Data-driven risk forecasting applications to supply chain management
Notice bibliographique
Résumé
Effective risk management is crucial for identifying, assessing, and monitoring risks in supply chain management and enables preventative action to protect businesses from financial losses. This thesis introduces novel data-driven strategies to enhance risk forecasting in supply chain operations. The first part of the study focuses on demand forecasting using the simple moving average (SMA), and the Bollinger bands. The research highlights the suitability of the data-driven approach utilizing $t$ distribution for constructing resilient Bollinger bands.~A novel data-driven resilient Bollinger band based on correlation-based estimating functions (EF) is proposed for demand forecasting.~The volatility estimates incorporating different correlation-based estimating functions (EF) are also discussed in some detail. Risk-adjusted forecasts (RAFs) are computed considering three risk measures based on sign correlation, skew correlation, and volatility correlation estimates. The resilient forecasts are derived using data-driven weighted moving average (DDWMA) and SMA methods, providing forecast intervals with coverage probabilities that evaluate the performance of the models. The second part of the study focuses on forecasting slow-moving items in supply chain management and introduces a data-driven exponentially weighted moving average (DDEWMA) model with seasonal index s = 30 to model the monthly seasonal demand for forecasting. The novelty of the proposed approach is to forecast demand for count time series of slow-moving items. The correlation-based approach effectively mitigates the effect of extreme values on seasonal demands and enhances the accuracy of risk forecasting (particularly for slow-moving seasonal items). A data-driven volatility estimate (DDVE) is introduced. Furthermore, the correlation-based DDVE provides better volatility forecasting for the neural network-based forecasts compared to the seasonal model and traditional Croston model. The proposed data-driven approaches offer valuable insights into supply chain management, enabling businesses to decide and mitigate potential financial losses.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».