Big Data a prediktivní modelování v oblasti skladového hospodářství vybrané firmy

Bc. Jakub Kukla

Master's thesis

Possibilities of Big Data and predictive analysis in the warehouse management of a selected company

Anotácia:

Tato diplomová práce je zaměřena na demonstraci možností využití data miningu a prediktivního modelování ve skladovém hospodářství vybrané společnosti. V teoretické části této práce jsou popsány principy a způsoby využití velkých objemů dat v obchodním prostředí. Praktická část práce se potom věnuje vlastnímu výzkumu, který zkoumá vybranou databázi produktů společnosti, jejich atributů a četnosti skladových pohybů. S využitím této databáze byly zpracovány tři prediktivní modely, jejichž cílem je naučení souvislostí mezi atributy jednotlivých produktů a výsledným počtem jejich skladových pohybů. Díky tomu bude u nových produktů společnosti možné určit, zda budou rychloobrátkové, či nikoliv a na základě toho vybrat pro jejich uskladnění vhodnou skladovou lokaci, čímž dojde ke zkrácení dráhy toku materiálu, ušetření času pro vyskladnění a ušetření nákladů. Po optimalizaci modelů a vzájemném porovnání jejich výkonů byl vybrán model rozhodovacího stromu, který dokáže s téměř devadesátiprocentní jistotou určit výslednou obrátkovost produktů, adekvátní kategorii pro jejich zařazení a nejvýznamnější faktory, které tento proces ovlivňují. Rozhodovací strom byl následně v praktickém příkladu hypoteticky aplikován do struktur informačního systému společnosti, přičemž byly demonstrovány přínosy jeho možného využívání. V rámci tohoto příkladu bylo zjištěno, že pokud bude využita skladová lokace pro rychloobrátkové zboží, do které budou produkty zařazovány na základě výstupu prediktivního modelu, bude možné ušetřit v rámci jedné zakázky přibližně 23 minut, což v kontextu ročního objemu zakázek umožní společnosti ušetřit náklady ve výši přibližně 240 000 Kč.

Abstract:

This diploma thesis is focused on application of data mining and predictive analytics in the warehouse management of a company. The theoretical part of this thesis describes the basic principles of using big data in business. Second part of the diploma thesis is focusing on the experiment which analyses selected database of the company products, their attributes and stock transaction quantities. The database is then used for the construction of three predictive models including logistic regression, decision tree and neural network. The main goal of those models is to learn the predictive algorithm based on the products attributes and classify newly created products as those with high or low quantity of stock transactions through the year. Based on this prediction, the most effective container can be selected for the product storage concerning the distance from the assembly or packaging area. Using this strategy, the material flow distance, time required for the product handling and overall costs for warehouse operations will be reduced. The model of decision tree was chosen after all model parameter optimisation and accuracy comparison. This model also analysed the most important factors influencing the stock transaction quantities. The decision tree was also hypothetically applied to the ERP system of the company to demonstrate the benefits of its usage. This model showed that if the company creates the stock location for fast – tracked products (which will be picked by the predictive model) it will be possible to spare approximately 23 minutes of operation time for one customer order. This spare will lead to the cost reduction of roughly 240 000 CZK per year.

Kľúčové slová

big data, prediktivní analýza, skladové hospodářství, business intelligence, zlepšování procesů

Keywords

big data, predictive analytics, warehouse management, business intelligence, process improvement

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 25. 3. 2019

Obhajoba závěrečné práce

• Vedúci: Ing. Tomáš Hlavsa, Ph.D.

Czech University of Life Sciences Prague

Faculty of Economics and Management

Master programme / odbor:
Economics and Management / Economics and Management