| Abstract : | Η διαθεσιμότητα των προϊόντων στα ράφια των καταστημάτων λιανικής τοποθετείται ανάμεσα στα σημαντικότερα προβλήματα που αντιμετωπίζουν οι λιανέμποροι αλλά και οι προμηθευτές προϊόντων. Η αναγνώριση της αξίας και της ικανοποίησης του καταναλωτή έχει επιβάλλει τα τελευταία χρόνια την ευθυγράμμιση της εφοδιαστικής αλυσίδας με τις συνεχώς μεταβαλλόμενες ανάγκες του. Ο στόχος όμως το σωστό προϊόν να βρίσκεται στη σωστή θέση την στιγμή που το ζητά ο καταναλωτής φαίνεται από εμπειρικές έρευνες ότι δεν προσεγγίζεται ικανοποιητικά. Οι περισσότερες εμπειρικές έρευνες καθορίζουν το επίπεδο Out-Of-Shelf (OOS) να βρίσκεται στο διάστημα από 5% έως 10% των προϊόντων που κινούνται σε ένα κατάστημα, το οποίο απέχει σημαντικά από την απαίτηση του κλάδου να βρίσκεται σε χαμηλότερα επίπεδα (της τάξεως του 1%-2%). Παρόλο που το ζήτημα αυτό έχει σημαντικές οικονομικές συνέπειες για όλους τους εταίρους της εφοδιαστικής αλυσίδας του λιανεμπορίου, υπάρχει έλλειψη ερευνητικής δραστηριότητας στην ανάπτυξη μεθόδων για τη μέτρηση της διαθεσιμότητας των προϊόντων και ειδικότερα τον εντοπισμό των ελλείψεων. Ο στόχος της παρούσας εργασίας είναι να αναπτύξει ένα πληροφοριακό σύστημα εντοπισμού των ελλείψεων προϊόντων, αξιοποιώντας τα διαθέσιμα δεδομένα που συνήθως διατηρούν οι λιανέμποροι στα συστήματα τους.Η εργασία κάνει χρήση ευρετικών τεχνικών, από την επιστημονική περιοχή της Τεχνητής Νοημοσύνης και ειδικά από το κλάδο της Μηχανικής Μάθησης, με στόχο την ανάπτυξη του επιθυμητού πληροφοριακού συστήματος. Πιο συγκεκριμένα, παρουσιάζεται ένα συστήμα βασισμένο σε κανόνες (rules), οι οποίοι αναπτύσσονται από μεθόδους ταξινόμησης (πχ C4.5, RIPPER) εκπαιδευμένοι με πραγματικά δεδομένα διαθεσιμότητας προϊόντων. Η ανάπτυξη του πληροφοριακού συστήματος βασίζεται στη συνεχή αλληλεπίδραση μεταξύ των παραδειγμάτων ελλείψεων που συγκεντρώνονται από το πραγματικό περιβάλλον, την επεξεργασία τους από κατάλληλες μεθόδους μηχανικής μάθησης, την δημιουργία και κωδικοποίηση της νέας γνώσης σε κανόνες και τέλος την επικύρωση των αποτελεσμάτων στο πραγματικό περιβάλλον λειτουργίας.Τα αποτελέσματα από την εφαρμογή του προτεινόμενου συστήματος σε πραγματικό περιβάλλον είναι ενθαρρυντικά καθώς η προτεινόμενη λύση μπορεί να συνεισφέρει στην αποτελεσματικότερη διαχείριση της εφοδιαστικής αλυσίδας του λιανεμπορίου δεδομένου ότι έχει την ικανότητα να περιγράφει την διαθεσιμότητα των προϊόντων στο κατάστημα σε καθημερινή βάση, ζήτημα μείζονος ενδιαφέροντος τόσο για το λιανέμπορο όσο και για τον προμηθευτή. H προτεινόμενη λύση υπερτερεί σε σχέση με άλλες διαθέσιμες μεθόδους, ενώ αναδεικνύονται σημαντικά ζητήματα όπως η διαφορετικότητα και η πληρότητα των δεδομένων που τηρεί ο κάθε λιανέμπορος (καταστάσεις που επηρεάζουν σε μεγάλο βαθμό την αξιοπιστία και την αποτελεσματικότητα ενός συστήματος εντοπισμού ελλείψεων προϊόντων) καθώς και η δυσκολία ανάπτυξης ενός ενιαίου πληροφοριακού συστήματος εντοπισμού κατάλληλο για τις ανάγκες οποιασδήποτε αλυσίδας λιανικής.
Product availability on super-market shelves is placed among the most serious problems for both retailers and suppliers today. The recognition of consumers value and satisfaction demands supply chain alignment with the ever changing needs of consumers. The goal which asks for the right product to be in the right place when the consumer needs it is not achieved in the desirable degree. Studies have shown the Out-Of-Shelf (OOS) level to be between 5% and 10% of all the products in a store, which is far from what businesses actually desire (1% - 2%). Despite the major economic consequences for all the participants in the supply chain, there is lack of research activity aiming to the development of new methods which can measure product availability and detect OOS situations. The aim of this thesis is to develop an information system in order to detect OOS situations, using available data from the retailers information system. The present thesis uses heuristic techniques from the scientific field of Artificial Intelligence and more precisely the field of Machine Learning targeting the development of the desirable information system. In particular, a rule-based system is presented where theses rules are generated from classification methods (e.g. C4.5, RIPPER) trained with real product availability data. The information system development is based upon continuous interaction among the OOS instanes gathered from real environment, their process under the appropriate machine learning methods, the generation and codification of new knowledge into classification rules and last the validation of the results in the real environment. Results coming from the application of the information system in real environment are encouraging because the suggested solution can contribute in a more efficient supply chain management in grocery retailing since it has the ability to describe products availability in a daily basis, an issue which is very critical for both retailers and suppliers. The suggested solution is superior to other techniques currently available, while various issues arise, such as data completeness or data diversity among retailers (which appear to have a condiderable effect on the information systems reliability and efficiency) and difficulty in developing a generic information system suitable for every possible grocery retail chain.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.