مطالعه پیش بینی قیمت زنجیره تامین بر اساس فناوری داده کاوی
آیا می‌توان با بررسی علائق مشتریان، آینده قیمت یک محصول را پیش‌بینی کرد؟

فناوری و توسعه
گزارشایده برای پایان نامه

با تکیه بر روش‌های داده‌کاوی امروزی، می‌توان مسیرهای سریع‌تر و نیز روابط سازنده‌ای را بدست آورد که در نگاه نخست شاید قابل درک و ترسیم نباشند. شرکت‌های مدیریت زنجیره  تامین می‌توانند بر اساس نتایج بدست آمده از این روش، دقت تصمیم‌ گیری  خود را بالا برده و مدیریت خود را بهینه‌سازی کنند.  زنجیره تامین رشته‌های پلی استر، زنجیره تامینی است که در این مقاله به عنوان مثال آورده شده؛ در آن از روش‌های داده‌کاوی، برای پیش‌بینی قیمت‌های رشته پلی‌استر استفاده شده است.  مدل‌های پیش‌بینی  کننده، پیاده‌سازی شده و نتایج تحلیلی حاصل از آن می‌توانند در شرکت‌های مدیریت زنجیره تامین مورد استفاده قرار گیرند. به عنوان مثال این نتایج تحلیلی می‌توانند به عنوان مبنایی برای مدیریت کلان مملکتی، در صنعت الیاف شیمیایی و کمپانی‌های فعال در زمینه باشند.

مقدمه

داده کاوی. 1

نمونه های فناوری. 2

تعریف جایگاه 2

استخراج داده 3

پیش پردازش داده 3

استخراج دانش.. 4

ارزیابی علمی. 5

نتیجه گیری. 5

مقدمه

مدیریت زنجیره تامین یکی از شیوه های امروزی در راستای مدیریت کار شرکت هاست که به منظور سازماندهی برنامه ها، هماهنگی جریان اطلاعات و جریان سرمایه علاوه بر مدیریت شرکای تجاری در زنجیره تامین مورد استفاده و از تمام امکانات بازار اطلاعات و کسب و کار بهره می گیرد. با این حال در روش های سنتی هزینه فراهم کردن زنجیره تامین شرکت ها و اطلاعات محصول بسیار گران تمام می شود. فناوری اطلاعات با در اختیار گذاشتن امکان به اشتراک گذاری اطلاعات زنجیره تامین از شرکت ها حمایت کرده و آنها را به مدیریت زنجیره تامین تشویق می کند. از این طریق تمام شرکت ها در زنجیره تامین با مدیریت اطلاعات می توانند به کار ارزش سازی بپردازند. از داده کاوی به عنوان یکی از شیوه های نوظهور فناوری پردازش اطلاعات در مدیریت سازمانی به طور وسیعی استفاده می گردد. شرکت های زنجیره تامین به طور مداوم به تبادل داده ها می پردازند، این کار نه تنها پایه و اساس لازم را برای انجام عملیات داده کاوی فراهم می کند بلکه قلمرو داده کاوی نیز با توجه به ظرفیت های خارجی سازمانی گسترش می یابد. با در اختیار گرفتن اینگونه منابع اطلاعاتی عرضه کنندگان، شرکت های سازنده و توزیع کنندگان از امکان توسعه تقاضا، تولید و برنامه ریزی عرضه برخوردار می شوند تا از این طریق اطلاعات به آرامی در زنجیره تامین جریان یافته و در جهت کمک به راه اندازی و هماهنگ سازی تمام صنعت مورد استفاده قرار گیرد.

در زنجیره شیمیایی مواد خام فیبر تا محصولات شیمیایی طیف وسیعی از محصولات بینابینی وجود دارد. این محصولات بینابینی نه تنها به عنوان محصول نهایی زنجیره بالایی بلکه محصول نهایی فراورده های مواد خام در زنجیره پایینی نیز محسوب می گردند. بنابراین همبستگی تنگاتنگی میان شرکت های تولید فیبر وجود دارد. زنجیره تامین فیبر شیمیایی بر مبنای وجه تشابه میان ویژگیها و اطلاعات داخلی شرکت ها در تقسیم تقاضا شکل می گیرند. در این مقاله از شیوه داده کاوی با هدف پیش بینی قیمت محصولات استفاده شده و نتایج حاصله نیز بسیار رضایت بخش بوده است. این امر به شرکت های زنجیره تامین محصولات بینابینی کمک می کند تا در جریان تصمیم گیری از عملکرد بهتری برخوردار شوند و جریان ماکرو کنترل در واحدهای مربوطه در صنایع فیبر شیمایی نیز به درستی صورت گیرد.

