In the retail stage of a food suppl

In the retail stage of a food supply chain, food waste and stock-outs occur mainly due to inaccurate forecasting of sales which leads to incorrect ordering of products. The time series sales in food retail industry are characterized by high volatility and skewness, which vary by time. So, the interval forecasts are required by the retail companies to set appropriate inventory policy (reorder point or safety stock level). This paper attempts to develop a seasonal autoregressive integrated moving average with external variables (SARIMAX) model to forecast daily sales of a perishable food. The process of fitting a SARIMAX model in this study involves: (i) the development of Seasonal Autoregressive Integrated Moving Average (SARIMA) model and (ii) combining the SARIMA model and the demand influencing factors using linear regression. As the SARIMAX using multiple linear regression (SARIMA-MLR) model produces only mean forecast, the possibility of underestimation and overestimation is very high due to high service level, peak, and sparse sales in food retail industry. Therefore, a hybrid SARIMA and Quantile Regression (SARIMA-QR) is developed to construct high and low quantile predictions. Instead of extrapolating the quantiles from the mean point forecasts of SARIMA-MLR model based on the assumption of normality, the SARIMA-QR model directly forecasts the quantiles. The developed SARIMA-MLR and SARIMA-QR models are applied in modeling and forecasting of sales data, i.e., the daily sales of banana from a dis- count retail store in Lower Bavaria, Germany. The results show that the SARIMA-MLR and -QR models yield better forecasts at out-sample data when compared to seasonal naïve forecasting, traditional SARIMA, and multi-layered perceptron neural network (MLPNN) models. Unlike the SARIMA-MLR model, the SARIMA-QR model provides better prediction intervals and a deep insight into the effects of demand influencing factors for different quantiles.

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนการค้าปลีกของห่วงโซ่อุปทานอาหาร อาหารขยะและสต็อกลึกหนาบางเกิดขึ้นเนื่องจากการคาดการณ์ไม่ถูกต้องของการขายซึ่งนำไปสู่การจัดลำดับไม่ถูกต้องของผลิตภัณฑ์ ขายชุดเวลาในอุตสาหกรรมค้าปลีกอาหารมีลักษณะ โดยความผันผวนสูงและความเบ้ ซึ่งแตกต่างไปตามเวลา ดังนั้น คาดการณ์ช่วงเวลาจำเป็น โดยบริษัทค้าปลีกการตั้งนโยบายสินค้าคงคลังที่เหมาะสม (สั่งจุดหรือความปลอดภัยระดับ) กระดาษนี้พยายามพัฒนาค่าเฉลี่ยเคลื่อน autoregressive ตามฤดูกาลที่รวมกับตัวแปรภายนอก (SARIMAX) ในการพยากรณ์ยอดขายรายวันของอาหารเน่าเสียง่าย เกี่ยวข้องกับกระบวนการของแบบจำลอง SARIMAX ในการศึกษานี้: (i) การพัฒนารูปแบบฤดูกาล Autoregressive รวมย้ายเฉลี่ย (สมถวิล) และ (ii) ทิพยรูปแบบและความต้องการที่มีอิทธิพลต่อปัจจัยโดยใช้การถดถอยเชิงเส้น เป็น SARIMAX โดยใช้การถดถอยเชิงเส้นหลาย (สมถวิล-MLR) รุ่นผลิตหมายถึงเฉพาะการพยากรณ์ โอกาส underestimation และ overestimation จะสูงมากเนื่องจากระดับการให้บริการสูง สูงสุด และขายห่างในอุตสาหกรรมค้าปลีกอาหาร ดังนั้น ไฮบริทิพยและ Quantile ถดถอย (สมถวิล-QR) เป็นพัฒนาเพื่อสร้างการคาดคะเน quantile สูงและต่ำ แทน extrapolating quantiles จากคาดการณ์จุดหมายถึงรูปแบบ MLR ทิพยสมมติฐานของเครื่อง รุ่น QR ทิพยโดยตรงคาดการณ์ quantiles รุ่นทิพย MLR และทิพย QR ที่พัฒนาใช้ในการสร้างแบบจำลอง และการพยากรณ์ของข้อมูลการขาย เช่น การขายประจำวันของกล้วยจากร้านค้าปลีกจำนวน dis ในต่ำกว่าบาวาเรีย เยอรมนี ผลแสดงที่คาดการณ์อัตราผลตอบแทนดีกว่าที่ข้อมูลเมื่อเปรียบเทียบกับไร้เดียงสาตามฤดูกาลการพยากรณ์ ทิพยดั้งเดิม ตัวอย่างออกแบบ MLR ทิพยและ -QR และหลายชั้นเพอร์เซปตรอนแบบจำลองโครงข่ายประสาท (MLPNN) ซึ่งแตกต่างจากรูปแบบ MLR ทิพย รุ่น QR ทิพยให้ช่วงคาดการณ์ที่ดีและมีข้อมูลเชิงลึกผลกระทบของความต้องการที่มีอิทธิพลต่อปัจจัยสำหรับ quantiles แตกต่างกัน

