نوع مقاله : مقاله پژوهشی

نویسندگان

• فائزه زمانی ¹
• احمد ابراهیمی ²
• رویا سلطانی ³
• بابک فرهنگ مقدم ⁴

¹ دانشجوی دکتری رشته مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

² استادیارگروه مدیریت صنعتی و تکنولوژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران ، نویسنده مسئول: Ahmad.Ebrahimi@srbiau.ac.ir

³ استادیارگروه مهندسی صنایع، دانشگاه خاتم، تهران، ایران

⁴ دانشیار موسسه مطالعات برنامه‌ریزی و مدیریت، تهران، ایران

چکیده

هدف این پژوهش بررسی عوامل موثر در پیش‌بینی زمان انتظار و ایجاد مدل پیش‌بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب‌آوری در زنجیره تامین ناب می‌باشد. برای دستیابی به این هدف، مطالعه از روش داده‌کاوی پیروی می‌کند، مجموعه داده‌ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص‌های کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخص‌های موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیش‌بینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانت‌های اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گام‌به‌گام تلفیقی جهت انتخاب ویژگی‌ها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیش‌بینانه با استفاده از مدل‌های رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیک‌نت، درخت تصمیم تقویتی، جنگل تصادفی بوت‌استرپ، k- نزدیک‌ترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدل‌های رگرسیونی برازش شده با استفاده از شاخص‌های ارزیابی R^2 ، RASE و اعتبارسنجی نتایج و مدل تایید شده است. نتایج نشان داد که عوامل لجستیکی در زمان انتظار سفارشات موثر بوده و الگوریتم شبکه عصبی تقویت شده بهترین مدل در پیش‌بینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیش‌بینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهره‌گیری قابلیت‌های داده‌کاوی در سیستم کانبان همگی بیان‌گر تاثیر معنی‌دار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تاب‌آوری زنجیره تامین ناب می‌باشد.

کلیدواژه‌ها

• یادگیری ماشین
• رگرسیون
• مدیریت زنجیره تامین ناب
• کانبان
• زمان انتظار

موضوعات

• هوش مصنوعی وکاربرد آن در مدیریت

عنوان مقاله [English]

Predicting the Lead time of auto parts orders in the supply chain using machine learning

نویسندگان [English]

• Faezeh Zamani ¹
• Ahmad Ebrahimi ²
• Roya Soltani ³
• Babak Farhang Moghaddam ⁴

¹ Ph.D. Student of Industrial Management Group, Department of Economics and Management, Science and Research Branch, Islamic Azad University, Tehran, Iran

² .Assistant Professor of Industrial Management & Technology Group, Department of Economics and Management, Science and Research Branch, Islamic Azad University, Tehran, Corresponding Author: IranAhmad.Ebrahimi@srbiau.ac.ir

³ Assistant Professor of Industrial Engineering Group, Department of Engineering, Khatam University, Tehran, Iran

⁴ Associate Professor, Institute Management and Planning Studies, , Associate Professor, Institute Management and Planning Studies, Tehran, IranIran

چکیده [English]

This research aims to investigate the effective factors in predicting lead time (LT) and create a predictive model of LT to improve sustainability and resilience for Kanban orders in the lean supply chain (LSC). The study follows the data mining (DM) method, and the dataset includes 103023 observations from the Kanban system, which were extracted in compliance with the requirements of the dataset quality indicators in the period 1402/6 to 1402/11. First, indicators affecting the LT of orders were extracted. Process mining was used to identify influential variables in high-variance processes to improve performance and accuracy. A stepwise analysis approach was used to select features for the model fitting stage. Also, tuning the parameters of non-parametric approaches was used. The predictive model uses Multiple Linear Regression, Multiple with curvature, Lasso, Elastic Net, Boosted Decision Tree, Bootstrap Random Forest, K-Nearest Neighbor, and Boosted Multi-Layer Perceptron. The performance of the fitted regression models has been confirmed using R^2, RASE, and validation of the results and model. The results showed that the logistical features are effective in LT, and the Boosted Multi-Layer Perceptron is the best for predicting orders' LT with an accuracy of 96% and an error of 5.84. Using the model's predictive capability for new data in the Kanban system, the results obtained within four months have been used. The improvements from using DM capabilities in the Kanban system all express the significant impact of combining lean and machine learning (ML) tools to empower and resilient Lean Supply Chain Management (LSCM).

کلیدواژه‌ها [English]

• Machine Learning
• Regression
• Lean Supply Chain Management
• Kanban
• Lead Time