پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شمارهها | 1,639 |
| تعداد مقالات | 13,339 |
| تعداد مشاهده مقاله | 29,949,717 |
| تعداد دریافت فایل اصل مقاله | 11,980,267 |
رویکرد ترکیبی پیشبینی تقاضای کانال همهجانبۀ یکپارچه، با استفاده از یادگیری ماشین - خوشهبندی سریهای زمانی با الگوریتم پیچش زمانی پویا و شبکههای عصبی مصنوعی | ||
| پژوهش در مدیریت تولید و عملیات | ||
| مقاله 7، دوره 14، شماره 1 - شماره پیاپی 32، فروردین 1402، صفحه 121-140 اصل مقاله (659 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22108/pom.2023.136202.1485 | ||
| نویسندگان | ||
| مریم سلطانی؛ سید محمد علی خاتمی فیروزآبادی* ؛ مقصود امیری؛ مجتبی حاجیان حیدری | ||
| گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی،تهران، ایران | ||
| چکیده | ||
| پذیرش کانالهای آنلاین و تجارت الکترونیک، به تغییرات مداوم و پویا در صنعت خردهفروشی، بهعنوان یک توسعۀ اجتنابناپذیر منجر شده و بسیاری از شرکتها را با چالش انتخاب مناسبترین کانال فروش، برای ارائۀ یک تجربۀ یکپارچه به مشتریان خود مواجه کرده است. خردهفروشی همهجانبۀ یکپارچه، با مفهوم ادغام همۀ کانالها، ضمن ایجاد تجربۀ مذکور، باعث افزایش پیچیدگی فرآیندهای پیشبینی و برنامهریزی میشود. این پژوهش با هدف کاهش عدم اطمینان تقاضای ناشی از خطای پیشبینی، ازطریق در نظر گرفتن رفتار خرید مشتریان در پیشبینی و به کمک استفاده از روشهای یادگیری ماشین، روشی دقیقتر برای پیشبینی تقاضای کانال همهجانبۀ یکپارچه ارائه کرده است. به این منظور، ابتدا دادههای فروش شرکت مطالعهشده، جمعآوری و با استفاده از الگوریتم پیچش زمانی پویا خوشهبندی شد؛ سپس بر هر خوشه یک بار شبکۀ عصبی اتو رگرسیو غیرخطی و بار دیگر، شبکۀ عصبی اتو رگرسیو غیرخطی با ورودی برونزا اجرا و نتایج حاصل از شبکههای عصبی با معیارهای ارزیابی عملکرد R2 و RMSE با روش استفادهشده در شرکت مطالعهشده، مقایسه شد. مقایسۀ نتایج نشان داد عملکرد شبکۀ عصبی اتو رگرسیو غیرخطی، با ورودی برونزا بر دادههای خوشهبندیشده به روش پیچش زمانی پویا، برای کاهش خطای پیشبینی تقاضا در کانال همهجانبۀ یکپارچه، نسبتبه دو روش دیگر برتری دارد. | ||
| کلیدواژهها | ||
| شبکههای عصبی مصنوعی؛ پیشبینی تقاضا؛ الگوریتم پیچش زمانی پویا؛ یادگیری ماشین؛ کانال همهجانبۀ یکپارچه | ||
| اصل مقاله | ||
|
1- مقدمه
خردهفروشان در طراحی شبکۀ توزیع میتوانند با توجه به کسب و کار خود از بین چندین کانال توزیع مختلف، گزینههای بهینه را برای سازمان خود پیدا کنند. این کانالها شامل کانال فیزیکی، کانال آنلاین، کانال تلفن همراه، کاتالوگ و درنهایت ترکیبی از این کانالهاست. با تمرکز بر دیدگاه لجستیکی، میتوان سه استراتژی اصلی کانال توزیع را برشمرد. در رویکرد تککانال، خردهفروشان فقط از یک کانال فروش و یک سیستم لجستیک اختصاص داده شده برای این کانال جداگانه استفاده میکنند.
در رویکرد چند کانال، خردهفروشان چندین کانال با واحدهای جداگانه و سیستمهای مستقل را برای عملیات و تدارکات ایجاد میکنند (هوبنر و همکاران ، 2016). فرآیندها از دیدگاه مشتری یکپارچه نیستند و هیچ رابط عملیاتی یا لجستیکی بین دو کانال وجود ندارد (ورهوف و همکاران ، 2015).
در رویکرد کانال همهجانبۀ یکپارچۀ پیشرفته، تنها یک رابط لجستیکی مشترک برای مشتری وجود دارد و سفارشهای آنلاین نیز میتواند ازطریق فروشگاهها و همچنین سفارشهایی پردازش شود که برای تحویل درب منزل، در فروشگاه قرار میگیرد. یک تجربۀ خرید یکپارچه، مشتریان را قادر میکند در هر زمان از هر مکان، شخصاً و یا ازطریق دستگاههای دیجیتال سفارش دهند و خریدشان در زمان و مکان دلخواهشان، به آنها تحویل داده شود (چوپرا ، 2018).
پیشبینی تقاضا یک جنبۀ اساسی در مدیریت زنجیرۀ تأمین است که در تصمیمگیریهای برنامهریزی، ظرفیت و کنترل موجودی، تأثیر چشمگیری دارد (کرکانن و همکاران ، 2009). نظر به اینکه اینترنت و رقابت جهانی، الزامات را برای معرفی بهموقع محصول، مدیریت زنجیرۀ تأمین و تحویل کانال چندگانه تسریع میکنند، پیشبینی اهمیت بیشتری پیدا کرده است (فردریک راس ، 2017). رویۀ رایج در میان خردهفروشان کانالهای چندگانه بهطور سنتی، برنامهریزی و پیشبینی کانالهای مختلف بهصورت جداگانه بوده است، در حالی که نمیتوان تقاضا را بهطور واقعی دریافت کرد؛ زیرا خردهفروش از قصد مشتری، که به چنین تقاضایی منجر شده است، آگاه نیست؛ برای مثال، یک مشتری میتواند یک محصول را در فروشگاه ببیند و آن را بهصورت آنلاین سفارش دهد. این بیشتر به افزایش عدم قطعیت تقاضا منجر میشود و پیشبینی را به یک کار چالشبرانگیز تبدیل میکند (رودرکرک و کوک ، 2019). با توجه به تجزیه و تحلیل تأثیر موج ناشی از اختلالات در تقاضا، تولید و فرایند توزیع در زنجیرۀ تأمین خردهفروشی و تأثیر مستقیم روش پیشبینی تقاضا بر واکنش زنجیرۀ تأمین در اثر شلاقی و اشاره به این نکته که تخفیفهای قیمت در بازار خردهفروشی آنلاین، عموماً اثر شلاقی را در زنجیرۀ تأمین خردهفروشی آنلاین تقویت میکند، به حداقل رساندن عوامل عدم قطعیت در سناریوی خردهفروشی هوشمند و انتخاب بهترین روش پیشبینی برای به حداقل رساندن اثر شلاقی در زنجیرۀ تأمین خردهفروشی آنلاین، از اهمیت زیادی برخوردار است و باید برای تحقیقات آینده در این زمینه، در اولویت باشد (گائو و همکاران ، 2017).
