейросети

Для управления запасами многономенклатурных грузов используются различные методы классификации, в том числе, сегментирование на ABC-XYZ классы. При достаточно крупных запасах такая классификация становится трудоемкой задачей. С целью автоматизации процедуры анализа и дальнейшего распределения на классы запасов смешанных групп предлагается использовать нейро-классификатор. В данной работе рассмотрен только блок XYZ-анализа, входящий в состав нейро-классификатора (рис. 1).

Рис. 1. Структура двухфакторного нейро-классификатора

Каждый блок является автономным рабочим самостоятельным приложением, содержащим нейросеть (рис. 1).

Построение нейро-классификатора с обучением выполняется на основе определения базовых весовых коэффициентов синаптических связей между искусственными нейронами многослойной нейронной сети. Для настройки коэффициентов в режиме обучения используются результаты экспериментального исследования, полученные в работе [1].

Упрощенная схема алгоритмов обучения каждого блока представлена рисунком 2. По заданной обучающей выборке нейронная сеть вычисляет необходимые веса синаптических связей.

Рис. 2. Упрощенный алгоритм процесса обучения нейронной сети

В работе [1] были получены соотношения, устанавливающие весовые коэффициенты смешанных групп ABC-XYZ (табл. 1), которые можно использовать в качестве начальных значений весовых коэффициентов блока ABC-XYZ при настройке адаптивной нейросети без учителя (рис. 2).

Исходные входные данные обучающей выборки заносятся в графу «Вход» (табл. 2) (95 входов – X,Y,Z).

Таблица 1

Экспериментальная классификация смешанных групп

 

X

Y

Z

A

0,252

0,183

0,358

0,792

B

0,050

0,036

0,071

0,156

C

0,016

0,012

0,023

0,051

0,318

0,230

0,452

1,000

Таблица 2

Входные и выходные данные нейросети XYZ анализа

№ номенклатурной позиции

Данные для массива x (вход)

Данные для массива y (выход)

