научный журнал «Актуальные исследования» #32 (59), август '21

Нейросетевой ABC-анализ многономенклатурных запасов

В работе решается задача управления логистическими потоками при реализации технологии ABC-анализа через нейросетевой анализ многономенклатурных запасов. Рассмотрено практическое применение глубоких нейронных сетей. На основе развития этого метода предлагается новая методика оптимизации управления многономенклатурными запасами.

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

Продолжением работы [1] является создание ABC-нейро-классификатора. Расчет ABC-анализа целесообразно производить средствами программы MS Excel. Результаты данного анализа будут использованы для обучения создаваемой нейросети. На основе данных выполняется анализ.

Производится определение доли товаров ABC-анализа на основе их продаж. Расчет произведен по случайным величинам для товаров, что в дальнейшем возможно применить на практике к любым видам товаров.

Таблица

Данные ABC-анализа для 1 строки нейро-классификатора

Объем, тыс. руб.

Доля реализации по позиции, %

Доля реализации по позиции, %

Доля реализации позиции нарастающим итогом, %

Результаты ABC-анализа

1

156

1

0,6088

4

37,8522

37,8522

A

2

6450

2

25,1697

3

35,4991

73,3513

A

3

9097

3

35,4991

2

25,1697

98,5210

C

4

9700

4

37,8521

1

0,6088

99,1298

C

5

97

5

0,3785

5

0,3785

99,5083

C

6

50

6

0,1951

6

0,1951

99,7034

C

7

41

7

0,1600

7

0,1560

99,8634

C

8

25

8

0,0976

8

0,0975

99,9610

C

9

6

9

0,0234

9

0,0234

99,9844

C

10

4

10

0,0156

10

0,0156

100

C

Итог

25626

         

 

Необходимо создать условные массивы данных (10 шт. в каждом примере). Артикулы и объем транспонируются. Транспонирование необходимо для дальнейшего настраивания нейро-классификатора и удобства восприятия данных человеком. Далее отдельно берутся артикулы и к ним транспонируются итоговые доли для АВС-анализа. Эти данные, сформированные в массивы, служат примером для обучения нейросети.

В данной таблице первый столбец отражает количество номенклатурных позиций продукции по порядку от 1 до 10. Второй столбец является показателем объема продаж в тыс. руб. по каждой номенклатурной позиции, где последняя строка является общей суммой по данному столбцу.

Введем следующие обозначения:

Q– количество продаж продукции по номенклатурной позиции i;

Qсум – суммарное количество продаж продукции за период анализа.

Четвертый столбец отражает долю реализации по позиции от общего объема. Расчет для первой строки:

где αi – доля продукции i в суммарном объеме поставки, %;

Q1= 156 – объем продаж для 1 номенклатурной позиции, тыс. руб.;

Qсум =25626 – суммарный объем продаж за период анализа по всем номенклатурным позициям, тыс. руб.

В соответствии с рисунком 1 изображено вычисление доли реализации по позиции для ABC-анализа в MS Excel (ячейка G2).

Рис. 1. Вычисление доли реализации по позиции для ABC-анализа в MS Excel

Последующие строки рассчитываются также путем деления объема номенклатурной позиции на общую сумму объема продаж и умножением на 100%. Далее необходимо полученные доли и соответствующие им номера номенклатурных позиций отсортировать в порядке убывание, что отражается в шестом столбце.

В седьмом столбце отражается доля реализации позиции нарастающим итогом в ABC-анализе, которая должна быть не более 100%. Данный параметр был получен путем сложения предыдущей доли в столбце семь и доли соответствующей ей номенклатурной строки столбца 6:

αсумм ii-1i.

где α0=0.

αсумм11-11011=37,8522, 

αсумм22-1212=37,8522 + 35,4991 = 73,3513.

………..

В крайнем правом столбце отражены результаты ABC-анализа, согласно диапазону: «A» от 0 до 80; «B» от 80 до 95; «C» от 95 до 100. Например, товару под номером 4 соответствует значение доли 37,8522, что входит в группу «A».

