Forecasting Demand for Products in Distribution Networks Using R Software

• Autorzy: Maciej Wolny , Mariusz Kmiecik
• Języki publikacji: EN

Abstrakty

EN

Purpose: This article addresses the issue of forecasting demand for products flowing in a distribution network conducted from the perspective of a 3PL logistics operator. Its purpose is to present a tool based on the R software, which is to be used for automatic forecasting of time series. Design/methodology/approach: The work uses the algorithm of automatic forecasting of time series implemented in the "forecast" package. The algorithm was used in a loop for different lengths of the time series to determine the best length of the series. The minimal RMSE value in the training set and in the test set were considered as optimality criteria. Findings: It is shown that the best time series length is 60 weeks in the considered case. Originality/value: The procedure for selecting the best time window length for forecasting demand for products in distribution network. (original abstract)

Słowa kluczowe

EN

Forecasting; Distribution; Logistics operator; Logistic networks

PL

Prognozowanie; Dystrybucja; Operator logistyczny; Sieci logistyczne

• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2020
• Numer: z. 142 Quantitative Methods in Economics, Finance, Management and Quality Sciences
• Strony: 107--116

Twórcy

autor

Maciej Wolny

• Silesian University of Technology

autor

Mariusz Kmiecik

• Silesian University of Technology

Bibliografia

• 1. Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), pp. 716-723. doi:10.1109/TAC.1974.1100705.
• 2. Bendkowski, J., Kramarz, M., and Kramarz, W. (2010). Metody i techniki ilościowe w logistyce stosowanej. Wybrane zagadnienia. Gliwice: Wydawnictwo Politechniki Śląskiej.
• 3. Burnham, K.P., and Anderson, D.R. (2004). Multimodel inference: understanding AIC and BIC in Model Selection. Sociological Methods & Research, 33, pp. 261-304. doi:10.1177/0049124104268644.
• 4. Dittman, P. (2000). Metody prognozowania sprzedaży w przedsiębiorstwie. Wrocław: Wydawnictwo Akademii Ekonomicznej im. Oskara Langego.
• 5. Fligner, M.A., and Kileen, T.J. (1976). Distribution-Free Two-Sample Tests for Scale. Journal of the American Statistical Association, 71, pp. 210-213.
• 6. Grzelak, M. (2019). Zastosowanie modelu ARIMA do prognozowania wielkości produkcji w przedsiębiorstwie. Systemy Logistyczne Wojsk, 50.
• 7. Hyndman, R.J., and Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts. Retrieved from http://www.OTexts.com/fpp2, 2019.07.24.
• 8. Hyndman, R.J., and Khandakar, Y. (2008). Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software, 27, pp. 1-220. https://doi.org/10.18637/jss.v027.i03.
• 9. Kawa, A. (2011). Konfigurowanie łańcucha dostaw. Teoria, instrumenty i technologie. Poznań: Wydawnictwo Uniwersytetu Ekonomicznego.
• 10. Kramarz, M., and Kramarz, W. (2012). Struktura sieci dostaw - sieciowe łańcuchy dostaw wyrobów hutniczych. In: J. Pyka (Ed.), Nowoczesność przemysłu i usług - nowe wyzwania. Praca zbiorowa (pp. 300-310). Katowice: Towarzystwo Naukowe Organizacji i Kierownictwa. Oddział w Katowicach.
• 11. Schwarz, G.E. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), pp. 461-464. doi:10.1214/aos/1176344136.
• 12. Wojciechowski, A., and Wojciechowska, N. (2015). Zastosowanie klasycznych metod prognozowania popytu w logistyce dużych sieci handlowych. Zeszyty Naukowe Uniwersytetu Szczecińskiego, 41, pp. 545-554.
• 13. Żebrucki, Z. (2012). Badania form partnerstwa logistycznego między przedsiębiorstwami. Gliwice: Wydawnictwo Politechniki Śląskiej.

Identyfikatory

DOI

10.29119/1641-3466.2020.142.8