داده کاوی

داده کاوی به معنای استخراج دانش موردنظر افراد از منابع عظیم اطلاعاتی است که به صورت غیرمستقیم کسب شده، در گذشته شکل ناشناخته ای داشته و در حال حاضر کاربرد فراوانی دارد. تمام دستاوردهای ناشی از یادگیری کار با ماشین آلات، شناخت الگوها، پایگاه داده ها، آمارها، هوش مصنوعی و سیستم های مدیریتی در تصمیم گیری با استفاده از جریان داده کاوی در کنار هم جمع می شوند که هنوز هم در مسیر تغییر و توسعه قرار دارد.

ظرفیت های داده کاوی عموماً به دو گروه تقسیم می شود:

1-    توصیفی

2-    پیش بینی کننده

کارکرد داده­کاوی به روش توصیفی به تعریف ویژگیهایی کلی داده در پایگاه داده ها می پردازد در حالیکه عملکرد داده­سازی به سبک پیش­بینی کننده از داده فعلی استفاده می­کند تا به مقایسه و پیش بینی آنها با یکدیگر بپردازد. داده کاوی به معنای استخراج دانش از میان منبع عظیمی از داده هاست و به علت ذات طبیعی داده الگوریتم هایی که به فرضیات آماری، استدلالی و اطلاعاتی، الگوریتم های ژنتیکی، و دانش شبکه های سلسله عصبی مربوط می شوند ابتدا بر روی طراحی الگوریتم های کشف دانش اعمال می شوند.

تحلیل آماری در حال حاضر اولین برنامه و کامل ترین و موثرترین شیوه داده کاوی به شمار می رود. در این متد هسته اصلی بر حول محور تولید مدل های آماری و ریاضی به منظور توضیح نحوه کار تحلیل داده می چرخد. این شیوه کاربر را به داشتن دانش تخصصی در این حوزه ملزم می نماید. تحلیل آماری عموماً به دو دسته اصلی تقسیم بندی می شود:

1-    کاربر امکان دسترسی به اطلاعات درست از پایگاه داده ها را در اختیار دارد.

2-    کاربر به تصویرسازی و اجرای عملکردهای تحلیلی که توسط ابزارهای تحلیلی- آماری تهیه شده اند می پردازد تا از این طریق ابتدا ارتباط میان داده ها مشخص شود و سپس با ساخت مدل های آماری و ریاضی به توضیح ویژگیهای داده اقدام کند.

مرحله دوم در قالب بهسازی و تصفیه به طور مداوم تکرار می گردد. چنانچه مرحله تحلیلی در مقاطع بعدی با اختلال مواجه شود از مشکلاتی چون تعریف اختلال، استخراج داده، مراحل پیش پردازش داده، استخراج دانش و مرحله ارزیابی دانش برخوردار خواهد شد.

نمونه های فناوری

تعریف جایگاه

در سال 2008 سود اقتصادی شرکت های زنجیره تامین فیبر شیمیایی در چین عمدتاً به دو دلیل زیر با رکود شدیدی مواجه گردید:

1-    سطح سود شرکت های زنجیره تامین فیبر شیمیایی با روند نزولی قابل توجهی روبرو گردید. سطح سود این شرکت ها در سال 2008، 2.56 میلیارد یوان بود که در مقایسه با سال 2007 با سقوط 3.44 میلیاردی مواجه شد.

2-    کیفیت عملیاتی زنجیره تامین شرکت های تولید فیبر شیمیایی با افت قابل توجهی روبرو گردید. نرخ بدهی همچنان رو به افزایش بود و از سوی دیگر میزان بازگشت سرمایه، سود فروش و دیگر شاخص های اجرایی به شدت پایین بود.

