| Abstract |
Šajā maģistra darbā tiek pētīta pieprasījuma prognozēšana un datu vizualizācija pārtikas piegādes pakalpojumos, kas balstīti uz izpildes centriem. Strauji augot pārtikas piegādes nozarei, precīza pieprasījuma prognozēšana ir kļuvusi būtiska. Uzņēmumiem, kas darbojas ar vairākiem izpildes centriem, ir jāspēj reaģēt uz svārstīgu pieprasījumu, vienlaikus pārvaldot ātri bojājošos krājumus un vairākas darbības vietas. Pasūtījumu apjomi ir dinamiski, un tos ietekmē akcijas, cenu noteikšana, ēdienu īpašības, atrašanās vieta un sezonalitāte, kas prognozēšanu padara sarežģītu.Šī maģistra darba mērķis ir izveidot integrētu prognozēšanas ietvaru, kas salīdzina klasisko Holt-Winters modeli ar mašīnmācīšanās modeli Random Forest un vizualizē rezultātus, izmantojot interaktīvus Power BI informācijas paneļus. Modeļu veiktspēja tika novērtēta, izmantojot MAE, RMSE un MAPE. Rezultāti parāda, ka Random Forest uzrādīja labāku veiktspēju nekā Holt-Winters visos trīs novērtēšanas rādītājos, sasniedzot par 33 % zemāku MAE, par 29 % zemāku RMSE un par 19 % zemāku MAPE. Tas norāda, ka Random Forest ir piemērotāks izvēlētajai datu kopai, jo tas spēj uztvert sarežģītus un nelineārus pieprasījuma modeļus.Izstrādātie informācijas paneļi atspoguļo pieprasījuma modeļus pa centriem un ēdieniem, virtuves veidu un reģionālo pieprasījuma sadalījumu, sezonālās izmaiņas un pieprasījuma svārstības, akciju un cenu ietekmi, prognožu novirzes, faktisko un prognozēto pieprasījumu, kā arī modeļu veiktspējas salīdzinājumus. Kopumā Random Forest prognozēšanas apvienošana ar interaktīvu vizualizāciju var atbalstīt lēmumu pieņemšanu krājumu pārvaldībā, iepirkumos, personāla plānošanā un resursu sadalē pārtikas piegādes pakalpojumos, kas balstīti uz izpildes centriem.
Maģistra darbs sastāv no 93 lappusēm; tajā ir 40 attēli, 9 tabulas un 123 izmantotās literatūras avoti. |
