Demand Forecasting Tool For Inventory Control Smart Systems

Benhamida, Fatima Zohra; Kaddouri, Ouahiba; Ouhrouche, Tahar; Benaichouche, Mohammed; Casado-Mansilla, Diego; López‐de‐Ipiña, Diego

doi:10.24138/jcomss-2021-0068

Cited by 24 publications

(18 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Metode peramalan sebagai suatu kegiatan untuk memprediksi kondisi yang akan datang melalui pengujian masa lalu (Fithri et al, 2019) dan umumnya merupakan data historis berdasarkan deret waktu (Benhamida et al, 2021). Dasar perencanaan dan pelaksanaan proses rantai pasok seperti untuk pengadaan dan pembuatan produk tergantung adanya relevansi, kualitas dan akurasi prakiraan kebutuhan yang dibuat (Benhamida et al, 2021). Pengambilan keputusan dapat dilakukan melalui metode ini, dikarenakan mencakup proses pemilihan, perencanaan kapasitas, tata letak fasilitas, penjadwalan dan inventaris.…”

Section: Pendahuluanunclassified

Strategi Perencanaan Persediaan Bahan Baku Digital Parking Sensor Dengan Metode Economic Order Quantity (EOQ) Melalui Forecasting Di PT. WJI

S¹,

Sitorus²,

Siregar³

et al. 2022

J. Ilmiah Vastuwidya

View full text Add to dashboard Cite

Era pandemi Covid-19 mempengaruhi hasil produksi dan proses kerja seluruh industri. Perusahaan ditantang untuk beradaptasi secara cepat terhadap situasi yang tidak terkendali, seperti melakukan efisiensi pengendalian pada persediaan bahan baku. Bagi perusahaan aksesoris elektronik untuk otomotif dalam kondisi demikian perlu mengkaji ulang perencanaan dan pengendalian bahan baku agar lebih optimal. Penelitian ini dilakukan dengan studi perbandingan antara metode Economic Order Quantity dan metode konvensional perusahaan. Tujuan dari perbandingan ini yaitu mendapatkan metode terbaik dalam melakukan perencanaan persediaan bahan baku Hasil dari penelitian ini menunjukkan bahwa untuk meramalkan permintaan digunakan model ARIMA terbaiknya yaitu (0,1,0) (0,1,0). Metode perencanaan persediaan bahan baku yang lebih baik adalah metode EOQ dibandingkan dengan metode konvensional. Hal in ditunjukkan dengan Total Inventory Cost (TIC) pada metode EOQ lebih kecil dibandingkan metode konvensioanl. Metode EOQ menurunkan Total Inventory Cost pada metode konvensional sebesar 89%.

show abstract

Section: Pendahuluanunclassified

Strategi Perencanaan Persediaan Bahan Baku Digital Parking Sensor Dengan Metode Economic Order Quantity (EOQ) Melalui Forecasting Di PT. WJI

S¹,

Sitorus²,

Siregar³

et al. 2022

J. Ilmiah Vastuwidya

View full text Add to dashboard Cite

show abstract

“…First, Machine Learning: the machine learns from data informed through evaluation and categorization, allowing pattern recognition [19]. With this, it manages to generate conclusions, decisions and even insights.…”

Section: Artificial Intelegencementioning

confidence: 99%

“…[20] The algorithm acquires knowledge through this data and can be improved over time. There are several subdivisions, such as concept learning, decision tree, perception learning, By as learning and reinforced learning [19].…”

Section: Artificial Intelegencementioning

confidence: 99%

“…The methodologies that involve machine learning seek the acquisition of knowledge in order to learn from experience to perform a task, and for that, it shares an interdisciplinary field with statistics, information theory, game theory and optimization [11]. To capture and use the acquired knowledge, machine learning uses tasks that are classified into two main categories defined as supervised and unsupervised learning [19].…”

Section: Artificial Intelegencementioning

confidence: 99%

See 1 more Smart Citation

Inventory Optimization Model Design with Machine Learning Approach in Feed Mill Company

Nasution¹,

Matondang

Ishak

2022

j.sist.teknik.industri.