دیویس (1993) سه منبع مختلف عدم قطعیت را در زنجیرۀ تأمین تعریف میکند: عدم قطعیت عرضه، عدم قطعیت فرآیند و عدم قطعیت تقاضا. عدم قطعیت تقاضا که از تقاضای ناپایدار یا پیشبینیهای نادرست ناشی میشود، جدیترین مورد از این سه عدم قطعیت و یک بعد جداییناپذیر از پویایی محیطی است (هانچلیوگلای و همکاران ، 2016). دو منبع عدم قطعیت در فرآیند پیشبینی تقاضا وجود دارد: منبع اول، خطای پیشبینی است که با نزدیکترشدن به روش پیشبینی بهینه، میتواند کاهش یابد؛ منبع دوم، خطای فرآیند و تغییرات تصادفی در خود فرآیند پیشبینی است که این خطا را تنها با تلاش برای مدیریت فرآیند تقاضا، با تلاش برای شناسایی تغییر رفتار مشتریان یا ازطریق پیشبینی مشارکتی، کاهش میدهد (فیلدز و کینگزمن ، 2011). درک رفتار مشتریان و استفاده از تحلیل آن در فرایندها و عملیات خردهفروشان، به شناسایی الگوهای رفتار مشتریان و در صورت لزوم، برنامهریزی برای تغییر آن کمک میکند که این امر در کاهش خطای فرآیند مؤثر است. تشخیص دقیق نیاز و پیشبینی صحیح تقاضا، نیازمند دیدگاه مشترک موجودی در همۀ کانالهاست. با توجه به اینکه در کانال همهجانبۀ یکپارچه، تمام اطلاعات مربوط به مشتریان، موجودی کالا، عملیات و تدارکات، همه در یک پلتفرم واحد ضبط و تلفیق میشوند، با استفاده از فناوریهایی که امکان تجزیه و تحلیل رفتار خرید مشتریان را از کانالهای مختلف فراهم میکند، به خردهفروشان در درک بهتر رفتار مصرفکنندۀ هر کانال و درنتیجه به پیشبینی دقیقتر تقاضا و به سهم خود، به کسب بینش دربارۀ جریان حمل و نقل کمک میکند (رای و همکاران ، 2019)؛ همچنین، مدیریت توزیع را بهبود و امکان برنامهریزی و اجرای بهتر عملیات زنجیرۀ تأمین را فراهم و درنتیجه با کاهش عدم قطعیت، ارائۀ پیشنهادهای جذاب و ایجاد هزینههای تغییر، خردهفروشان را در حفظ مشتری توانمند میکند (کومار و همکاران ، 2020).
دلیل استفادۀ گسترده از تکنیکهای پیشرفتۀ یادگیری ماشین توسط متخصصان زنجیرۀ تأمین، سودآوری بالقوه و افزایش سهولت دسترسی، اجرای مدلهای پیچیدۀ یادگیری ماشین با تکنیکها و نرمافزارهای جدید برای پیشبینی و همچنین تسهیل پیشبینی ازطریق تجمیع و مصورسازی دادههاست (نیازکار و همکاران ، 2020). از هوش مصنوعی بهطور فزایندهای بهعنوان یک ابزار حل مسئله در تجارت استفاده میشود (چوی و همکاران ، 2018) و قابلیتهای یادگیری بینظیر هوش مصنوعی، به مدیریت تقاضا در شرایط اضطراری نیز کمک میکند. از مزایای مشخصشده در استفاده از بیگ دیتا و تحلیل کسب و کار در زنجیرۀ تأمین، از دستیابی به قابلیت پیگیری بیشتر عملکرد، نوسانات و روند هزینهها، نظارت بر موجودی، بهینهسازی تولید، مدیریت نوسانات تقاضا، طراحی شبکۀ زنجیرۀ تأمین و حمل و نقل و بهینهسازی منابع نام برده میشود (ایساسی، فرازن و اویونا ، 2015). نظر به اینکه در مدلهای کلاسیک پیشبینی، نظیر سریهای زمانی یا رگرسیون خطی، به تشخیص صحیح فرم توابع بهصورت متغیر مستقل و وابسته نیاز است و دادههای پرت به تخمین نامناسب پارامترها منجر میشود و علاوه بر آن، بیشتر مدلهای سریهای زمانی خطیاند و روابط غیرخطی را بهدرستی توضیح نمیدهند، نمیتوانند بهخوبی رفتار مصرفکننده را پیشبینی کنند؛ در حالی که شبکههای عصبی بهدلیل سازگاری با روندهای غیرخطی، ابزار مناسبی برای تقریب غیرخطی و شرایط پیچیده محسوب میشوند (فائضیراد و همکاران ، 1400).
در این مقاله با هدف کاهش عدم قطعیت تقاضای ناشی از خطای پیشبینی و خطای فرایند تقاضا، از روش ترکیبی خوشهبندی و شبکههای عصبی مصنوعی استفاده شده است. بهمنظور در نظر گرفتن رفتار خرید مشتریان برای کاهش خطای فرایند، ابتدا محصولات را با توجه به مقدار و کانال فروش آنلاین، حضوری و خرید آنلاین و دریافت از فروشگاه (BODS) خوشهبندی و سپس با استفاده از شبکههای عصبی مصنوعی برای کاهش خطای پیشبینی، تقاضای محصولات در هر خوشه پیشبینی شده است. بهمنظور بررسی روش ترکیبی پیشنهادی، مقایسه و ارزیابی عملکرد روش مذکور، از دادههای شرکتی فعال در صنعت خردهفروشی در زمینۀ محصولات آرایشی و بهداشتی استفاده شده است.
در ادامه، ساختار مقاله به این شرح است: ابتدا پژوهشهای انجامشده در زمینۀ پیشبینی تقاضا در خردهفروشی کانال همهجانبۀ یکپارچه بررسی و سپس در بخش روششناسی پژوهش، روشهای استفادهشده به تفکیک شرح و نتایج حاصل از هر مرحله گزارش شده است. در پایان بهمنظور ارزیابی عملکرد نتایج، روش ترکیبی پیشنهادی با روش استفادهشدۀ فعلی شرکت مقایسه شده است.
2- پیشینۀ پژوهش
با استفاده از روشهای مختلف یادگیری ماشین، مانند خوشهبندی و شبکههای عصبی، پژوهشهای بسیاری در حوزۀ پیشبینی تقاضا انجام شده است؛ اما با وجود پیچیدگی بسیار زیاد پیشبینی تقاضای کانال همهجانبۀ یکپارچه، تعداد پژوهشهای کمی در این زمینه دیده شد. برای بررسی شکاف تحقیقاتی، نزدیکترین پژوهشهایی بررسی شده است که در زمینۀ خردهفروشی کانال همهجانبۀ یکپارچه، به مبحث تقاضا و بررسی رفتار مشتریان اشاره کردهاند.
یورووا و همکاران (2017) در پژوهش خود، مدلی از رفتارهای فروش تطبیقی را هنگام فروش به مشتریان کانال همهجانبۀ یکپارچه در سراسر جهان توسعه دادهاند. رفتارهای فروش تطبیقی در قالب دو بعد، سازگاری غیرتعاملی و تعاملی تعریفشده دارند که اثربخشی این دو نوع رفتار، به نوع محصول (مصرفی، تفریحی) و کنترل ادراکشدۀ مصرفکنندگان همهجانبۀ یکپارچه بر وضعیت خرید بستگی دارد. برای آزمون فرضیهها، دادههای نظرسنجی از OCCهای جهانی در چهار کشور مختلف جمعآوری و با استفاده از تحلیل مسیر ارزیابی شد.
چن و لو (2017) با یکپارچهکردن خوشهبندی و یادگیری ماشین، روشی را برای پیشبینی تقاضای خردهفروشان کانال چندگانه در صنعت خردهفروشی لوازم کامپیوتری ارائه دادند. آنها با ترکیب روش خوشهبندی کامینز با یادگیری افراطی ماشین و رگرسیون بردار پشتیبان با عناوین KM-ELM و KM-SVR مدلی بر پایۀ خوشهبندی پیشنهاد و با استفاده از دادههای فروش کانال آنلاین و فیزیکی، مدل را به تفکیک و بهصورت دو سری زمانی مجزا بررسی کردند.
زو و لین (2017) با توجه به ویژگیهای جریان داده با ابعاد زیاد در رفتار مشتریان، الگوریتم تولید سیناپس بخشبندی مشتریان همهجانبۀ یکپارچه را براساس ارزش مشتری ایجاد کردند. الگوریتم خوشهبندی جریان دادۀ تکاملی بخشبندی، براساس مدل تضعیف زمان و مدل پنجرۀ کشویی استفاده شد. نتایج آزمایش نشان داد الگوریتم ضمن بهبود کارایی زمانی و مکانی، میتواند بهطور مستقل خوشهبندی شود.