Классификация

Объем продаж, тыс. единиц

Коэффициент вариации, %

1 квартал

2 квартал

3 квартал

4 квартал

740-0271

12

12

13

16,4

0

13,54

Y

740-0371

11

14

12

8,15

1

18,685

Y

740-0321

37

39,56

47,45

53,39

2

14,626

Y

205-1902

9,75

7,504

1,405

7,141

3

47,742

Z

205-1905

41,506

34,1

19,85

25,857

4

27,038

Z

803-0122

1,405

4,567

4,55

2,378

5

42,703

Z

100884

1,2

1,002

1,598

1

6

20,31

Y

601-0021

12,045

7,478

5,258

5,039

7

37,781

Z

704-6000

17,008

19,045

25

20,427

8

14,417

Y

630-0030

0,856

1,041

0,7

0,603

9

20,731

Y

866-4016

0,653

0,426

1,423

0,698

10

46,771

Z

1316

2,478

8,452

4,596

2,674

11

52,748

Z

630-0031

70,7

78,405

75,69

80,695

12

4,8755

X

205-1906

3,78

4,18

5,0102

3,972

13

11,075

Y

639-0002

6,78

6,547

5,604

5,3315

14

10,076

Y

1309-D

4,805

4,302

3,45

4,375

15

11,605

Y

497-6460

2,698

4,62

2,75

1,632

16

36,77

Z

497-6461

58,4

59,74

59,74

40,2

17

15,198

Y

497-6470

2,598

2,78

3,25

3,2244

18

9,5068

X

497-6471

15,404

15,978

24,504

22,639

19

20,377

Y

205-0010

25,404

24,59

24,785

28,822

20

6,6159

X

497-6475

1,001

1,202

0,6

1,2015

21

24,539

Y

540-0271

9,74

9,509

8,56

8,1295

22

7,3768

X

540-0371

0,75

0,78

1,54

0,725

23

36,038

Z

540-0321

3,245

6,89

4,265

3,16

24

34,338

Z

305-1902

3,45

3,56

5,48

5,07

25

20,447

Y

205-1905

3,7

3,78

5,406

4,674

26

15,95

Y

703-0122

3,74

3,654

4,75

5,416

27

16,687

Y

200884

54,8

58

59,4

64,05

28

5,6337

X

602-0021

5,78

5,789

5,78

4,301

29

11,857

Y

703-6000

12

12

14

11

30

8,8957

X

640-0030

31

35

34

38

31

7,2464

X

856-4016

32

45

40

35

32

13,026

Y

13165

1

2

1,5

3

33

39,441

Z

630-0032

31

32

36

34

34

5,7753

X

205-1907

31

24

28

45

35

24,705

Y

639-0003

31

48

43

35

36

16,936

Y

1319-D

94

97

108

150

37

19,964

Y

497-6461

98

78

97

71

38

13,684

Y

497-6462

5

10

18

7

39

49,497

Z

597-6470

43

56

47

89

40

30,789

Z

597-6471

45

78

79

78

41

20,628

Y

215-0010

45

47

56

50

42

8,3905

X

498-6475

14

17

24

34

43

34,577

Z

741-0271

2

5

7

4

44

40,062

Z

741-0371

56

45

78

50

45

22,004

Y

741-0321

2

3

1

2

46

35,355

Z

206-1902

5

5

7

8

47

20,785

Y

206-1905

25

35

19

40

48

27,655

Z

804-0122

5

7

8

5

49

20,785

Y

100885

52

40

45

60

50

15,288

Y

601-0022

5

6

7

8

51

17,201

Y

704-6001

25

74

30

24

52

54,288

Z

630-0031

2

3

8

9

53

55,298

Z

866-4017

5

4

5

8

54

27,273

Z

1317

25

30

50

40

55

26,487

Z

630-0032

2

3

4

7

56

46,771

Z

205-1907

5

6

7

5

57

14,42

Y

639-0003

2

5

3

9

58

56,441

Z

1409-D

52

30

40

45

59

19,19

Y

497-6482

5

6

7

9

60

21,911

Y

497-6489

25

40

50

31

61

25,883

Z

497-64702

52

53

52

50

62

2,1057

X

497-64712

52

57

70

70

63

12,77

Y

205-00101

52

55

74

89

64

22,235

Y

497-64756

5

7

8

4

65

26,352

Z

740-02714

20

25

16

19

66

16,202

Y

740-0374

53

59

47

56

67

8,255

X

740-0323

5

6

7

8

68

17,201

Y

205-1912

65

74

47

60

69

15,869

Y

205-1916

6

6

7

8

70

12,284

Y

803-0125

5

6

7

9

71

21,911

Y

100888

6

8

5

7

72

17,201

Y

601-0021

55

70

30

89

73

35,37

Z

704-6008

54

89

80

90

74

18,572

Y

630-0037

65

78

89

56

75

17,43

Y

866-4017

4

9

4

5

76

37,483

X

1323

5

7

9

8

77

20,4

Y

630-0032

54

84

89

74

78

17,814

Y

205-1906

54

47

56

47

79

7,9647

X

639-0002

57

78

79

75

80

12,355

Y

1309-D

97

76

98

78

81

11,783

Y

497-6460

97

78

78

98

82

11,118

Y

497-6461

8

8

9

7

83

8,8388

X

497-6470

7

7,9

7,80

10

84

13,577

Y

497-6471

87

79

85,6

89,4

85

4,523

X

205-0010

87

78,9

75,3

78,5

86

5,4006

X

497-6475

7

8,9

4,5

7

87

22,815

Y

740-0271

9

8,3

8

7

88

8,9033

X

497-6472

89

97

56,9

40

89

32,853

Z

497-6479

73

78

98

78,6

90

11,656

Y

205-0019

31

35

46

74

91

36,13

Z

497-6477

64

78

89,5

74

92

11,959

Y

740-0279

6

9

7

9

93

16,762

Y

497-6478

78

47

78

98

94

24,239

Y

497-6456

97

75

98

105

95

12,006

Y

№ номенклатурной позиции

Данные для массива x_test (вход)

Данные для массива y_test (выход)

Классификация

205-1915

89

78

96

48

0

23,583

Y

205-1917

78

75

84

89

1

6,636

X

803-0135

45

50

64

78

2

21,725

Y

100898

60

47

47

98

3

33,163

Z

601-0027

65

75

75

78

4

6,7141

X

704-6009

64

78

78

94

5

13,527

Y

630-0057

87

56

56

98

6

25,131

Z

866-4089

8,5

8,7

9

7

7

9,2935

X

1347

5

7,5

7,1

6

8

15,269

Y

630-0089

7,5

7,9

9

8

9

6,8181

X

Входные и выходные данные нейросети (табл. 2) представляют два набора входных данных (данные для массивов x и x_test, представленных поквартально) и два набора выходных (данные для массивов y и y_test), связанных попарно между собой, где:

  • данные для массива x (вход) представлены голубым цветом. Эти данные являются примером для обучения искусственной нейросети.
  • данные для массива y (выход) представлены оранжевым цветом. Эти данные являются ответами для вычислений искусственной нейросети на примере массива x (вход).
  • данные для массива x_test (вход) представлены зеленым цветом. Эти данные необходимы для получения искомых ответов, после обучения искусственной нейросети на массивах x (вход) и y (выход).
  • данные для массива y_test (выход) представлены розовым цветом. Эти данные необходимы для сравнения корректности работы сети. Массив y_test предварительно рассчитывается, как и все предыдущие массивы.

Рассмотрим этапы работы сети:

а) обучение (сравниваются массивы x (вход) и y (выход))

б) сохранение архитектуры и весов сети

в) тестирование (применяем массив x_test (вход))

г) вычисление ответа на основе данных, содержащихся в массиве x_test (вход) и вывод его на экран

д) сравнение вычисления результатов сети и массива y_test

Распределение групп товаров в таблице 2 «Данные для массива y_test (выход)» зависит от коэффициента вариации.

Что позволяет полученные результаты расчетов распределять по группам A, B и C соответственно.

В соответствии с классификацией XYZ результаты расчетов нейросети имеют следующее распределение по группам:

Например, третий номер номенклатурной позиции (рис. 1) – это элемент матрицы, содержащий значение равное 21,174 входит в группу Y, согласно приведенной выше сегментации. Значение 21,7248 является точным расчетным значением, необходимым для понимания точности работы сети при ее создании. Таким образом, первую, четвертую, седьмую, девятую строки необходимо отнести к группе X. В группу Y: нулевая, пятая, восьмая. В свою очередь в группу Z вошли все остальные строки.

ЗАКЛЮЧЕНИЕ

Использование нейросетевых технологий создает разнообразные возможности для решения сложных, плохо формализуемых задач. В данном случае рассмотрено практическое применение к XYZ анализу, где входными данными выступают объем продаж в тысячах единиц, а выходными данными – коэффициент вариации в процентах. Данный коэффициент является основой для разделения на группы X,Y,Z.

Текст статьи
  1. Кузина, Е.А. Двухкритериальная многономенклатурных ABC и XYZ / Е.А. Кузина, А.С. Сизинцев, Н.Н. Пашков. – М.: «Агентство перспективных научных исследований», 2019. № 3 (6), С.19-29.
  2. Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия-Телеком, 2002. - 382 с.
Список литературы