Improving business process performance in SMEs through predictive modeling: a comparative study of statistical and machine learning models
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
Purpose This study investigates how predictive modeling can improve business process performance in small and medium-sized enterprises (SMEs) by enhancing demand forecasting. This paper examines statistical, machine learning and hybrid models to support process improvement by forecasting business outcomes, enabling data-driven decision-making. Using real-world data from a make-to-stock SME in the manufacturing sector, the research identifies context-aware forecasting strategies that align with business triggers and can be practically implemented without requiring extensive digital infrastructure. Design/methodology/approach A quantitative, comparative modeling approach is applied to real-world demand data from make-to-stock items, with a range of forecasting models evaluated using hyperparameter tuning. These models incorporate both endogenous demand trends and exogenous variables, and the results are critically assessed through a business process lens to evaluate practical relevance, scalability and workflow integration potential. Findings Hybrid and ensemble models, particularly Random Forest Regressor and Multi-Prophet, consistently outperform statistical approaches in forecasting non-linear, event-driven demand patterns. Feature-importance analysis confirms that episodic business events are stronger demand drivers than macroeconomic indicators, especially in project-based supply chains. Originality/value Drawing on operational data from an SME, this research moves beyond accuracy to focus on practical implementation, interpretability and process alignment. It positions predictive modeling as a decision-support subprocess embedded in SME operations, offering a replicable framework for data-driven forecasting in resource-constrained, real-world environments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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