پارک و کیم (2018) طبقهبندی مصرفکنندگان بههمراه الگوهای خرید و ترجیحات کانال با استفاده از دادههای نظرسنجی، سفارش رتبهبندی از مصرفکنندگان کرهای و آمریکایی در مسیر رفتارهای خریدشان، روش تجزیه و تحلیل خوشهای و کاوش قانون وابستگی برای بخشبندی و خصوصیات هر بخش را بررسی کردند. آنها همچنین اهمیت نسبی عوامل مسیر خرید برای تعیین تفاوتهای مصرفکنندگان دربارۀ الگوهای خرید و ترجیحاتشان را ارزیابی کردند و شبکهای از قوانین تفاوت در اولویت خرید و الگوهای مصرفکنندگان را در سطوح خرد و کلان به تصویر کشیدند.
فام و همکارانش (2020) به تعیین ذخیرۀ احتیاطی برای یک محیط کانال همهجانبۀ یکپارچه با روش شبیهسازی و تحلیل سناریو براساس زمان بازبینی، لیدتایم و ذخیرۀ احتیاطی پرداختند. این مطالعه نشان داد مجموع لیدتایم و زمان بازبینی در تعیین میزان ذخیرۀ احتیاطی، از هرکدام بهتنهایی مهمتر بوده است و تغییرات تقاضا که متأثر از رفتار مشتری است، تعیینکنندۀ اصلی برای ذخیرۀ احتیاطی است.
پونیا و همکاران (2020) در پژوهشی، روش جدید پیشبینی برای خردهفروشی کانال چندگانه را با استفاده از یادگیری عمیق با شبکههای حافظۀ کوتاهمدت بلند و جنگلهای تصادفی ارائه کردند. عملکرد پیشبینی روش پیشنهادی در برابر شبکههای عصبی، رگرسیون چندگانه و شبکههای اریماکس با استفاده از معیارهای پیشبینی عملکرد برای اندازهگیری سوگیری، دقت و واریانس محکزده و شواهد تجربی، نشان داد روش پیشنهادی (ازلحاظ آماری) بهطور درخور توجهی بهتر است.
آوود و گاناپاتی (2020) یک مدل توزیع کانال همهجانبۀ یکپارچه را در صنعت خردهفروشی مواد غذایی در آمریکا، ازطریق ادغام کانالهای آنلاین با تابع هدف بهینهکردن هزینههای عملیاتی توسعه و با روش برنامهریزی غیرخطی عدد صحیح مختلط ارائه دادند. آنها برای بررسی انعطافپذیری و استحکام مدل در زمینۀ افزایش تقاضا تحت شرایط مختلف، مانند بحران کووید 19، از روش تحلیل سناریو استفاده کردند و همچنین در مطالعۀ موردی، دادههای فروش فیزیکی را خارج از حوزۀ مطالعه در نظر گرفتند.
پیریرا و فرازون (2021) یک رویکرد دادهمحور را برای همگامسازی سازگار تقاضا و عرضه در زنجیرههای تأمین خردهفروشی کانال همهجانبۀ یکپارچه ارائه دادند، بهکارگیری یادگیری ماشین پیشبینی تقاضا را بهبود دادند، از شناسایی قاطع حجم و مکان تقاضا پشتیبانی کردند و با استفاده از بهینهسازی مبتنی بر شبیهسازی، تعریف کردند که کدام تسهیلات بهطور مؤثرتری، به تقاضای شناساییشده کمک میکند. این رویکرد لیدتایم، سفارشهای عقبافتادۀ ناشی از عرضه و تقاضای ناسازگار محصول و هزینههای عملیاتی را کاهش داد؛ گفتنی است که امروزه هر سه، از شاخصهای کلیدی عملکرد در بازارهای رقابتی خردهفروشی هستند.
ریاض و همکاران (2021) نقش رفتار مشتری کانال همهجانبۀ یکپارچه را در رابطۀ بین خردهفروشی همهجانبۀ یکپارچه و تجربۀ مشتری را ازطریق نظرسنجی از ۲۶۵ مشتری کانال همهجانبۀ یکپارچه و نیز برندهای خردهفروشی مختلف مد را در پاکستان ارزیابی کردند. نتایج مدلسازی معادلات ساختاری حداقل مربعات جزئی، نشان داد خردهفروشی همهجانبۀ یکپارچه ازطریق عوامل تعیینکنندۀ کاملبودن کانال، انجام سفارش، قابلیت استفاده و یکپارچگی به بهبود تجربۀ مشتری کمک میکند.
ژاوو و همکاران (2021) ضمن برشمردن حیاتیبودن درک رفتار خرید برای مشتریان آنلاین، برای تجارت کانال همهجانبۀ یکپارچه، از مدل RFM و روش خوشهبندی کامینز ، به ترتیب برای استخراج اطلاعات مشتریان و تقسیمبندی مشتریان استفاده کردند. نتایج شبیهسازی نشان داد روش پیشنهادی با ارائۀ نرخ خطای پایینتر، نسبتبه روش استاندارد کامینز، عملکرد بهتری دارد و میتواند متغیرها را بهطور همزمان، تحت 4 سناریوی مختلف انتخاب کند و تعداد آنها را بدون کاهش دقت خوشهبندی کاهش دهد.
ون گوین و همکاران (2022)، رفتار تغییر کانال مشتریان کانال همهجانبۀ یکپارچه را در خردهفروشی لوازم الکترونیکی بررسی و با اجرای 23 مصاحبۀ عمیق و چهار گروه متمرکز، دلایل تغییر کانال خرید و عوامل کلیدی مؤثر بر انتخاب کانال را در هنگام تعویض شناسایی کردند و در پایان، چارچوبی را برای توضیح رفتار تغییر کانال، تحت نظریۀ شناختی-اجتماعی ارائه دادند.
عمر و همکارانش (2023) با روش تحلیل دادههای سبد خرید و تئوری گراف، سه ویژگی درجه، قدرت و حمایت را در محصولات در یک سبد خرید مشتری، با بیش از دو محصول شناسایی و سپس با استفاده از سه ویژگی مذکور، بهعنوان متغیرهای ورودی مدل رگرسیون ARIMAX، تقاضا را پیشبینی کردند و نشان دادند استفاده از روش مذکور، دقت پیشبینی تقاضا را در خردهفروشی کانال همهجانبۀ یکپارچه بهبود میبخشد. همچنین در پیشبینی مشترک کانالهای آنلاین و فروشگاهی و موجودی مشترک بین هر دو کانال، مزایای درخور توجهی وجود دارد.
خلاصۀ پژوهشهای بررسیشده در جدول 1 ارائه شده است.