View full text Add to dashboard Cite

This article aims to address the impacts that companies can have with the application of machine learning to carry out their demand forecasts, knowing that a more accurate demand forecast improves the performance of companies, making them more competitive. The methodology used was a literature review through descriptive, qualitative and with bibliographical surveys in International Journal from 2010 – 2022 by different authors. Findings show that the references prove that demand forecasting with the use of machine learning brings many benefits to organizations, for example, since the results are more accurate, there is better inventory management, consequently customer satisfaction for having the product at the right time and place. Further, this article concludes and suggests that the use of machine learning is able to identify variables that affect the demands, with this it makes a forecast closer to reality and helps managers to make more accurate decisions, improving strategic planning and supply chain management. of company supplies.

show abstract

“…Con el rápido desarrollo de la industria automotriz, la competencia entre las empresas de servicios automotrices ha aumentado y para algunas se ha dificultado la obtención de beneficios, trayendo consigo que las piezas de repuesto en stock se conviertan en la clave del mercado de accesorios (Wang, 2019); en consecuencia, tanto la sobre estimación como la subestimación de la demanda puede afectar negativamente la competitividad de la empresa. El nivel de precisión en los pronósticos de demanda tiene un gran impacto en todos los niveles de la cadena de suministro de las organizaciones, siendo una decisión trascendental la elección del método de pronóstico adecuado (Kumar, Herbert y Rao, 2015;Benhamida et al, 2021;Zhuang, Yu y Chen, 2022). La gestión de repuestos es una tarea importante en las sociedades modernas, con enormes implicaciones de costos para las organizaciones que tienen inventarios relevantes.…”

Section: Introductionunclassified

Identificación de patrones de demanda de refacciones automotrices

Sanchez

Loza-Hernandez

2022

Entreciencias

View full text Add to dashboard Cite

Objetivo: clasificar el tipo de demanda de los productos colocados en el mercado por empresas de autopartes en México, enfocadas al ensamble y venta de autopartes a nivel nacional e internacional, lo cual es la base para el adecuado abastecimiento de los insumos en la cadena de suministro de estudio. Diseño metodológico: de un total de 14,895 productos fueron seleccionados a través del método ABC 326 componentes, para realizar el análisis de patrones de demanda. El análisis de patrones de demanda se realizó de acuerdo con el intervalo promedio entre demandas y el coeficiente de variación cuadrada, utilizando las demandas mensuales de cada producto. Resultados: el análisis probabilístico de la demanda de los 14 895 productos, muestra patrones de demanda suavizados (63.80%), erráticos (19.94%), irregulares (11.35%) e intermitentes (4.91%), de lo cual se concluye que los patrones de demanda para estas empresas son principalmente de tipo suavizado. Limitaciones de la investigación: el análisis probabilístico realizado se basa en los datos proporcionados por tres empresas de la industria de venta de autopartes en México, de los cuales después del análisis ABC solo se consideraron los artículos de la categoría A para los resultados obtenidos. Proponer una técnica diferente al análisis ABC queda limitado por el tipo de datos proporcionados por las empresas. Hallazgos: debido a la cantidad de factores que intervienen en la variabilidad de la demanda, es de suma importancia apoyarse de herramientas que ayuden a alcanzar pronósticos de demanda confiables, manteniendo a las empresas competitivas en la calidad del servicio al cliente. Además, la complejidad en la predicción de repuestos automotriz es un reto que en la actualidad enfrenta la industria automotriz. La clasificación de los patrones de demanda resultantes del estudio, permiten seleccionar un método de pronóstico adecuado para cada patrón y mejorar las condiciones de la cadena de suministro de las diferentes empresas. Este tipo de estudios y análisis de datos permite mejorar la toma de decisiones de los encargados del suministro de los componentes.

show abstract

Demand Forecasting Tool For Inventory Control Smart Systems

Cited by 24 publications

References 35 publications

Strategi Perencanaan Persediaan Bahan Baku Digital Parking Sensor Dengan Metode Economic Order Quantity (EOQ) Melalui Forecasting Di PT. WJI

Strategi Perencanaan Persediaan Bahan Baku Digital Parking Sensor Dengan Metode Economic Order Quantity (EOQ) Melalui Forecasting Di PT. WJI

Inventory Optimization Model Design with Machine Learning Approach in Feed Mill Company

Identificación de patrones de demanda de refacciones automotrices

Contact Info

Product

Resources

About