پیش‌بینی و کنترل داده‌محور اثر شلاق چرمی در زنجیره‌های تأمین چندسطحی با استفاده از ترکیب یادگیری ماشین و داده‌های تراکنشی عملیاتی

چکیده

اثر شلاق چرمی همچنان یکی از پایدارترین و پرهزینه‌ترین ناکارآمدی‌ها در زنجیره‌های تأمین چندسطحی به شمار می‌رود که عمدتاً ناشی از عدم قطعیت تقاضا، تأخیر در جریان اطلاعات و دقت محدود پیش‌بینی است. پیشرفت‌های اخیر در دسترس‌پذیری داده‌ها و توسعه روش‌های یادگیری ماشین، فرصت‌های جدیدی را برای مقابله با این پدیده از طریق تصمیم‌گیری داده‌محور فراهم کرده است. این پژوهش یک چارچوب یکپارچه پیش‌بینی و کنترل را برای کاهش اثر شلاق چرمی در زنجیره‌های تأمین چندسطحی با استفاده از مدل‌های یادگیری ماشین آموزش‌دیده بر داده‌های تراکنشی عملیاتی ارائه می‌دهد. در این مطالعه از داده‌های عملیاتی با ابعاد بالا شامل سوابق سفارش‌دهی، سطوح موجودی، اطلاعات حمل‌ونقل و فروش استفاده شده است تا مدل‌های پیش‌بینی تقاضا قادر به شناسایی الگوهای غیرخطی و وابستگی‌های زمانی باشند. چندین رویکرد یادگیری ماشین در چارچوب پیشنهادی به‌کار گرفته شده‌اند تا دقت پیش‌بینی در سطوح مختلف زنجیره تأمین بهبود یابد. خروجی‌های پیش‌بینی سپس در یک سازوکار کنترلی هماهنگ ادغام می‌شوند که سیاست‌های تأمین را به‌صورت پویا تنظیم کرده و تقویت نوسانات تقاضا در سطوح بالادستی را کاهش می‌دهد. برخلاف مطالعات تحلیلی یا شبیه‌سازی محور، این پژوهش بر تحلیل تجربی مبتنی بر داده‌های واقعی عملیاتی تأکید دارد. چارچوب پیشنهادی امکان مقایسه نظام‌مند سیاست‌های سنتی مبتنی بر پیش‌بینی با راهبردهای داده‌محور مبتنی بر یادگیری ماشین را از نظر انتشار واریانس تقاضا و پایداری موجودی فراهم می‌کند. نتایج نشان می‌دهد که پیش‌بینی تقاضای مبتنی بر یادگیری ماشین به‌طور معناداری اعوجاج تقاضا را کاهش داده و اثر شلاق چرمی را تضعیف می‌کند. این پژوهش با ارائه یک چارچوب تجربی معتبر، شکاف میان مدل‌سازی پیش‌بینانه و کنترل عملیاتی را در مدیریت زنجیره تأمین پر می‌کند.