| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 9.52 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
In the fast-evolving domain of inventory management, businesses must navigate complex challenges involving data management, forecasting, and operational efficiency. This thesis focuses on the development of an automated inventory forecasting platform primarily for Kontrolsat, a technology and e-commerce company, but also extendable to other businesses. The platform was designed to analyze historical sales data, sales trends, and product attributes to provide accurate inventory predictions. Machine learning models and ensemble learning techniques were employed to enhance the precision of forecasts, thus enabling better decision-making and reducing the risk of stockouts or overstocking. In order to guarantee optimal performance, a large portion of this focusses on the system’s scalability and maintainability, utilising software engineering principles like modularity, domain-driven design, and multi-processing. The system was also built to be easily customizable and user-friendly, allowing seamless integration with Kontrolsat’s existing infrastructure while accommodating future growth. The results are promising, with 40 products presenting acceptable predictions, which corresponds to a success rate of 90% in the predictions. This demonstrates the platform’s ability to enhance inventory management efficiency by providing valuable insights and accurate forecasts. There are, however, some prediction entries that require further analysis, as their error percentage is extremely high. This mostly happens with products that have a very low number of historical sales data, or none at all. While the system is still in active development, it has already shown promising results and has the potential to be a valuable tool for businesses.
Tendo em conta a rápida evolução da gestão de inventário, as empresas enfrentam desafios complexos relacionados à gestão de dados, previsões e eficiência operacional. Esta dissertação foca-se no desenvolvimento de uma plataforma automatizada de previsão de inventário, principalmente para a Kontrolsat, uma empresa de tecnologia e e-commerce, mas também extensível a outros negócios. A plataforma foi desenvolvida para analisar dados históricos de vendas, tendências de vendas e atributos dos produtos para fornecer previsões de inventário precisas. Modelos de Machine Learning e técnicas de ensemble learning foram utilizados para melhorar a precisão das previsões, permitindo uma melhor tomada de decisões e reduzindo o risco de ruturas de stock ou excesso de stock. Para garantir um desempenho ideal, grande parte do trabalho foca-se na escalabilidade e manutenção do sistema, utilizando princípios de engenharia de software como modularidade, design orientado ao domínio e multiprocessamento. O sistema também foi construído para ser facilmente personalizável e intuitivo, permitindo uma integração perfeita com a infraestrutura existente da Kontrolsat, ao mesmo tempo que acomoda o crescimento futuro. Os resultados são promissores, com 40 produtos a apresentarem previsões aceitáveis, o que corresponde a uma taxa de sucesso de 90% nas previsões. Isto demonstra a capacidade do sistema melhorar a eficiência na gestão de inventário, fornecendo insights valiosos e previsões precisas. No entanto, há algumas previsões que requerem uma análise mais aprofundada, porque a sua percentagem de erro é extremamente elevada. Isto ocorre principalmente com produtos que têm um número muito reduzido, ou inexistente, de dados históricos de vendas. Embora o sistema ainda esteja em desenvolvimento, já demonstrou resultados promissores e tem o potencial de se tornar uma ferramenta valiosa para as empresas.
Tendo em conta a rápida evolução da gestão de inventário, as empresas enfrentam desafios complexos relacionados à gestão de dados, previsões e eficiência operacional. Esta dissertação foca-se no desenvolvimento de uma plataforma automatizada de previsão de inventário, principalmente para a Kontrolsat, uma empresa de tecnologia e e-commerce, mas também extensível a outros negócios. A plataforma foi desenvolvida para analisar dados históricos de vendas, tendências de vendas e atributos dos produtos para fornecer previsões de inventário precisas. Modelos de Machine Learning e técnicas de ensemble learning foram utilizados para melhorar a precisão das previsões, permitindo uma melhor tomada de decisões e reduzindo o risco de ruturas de stock ou excesso de stock. Para garantir um desempenho ideal, grande parte do trabalho foca-se na escalabilidade e manutenção do sistema, utilizando princípios de engenharia de software como modularidade, design orientado ao domínio e multiprocessamento. O sistema também foi construído para ser facilmente personalizável e intuitivo, permitindo uma integração perfeita com a infraestrutura existente da Kontrolsat, ao mesmo tempo que acomoda o crescimento futuro. Os resultados são promissores, com 40 produtos a apresentarem previsões aceitáveis, o que corresponde a uma taxa de sucesso de 90% nas previsões. Isto demonstra a capacidade do sistema melhorar a eficiência na gestão de inventário, fornecendo insights valiosos e previsões precisas. No entanto, há algumas previsões que requerem uma análise mais aprofundada, porque a sua percentagem de erro é extremamente elevada. Isto ocorre principalmente com produtos que têm um número muito reduzido, ou inexistente, de dados históricos de vendas. Embora o sistema ainda esteja em desenvolvimento, já demonstrou resultados promissores e tem o potencial de se tornar uma ferramenta valiosa para as empresas.
Description
Keywords
Forecasting Inventory management Automation Data analysis Predictive analytics Process optimization