Riassunto analitico
La MCIC (Multi-criteria inventory classification) raggruppa gli articoli dell'inventario in classi, ognuna delle quali è gestita da una specifica politica di riordino in base alla sua priorità. Tuttavia, la suddivisione degli articoli in classi e l’associazione delle politiche di riordino non vengono eseguite congiuntamente. Effettuare una simulazione esaustiva a livello di singolo codice inventariato per trovare la migliore politica di riordino per ogni articolo comporterebbe tempi e costi spropositati in casi reali dove si ha la necessità di gestire contemporaneamente una grande quantità di articoli.
Tale progetto di tesi si basa su un caso di studio reale e mira a ridurre gli sforzi computazionali estraendo dalla popolazione di articoli un campione rappresentativo su cui eseguire una ricerca esaustiva delle migliori politiche di riordino, in questo modo ad ogni codice del campione verrà associata la migliore politica di riordino. Successivamente, un algoritmo di machine learning supervisionato viene addestrato, tramite tali codici, per imparare a classificare gli articoli fuori campione, basandosi sui valori che mostrano nei criteri di classificazione.
|
Abstract
Multi-criteria inventory classification groups inventory items into classes, each of which is managed by
a specific re-order policy according to its priority. However, the tasks of inventory classification and
control are not carried out jointly if the classification criteria and the classification approach are not
robustly established from an inventory-cost perspective. Exhaustive simulations at the single item level
of the inventory system would directly solve this issue by searching for the best re-order policy per
item, thus achieving the subsequent optimal classification without resorting to any multi-criteria classi-
fication method. However, this would be very time-consuming in real settings, where a large number
of items need to be managed simultaneously.
In this project, a reduction in simulation effort is achieved by extracting from the population of items a
sample on which to perform an exhaustive search of best re-order policies per item; the lowest cost
classification of in-sample items is, therefore, achieved. Then, supervised classifiers from the machine
learning research field are trained on these in-sample items to learn to classify the out-of-sample items solely based on the
values they show on the features (i.e. classification criteria).
|
