Możliwości wspomagania decyzji w procesie zarządzania zaopatrzeniem

• Autorzy: Krystyna Skoczylas

Warianty tytułu

The Possibility of Decision Support in the Process of Management Supply

• Języki publikacji: PL

Abstrakty

Artykuł porusza problematykę zarządzania obszarem zaopatrzenia, które umożliwi utrzymywanie optymalnych zapasów. Zapasy zapewniają ciągłość produkcji oraz sprzedaży, ale również angażują i zamrażają kapitał finansowy, generują koszty związane z ich utrzymaniem, czy starzeniem się, stąd szczególnie istotne jest dla każdego przedsiębiorstwa, określenie optymalnej wielkości i czasu ich zakupu. W artykule zaproponowano synchronizację sprzedaży (bądź zużycia) z zaopatrzeniem w oparciu o dobrze opracowaną prognozę. Jako metodę prognostyczną zaproponowano wykorzystanie sztucznych sieci neuronowych. W artykule wskazano dziedziny i obszary problemowe, w których z powodzeniem wykorzystuje się sztuczne sieci neuronowe. Zalicza się do nich między innymi predykcję. Jak wskazuje literatura przedmiotu sztuczne sieci neuronowe mogą być z powodzeniem wykorzystywane jako narzędzie obliczeniowe w przypadku trudnych zadań, do których zalicza się niewątpliwie prognozę popytu. Ponadto w artykule przedstawiono ogólne informacje na temat sposobu opracowania, a w szczególności procesu uczenia sztucznych sieci neuronowych. W sposób bardziej dokładny omówiono sieci MLP, które posiadają duże możliwości prognostyczne. Następnie opracowano prognozę popytu z wykorzystaniem właśnie sztucznych sieci neuronowych typu MLP dla przykładowej pozycji zapasu w wybranym przedsiębiorstwie. Budowę prognozy oparto na szeregu czasowym reprezentującym historyczne zapotrzebowanie na wybraną pozycję zapasu. Wartości statystyk oceniających trafność prognozy uznano za zadawalające, w związku z czym wysunięto wniosek o dużej przydatności sztucznych sieci neuronowych w opracowywaniu prognoz popytu w praktyce. (abstrakt oryginalny)

EN

The article touches upon the issues of managing a supply area, which allow for upkeep of optimal supplies. A supply ensures production continuity and constant sales, but also engages and freezes financial capital, creates maintinences costs, or costs related to the aging of the supply, thus it is especially important for every business to determine the ideal size and time of the purchase. The synchronization of sales (or of usage/wear) with supply based on a well prepared forecast is proposed. Artificial neural networks are proposed as forcasting methods. The fields and problem areas, in which the succesful use of artificial neural networks is indicated in the area. These include, among others, predictions. As the literature suggests, artificial neural networks can be used as calculation tools in the case of difficult tasks, the forecast of the demand is undoubtedly factored in. Moreover, general information on the subject is elaborated on within the article, specifically the process of educating artificial neural networks. Multilayered MLP networks, which possess enormous forcasting abilities, are discussed more exactly. Next, the demand forcast, with the use of MLP artificial neural networks for an example supply item in a selected business, is elaborated upon on. The foundation of the forecast is based on the temporary time series representing the historical demand for the seleceted supply. The value of the statics assessing the accuracy of the forcast were considered satisfying, thus the conclusion states the significant need for artificial neural networks in the preparation of demand forcasts. (original abstract)

Słowa kluczowe

PL

Zaopatrzenie; Zaopatrzenie przedsiębiorstwa; Sztuczne sieci neuronowe (SSN); Zarządzanie zapasami; Logistyka zaopatrzenia; Obszary problemowe

EN

Supplies; Supply of enterprises; Artificial neural networks (ANN); Inventory management; Supply logistics; Problem areas

• Czasopismo: Humanities and Social Sciences
• Rocznik: 2013
• Tom: 18 (XVIII)
• Numer: nr 20 (1)
• Strony: 87--95

Twórcy

autor

Krystyna Skoczylas

• Politechnika Rzeszowska im. Ignacego Łukasiewicza

Bibliografia

• Blaik P., Logistyka. Koncepcja zintegrowanego zarządzania, PWE, Warszawa 2001.
• Cox R., Brittain P., Zarządzanie sprzedażą detaliczną, PWE, Warszawa 2000.
• Chrzan P., Timofiejczuk G., Uwagi o możliwościach zastosowania sieci neuronowych do prognozowania na rynkach finansowych, [w:] Inteligentne systemy wspomagania decyzji w zarządzaniu. Transformacje systemów, red. H. Sroka, S. Stanko, Materiały konferencyjne, Katowice 1997.
• Dudek M., Mazur Z., Waszkiewicz W., Zarządzanie informacją w procesach wytwarzania, [w] Informacja w zarządzaniu procesem zmian, red. naukowa R. Borowiecki, M. Kwieciński, Materiały konferencyjne, Zakamycze 2003.
• Krystyańczuk W., Sieci neuronowe jako metoda prognozowania indeksów giełdowych, Materiały konferencyjne Uniwersytetu Łódzkiego, Łódź 1997.
• Szczepankiewicz W., Organizacja źródeł zaopatrzenia i rola handlu detalicznego w kanałach rynku, [w:] Handel detaliczny. Funkcjonowanie i kierunki rozwoju, red. J. Szumilak, Oficyna Ekonomiczna, Kraków 2004.
• Śliwczyński B., Controlling w zarządzaniu logistyką, Wyższa Szkoła Logistyki, Poznań 2007.
• Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
• Tadeusiewicz R., Lula P., Neuronowe metody analizy szeregów czasowych i możliwości ich zastosowań w zagadnieniach biomedycznych, [w:] Biocybernetyka i inżynieria biomedyczna 2000, red. M. Nałęcz, t. 6: Sieci neuronowe, red. Tomu W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, PAN Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• Tadeusiewicz R., Problemy biocybernetyki, Wydawnictwo Naukowe PWN, Warszawa 1994.
• Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. BECK, Warszawa 2002.
• Witkowski J., Zarządzanie łańcuchem dostaw: koncepcje, procedury, doświadczenia, PWE, Warszawa 2003.
• Wprowadzenie do sieci neuronowych, opracowanie dla Statsoft: R. Tadeusiewicz, P. Lula, Statsoft, Kraków 2001.
• Żukowski P., Marjak H., Grabowiecka R., Metodyczne podstawy stosowania sztucznych sieci neuronowych w prognozowaniu, Materiały konferencyjne US, Szczecin 2000.