Ευφυές σύστημα για τη βέλτιστη διαχείριση αποθεμάτων βασισμένο σε αλγορίθμους μηχανικής μάθησης και μεταφοράς γνώσης

Θεοδώρου, Ευάγγελος; Theodorou, Efangelos

dc.contributor.author	Θεοδώρου, Ευάγγελος	el
dc.contributor.author	Theodorou, Efangelos	en
dc.date.accessioned	2023-06-29T09:20:57Z
dc.date.available	2023-06-29T09:20:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57846
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25543
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Διαχείριση αποθεμάτων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Χρονοσειρές διακοπτόμενης ζήτησης	el
dc.subject	Βελτιστοποίηση	el
dc.title	Ευφυές σύστημα για τη βέλτιστη διαχείριση αποθεμάτων βασισμένο σε αλγορίθμους μηχανικής μάθησης και μεταφοράς γνώσης	el
dc.title	Intelligent system for optimal inventory management utilizing machine learning algorithms and transfer learning	en
dc.contributor.department	Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης	el
heal.type	doctoralThesis
heal.classification	Επιχειρησιακή έρευνα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-04-26
heal.abstract	Οι αλγόριθμοι μηχανικής μάθησης έχουν δείξει μεγάλες δυνατότητες σε διάφορους το-μείς, αλλά η εμφάνισή τους στη βελτιστοποίηση των ρυθμίσεων διαχείρισης αποθεμάτων, που αποτελεί σημαντικό μέρος μιας εφοδιαστικής αλυσίδας, και πρωταρχικής σημασίας για τις εταιρείες λιανικής, παραμένει περιορισμένη. Αντικείμενο της παρούσας διατριβής είναι η ανάπτυξη ενός ολοκληρωμένου συστήματος βελτιστοποίησης των πολιτικών αποθεματοποίησης μέσω της ελαχιστοποίησης του συνολικού κόστους αποθεματοποίησης, το οποίο εκμεταλλεύεται προηγμένα μοντέλα μηχανικής μάθησης, που βασίζονται σε δέντρα αποφάσεων, προκειμένου να προσεγγίσει τις επιμέρους συνιστώσες που επηρεάζουν άμεσα το συνολικό κόστος σε επίπεδο προϊόντος. Τα μοντέλα μηχανικής μάθησης, έτσι, δύνανται να προσεγγίσουν αυτές τις επιμέρους συνιστώσες λαμβάνοντας ως εισόδους τα μοτίβα εμφάνισης της ζήτησης, δηλαδή τα χαρακτηριστικά των χρονοσειρών που αναπαριστούν τη ζήτηση, και τις βασικές παραμέτρους της πολιτικής αποθεματοποίησης που χρησιμοποιείται. Η προτεινόμενη τεχνική βασίζεται σε δεδομένα και είναι ταχύτερη σε σύγκριση με τους διαδεδομένους τρόπους βελτιστοποίησης της διαδικασίας αποθεματοποίησης, μέσω προσομοιώσεων, χωρίς, όμως, να υπολείπεται σε απόδοση, ενώ παράλληλα είναι ευέλικτη ως προς τις μεθόδους που μπορεί να χρησιμοποιήσει για την πρόβλεψη της ζήτησης ή την εκτίμηση του μέσου επιπέδου αποθέματος, των χαμένων πωλήσεων και του αριθμού παραγγελιών, μεταξύ άλλων. Επιπλέον, το εν λόγω πλαίσιο, εφόσον αυτό είναι επιθυμητό, μπορεί να κάνει χρήση γνώσεων που εξάγονται από διαφορετικά σύνολα δεδομένων από αυτά που βελτιστοποιούνται, τεχνική που ονομάζεται μεταφορά μάθησης, παρέχοντας έτσι πιο ακριβείς προτάσεις σε περιπτώσεις όπου τα ιστορικά δεδομένα είναι ελλιπή ή περιορισμένου μεγέθους. Το πλαίσιο αξιολογήθηκε χρησιμοποιώντας δεδομένα του διαγωνισμού προβλέψεων M5, με τα αποτελέσματα να υποδηλώνουν ότι το προτεινόμενο πλαίσιο, και ιδιαίτερα η προσέγγιση που κάνει χρήση μεταφοράς μάθησης, μπορεί να οδηγήσει σε σημαντικές βελτιώσεις, τόσο ως προς το συνολικό κόστος αποθεματοποίησης όσο και ως προς το επίπεδο εξυπηρέτησης πελατών. Τέλος, στο πλαίσιο της διατριβής αναπτύχθηκε, επίσης, ένα ισχυρό σύστημα υποστήριξης αποφάσεων, το οποίο εμπεριέχει την προσέγγιση μεταφοράς μάθησης του προτεινόμενου πλαισίου, δημιουργώντας ένα φιλικό προς τον χρήστη και πολύτιμο εργαλείο για τους υπεύθυνους λήψης αποφάσεων.	el
heal.abstract	Inventory policy optimization is a critical component of supply chain management. Well planned inventory management can boost operational efficiency and profitability, allowing businesses to meet customer demands while reducing costs. Machine learning algorithms have shown great promise in a variety of domains, including supply chain, in recent years. However, the application of machine learning in the field of inventory policy optimization has been rather limited, with organizations frequently relying on standard simulations to inform their decisions. To address this gap, this dissertation creates a novel inventory cost minimization framework based on advanced decision-tree based machine learning models. The proposed approach approximates inventory performance at the item level while taking key replenishment policy parameters and demand patterns into account. Several advantages of the proposed approach over traditional inventory simulations include flexibility, adaptability and the ability to quickly compute data-driven approximations. The framework can also incorporate knowledge from items other than those being optimized, which is useful when historical data is limited or heavily influenced by stock-outs. To evaluate the effectiveness of the proposed framework, the M5 competition dataset was used. The study's findings revealed that the methodology, particularly its transfer learning variant, resulted in significant reductions in total inventory cost while maintaining the same or even improving customer service level. The proposed framework was also incorporated in a decision support system, giving organizations a user friendly and valuable tool aiding in inventory management. In conclusion, the proposed framework makes an important contribution to the field of supply chain management. The framework provides a highly efficient and effective method for optimizing inventory control settings by leveraging advanced machine learning models. This approach has the potential to transform inventory management practices, resulting in significant improvements in operational efficiency and profitability.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Μέντζας, Γρηγόριος	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Μεταξιώτης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	263 σ.	el
heal.fullTextAvailability	false