The concept of inventory is central in the economy of many enterprises in the retail business. Along with the development of marketing and selling strategies, brought by the growth of the e-commerce and social media communication, it becomes, in fact, essential to properly manage stocks throughout the supply chain. One of the main challenges in this area is represented by the notion of backorder, as a delicate trade-off between customer satisfaction and management of internal operations and costs. As causes and effects of such issue have an immediate impact on the entirety of a supply chain, Inventory Management has always been the main focus of subjects as Operation Research. One crucial component in this context is represented by the demand, whose behaviour is often influenced by complex laws that are hard to predict. With the advent of ever more accurate techniques for processing and elaborating big data, made possible by the recent developments in Machine Learning and Data Science, also demand management has benefited from interesting studies and applications. Alongside the traditional forecasting techniques based on statistical methods and linear models, other more novel ones are demonstrating the potential of non-linear dependencies, even if they are still developing. In the course of this thesis we shall address the backorder issue through a demand prediction in a multi-item use case, by means of the application of a particular Deep Learning-based approach.
Il concetto di inventario è centrale nell'economia di molte aziende operanti nel settore del commercio al dettaglio. Assieme al perfezionamento delle strategie di marketing e vendita, che hanno subito notevoli evoluzioni con lo sviluppo dell'e-commerce e della comunicazione social, è infatti fondamentale la gestione delle risorse di magazzino all'interno della catena logistica. Una delle sfide principali in tale settore è rappresentata dal concetto di backorder, come delicato problema di bilanciamento tra soddisfazione del cliente e gestione delle operazioni interne e dei costi. Cause e conseguenze di tale problematica si ripercuotono rapidamente sulla totalità della catena logistica, pertanto la gestione ottimizzata del magazzino è sempre stata al centro dello studio di materie come la Ricerca Operativa. Una componente cruciale in quest'ottica è rappresentata dalla domanda, il cui comportamento è spesso regolato da logiche complicate e difficilmente prevedibili. Con l'avvento di sempre più affinate tecniche di processamento ed elaborazione di grandi dati, rese possibili dai recenti sviluppi nei campi dell'apprendimento automatico e della scienza dei dati, anche la previsione della domanda come serie temporale ha beneficiato di interessanti studi ed applicazioni. Accanto alle più tradizionali tecniche di predizione di serie temporali, basate su metodi statistici e sull'apprendimento lineare, alcuni approcci più moderni stanno dimostrando le potenzialità di dipendenze non lineari, seppur ancora in via di sviluppo. In questa tesi affronteremo la problematica del backorder attraverso la predizione della domanda in uno scenario di contesto con molteplici prodotti, mediante l'applicazione di un particolare approccio basato sul Deep Learning.
Deep learning approach for demand management in supply chain
BARUSOLO, FEDERICO
2018/2019
Abstract
The concept of inventory is central in the economy of many enterprises in the retail business. Along with the development of marketing and selling strategies, brought by the growth of the e-commerce and social media communication, it becomes, in fact, essential to properly manage stocks throughout the supply chain. One of the main challenges in this area is represented by the notion of backorder, as a delicate trade-off between customer satisfaction and management of internal operations and costs. As causes and effects of such issue have an immediate impact on the entirety of a supply chain, Inventory Management has always been the main focus of subjects as Operation Research. One crucial component in this context is represented by the demand, whose behaviour is often influenced by complex laws that are hard to predict. With the advent of ever more accurate techniques for processing and elaborating big data, made possible by the recent developments in Machine Learning and Data Science, also demand management has benefited from interesting studies and applications. Alongside the traditional forecasting techniques based on statistical methods and linear models, other more novel ones are demonstrating the potential of non-linear dependencies, even if they are still developing. In the course of this thesis we shall address the backorder issue through a demand prediction in a multi-item use case, by means of the application of a particular Deep Learning-based approach.File | Dimensione | Formato | |
---|---|---|---|
DeepLearningApproachDemandManagement-Tesi_Barusolo.pdf
accessibile in internet solo dagli utenti autorizzati
Descrizione: Testo della tesi
Dimensione
2.93 MB
Formato
Adobe PDF
|
2.93 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/147305