فاکتورهای متعددی وجود دارند که به دلایل کاهش نرخ سود شرکت های زنجیره تامین فیبر شیمیایی اشاره می کنند. یکی از دلایل کاهش نرخ سود شرکت ها عمدتاً به قیمت اندک محصولات فیبر شیمیایی مربوط می گردد. بنابراین پیش بینی قیمت فراورده های فیبر شیمیایی از اهمیت زیادی برخوردار است. در صنعت تولید فیبر شیمیایی طیف وسیعی از فراورده های جانبی ساخته می شود. در این مقاله به موضوع فیلامنت پلی استر در زنجیره تامین فیبر شیمیایی خواهیم پرداخت. در مرحله بعدی و پیش از استخراج داده ها نه تنها نیازمند توضیح رابطه میان تولید فیلامنت پلی استر در زنجیره تامین محصول خواهیم بود بلکه حتی باید به درک زمینه کلی صنعت فیبر شیمیایی و صنایع مربوطه نیز بپردازیم.

استخراج داده

در قسمت فوقانی زنجیره تامین حجم عظیمی از داده در پایگاه داده ها مشاهده می شود و بنابراین استخراج داده های مختلف به طور مستقیم بر نتایج مدل ها تاثیرگذار خواهد بود. در مقاله حاضر نحوه استخراج داده ها سه جنبه زیر را مطرح می کند:

1) داده ها مربوط به کدام محصول هستند؟

2) داده های استخراجی محصولات بیانگر چه ویژگیهایی می باشند؟

3) داده های مربوط به ویژگیهای محصولات به چه مقطع زمانی تعلق دارند؟

ورودی شرکت های زنجیره تامین خروجی جریان بالایی کسب و کار محسوب می شود و خروجی آن نیز به عنوان ورودی جریان پایینی شرکت ها به شمار می رود. بنابراین در تحلیل زنجیره تامین باید ویژگیهای مربوط به محصولات در جریان بالایی و پایینی تولید علاوه بر دیگر ویژگیهای آنها را در نظر گرفت. در انتخاب نوع ویژگی محصول می توان از عناصر بصری مانند پلات ها و نمودارها استفاده کرد که در خوشه سازی، دسته بندی، تحلیل فاکتورها و دیگر متدهای فیلترسازی بکار گرفته می شوند. این آزمایش چندین بار تکرار می شود و نیازمند دانش قوی و قدرت ارزیابی فوق العاده است.

از طریق تحلیل فاکتورهای تعیین قیمت فیلامنت پلی استر داده هایی بدست آمد که از ارزش فیلامنت پلی استر، نحوه عرضه و تقاضای آن حکایت داشت. در زیر به ویژگیهای این محصولات خاص اشاره خواهد شد:

1-    قیمت پلی اتیلن ترفتالات (PET) که نشان دهنده بهای مواد خام در تولید فیلامنت است.

2-    در تولید فیلامنت، واردات و صادرات آن با مقادیر اندک، عرضه داخلی فیلامنت با فرمول تولید + واردات تعریف می شود.

3-    در بررسی ارزش خروجی محصول و صادرات و واردات منسوجات از فرمول "ارزش خارجی منسوجات + صادرات منسوجات صادرات منسوجات" به منظور نمایش میزان تقاضای داخلی به فلامنت استفاده گردید.

4-    در پیش بینی قیمت فیلامنت از قیمت DTY 150 به عنوان محصول معرف فیلامنت استفاده گردید.

5-    اطلاعات فوق الذکر در جدول یک مشاهده می شود و طی ماه های ژانویه تا دسامبر جمع آوری گردیده است.

6-    واحد تولید فلامنت پلی استر و واردات آن ده هزار تن می باشد، واحد ارزش خروجی منسوجات و صادرات یکصد میلیون یوان برآورد شده است.

پیش پردازش داده

1-    پاکسازی داده. برای پر کردن فضای خالی میان داده ها، شناسایی نقاط دور افتاده و تصحیح ناهماهنگی میان داده ها از پاکسازی داده استفاده می شود.

2-    یکپارچه سازی داده. این کار شامل جمع آوری داده ها از میان منابع متعدد داده ای و انتقال آنها به یک مکان مناسب و ذخیره آن می باشد.

