Multi-product inventory modeling with demand forecasting and Bayesian optimization

• Marisol Valencia-Cárdenas ^[2] ; Francisco Javier Díaz-Serna ^[1] ; Juan Carlos Correa-Morales ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
  2. [2] Institución Universitaria Tecnológico de Antioquia, Medellín, Colombia
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 83, Nº. 198, 2016, págs. 235-243
• Idioma: inglés
• Títulos paralelos:
  • Modelo de inventario multi-producto, con pronósticos de demanda y optimización Bayesiana
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    La complejidad de las cadenas de suministro exige mejores métodos para programar los inventarios de una empresa. En este trabajo se presenta una comparación entre modelos de pronósticos de demanda de múltiples productos, eligiendo el mejor entre: ARIMA, Suavización exponencial, Regresión Lineal Bayesiana y un Modelo Lineal Dinámico Bayesiano. Para ello, primero se realiza una simulación de casos donde no hay una Distribución Normal en las series de tiempo, segundo, se estiman las predicciones de ventas de tres productos de una estación de servicios de gasolina con los cuatro modelos, encontrando los mejores resultados para la Regresión Lineal Bayesiana. Seguido a esto, se presenta la optimización de un Modelo de Inventarios Multi-Producto. Para definir la política de pedidos, inventarios, costos y ganancias, se utiliza una búsqueda bayesiana, que integra elementos de búsqueda Tabú para mejorar la solución. Dicha Optimización del Modelo de Inventarios se aplica a un caso de una estación de combustibles en Colombia.

  • English

    The complexity of supply chains requires advanced methods to schedule companies’ inventories. This paper presents a comparison of model forecasts of demand for multiple products, choosing the best among the following: autoregressive integrated moving average (ARIMA), exponential smoothing (ES), a Bayesian regression model (BRM), and a Bayesian dynamic linear model (BDLM). To this end, cases in which the time series is normally distributed are first simulated. Second, sales predictions for three products of a gas service station are estimated using the four models, revealing the BRM to be the best model. Subsequently, the multi-product inventory model is optimized. To define the policies for ordering, inventory, costs, and profits, a Bayesian search integrating elements of a Tabu search is used to improve the solution. This inventory model optimization process is then applied to the case of a gas service station in Colombia.