طراحی مدل پیش بینی تقاضا در صنعت کاشی و سرامیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، دانشگاه شهید بهشتی.

2 کارشناسی ارشد، دانشگاه سمنان.

3 کارشناسی ارشد، دانشگاه تربیت مدرس.

چکیده

پیش‌بینی تقاضا جزء مهم‌ترین فعالیتهای هر سازمان برای برنامه‌ریزی فروش و در نهایت برنامه ریزی جامع بوده و در واقع تعیین کننده حجم فعالیتهای سازمان در آینده می باشد. همچنین درک درستی از میزان وکیفیت فعالیتهای مزبور را برای مدیران فراهم می نماید. در این مقاله بر اساس مبانی علوم هوش‌مصنوعی و داده‌کاوی، به ارائه مدلی جهت پیش‌بینی میزان فروش در صنعت کاشی و سرامیک پرداخته شده است.مدل پیشنهادی، یک مدل ترکیبی شامل کاهش بعد، خوشه‌بندی و پیش‌بینی بوده و به منظور اجرای مراحل مختلف آن از الگوریتم‌های آنالیز مؤلفه‌های مستقل، یادگیری منیفلد، خوشه‌بندی کامینز و رگرسیون بردار پشتیبان، استفاده شده است. در تحقیق حاضر 50 مورد از فروش های ماهیانه مربوط به 3 سال گذشته شرکت کاشی ایرانا مورد استفاده قرار گرفته است. نتایج بدست آمده از طریق پیش بینی فروش با مدل پیشنهادی، بدلیل کاهش خطاهای عمومی و خطاهای نمونه در مقایسه با مدلهای سنتی پیش بینی، از دقت بالاتری برخوردار می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

A Model for Forecasting the Product Demand in Tile and Ceramic Industry

نویسندگان [English]

  • Alireza Motameni 1
  • Mostafa Rezaei 2
  • Maryam Ehghaghi 3
1 Associate Professor, Shahid Beheshti University.
2 MA, Semnan University
3 MA, Tarbiat Modares University.
چکیده [English]

Forecasting the product demand is one of the most important activities of every organization for planning the sale and finally making a comprehensive plan. It in fact determines the amount of the activities an organization carries out in the future and also provides the managers with a clear understanding of the amount and quality of the respected activities. In this article, a model based on Artificial Intelligence and Data Mining algorithms is proposed for predicting the amount of sale in tile and ceramic industry. The proposed model is a hybrid model consisting of dimensionality reduction, clustering and forecasting. In order to construct the model, this research uses independent component analysis, Manifold learning, K-means clustering and support vector regression. The present research studies 50 cases of Irana Tile Company's past 3 years of monthly sales. Because of the decrease in generic and sampling errors, the results obtained from this model show a superior precision compared to other traditional forecasting methods.

کلیدواژه‌ها [English]

  • Demand Forecasting
  • Support Vector Regression
  • Manifold Learning
  • Independent Component Analysis
  • K-means clustering