Graduate papers
  
Description of the graduate paper
Form of studies Master
Title of the study programm Industrial Engineering and Management
Title in original language Intelektiska pieprasījuma prognozēšana farmācijas piegādes ķēdēm
Title in English Intelligent Demand Forecasting for Pharmaceutical Supply Chains
Department 22000 Faculty of Engineering Economics and Management
Scientific advisor Gaļina Merkurjeva
Reviewer
Abstract Maģistra darba “Intelektiska pieprasījuma prognozēšana farmācijas piegādes ķēdēm” autore ir Mg.Sc.Ing. Aija Valberga, zinātniskā vadītāja - Dr.habil.sc.ing., profesore G.Merkurjeva. Pirmajā nodaļā analizētas farmācijas piegādes ķēdes un farmaceitisko produktu portfelis, sniegta farmaceitisko produktu klasifikācija un gadījuma izpētes objekta apskats, kā arī pieprasījuma prognozēšanas izaicinājumu analīze. Otrajā daļā tiek pētīti prognožu raksturojumi, sniegta pieprasījuma prognozēšanas metožu klasifikācija un aprakstīti farmaceitisko produktu pieprasījuma prognozēšanas modeļi. Sniegts īss apraksts farmācijas nozarē izmantojamai prognozēšanas programmatūrai. Trešajā nodaļā tiek aprakstīta pieprasījuma prognozēšanas procedūra un tās integrēšana pirkšanas pasūtījuma procedūrā. Tiek veikta piegādes ķēdē nepieciešamā krājumu līmeņa noteikšana, vēsturisko pārdošanas datu struktūras analīze, neatkarīgo faktoru identificēšana un sniegts jaunu rīku kā produktu derīguma termiņu matrica un pirkšanas pasūtījuma loģikas apraksts. Ceturtā nodaļa apraksta eksperimentālos scenārijus un pieprasījuma prognozēšanas aprēķina rezultātus izvēlētām pieprasījuma prognozēšanas metodēm. Darbā kopumā izmantoti 36 literatūras avoti, tajā skaitā 3 grāmatas, 8 zinātniskās publikācijas un 25 citi avoti. Darbam ir 79 lapaspuses un 16 tabulas, 27 attēli, 22 formulas, un 5 pielikumi.
Keywords pieprasījuma prognozēšana, piegādes ķēdes, mākslīgais intelekts, lineārā regresija, simboliskā regresija, ģenētiskā programmēšana
Keywords in English demand forecasting, supply chain, artificial intelligence, AI, linear regression, symbolic regression, genetic programming
Language eng
Year 2018
Date and time of uploading 01.06.2018 12:32:54