Automatizētas laikrindu prognozēšanas pielietojums krājumu vadības uzlabošanā

Abstract

Precīza pieprasījuma prognozēšana ir efektīvas krājumu vadības stūrakmens. Viena no pieprasījuma prognozēšanas pieejām ir laikrindu analīze. Pielietojot datizraces tehnoloģijas laikrindu analīzē, iespējams gūt zināmu uzlabojumu prognozēšanas precizitātē. Līdzīgos pētījumos tiek piedāvāti dažādi laikrindu modeļi, taču netiek piedāvāts tehnoloģiskais risinājums datizraces procesa automatizēšanai. Manuāla datizraces pielietošana biznesa jomās, kur pastāv straujas pieprasījuma izmaiņas, neļauj gūt prognozēšanas uzlabojumu. Maģistra darbā veiktā pētījuma mērķis ir novērtēt prognozēšanas uzlabošanas iespējas, automatizējot laikrindu analīzi ar Microsoft SQL Server datizraces iespējām. Izveidots tehnoloģiskais risinājums, kas analizē vēsturiskos pieprasījuma datus par dažādiem laika periodiem, nepieciešamos brīžos veic datu apstrādi un laikrindu modeļu apmācību, kā arī veic to novērtēšanu. Risinājumā pielietoti laikrindu modeļi ART un ARIMA. Maģistra darbs sastāv no 103 lapām, 15 tabulām, 36 attēliem un 10 pielikumiem. Atslēgvārdi: biznesa datu intelektuālā analīze, datizrace, laikrinda, metadati, modelis, prognozēšana.

Accurate demand forecasting is a corner-stone for effective inventory management. One of the approaches to the demand forecasting is the analysis of time series. Some improvements in forecasting accuracy are possible to be gained by applying data mining technologies in the analysis of time series. Similar studies offer various time series models, but they do not offer a technological solution to the automation of data mining process. Manual usage of data mining does not allow forecasting improvement in business areas, where there are rapid changes in demand. The present study aims to evaluate the prediction improvement opportunities by automating the analysis of time series with Microsoft SQL Server data mining capabilities. Technological solution has been developed which analyses historical demand data for different time periods, at required moments performs data processing and training of time series models, as well as performs their assessment. The solution uses time series models ART and ARIMA. The master’s paper contains 103 pages, 15 tables, 36 figures and 10 appendixes. Keywords: business intelligence, forecasting, data mining, metadata, model, time series.