جدول 1- پیشینۀ پژوهش
Table 1-Literature review
ردیف نویسندگان ویژگیهای پژوهش روش حل
کانال همهجانبۀ یکپارچهکانال BODSچند محصولیپیشبینی تقاضارفتار خرید مشتریانتأثیر متقابل فروش محصولات خوشهخوشهبندی محصولاتمطالعۀ موردی
1 یوروا و همکاران
(2017) * - - - * - - * حداقل مربعات جزئی
2 چن و لو
(2017) - - * * - - * * ترکیب روش خوشهبندی کامینز، یادگیری افراطی ماشین و رگرسیون بردار پشتیبان
3 زو و لین
(2017) * - - - * - * * الگوریتم خوشهبندی جریان داده، بر مبنای کامینز
4 پارک و کیم
(2018) - - - - * - * * تحلیل خوشه و کاوش قانون وابستگی ارزیابی فاکتورهای مسیر تا خرید
5 فام و همکاران
(2020) * - * - - - - * شبیهسازی و تحلیل سناریو براساس زمان بازبینی، لیدتایم و ذخیرۀ احتیاطی
6 پونیا و همکاران
(2020) - - * * - - - * حافظۀ طولانی کوتاه-مدت و جنگل تصادفی
7 آوود و گاناپاتی (2020) * - - - - - - * برنامهریزی خطی عدد صحیح آمیخته و تحلیل سناریو
8 پیریرا و فرازون
(2021) * - * * - - - * * یادگیری ماشین و بهینهسازی مبتنی بر شبیهسازی، با استفاده از الگوریتم ژنتیک
9 ریاض و همکاران (2021) * - - - * - - * مدلسازی معادلات ساختاری حداقل مربعات جزئی
10 ژاوو و همکاران (2021) * - - - * - - * خوشهبندی کامینز منظم با L1-norm خوشهبندی با جریمۀ خالص کشسان با تمرکز بر متغیرهای همبسته
11 ون گوین و همکاران (2022) * - - - - * - - مصاحبۀ عمیق و گروه متمرکز
12 عمر و همکاران
(2023) * - - * - - - * رویکرد مبتنی بر دادههای سبد، تئوری گراف و ARIMAX
13 پژوهش حاضر * * * * * * * * ترکیب خوشهبندی سریهای زمانی با الگوریتم DTW با شبکههای عصبی اتورگرسیو غیرخطی، با و بدون ورودی خارجی
در پژوهش عمر و همکارانش (2023)، تأثیر رفتار خرید مشتریان و انتخاب کانالها توسط مشتریان در نظر گرفته نشده و ازنظر بررسی تأثیر فروش محصولات بر هم، تنها محصولات داخل یک سبد خرید، بررسی شده است. چن و لو (2017) و پونیا و همکارانش (2020)، تقاضا را در محیط کانال چندگانه پیشبینی و کانالهای آنلاین و آفلاین را بهصورت مجزا بررسی کردهاند. پیریرا و فرازون (2021) و عمر و همکارانش (2023)، برای پیشبینی تقاضا در کانال همهجانبۀ یکپارچه، فقط کانالهای آنلاین و آفلاین را در نظر گرفتند و مقولۀ رفتار خرید مشتریان را در پژوهشهای خود لحاظ نکردند. همچنین چن و لو از روش k-maen برای خوشهبندی استفاده کردند. این روش از فاصلۀ اقلیدسی برای ایجاد خوشه استفاده میکند و این در مواردی که طول سریهای زمانی یکسان نباشد، روش مناسبی نیست.
با توجه به خلاصه پژوهشهای بررسیشده در خردهفروشی کانالهای همهجانبۀ یکپارچه، میتوان تأیید کرد که در بیشتر پژوهشهای انجامشده در این زمینه، به مقولۀ پیشبینی تقاضا براساس درک الگو و رفتار خرید مشتریان به تفکیک کانالهای خرید و همچنین در نظر گرفتن کانال BODS توجه لازم نشده است. روش خوشهبندی بهدنبال تقسیمبندی مشتریان برای شناسایی ویژگیهای فردی هر خوشه و درنتیجه درک بهتر ویژگیهای رفتار خرید مشتریان بوده است. هدف اصلی، درک این موضوع است که چگونه فناوریها و اقدامات، اعم از بازاریابی، پیشنهاد محصول، کیفیت خدمات و روابط با مصرفکننده، بر نحوۀ خرید مصرفکننده یا چگونگی تغییر پروفایل خرید مصرفکننده در بیش از یک کانال تأثیر میگذارد و روشهای مدیریت و عملیاتیکردن فعالیتها را در شرکتها تغییر میدهد؛ بنابراین، انجام مطالعهای که نشاندهندۀ چگونگی ترجمۀ تحلیل پروفایل رفتار مشتری بهصورت درجشدنی در مطالعۀ پیشبینی تقاضای زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه، بهمنظور دستیابی به پیشبینی تقاضا با دقت بیشتر و درصد خطای کمتر و درنتیجه کاهش عدم قطعیت ناشی از خطای پیشبینی تقاضا در کل زنجیرۀ تأمین باشد، ضروری به نظر میرسد؛ از این رو نوآوریهای این پژوهش ازنظر مفهومی، شامل در نظر گرفتن رفتار خرید مشتری در پیشبینی تقاضای زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه با استفاده از خوشهبندی، افزودن کانال فروش BODS به کانالهای فروش و در نظر گرفتن سه کانال آنلاین، آفلاین و BODS بهطور یکپارچه و همزمان، بررسی تأثیر فروش دیگر محصولات خوشه بر فروش یک محصول (ازطریق در نظر گرفتن عامل خارجی در اتورگرسیو غیرخطی) و ازنظر روش، ترکیب خوشهبندی سریهای زمانی به روش پیچش زمانی پویا، با شبکههای عصبی اتو رگرسیو غیرخطی دانست.
3-روششناسی پژوهش
بهمنظور بررسی روش پیشنهادی، ابتدا دادههای مطالعهشده جمعآوری و بهمنظور حذف دادههای پرت، پیشپردازش انجام و سپس با استفاده از الگوریتم پیچش زمانی پویا خوشهبندی شد؛ سپس بر هر خوشه یک بار شبکۀ عصبی اتو رگرسیوی غیرخطی و بار دیگر، شبکۀ عصبی اتو رگرسیوی غیرخطی با ورودی برونزا اجرا و نتایج پیشبینی تقاضا حاصل از شبکههای عصبی براساس معیارهای ارزیابی عملکرد، با روش استفادهشده در شرکت مطالعهشده، مقایسه شد. مراحل اجرای پژوهش به شرح شکل 1 است.
شکل1- مراحل اجرای پژوهش
Fig1-Steps of conducting research
3-1- آمادهسازی دادهها و پیشپردازش
بهمنظور به حداقل رساندن عدم قطعیت دربارۀ تقاضا و درک بهتر رفتار مصرفکننده در سناریوی زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه، ابتدا دادههای اولیه جمعآوری و سپس در نرمافزار صفحۀ گسترده (اکسل)، دادههای نامرتبط شناسایی و حذف شد.
3-2- خوشهبندی سریهای زمانی با الگوریتم پیچش زمانی پویا
خوشهبندی یکی از تکنیکهای مهم دادهکاوی است که دادهها را با توجه به شباهت آنها، به شکل یک کلاسبندی بدون نظارت دستهبندی میکند که در آن کلاسهای از پیش تعریف شده وجود ندارد. اندازهگیری فاصله بهطور گسترده برای یافتن شباهت/عدم شباهت بین هر دو سری زمانی استفاده میشود. دو معیار شناختهشده، معیار فاصلۀ اقلیدسی و معیار فاصلۀ پیچش زمانی پویا، معیارهای مبتنی بر شکل شناختهشده برای دادههای سری زمانیاند. فاصلۀ اقلیدسی، دو نقطه داده را میگیرد و آنها را با یکدیگر مقایسه میکند؛ اما هر دو سری زمانی باید طول یکسانی داشته باشند (گویجو روبیو و همکاران ، 2021). پیچش زمانی پویا، کوچکترین فاصله را بین تمام نقاط محاسبه و این امکان، تطابق یک به چند را فراهم میکند. برخلاف تابع فاصلۀ اقلیدسی، پیچش زمانی پویا، محدودیت تراز یک به یک را میشکند و از سریهای زمانی با طول غیرمساوی نیز پشتیبانی میکند. با استفاده از تکنیک برنامهنویسی پویا، برای یافتن تمام مسیرهای ممکن، مسیری انتخاب میشود که حداقل فاصلۀ بین دو سری زمانی را با استفاده از یک ماتریس فاصله ایجاد کند و در آن هر عنصر در ماتریس، یک فاصلۀ تجمعی از حداقل سه همسایۀ اطراف است. دنبالۀ Qو C دو سری زمانی بهصورت روابط 1 و 2 هستند. در ماتریس n*m تشکیلشده، هر عنصر (i,j) ماتریس، فاصلۀ تجمعی عنصر (i,j) و حداقل سه عنصر همسایه (i,j) است که در آن روابط 3 و 4 را داریم.
