Maximizing supply chain performance leveraging machine learning to anticipate customer backorders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The complexity of global supply chains, with their multi-tiered and lengthy structures, presents significant challenges for effectively planning inventory replenishment, accurately forecasting demand, and managing customer backorders. To maintain customer loyalty and avoid extended waiting periods, companies need to have an efficient system for predicting product backlog for customers without overstocking. Traditional statistical techniques like regression analysis can forecast demand and the probability of customer backorders. Nevertheless, they are restricted to modeling linear relationships and may not be well-suited for capturing complex relationships. On the other hand, analytical methods like machine learning (ML) show great promise. However, ML algorithms can be computationally intensive, especially when dealing with many predictors, which can make models complex and increase computational costs. Thus, simpler models with fewer attributes can make data collection and model complexity more manageable. In this study we assess the efficacy and accuracy of simplified ML algorithms, the impact of utilizing limited, high-impact predictors in supply chain backorder prediction. Using publicly available data sets from Kaggle, we developed two sets of models: one with 22 predictors and another with only the top five predictors. The results demonstrate a significant decrease in computational costs, ranging from 30 % to 98 %, with only a marginal reduction in accuracy and F1-score, ranging from 0.6 % to 4.2 %. These findings underscore the potential for simpler backorder prediction models, which helps streamline data collection with lower computational cost. This study enhances the current literature by providing insights into optimizing customer backorder prediction with potential generalization for various types of supply chains. It strikes a balance between accuracy and computational efficiency, making the findings valuable for practical implementation across various industries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle