Інформаційна технологія предиктивної та прескриптивної аналітики для оптимізації виробничого планування

Abstract

The article addresses a relevant scientific and applied problem of improving the efficiency of production planning under demand uncertainty and resource constraints. An integrated approach to decision support is proposed, combining predictive and prescriptive analytics methods within a unified software solution. The architecture of the information technology system was developed to ensure an automated transition from demand forecasting to the formulation of an optimal production plan. A hybrid approach to demand forecasting was implemented, based on the parallel use of statistical ARIMA models and the Random Forest ensemble algorithm. To enhance forecasting accuracy, advanced feature engineering mechanisms were applied, taking into account temporal dependencies as well as exogenous factors, including marketing promotions and calendar events. The selection of the optimal model is performed automatically based on the Mean Absolute Percentage Error (MAPE) metric. A mathematical model for production plan optimization was developed, formulated as a linear programming problem, which considers production costs, inventory holding costs, shortage penalties, and capacity constraints. The integration of forecasted demand into the optimization model allows the implementation of prescriptive analytics concepts and ensures the generation of economically justified managerial decisions. Experimental validation of the proposed approach was conducted using realworld retail network data. The results demonstrated that the use of ensemble machine learning methods ensures a Mean Absolute Percentage Error below 9%. Applying the optimization model provides a reduction of total enterprise costs by 14.5% compared to traditional planning approaches. The practical significance of this work lies in the possibility of using the developed software application as a decision support tool for small and medium-sized enterprises. Future research directions include extending the model to multi-product systems, accounting for stochastic demand, and applying deep learning methods.

У статті розглянуто актуальну науково-прикладну задачу підвищення ефективності виробничого планування в умовах невизначеності попиту та обмеженості ресурсів. Запропоновано інтегрований підхід до підтримки прийняття рішень, який поєднує методи предиктивної та прескриптивної аналітики в межах єдиного програмного рішення. Розроблено архітектуру інформаційної технології, що забезпечує автоматизований перехід від прогнозування попиту до формування оптимального виробничого плану. У роботі реалізовано гібридний підхід до прогнозування попиту, який базується на паралельному використанні статистичних моделей ARIMA та ансамблевого алгоритму Random Forest. Для підвищення точності прогнозування застосовано механізми розширеного формування ознак, що враховують як часові залежності, так і вплив екзогенних факторів, зокрема маркетингових акцій і календарних подій. Вибір оптимальної моделі здійснюється автоматично на основі метрики середньої абсолютної відсоткової похибки. Розроблено математичну модель оптимізації виробничого плану, сформульовану як задачу лінійного програмування, яка враховує витрати на виробництво, зберігання запасів та дефіцит продукції, а також обмеження виробничих потужностей. Інтеграція прогнозованого попиту у модель оптимізації дозволяє реалізувати концепцію прескриптивної аналітики та забезпечує формування економічно обґрунтованих управлінських рішень. Експериментальна верифікація запропонованого підходу проведена на реальних даних роздрібної мережі. Отримані результати показали, що використання ансамблевих методів машинного навчання забезпечує середню абсолютну відсоткову похибку прогнозування на рівні менше 9%. Застосування оптимізаційної моделі забезпечує зниження сукупних витрат підприємства на 14,5% порівняно з традиційними підходами до планування. Практичне значення роботи полягає у можливості використання розробленого програмного застосунку як інструменту підтримки прийняття рішень для підприємств малого та середнього бізнесу. Перспективи подальших досліджень пов’язані з розширенням моделі на багатопродуктові системи, врахуванням стохастичності попиту та застосуванням методів глибинного навчання.