رابطۀ (1) Q = q_1,q_2,…,q_i,…q_n
رابطۀ (2) C = c_1,c_2,…,c_j,…,c_m
رابطۀ (3) 0< i ≤ n
رابطۀ (4) 0< j ≤ m
میتوان عنصر (i,j) را بهصورت رابطۀ 5 تعریف کرد:
رابطۀ (5) e_ij = d_ij + min { e_((i-1)(j-1)),e_((i-1)j) ,e_(i(j-1))}
که در آن d_ij= 〖(q_i+ c_j)〗^2 و e_ij عنصر (i,j) ماتریس جمع بین مجذور فاصلۀ c_jو q_iو حداقل فاصلۀ تجمعی سه عنصر اطراف، عنصر (i,j) است؛ سپس برای یافتن یک مسیر بهینه، باید مسیری را انتخاب کرد که حداقل فاصلۀ تجمعی را در (n, m) میدهد. فاصله بهصورت رابطۀ 6 تعریف میشود:
رابطۀ (6) D_DTW (Q,C)=min√(∑_(k=1)^K▒d_(w_k ) ) ∀w∈P
که در آن P مجموعهای از تمام مسیرهای پیچش ممکن و w_k، (i,j) در k امین عنصر مسیر پیچش و K طول مسیر پیچش است.
توجه به این نکته بسیار مهم است که در طول محاسبۀ DTW در معادلۀ (1)، ممکن است برخی گرهها در انتخاب حداقل مقدار از سه عنصر اطراف وجود داشته باشد. در این مورد، الگوریتم میتواند بهطور دلخواه هر همسایهای را در گره انتخاب کند؛ بنابراین مسیرهای پیچش بهینۀ متفاوتی را تولید میکند، حتی اگر فاصلۀ پیچش همیشه یکسان باشد (نیناتراکول و راتاناماهاتانا ، 2007).
3-3- شبکههای عصبی
شبکههای عصبی مصنوعی برای مدلسازی سریهای زمانی، به یادگیری ماشینی متکی بوده و از سه نوع لایه تشکیل شدهاند: لایۀ ورودی، پنهان و خروجی. در شبکههای عصبی مصنوعی تکلایه، تنها یک لایۀ خروجی وجود دارد و ورودیها مستقیماً به خروجی وارد میشوند؛ در حالی که شبکههای عصبی چند لایه، از هر سه نوع لایه تشکیل میشوند و نورونها میتوانند چندین اتصال در نورونهای لایههای دیگر داشته باشند (کمیچیک و زنگانا ، 2022). شبکۀ عصبی و انواع آن، بهدلیل توانایی ذاتی برای عملکرد بهتر در شناسایی الگوهای تقاضای پیشبینینشدنی و نامطمئن، بهترین و متداولترین روش استفادهشده برای پیشبینی تقاضای نامشخص به شمار رفته است.
3-3-1- شبکۀ عصبی اتو رگرسیو غیرخطی
شبکههای عصبی اتو رگرسیو غیرخطی که بهاختصار NAR گفته میشود، برای پیشبینی نمونههاییاند که در یک سری زمانی یک بعدی مدل میشوند. در بیشتر موارد، کاربرد سری زمانی با تغییرات زیاد و دورههای گذرا مشخص میشود. این واقعیت، مدلسازی سریهای زمانی را با استفاده از مدل خطی دشوار میکند؛ بنابراین باید یک رویکرد غیرخطی پیشنهاد شود. یک شبکۀ عصبی NAR برای پیشبینی سریهای زمانی، مدلی گسسته، غیرخطی و خود رگرسیون را توصیف میکند که میتواند بهصورت رابطۀ 7 نوشته شود (ابراهیم و همکاران ، 2016):
رابطۀ (7) y(t)= h(y(t-1),y(t-2),...,y(t-p)) + e(t)
این فرمول نحوۀ استفاده از شبکههای عصبی NAR را برای پیشبینی مقدار سریهای دادۀ y در زمان t، y(t) با استفاده از p مقادیر گذشتۀ سری توصیف میکند. تابع h(.) از قبل ناشناخته است و هدف آموزش شبکۀ عصبی، تقریب تابع با استفاده از بهینهسازی وزن شبکه و بایاس نورون است. درنهایت، عبارت e(t) مخفف خطای تقریب سری y در زمان t است. p ویژگی y(t-1) ، y(t-2) ، . . . ، y(t -p) تأخیر بازخورد نامیده میشود. تعداد لایههای پنهان و نورونها در هر لایه کاملاً منعطفاند و ازطریق یک روش آزمون و خطا بهینهسازی میشوند تا توپولوژی شبکه با بهترین عملکرد، به دست آید (ریوز و همکاران ، 2016).
3-3-2- شبکۀ عصبی اتورگرسیو غیرخطی با ورودیهای برونزا
شبکههای اتورگرسیو غیرخطی با ورودیهای برونزا که بهاختصار NARX گفته میشود، سریهای زمانی چند بعدی را با استفاده از اطلاعات خارجی، برای افزایش عملکرد پیشبینی سریهای زمانی توسعه میدهند. شبکۀ عصبی NARX سری y(t) را با توجه به p مقدار گذشتۀ سری y و یک سری خارجی دیگر x(t) پیشبینی میکند و میتواند تک یا چند بعدی باشد. معادلهای که رفتار شبکۀ عصبی NARX را برای پیشبینی سریهای زمانی مدل میکند، در رابطۀ 8 نشان داده شده است.
y(t)=h(x(t-1),x(t-2),…,x(t-k),y(t-1),(y(-2),…,y(t-p)) + e(t)
رابطۀ (8)
شبکۀ عصبی NARX یک مدل غیرخطی است که مقادیر آیندۀ سری زمانی را براساس آخرین خروجیها و دادههای خارجی آن تخمین میزند. شبکۀ عصبی NARX با یک ورودی برای سریهای زمانی مطالعهشده در زمان t-1، y(t-1) و ورودی دیگر با دادههای برونزا در زمان t-1، x(t-1) را برای ارائه استفاده میکند. یک دادۀ خروجی واحد y(t)، مربوط به متغیر مطالعهشده است و تنها تفاوت در ورودی میباشد (ریوز و همکاران، 2016).
3-4- پیشبینی
برای تحلیل فروش محصولات براساس کانال فروش و مقایسۀ روش کنونی استفادهشدۀ شرکت با روش پیشنهادی، ابتدا تقاضا براساس روش استفادهشدۀ کنونی شرکت و سپس با روش پیشنهادی برای یک دورۀ ششماهه پیشبینی شد. به این منظور، محصولات براساس کانال فروش به سه دستۀ آنلاین، حضوری و BODS تقسیم شدند؛ سپس با استفاده از نرمافزار صفحۀ گسترده (اکسل)، پیشبینی فروش محصولات با روش میانگین متحرک به تفکیک در هر کانال، انجام شد؛ سپس برای پیشبینی به روش پیشنهادی تقاضای محصولات با استفاده از شبکۀ عصبی NAR و NARX درون هر خوشه پیشبینی شد.
3-5- ارزیابی عملکرد
بهمنظور ارزیابی عملکرد برای مشاهدۀ تطبیق معادلۀ پیشبینی، از ضریب تعیین R2 و برای تجزیه و تحلیل دقت از RMSE استفاده شد. بهترین روش در تجزیه و تحلیل روشها براساس ضریب تعیین R2، روشی خواهد بود که به بالاترین مقدار، نزدیک به 1 برسد و در تحلیل براساس RMSE روشی است که کمترین مقادیر RMSE را ارائه میدهد؛ از این رو در این مقاله، عملکرد روش پیشبینی استفادهشدۀ کنونی شرکت مطالعهشده با عملکرد روش پیشنهادی براساس معیارهای مذکور مقایسه شد.
4- مطالعۀ کاربردی و یافتهها
مطالعۀ موردی در این پژوهش، یک شرکت فروش لوازم آرایشی و بهداشتی با بیش از 20000 محصول از حدود 500 برند است که چندین سال فروش فیزیکی داشته و در سالهای اخیر، فروش اینترنتی و اپلیکیشن را نیز به کانالهای فروش خود افزوده است و حالا بهصورت کانال چندگانه فعالیت میکند و بهدنبال تغییر سیستم توزیع به کانال همهجانبۀ یکپارچه است. بهمنظور ارزیابی روش پیشنهادی، پنج دستۀ کلی محصول، متشکل از 1491 نوع محصول انتخاب و دادههای مربوط به فروش 31 ماه از دیماه 1398 لغایت تیرماه 1401به تفکیک کانال فروش جمعآوری شده است. بهدلیل محیط رقابتی و حفظ امانت و به درخواست شرکت، از ذکر نام آن خودداری شد.
