Registration Number
2126U001949, Article
popup.category
Article, Стаття
Title
Information technology for predictive and prescriptive analytics in production planning optimization
popup.author
Шевчук О. Ф.
Козловський А. В.
Паночишин Ю. М.
Сімончук С. В.
Бондар М. Я.
Shevchuk O.
Kozlovskyi A.
Panochyshyn Yu.
Simonchuk S.
Bondar M.
Shevchuk O.
Kozlovskyi A.
Panochyshyn Yu.
Simonchuk S.
Bondar M.
popup.publication
01-01-2026
popup.source_user
Вінницький національний технічний університет
popup.source
https://ir.lib.vntu.edu.ua/handle/123456789/51074
popup.publisher
Наукові перспективи
Description
У статті розглянуто актуальну науково-прикладну задачу підвищення ефективності виробничого планування в умовах невизначеності попиту та обмеженості ресурсів. Запропоновано інтегрований підхід до підтримки прийняття рішень, який поєднує методи предиктивної та прескриптивної аналітики в межах єдиного програмного рішення. Розроблено архітектуру інформаційної технології, що забезпечує автоматизований перехід від прогнозування попиту до формування оптимального виробничого плану. У роботі реалізовано гібридний підхід до прогнозування попиту, який базується на паралельному використанні статистичних моделей ARIMA та ансамблевого алгоритму Random Forest. Для підвищення точності прогнозування застосовано механізми розширеного формування ознак, що враховують як часові залежності, так і вплив екзогенних факторів, зокрема маркетингових акцій і календарних подій. Вибір оптимальної моделі здійснюється автоматично на основі метрики середньої абсолютної відсоткової похибки. Розроблено математичну модель оптимізації виробничого плану, сформульовану як задачу лінійного програмування, яка враховує витрати на виробництво, зберігання запасів та дефіцит продукції, а також обмеження виробничих потужностей. Інтеграція прогнозованого попиту у модель оптимізації дозволяє реалізувати концепцію прескриптивної аналітики та забезпечує формування економічно обґрунтованих управлінських рішень. Експериментальна верифікація запропонованого підходу проведена на реальних даних роздрібної мережі. Отримані результати показали, що використання ансамблевих методів машинного навчання забезпечує середню абсолютну відсоткову похибку прогнозування на рівні менше 9%. Застосування оптимізаційної моделі забезпечує зниження сукупних витрат підприємства на 14,5% порівняно з традиційними підходами до планування. Практичне значення роботи полягає у можливості використання розробленого програмного застосунку як інструменту підтримки прийняття рішень для підприємств малого та середнього бізнесу. Перспективи подальших досліджень пов’язані з розширенням моделі на багатопродуктові системи, врахуванням стохастичності попиту та застосуванням методів глибинного навчання.
popup.nrat_date
2026-10-29