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนการขายปลีกของห่วงโซ่อุปทานอาหารเศษอาหารและสต็อกลึกเกิดขึ้นส่วนใหญ่เกิดจากการคาดการณ์ที่ไม่ถูกต้องของยอดขายซึ่งนำไปสู่การสั่งซื้อที่ไม่ถูกต้องของผลิตภัณฑ์ ขายอนุกรมเวลาในอุตสาหกรรมค้าปลีกอาหารที่โดดเด่นด้วยความผันผวนสูงและเบ้ซึ่งแตกต่างกันไปตามเวลา ดังนั้นการคาดการณ์ช่วงเวลาจำเป็นโดย บริษัท ค้าปลีกที่จะกำหนดนโยบายที่เหมาะสมสินค้าคงคลัง (จุดสั่งซื้อใหม่หรือหุ้นที่ปลอดภัยระดับ) บทความนี้พยายามที่จะพัฒนาอัตฤดูกาลเฉลี่ยเคลื่อนที่แบบบูรณาการที่มีตัวแปรภายนอก (SARIMAX) รุ่นที่จะคาดการณ์ยอดขายรายวันของอาหารที่เน่าเสียง่าย กระบวนการของการปรับรูปแบบ SARIMAX ในการศึกษานี้ที่เกี่ยวข้องกับ: (i) การพัฒนาแบบบูรณาการตามฤดูกาลอัตถดถอย Moving Average (SARIMA) รุ่นและ (ii) การรวมรูปแบบ SARIMA และความต้องการปัจจัยที่มีอิทธิพลใช้การถดถอยเชิงเส้น ในฐานะที่เป็น SARIMAX ใช้การถดถอยเชิงเส้น (multiple-SARIMA MLR) รุ่นผลิตเพียงหมายถึงการคาดการณ์ความเป็นไปได้ของการดูเบาและประเมินค่าสูงอยู่ในระดับสูงมากเนื่องจากระดับสูงบริการสูงสุดและการขายเบาบางในอุตสาหกรรมค้าปลีกอาหาร ดังนั้นไฮบริดและ SARIMA Quantile ถดถอย (SARIMA-QR) ได้รับการพัฒนาเพื่อสร้างการคาดการณ์ quantile สูงและต่ำ แทนที่จะคะเน quantiles จากการคาดการณ์จุดเฉลี่ยของรูปแบบ SARIMA-MLR อยู่บนสมมติฐานของปกติที่รุ่น SARIMA QR-โดยตรงคาดการณ์ quantiles ที่พัฒนา SARIMA-MLR และ SARIMA QR-แบบจำลองจะนำไปใช้ในการสร้างแบบจำลองและการพยากรณ์ข้อมูลการขายเช่นการขายประจำวันของกล้วยจากร้านค้าปลีกนับปรากฏในตอนล่าง, เยอรมนี ผลการศึกษาพบว่า SARIMA-MLR และรูปแบบ -qr ผลผลิตคาดการณ์ที่ดีกว่าที่ข้อมูลจากตัวอย่างเมื่อเทียบกับการคาดการณ์ที่ไร้เดียงสาฤดูกาล SARIMA แบบดั้งเดิมและหลายชั้น Perceptron เครือข่ายประสาท (MLPNN) รุ่น ซึ่งแตกต่างจากรูปแบบ SARIMA-MLR รุ่น SARIMA QR-ให้ช่วงการคาดการณ์ที่ดีขึ้นและมีความเข้าใจที่ลึกลงไปในผลกระทบของความต้องการที่มีอิทธิพลต่อปัจจัย quantiles ที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

วันนี้แอนมาที่บ้านพ่อของฉัน