در ادامه، نتایج کسبشده در هر مرحله، طبق نمودار شکل 1، به ترتیب ارائه و شرح داده خواهد شد.
4-1-خوشهبندی
با استفاده از خوشهبندی سریهای زمانی با الگوریتم پیچش زمانی پویا در پایتون، دادهها به سه خوشه تقسیم شدند. خوشۀ یک با 3813 عضو، بزرگترین و خوشۀ دو با 13 عضو، کوچکترین خوشه است. خوشۀ یک و سه محصولات فروشرفته در هر سه کانال فروش و خوشۀ دو، محصولات فروشرفته در کانالهای آنلاین و حضوری را دارد. نتایج خوشهبندی بهطور خلاصه در جدول 2 ارائه شده است.
جدول 2- خلاصۀ نتایج خوشهبندی محصولات
Table2- brief results of clustering
ردیف خوشه
کانال فروش خوشۀ یک خوشۀ دو خوشۀ سه
1 BODS 1478 0 13
2 حضوری 1057 7 427
3 آنلاین 1278 6 207
مجموع 3813 13 647
نمودار خوشهبندی برای محصولات منتخب در نمودار، به تفکیک خوشه براساس میزان فروش برای مقایسۀ خوشهها در شکل 2 نشان داده شده است.
شکل 2- نمودار نقطهای خوشهها به تفکیک خوشه برای محصولات منتخب
Figure 2- Scatter chart of clusters in order to selected products by clusters
نمودار میزان فروش محصولات منتخب به تفکیک خوشه، در شکلهای 3، 4 و5 نشان داده شده است.
شکل 3- نمودار فروش محصولات منتخب خوشۀ یک
Figure 3- Sales chart of selected product in cluster #1
شکل 4- نمودار فروش محصولات منتخب خوشۀ دو
Figure 4- Sales chart of selected product in cluster #2
شکل 5- نمودار فروش محصولات منتخب خوشۀ سه
Figure 5- Sales chart of selected product in cluster #3
4-2- شبکۀ عصبی
بهمنظور توسعۀ شبکۀ عصبی مصنوعی، جعبۀ ابزار ntstool از Matlab2018 استفاده و برای ارزیابی وجود تأثیر مثبت محصولات درون یک خوشه بر پیشبینی محصولات دیگر، 8 محصول انتخاب شد تا عملکرد شبکۀ عصبی با و بدون متغیر برونزا مقایسه شود. در ابتدا، شبکۀ عصبی بدون استفاده از متغیر برونزا به سریهای زمانی محصول، NAR و سپس شبکۀ عصبی با استفاده از متغیر برونزا و شبکۀ عصبی NARX اعمال شد. محصولات منتخب برای بررسی شامل سه محصول 272، 388 و 1417 از خوشۀ یک که فروش از هر سه کانال در همان خوشه است، سه محصول 1، 942 و 1140 که فروش آنلاین و BODS آنها در خوشۀ دو و فروش حضوری آنها در خوشۀ سه و دو محصول 180 و 1358 است که فروش آنلاین و حضوری آنها در خوشۀ دو و فروش آنلاین آنها در خوشۀ سه قرار دارد.
دادهها با ترکیب80درصد آموزش و 20درصد آزمون، برای تجزیه و تحلیل تقسیم شدند. برای توسعۀ شبکۀ عصبی برای پیشبینی هر محصول، تعداد لایههای پنهان با لایههای 1، 5، 10 و 15 حاوی همان تعداد نورون ورودی و خروجی آزمایش شد. در NAR یک لایۀ ورودی و شبکۀ استاندارد NARX یک شبکۀ پیشخور دو لایه با تابع انتقال سیگموئید در لایۀ پنهان و یک تابع انتقال خطی در لایۀ خروجی در نظر گرفته شد. مقادیر تأخیر ورودی و بازخورد از 1 تا 12 برای نمایش دورۀ یک ساله آزمایش و برای آموزش الگوریتم لونبرگ مارکوارت انتخاب شد. متغیر برونزا در این مورد، سریهای زمانی محصولات دیگر در نظر گرفته شد.
4-3- اعتبارسنجی
ساختار نتایج براساس بهترین مقدار برای R^2 تست و R^2 کل، کمترین مقدار میانگین مجذور خطا (MSE) و کمترین مقدار ریشۀ میانگین مجذور خطا (RMSE) برای هر محصول در جدول 3 گزارش شده است.
جدول 3- مقایسۀ نتایج روشهای پیشبینی محصولات منتخب
Table3-Comparison of forecasting method for selected products
شناسۀ محصول روش نورونهای لایۀ پنهان تأخیر ورودی تأخیر بازخورد MSE RMSE R2
آموزشآزمایشکلآموزشآزمایشکل
1 MA - - - - - - 25 - - -
1 NAR 10 1 1 104 79 88 4/9 669/0 908/0 807/0
1 NARX 15 12 1 85 82 82 9 961/0 943/0 947/0
180 MA - - - - - - 3/119 - - -
180 NAR 10 12 12 43 45 60 8/7 684/0 945/0 938/0
180 NARX 15 12 1 52 54 55 4/7 909/0 895/0 989/0
272 MA - - - - - - 5/44 - - -
272 NAR 5 1 12 61 80 72 5/8 741/0 959/0 846/0
272 NARX 15 1 1 96 104 71 4/8 866/0 954/0 94/0
388 MA - - - - - - 32 - - -
388 NAR 10 12 1 95 90 92 6/9 983/0 944/0 786/0
388 NARX 10 1 12 76 63 76 8 945/0 915/0 894/0
942 MA - - - - - - 7/48 - - -
942 NAR 10 12 12 74 61 72 5/8 788/0 948/0 703/0
942 NARX 15 1 1 116 145 13 6/3 979/0 969/0 819/0
1140 MA - - - - - - 4/17 - - -
1140 NAR 15 12 12 35 66 48 9/6 666/0 913/0 835/0
1140 NARX 5 1 1 54 38 49 7 9/0 993/0 779/0
1358 MA - - - - - - 1/300 - - -
1358 NAR 5 1 1 35 33 35 9/5 875/0 959/0 815/0
1358 NARX 5 12 1 37 29 11 3/3 925/0 91/0 876/0
1417 MA - - - - - - 3/15 - - -
1417 NAR 15 1 1 46 41 46 8/6 873/0 972/0 83/0
1417 NARX 10 12 12 41 41 42 5/6 956/0 974/0 972/0
5- بحث
خوشهبندی محصولات با روش پیچش زمانی پویا انجام شد که ویژگیهای خوشهها به شرح ذیل است. در خوشۀ یک، حداقل تعداد فروش محصولات، 5 و حداکثر 450 واحد بوده و محصولات این خوشه در هر سه کانال آنلاین، حضوری و BODS فروش رفته است و میانگین کل فروش محصولات 69 واحد است. در خوشۀ دو، حداقل تعداد فروش محصولات، 250 و حداکثر 8325 واحد بوده و محصولات این خوشه در هر دو کانال آنلاین و حضوری فروش رفته است و میانگین کل فروش محصولات 2298 واحد است. در خوشۀ سه حداقل تعداد فروش محصولات 15 و حداکثر 2050 واحد بوده و محصولات این خوشه در هر سه کانال آنلاین، حضوری وBODS فروش رفته است و میانگین کل فروش محصولات 259 واحد است.