3-    تبدیل داده. این کار به معنای تبدیل داده به قالبی مناسب به منظور انجام عملیات داده کاوی می باشد. به عنوان مثال می توان با تغییر ویژگیهای داده به حالت استاندارد آنها را در دسته های کوچکتری تقسیم بندی نمود.

4-    حذف داده. از این بخش برای تولید مجموعه داده ای بسیار کوچکتر استفاده می شود که هنوز از نظر یکپارچگی به داده اصلی شباهت دارد. پس از حذف داده، داده باقیمانده به شکل موثرتری به کار گرفته می شود و تقریباً نتایج تحلیلی یکسانی را نیز در بر خواهد داشت.

استخراج دانش

استخراج دانش به عنوان استفاده از الگوریتم های کشف دانش با هدف استخراج دانش موردنیاز کاربر از داده آمایشی تعریف می شود. این مرحله به عنوان محور مرکزی داده کاوی به شمار می رود. با توجه به ویژگیهای مجموعه داده و اهداف موردنظر می توان از یک یا چندین الگوریتم کشف دانش مانند آمارهای ریاضی، شبکه های عصبی مصنوعی، و درخت تصمیم گیری به صورت کمی استفاده نموده و سپس در مدلسازی روابط مستقیم میان داده ها از آنها استفاده کرد. این مرحله نیازمند آزمایشات مداوم به منظور شناسایی بهترین مدل ممکن خواهد بود.

1)    مدل پیش بینی. طبق داده هایی که در بالا مورد پردازش قرار گرفت و مقایسه دائم طیف گسترده ای از ساختارها، مدل رگرسیون خطی چندگانه با استفاده از نرم افزار SAS با سازگاری بیشتری به شکل زیر تعریف میگردد:

قیمت 150DTY= 2090.47- + قیمت PET1.650 18.9241 (تولید ماهانه فیلامنت پلی استر + واردات ماهانه) + 2.2259 (ارزش خروجی منسوجات به صورت ماهانه + واردات ماهانه صادرات ماهانه).

در قسمت فوق الذکر واحد تولید فیلامنت پلی استر و واردات ده هزار تن محاسبه شده است، ارزش تولید یا خروجی منسوجات، واردات و صادرات تقریباً یک صد میلیون یوان می باشد. نمونه ضریب دترمینان مدل عدد R2=0.9834 و نمونه ضریب دترمینان تعدیل شده نیز عدد R2=0.9808 می باشد.

2)    نحوه حل مدل پیش بینی. با توجه به حداقل خطاهای پیش بینی شده در داده های واقعی از روش های پیش بینی در اشکال مختلف استفاده شده است که از میان آنها می توان به متد حرکتی شاخص تکی، متد هموار سازی نمایی دوبل، متد میانگین حرکتی و مدل پیش بینی خاکستری اشاره کرد.

به دلیل فقدان برخی از انواع داده در پیش بینی قیمت پلی اتیلن ترفتالات (PET) به سختی میتوان به ساخت مدل رگرسیون چند متغیره اقدام کرد بنابراین به منظور پیش بینی قیمت ها از متد هموار سازی نمایی دوبل استفاده شده است.

مدل پیش بینی خاکستری به صورت زیر تعریف می شود:

تولید ماهانه فیلامنت پلی استر + واردات ماهانه فیلامنت پلی استر (عرضه داخلی) و ارزش ماهانه تولید منسوجات + واردات ماهانه منسوجات صادرات ماهانه منسوجات (تقاضا در داخل).

نتایج این پیش بینی ها در ارزش متغیرها طی ماه های ژانویه و مارس 2010 در جدول سه به شکل زیر مشاهده می شود.

جدول سه. نتایج پیش بینی ها در ارزش متغیرها طی ماه های ژانویه و مارس 2010

 

 

با استفاده از ارزش پیش بینی کننده متغیرهای مستقل در مدل پیش بینی قیمت فیلامنت طی ماه های ژانویه تا مارس 2010 به قیمت پیشنهادی 8550 هزار تن/ یوان، 9200 هزار تن/ یوان و 10050 هزار تن/ یوان دست می یابیم.

