Rising inventory management efficiency through using data analytics tools

Abstract

Inventory management has become one of the key elements of supply chain management and can greatly affect business performance. Inappropriate management of stocks, like, the creation of an unreasonably large number of inventories in the field of trade leads to a decrease in the level of turnover of money capital invested in the creation of stocks, as well as to an increase in the cost of storing them, and, conversely, an insufficient volume of stocks of raw materials in production can disrupt the performance of production programs. For effective management of the above-mentioned processes, a properly built process of forecasting demand and stocks helps. The aim of this research is to develop an algorithm for improving the efficiency of Inventory management through a system for forecasting demand and replenishment of stocks. The theoretical part of the work is devoted to the study of inventory management, models, Key Performance Indicators (KPI), mathematical methods for forecasting, which are used in various studies. With the help of the KNIME analytical program, using ARIMA mathematical method to work with a time series for predicting efficiency, an algorithm was created to determine the Stock Keeping Units (SKU) for replenishment and further analysis.In the research part, detailed inventory data from 2017 to 2020 are selected, processed and adjusted at different stages, so that the model developed using the ARIMA is as accurate as possible. As a result of the work, 61 items were predicted in terms of Average Inventory,17 of which are higher than Reorder point indexes. This means that the positions will be effective for the next 3 periods and do not need replenishment. For the remaining 44 positions need to be re-calculated an optimal determination of the order volume (EOQ) for replenishing needed SKUs. The created model can help in the inventory management processes of the company. Thesis structure: introduction, three parts, conclusion, bibliography. The thesis consists of 68 pages of text without attachments, 5 tables, 21 figures and 91 bibliographic records.

Atsargų valdymas tapo vienu iš pagrindinių tiekimo grandinės valdymo elementų ir gali labai paveikti verslo rezultatus. Netinkamas atsargų valdymas, pvz., nepagrįstai didelio atsargų skaičiaus sukūrimas prekybos srityje, sumažina piniginio kapitalo, investuoto į atsargų kūrimą, apyvartos lygį, taip pat išauga atsargų savikaina. jų sandėliavimas ir, atvirkščiai, gamyboje nepakankamas žaliavų atsargų kiekis gali sutrikdyti gamybos programų vykdymą. Efektyviam minėtų procesų valdymui padeda tinkamai sukurtas paklausos ir atsargų prognozavimo procesas. Šio tyrimo tikslas – sukurti Atsargų valdymo efektyvumo gerinimo algoritmą per poreikio prognozavimo ir atsargų papildymo sistemą. Teorinė darbo dalis skirta tirti atsargų valdymą, modelius, pagrindinius veiklos rodiklius (KPI), matematinius prognozavimo metodus, kurie naudojami įvairiose studijose. Analitinės programos KNIME pagalba, naudojant ARIMA matematinį metodą dirbant su efektyvumo prognozavimo laiko eilute, buvo sukurtas algoritmas atsargų saugojimo vienetams (SKU) nustatyti papildymui ir tolesnei analizei. Tyrimo dalyje – detalūs inventorizacijos duomenys. nuo 2017 iki 2020 metų yra atrenkami, apdorojami ir koreguojami skirtingais etapais, kad ARIMA sukurtas modelis būtų kuo tikslesnis.2017 Atlikus darbą, pagal Vidutinį inventorių buvo prognozuota 61 prekė, iš kurių 17 yra didesnė už pertvarkymo taškų indeksus. Tai reiškia, kad pozicijos galios ateinančius 3 laikotarpius ir jų nereikės papildyti. Likusioms 44 pozicijoms reikia iš naujo apskaičiuoti optimalų užsakymo apimties (EOQ) nustatymą, kad būtų galima papildyti reikiamus SKU. Sukurtas modelis gali padėti įmonės atsargų valdymo procesuose. Baigiamojo darbo struktūra: įvadas, trys dalys, išvados, bibliografija. Darbo apimtis – 68 puslapiai teksto be priedų, 5 lentelės, 21 paveikslas ir 91 bibliografinis įrašas.