پیشبینی تقاضا به سه روش میانگین متحرک، شبکۀ عصبی NAR و NARX اجرا شد. عملکرد پیشبینی تقاضا با NARX برای محصولات 1، 942 ، 1140 و 1417 با در نظر گرفتن مقادیر R2 تست برتر و به ترتیب مقادیر 943/0 ،969/0، 993/0 و 974/0 بوده است که نشاندهندۀ تطبیق بالا بین مقادیر واقعی استفادهشده برای آزمایش با مقادیر پیشبینیشده است. در هنگام تجزیه و تحلیل محصولات 180، 272، 388 و 1358 با در نظر گرفتن مقادیر R2 تست، به ترتیب 945/0، 959/0، 944/0 و 959/0، میتوان مشاهده کرد که NAR بهترین عملکرد را داشته است. با وجود این، شایان ذکر است که NAR در R2 تست خیلی بهتر از NARX عمل نکرده است و با در نظر گرفتن R2 کل و پایینتربودن مقدار RMSE میتوان ادعا کرد NARX نتایج بهتری را برای محصولات180، 272، 388 و 1358با مقادیر 895/0، 954/0، 915/0 و 910/0 ارائه کرده است؛ بنابراین توصیه میشود از NARX برای پیشبینی تقاضای محصولات استفاده شود و بر این نکته تأکید میشود که NARX عملکرد خوبی را برای همۀ محصولات ارائه کرده است؛ بنابراین استفاده از خوشهبندی، برای شناسایی الگوی مصرف مشتریان ازطریق فروش گذشتۀ محصولات، همراه با شبکههای عصبی، روش خوبی برای پیشبینی تقاضا برای محصولات زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه در نظر گرفته میشود.
نظر به اینکه در شبکۀ عصبی NARX برای پیشبینی تقاضای هر محصول، فروش دیگر محصولات آن خوشه بهعنوان ورودی خارجی در نظر گرفته شده است، استنباط میشود که فروش محصولات درون یک خوشه، متأثر از فروش یکدیگرند؛ بهخصوص برای محصولاتی که در تمام معیارهای ارزیابی، نتایج بهتری را نسبتبه روش NAR کسب کردهاند. به بیان دیگر، محصولات مذکور را میتوان بهعنوان محصولات همراه در سبد خرید مشتری در نظر گرفت. استفادۀ مناسب خردهفروشان از این دانش، در طراحی تخفیفات و ترویجات فروش و ارائۀ بستههای پیشنهادی و سفارش محصولات، بسیار مهم و سودآور است.
گفتنی است نزدیکترین پژوهشها به پژوهش حاضر، پونیا و همکاران (2020) و چن و لو (2017) است. هرچند پژوهشهای ذکرشده ازنظر گستردگی و یکپارچگی کانال توزیع بررسی شده است و همچنین نوع روشهای خوشهبندی و یادگیری ماشین به کار گرفته شده، تفاوتهایی با پژوهش کنونی دارد؛ اما با توجه به نتایج پژوهشهای ذکرشده، میتوان گفت استفاده از ترکیب روشهای خوشهبندی و یادگیری ماشین، به خطای پیشبینی کمتر و نتایج دقیقتری منجر شده است که این موضوع در پژوهش حاضر نیز تأیید میشود و نتایج پژوهش همراستا با پژوهشهای یادشده است.
6- نتیجهگیری
با افزایش تعداد کانالهای فروش، خردهفروشان باید دربارۀ پیشبینی تقاضای محصولات خود بهمنظور کاهش عدم قطعیت، نهتنها فرایندهای خود، کل زنجیرۀ تأمین کانال همهجانبۀ یکپارچه را نیز بازنگری کنند؛ از این رو درک رفتار مشتریان و استفاده از تحلیل آن در فرایندها و عملیات خردهفروشان مهم است و درنتیجه باید روشهایی برای پیشبینی اتخاذ شود که شناسایی الگوها را با روشهای پیشبینی ترکیب میکند. پیشبینی تقاضا برای خردهفروشان کانال همهجانبۀ یکپارچه، نیازمند ترکیب تجزیه و تحلیل الگوهای رفتار خرید مشتریان با روشهای پیشبینی برای بهبود دقت پیشبینی است که به کاهش عدم قطعیت زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه منجر میشود. در این راستا، این مقاله یک رویکرد پیشبینیکننده را برای زنجیرۀ تأمین خردهفروشی کانال همهجانبۀ یکپارچه، با استفاده از الگوریتم خوشهبندی و شبکۀ عصبی مصنوعی، بهمنظور کاهش عدم قطعیتهای مربوط به تقاضا، با در نظر گرفتن رفتار خرید مشتری ارائه و ازطریق استفاده از روش در یک خردهفروش محصولات آرایشی و بهداشتی، عملکرد آن را تحلیل کرد. به این منظور ابتدا دادههای فروش شرکت مطالعهشده جمعآوری و سپس خوشهبندی شد، در هر خوشه، یک بار شبکۀ عصبی NAR و بار دیگر شبکۀ عصبی NARX اجرا و تقاضا پیشبینی شد. بررسی و تحلیل نتایج حاصل از پیشبینی شبکههای عصبی با روش پیشبینی استفادهشدۀ شرکت براساس معیارهای ارزیابی، برتربودن شبکۀ عصبی NARX در پیشبینی تقاضای کانال همهجانبۀ یکپارچه را نشان داد.
نتایج به دست آمده میتواند چندین کاربرد عملی را به مدیران صنعت خردهفروشی ارائه دهد. مدیران میتوانند از روش پیشنهادی برای پیشبینی دقیق الگوهای پیچیدۀ تقاضا استفاده کنند. استفاده از دادههای کسبوکار در برنامهریزی تقاضا، مزیت افزودهای را برای مدیران فراهم میکند تا متغیرهای مهم را براساس قضاوت خود لحاظ کنند. علاوه بر این، شناخت عوامل مؤثر بر فروش یک دستۀ خاص از محصول، به طراحی مؤثر رویدادهای تبلیغاتی هدفمند، ترکیبی بهینه از نمایش دستهبندیها و بهینهسازی فضای قفسه در فروشگاههای خردهفروشی کمک میکند. علاوه بر این، پیشبینیهای دقیق تقاضا به سیاستهای سفارش بهتر و درنتیجه به حداقل رساندن هزینۀ مدیریت موجودی و توزیع بهینه و برنامهریزی لجستیک برای برآوردن تقاضای آتی منجر میشود. محدودیتهایی در پژوهش حاضر وجود دارد که میتوان آنها را با تحقیقات آتی برطرف کرد. ازنظر روششناسی، شبکههای عصبی جدید و پیشرفتهتر مانند یک شبکۀ عصبی کانولوشن (CNN)، میتواند برای مشکلات پیشبینی سری زمانی تطبیق داده شود. همچنین مقایسۀ عملکرد شبکههای عصبی اتورگرسیو غیرخطی با شبکههای عصبی یادگیری، بهطور عمیق بررسیشدنی خواهد بود. بهمنظور پیشرفت بیشتر در پیشبینی تقاضا در زمینۀ خردهفروشی کانال همهجانبۀ یکپارچه، باید دادههای بیشتری را دربارۀ کانالهای فروش مختلف مانند سفارش آنلاین و ارسال به فروشگاه، سفارش آنلاین و جمعآوری از فروشگاه، خرید آنلاین و بازگشت به فروشگاه و غیره جمعآوری کرد. با انجام این کار، روش پیشنهادی باید بر الگوهای تقاضای تولیدشده توسط این کانالهای جدید آزمایش شود. علاوه بر این، زمانی که تقاضا و منابع از کانالهای متعدد بهطور یکپارچه ادغام میشوند، ممکن است مدلهای پیشبینی یکسان غالب نباشند و به این ترتیب، این موضوع مهمی برای تحقیقات آینده خواهد بود. برای تعمیم بیشتر در آینده، کاربرد تکنیکهای یادگیری عمیق باید گسترش یابد و بر دادههای حوزههای دیگر مانند مراقبتهای بهداشتی، اقتصاد، حمل و نقل و صنایع مختلف آزمایش شود.
