научный журнал «Актуальные исследования» #49 (76), декабрь '21

Нейросетевой совмещенный ABC-XYZ-анализ многономенклатурных запасов

В работе решается задача управления логистическими потоками при реализации технологии совмещенного ABC и XYZ-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
совмещенный ABC и XYZ-анализа
интегрированная цепь поставок
многономенклатурные запасы
многокритериальная оптимизация
нейросетевые технологии
Ключевые слова

Продолжением технологии ABC и XYZ-анализов является их совмещенный анализ, учитывающий номенклатурную группу грузов, либо их порядковый номер [1, 2].

При выполнении анализа порядковому номеру присваивается определенная группа А, В, С и X, Y, Z на основе входных параметров, разобранных в предыдущих разделах. В данном программном коде они объединяются строки массивов, содержащие:

  1. порядковый номер
  2. результат ABC-анализа
  3. результат XYZ-анализа

Совмещенный ABC и XYZ-анализ позволяет выявлять закономерности в управлении многономенклатурными запасами грузов. Коллаборация данных двух сильных математических методов позволяют делать более глубокий анализ, выявить группы товаров не только по частоте заказов, но и по стабильности спроса. ABC и XYZ-анализы, объединённые между собой позволяют создать более совершенный автоматизированный вид анализа. Далее его можно подключить к облачным технологиям (серверу) и на основании прошлых данных возможно создание предиктивной аналитической системы для принятия бизнес-решений.

Границами для разбивки массива совмещенного анализа являются:

1. Для ABC-анализа:

  • Группа A до 80 %;
  • Группа B от 80 до 95 %;
  • Группа C от 95 %.

2. Для XYZ -анализа:

  • Группа X 0 < коэффициент вариации <10%;
  • Группа Y 10% < коэффициент вариации <25% ;
  • Группа Z 25% < коэффициент вариации <100%.

Данный автоматизированный вид совмещенного анализа позволяет уменьшить вмешательство человека, а также увеличить скорость выполнения анализа.

При создании обучающих выборок для ABC и XYZ-анализа были взяты случайные величины, а также получены распределения для данных видов анализов.

В данном случае числа взяты из таблицы работы [1, 2]. Для наглядности каждый пример представляет собой 4 примера по 10 строк из таблицы объем продаж, тыс. единиц по кварталам.

Далее происходит обучение нейросети данным. Чтобы выполнить совмещенный анализ необходимо объединить результаты вычисления нейросети по каждому виду анализа.

Риc. 1. Результаты работы программы

Выведем на экран пользователя массив, содержащий данные XYZ-анализа. Они отображены в виде матрицы, где первые 2 строки массива являются вычисленными ответами для первой подборки данных и т.д.

Рис. 2. Транспонированный массив данных результата анализа XYZ

Далее транспонируем матрицу (рис.2), чтобы подробнее ознакомиться с результатами. В первом столбце данной матрицы содержатся уже вычисленные результаты нейро-классификатором для первых. Сравнение показало, что расчеты выполнены с достаточной точностью и выполнены без ошибок.

Рис. 3. Совмещенный ABC-XYZ-анализ с учетом артикулов

Объединим результаты анализов и артикулы. На рисунке 3 содержится массив, в котором в столбце 1 содержатся значения артикулов по порядку; в столбце 2 результаты вычисления ABC-анализа с помощью нейросети в процентах, содержащие значения важности данной номенклатурной группы; в 3 столбце содержатся значения XYZ-анализа с помощью нейронной сети в процентах, отражающий коэффициент вариации по каждой номенклатурной группе.

Для наглядности использования программы перед тем, как вывести результат совмещенного ABC-XYZ-анализа на экран, транспонируем выводимые значения.

Целесообразно производить данный вид анализа для большого количества позиций, например, в рамках закупок данный вид автоматизированного анализа сможет показать важность заказываемых товаров по группам, а также частоту выполнения заказов. Исследуемый анализ можно выполнять и на сотни тысяч номенклатурных позиций, существующих в данной компании. С помощью языка SQL или его разновидностей можно составить такую программу, в которой было бы автоматически реализовано выполнение анализа и на основе предиктивной аналитики будет производиться заказ данных товаров.

ЗАКЛЮЧЕНИЕ

Подобные нейро-классификаторы имеют широкую сферу применения в логистических цепях поставок многономенклатурных запасов для крупных сетей ритейла.

У существующих нейро-классификаторов присутствуют современные методы обработки информации, которые позволяют преобразовывать данные в больших объемах и выполнять точные аналитические прогнозы без потери точности вычислений. Поэтому следует продолжить исследование данной технологии, искать новые пути её применения к логистике в целом.

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. Сизинцев А. С., Пашков Н. Н. Нейросетевой ABC-анализ многономенклатурных запасов // Актуальные исследования. 2021. №32 (59). С. 13-16. URL: https://apni.ru/article/2788-nejrosetevoj-abc-analiz-mnogonomenklaturnikh
  3. Пашков Н.Н. Алгебраический метод решения линейной многокритериальной задачи / Современные технологии. Системный анализ. Моделирование. № 1 (41), 2014. С. 64-69.
  4. Пашков, Н.Н. Транспортная логистика (линейное программирование). М.: Прометей, 2020. – 202 с.
Список литературы
Ведется прием статей
Прием материалов
c 15 января по 21 января
Сегодня — последний день приема
Публикация электронной версии статьи происходит сразу после оплаты
Справка о публикации
сразу после оплаты
Размещение электронной версии журнала
25 января
Загрузка в eLibrary
25 января
Рассылка печатных экземпляров
02 февраля