قیمت واقعی فیلامنت در ماه های ژانویه تا مارس 2010، به عدد 8990 هزار تن/ یوان و 9330 هزار تن / یوان رسید.

مقادیر پیش بینی شده و ارزش های واقعی قیمت فیلامنت در جدول زیر مشاهده می گردند:

 

 

ارزیابی علمی

بررسی و ارزیابی نتایج، الگوها و مدل ها به شکل علمی در داده کاوی در مراحل بعدی توضیح داده می شود. بعلاوه با توجه به دسترسی به مدل های خاص قابلیت اجرایی پشتیبانی از تصمیمات اتخاذ شده نیز مورد بررسی قرار خواهند گرفت. مقیاس نمونه قابل افزایش می باشد و مدل مربوطه باید به منظور تامین اهداف موردنظر مورد آزمایش قرار بگیرد و چنانچه معلوم شود که نمونه اولیه داده از دقت کامل یا سطح کیفی موردنظر برخوردار نیست فرایند داده کاوی دانش باید دوباره انجام گیرد.

افزایش قیمت پلی اتیلن ترفتالات (PET) به معنای افزایش قیمت مواد خام در تولید فیلامنت پلی استر است و اثر افزایش قیمت معادل 1.6506 برابر قیمت پلی اتیلن ترفتالات (PET) می باشد. (تولید فیلامنت پلی استر + واردات) هر چه ارزش عرضه داخلی فیلامنت پلی استر بیشتر باشد قیمت فیلامنت کمتر می شود و در نتیجه موجب تاثیر بر قیمت فیلامنت پلی استر به اندازه 18.9241 خواهد شد.

(ارزش خروجی منسوجات + واردات ماهانه منسوجات صادرات ماهانه) در تقاضای داخلی فیلامنت پلی استر هر چه ارزش آن بیشتر باشد قیمت فیلامنت نیز متعاقباً افزایش می یابد و در نتیجه موجب تغییر قیمت فیلامنت پلی استر به اندازه 2.2259 خواهد بود.

بر مبنای بررسی های فوق الذکر مقامات دولتی می توانند با مدیریت به سبک Micro مانند کاهش تولید فیلامنت پلی استر یا تحریک تقاضای منسوجات به افزایش قیمت فیلامنت پلی استر کمک نمایند.

نتیجه گیری

داده کاوی در چندین حوزه تخصصی مانند فناوری پایگاه داده، هوش مصنوعی، نحوه کار با ماشین آلات، شبکه های عصبی، داده های آماری، تشخیص الگوها، سیستم های دانش محور، کسب دانش، استخراج اطلاعات، محاسبات عملکردی قدرتمند و تجسم داده و دیگر شاخه ها فعالیت دارد. در سال های اخیر چشم اندازه های آشکار داده کاوی و ظرفیت های بالای این حوزه، طیف وسیعی از موسسات تحقیقی و شرکت های تجاری را به خود جلب کرده است. مقاله حاضر نه تنها از داده کاوی به منظور پیش بینی قیمت زنجیره تامین فیلامنت پلی استر بهره می گیرد بلکه به ساخت مدل های پیش بینی کننده نیز می پردازد. بعلاوه نتایج تحلیلی نیز به عنوان مبنای عملکردی شرکت های زنجیره تامین قرار گرفته و می تواند مقامات دولتی را در امر تصمیم گیری یاری بنماید.

امروزه با توسعه مداوم مدیریت زنجیره تامین یافتن شیوه ها و ارتباطات گمشده میان حجم عظیمی از داده ها در شرکت های زنجیره تامین با استفاده از داده کاوی می تواند گامی مهم در جهت ارتقاء و افزایش کیفیت تصمیم گیری باشد و منافع رقابتی را بهبود بخشد.

جدول. داده های اصلی در سال 2008

 

 

برگرفته ازIEEE

عنوان: Research on the Price Prediction in Supply Chain based on Data Mining Technology

ناشر: IEEE

تاریخ انتشار: 2012 ,Jan

تعداد صفحات: 4

قیمت: 9500 تومان

مهندسیکسب و کار و صنعت

دانلود اصل مقاله به زبان انگلیسی