| ||
| مراجع | ||
|
Aouad, W., & Ganapathi, N. (2020). An omnichannel distribution model to better serve online customers. dspace.mit.edu. https://dspace.mit.edu/handle/1721.1/126384. Chen, IF., Lu, CJ. (2017). Sales forecasting by combining clustering and machine-learning techniques for computer retailing. Neural Comput & Applic 28, 2633–2647 https://doi.org/10.1007/s00521-016-2215-x Chopra, S. (2018). The evolution of omni-channel retailing and its impact on supply chains. Transportation research procedia, 30, 4-13. https://doi.org/10.1016/j.trpro.2018.09.002 Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018). Notes from the AI frontier: Insights from hundreds of use cases. McKinsey Global Institute, 2. https://www.mckinsey.com/westcoast/~/media/McKinsey/Featured%20Insights/Artificial%20Intelligence/Notes%20from%20the%20AI%20frontier%20Applications%20and%20value%20of%20deep%20learning/Notes-from-the-AI-frontier-Insights-from-hundreds-of-use-cases-Discussion-paper.pdf. Faezirad, M., Pooya, A., Naji-Azimi, Z. & Amir Haeri, M. (2021). Demand Prediction in University Booking Systems to Reduce Food Waste Using Neural Networks Including Weighted Error Function. Industrial Management Journal, 13(2), 170-193. (In Persian). https://doi.org/10.22059/IMJ.2021.318760.1007821 Fildes, R., & Kingsman, B. (2011). Incorporating demand uncertainty and forecast error in supply chain planning models. Journal of the Operational Research Society, 62(3), 483-500. https://doi.org/10.1057/jors.2010.40 Frederick Ross, David (2017). Distribution Planning and Control: Managing in the Era of Supply Chain Management. Third edition. Springer. Gao, D., Wang, N., He, Z. & Jia, T. (2017). The Bullwhip Effect in an Online Retail Supply Chain: A Perspective of Price-Sensitive Demand Based on the Price Discount in E-Commerce. IEEE Transactions on Engineering Management, 64(2), 134–148. https://doi.org/10.1109/TEM.2017.2666265 Guijo-Rubio, D., Durán-Rosal, A. M., Gutiérrez, P. A., Troncoso, A., & Hervás-Martínez, C. (2021). Time-series clustering based on the characterization of segment typologies. IEEE transactions on cybernetics, 51(11), 5409-5422. https://doi.org/10.1109/TCYB.2019.2962584. Hançerlioğulları, G., Şen, A., & Aktunç, E. A. (2016). Demand uncertainty and inventory turnover performance: An empirical analysis of the US retail industry. International Journal of Physical Distribution & Logistics Management, 46(6/7), 681-708. https://doi.org/10.1108/IJPDLM-12-2014-0303 Hübner, A., Wollenburg, J. & Holzapfel, A. (2016). Retail logistics in the transition from multi-channel to omni-channel. International Journal of Physical Distribution & Logistics Management, 46 (6/7), 562-583. https://doi.org/10.1108/IJPDLM-08-2015-0179 Ibrahim, M., Jemei, S., Wimmer, G., & Hissel, D. (2016). Nonlinear autoregressive neural network in an energy management strategy for battery/ultra-capacitor hybrid electrical vehicles. Electric Power Syst. Res, 136, 262–269. https://doi.org/10.1016/j.epsr.2016.03.005 Isasi, N. K. G., Frazzon, E. M., & Uriona, M. (2015). Big data and business analytics in the supply chain: a review of the literature. IEEE Latin America Transactions, 13(10), 3382-3391. https://doi.org/10.1109/TLA.2015.7387245 Kerkkänen, A., Korpela, J., & Huiskonen, J., (2009). Demand forecasting errors in industrial context: Measurement and impacts. International Journal of Production Economics, 118 (1), 43–48. https://doi.org/10.1016/j.ijpe.2008.08.008 Kmiecik, M., & Zangana, H. (2022). Supporting of manufacturing system based on demand forecasting tool. LogForum, 18(1), 33-48. https://doi.org/10.17270/J.LOG.2022.637 Kumar, A., Shankar, R., & Aljohani, N. R. (2020). A big data driven framework for demand-driven forecasting with effects of marketing-mix variables. Industrial marketing management, 90, 493-507. https://doi.org/10.1016/j.indmarman.2019.05.003 Niazkar, M., Eryılmaz Türkkan, G., Niazkar, H. R., & Türkkan, Y. A. (2020). Assessment of three mathematical prediction models for forecasting the COVID-19 outbreak in Iran and Turkey. Computational and mathematical methods in medicine, (2020). Article ID 7056285. https://doi.org/10.1155/2020/7056285 Niennattrakul, V., & Ratanamahatana, C. A. (2007). On clustering multimedia time series data using k-means and dynamic time warping. In 2007 International Conference on Multimedia and Ubiquitous Engineering (MUE'07(. Seoul, Korea (South), pp. 733-738. https://doi.org/10.1109/MUE.2007.165 Omar, H., Klibi, W., Babai, M. Z., & Ducq, Y. (2023). Basket data-driven approach for omnichannel demand forecasting. International Journal of Production Economics, 257, 108748. https://doi.org/10.1016/j.ijpe.2022.108748 Park, J., & Kim, R. B. (2018). A new approach to segmenting multichannel shoppers in Korea and the U.S. Journal of Retailing and Consumer Services, 45, 163-178. https://doi.org/10.1016/j.jretconser.2018.09.007 Pereira, M. M., & Frazzon, E. M. (2021). A data-driven approach to adaptive synchronization of demand and supply in omni-channel retail supply chains. International Journal of Information Management, 57, 102165. https://doi.org/10.1016/j.ijinfomgt.2020.102165 Pham, T. N., Tan, A., & Ang, A. (2020). Determining safety stock for an omni-channel environment. International Journal of Information Systems and Supply Chain Management (IJISSCM), 13(2), 59-76. https://doi.org/10.4018/IJISSCM.2020040104 Punia, S., Nikolopoulos, K., Singh, S. P., Madaan, J. K., & Litsiou, K. (2020). Deep learning with long short-term memory networks and random forests for demand forecasting in multi-channel retail. International journal of production research, 58(16), 4964-4979. https://doi.org/10.1080/00207543.2020.1735666 Rai, H. B., Mommens, K., Verlinde, S., & Macharis, C. (2019). How does consumers’ omnichannel shopping behaviour translate into travel and transport impacts? Casestudy of a footwear retailer in Belgium. Sustainability (Switzerland), 11(9), 2534. https://doi.org/10.3390/su11092534 Riaz, H., Baig, U., Meidute-Kavaliauskiene, I., & Ahmed, H. (2021). Factors effecting omnichannel customer experience: evidence from fashion retail. Information, 13(1), 12. https://doi.org/10.3390/info13010012 Rooderkerk, R. P., Kök, A. G. (2019). Omnichannel assortment planning. Operations in an Omnichannel World, Springer.51-86. https://doi.org/10.1007/978-3-030-20119-74 Ruiz, L. G. B., Cuéllar, M. P., Calvo-Flores, M. D., & Jiménez, M. D. C. P. (2016). An application of non-linear autoregressive neural networks to predict energy consumption in public buildings. Energies, 9(9), 684. https://doi.org/10.3390/en9090684 Van Nguyen, A. T., McClelland, R., & Thuan, N. H. (2022). Exploring customer experience during channel switching in omnichannel retailing context: A qualitative assessment. Journal of Retailing and Consumer Services, 64, 102803. https://doi.org/10.1016/j.jretconser.2021.102803 Verhoef, P. C., Kannan, P. K., & Inman, J. J. (2015). From multi-channel retailing to omni-channel retailing: introduction to the special issue on multi-channel retailing. Journal of retailing, 91(2), 174-181.https://doi.org/10.1016/j.jretai.2015.02.005 Xue, H., & Lin, Y. (2017). The omni-channel consumer segmentation method based on consumption data stream mining. In 2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA): 233-238. IEEE. Beijing, China, pp. 233-238, https://doi.org/10.1109/ICBDA.2017.8078814. Yurova, Y., Rippé, C. B., Weisfeld-Spolter, S., Sussan, F., & Arndt, A. (2017). Not all adaptive selling to omni-consumers is influential: The moderating effect of product type. Journal of Retailing and Consumer Services, 34, 271-277. https://doi.org/10.1016/j.jretconser.2016.01.009 Zhao, H. H., Luo, X. C., Ma, R., & Lu, X. (2021). An Extended Regularized K-Means Clustering Approach for High-Dimensional Customer Segmentation with Correlated Variables. IEEE Access, 9, 48405-48412. https://doi.org/10.1109/ACCESS.2021.3067499. | ||
|
آمار تعداد مشاهده مقاله: 1,272 تعداد دریافت فایل اصل مقاله: 542 |
||