Более точное управление запасами многономенклатурных грузов дает комплексное использование различных методы классификации, в том числе, сегментирование на ABC классы согласно правилу В. Паретто. В этой связи, рассмотрим структуру АВС нейро-классификатора. Блок ABC анализа представляет собой приложение, основанное на результате вычислений нейросети. Благодаря обучению на заранее размеченных данных сеть автоматически подбирает весовые коэффициенты для последующих данных, вычисляя ответы на них с заданной точностью, что позволяет частично или полностью автоматизировать процесс классификации многономенклатурных грузов или товаров [2, 3].

Для обучения сети нам необходима обучающая выборка, в данном случае используются номер номенклатурной группы (артикул) или же просто порядковый номер по списку, а также объем реализации данного товара. Данные для обучения нейросети используем из таблицы. При классическом анализе проводимом, например, в среде Excel необходимо заполнить номенклатурные группы и объемы (либо другие критерии, по которым будет проводиться данных вид анализа), далее вычисляется доля реализации по позиции, % с помощью формул, после чего формируется упорядоченный список на основе доли реализации позиции и номенклатурного номера, где приоритетом по сортировке выступает доля.

Далее полученные отсортированные доли складываются по порядку (за исключением первой ячейки). Полученные доли отражают группу вычисленную A, B или C к которой относится данный вид товара после анализа. С целью автоматизации был разработан нейросетевой ABC классификатор. В общем виде процесс обучения сети выглядит так:

  • подготовка данных:

Массив с Данными для обучения

Массив с Ответами для данных для обучения

Массив с новыми данными

Массив с ответами для новых данных

  • сборка нейросети;
  • обучение нейросети;
  • вывод вычисленных ответов на экран пользователя (оператора).

Для обучения сети в данном случае используется «Объем реализации в рублях», а ответами для обучения нейросети «Доля реализации позиции нарастающим итогом, %».

На рисунке 2 отображены результаты работы программы. Программа вводит массив с вычисленными нейросетью значениями. Далее выводится результат вычислений с помощью функции «print».

Рис. 2. Массив с артикулами

В результате работы программы были получены результаты, представленные на рисунке 2. Изображен массив с артикулами, которые могут быть произвольными. В данном случае использованы значения от 1 до 10. Это необходимо для последующего совмещенного ABC и XYZ-анализов. Через эти артикулы будет производиться соответствие 2-х видов анализа по одному виду товара или груза. Например,

Данная матрица может вмещать в себя любое количество артикулов, а программа проводить полуавтоматический или автоматический расчет согласно результатам анализа.

ЗАКЛЮЧЕНИЕ

В рамках данного раздела был отражен ABC-анализ для многономенклатурных групп позиций при помощи нейросети. Данный вид анализа позволяет производить сложные виды прогнозирования, основанные на результатах прошлых периодов, а также получать вычисления с большой вероятностью, что является фундаментальной основой для стратегического планирования деятельности бизнес-компании. Отметим также, что с увеличением номенклатуры и количества запасов задача кратно усложняется, но благодаря работе нейро-классификатора данный процесс ускорется или полностью автоматизируется.

Текст статьи

 

  1. Кузина Е.А., Сизинцев А.С., Пашков Н.Н. Нейросетевой XYZ анализ многономенклатурных грузов // Актуальные исследования. 2020. №15 (18). С. 28-33. URL: https://apni.ru/article/1076-nejrosetevoj-xyz-analiz-mnogonomenklaturnikh
  2. Пашков Н.Н. Алгебраический метод решения линейной многокритериальной задачи / Современные технологии. Системный анализ. Моделирование. № 1 (41), 2014. С. 64-69.
  3. Пашков, Н.Н. Транспортная логистика (линейное программирование). М.: Прометей, 2020. – 202 с.
Список литературы
Ведется прием статей
Прием материалов
c 22 января по 28 января
Осталось 3 дня до окончания
Публикация электронной версии статьи происходит сразу после оплаты
Справка о публикации
сразу после оплаты
Размещение электронной версии журнала
01 февраля
Загрузка в eLibrary
01 февраля
Рассылка печатных экземпляров
09 февраля