Smukiųjų gamybos įmonių paklausos prognozavimas
Tyrimo problema. Didėjant verslo poreikiams ir tiekimo grandinėms tampant vis sudėtingesnėms, prognozavimo technologijos tampa esminiu įrankiu efektyviam išteklių planavimui. Tiksliai numatant gaminių poreikį ir užsakymų apimtis, įmonės gali sumažinti veiklos sąnaudas, optimizuoti sandėlio valdymą bei užtikrinti aukštą klientų aptarnavimo lygį. Darbo tikslas – taikant laiko eilučių modelius iš istorinių duomenų modeliuoti ir prognozuoti gaminių poreikį bei užsakymų skaičių. Tyrimo metodai. Šiame magistro darbe pagrindinis dėmesys skiriamas laiko eilučių metodų taikymui analizuojant gamybos įmonės užsakymų duomenis. SARIMA, ETS, Holt-Winter’s, TBATS, PROPHET, NNAR ir iš jų sudaryti ansamblio modeliai naudojami prognozuoti mėnesinę komplektuojamų bei nekomplektuojamų gaminių paklausą bei mėnesinį užsakymų skaičių. Rezultatų analizei naudotos šaknies iš vidutinės kvadratinės paklaidos (RMSE), vidutinės absoliutinės paklaidos (MAE), simetrinės vidutinės procentinės absoliutinės paklaidos (SMAPE) ir paprastos vidutinės procentinės absoliutinės paklaidos (MAPE) tikslumo metrikos. Šiame darbe atlikta probleminės srities literatūros analizė, pristatoma naudota metodologija bei atliktų eksperimentų rezultatai. Gauti rezultatai parodė, kad nekomplektuojamų gaminių poreikiui prognozuoti rekomenduojama taikyti SARIMA arba TBATS modelius, komplektuojamų gaminių paklausos prognozavimui geriausia naudoti neuroninio tinklo autoregresijos modelį, o mėnesinio užsakymų skaičiui taikyti ansamblį sudarytą iš SARIMA ir NNAR modelių.
Research problem. As business needs grow and supply chains become increasingly complex, forecasting technologies are becoming a crucial tool for effective resource planning. By accurately predicting product demand and order volumes, companies can reduce operational costs, optimize warehouse management, and ensure a high level of customer service. The purpose of the work – use time series models to analyze historical data in order to model and forecast product demand and the number of orders. Research methods. This master’s thesis focuses on the application of time series methods to analyze order data from a manufacturing company. SARIMA, ETS, Holt-Winter’s,TBATS, PROPHET, NNAR, and ensemble models composed of these methods are used to forecast the monthly demand for assembled and non-assembled products, as well as the monthly number of orders. To evaluate the results, the Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Symmetric Mean Absolute Percentage Error (sMAPE), and Mean Absolute Percentage Error (MAPE) accuracy metrics were used. This thesis includes a literature review of the problem domain, presents the methodology applied, and discusses the results of the conducted experiments. The obtained results showed that the SARIMA or TBATS models are recommended for forecasting the demand for non-assembled products, the Neural Network Autoregression (NNAR) model is most effective for forecasting the demand for assembled products, and the monthly number of orders is most accurately predicted by an ensemble model composed of SARIMA and NNAR.