| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Biznesa informātika |
| Nosaukums |
Mākslīgā intelekta balstītas lēmumu atbalsta arhitektūras izstrāde un simulācija mazumtirdzniecības krājumu un papildināšanas optimizācijai |
| Nosaukums angļu valodā |
Design and Simulation of an AI-Driven Decision Support Architecture for Retail Inventory and Replenishment Optimization |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ingars Eriņš |
| Recenzents |
Aleksejs Jurenoks |
| Anotācija |
Mazumtirdzniecības krājumu pārvaldība kļūst arvien sarežģītāka pieprasījuma svārstību, mainīgas klientu uzvedības un piegādes ķēžu nenoteiktības dēļ. Tradicionālās krājumu pārvaldības pieejas bieži balstās uz manuālu lēmumu pieņemšanu vai statiskām papildināšanas politikām, kas nav efektīvi integrētas ar pieprasījuma prognozēšanas metodēm, kā rezultātā rodas preču trūkums, pārmērīgi krājumi un samazināta darbības efektivitāte. Šī maģistra darba mērķis ir izstrādāt mākslīgā intelekta balstītu lēmumu atbalsta sistēmu mazumtirdzniecības krājumu un papildināšanas optimizācijai, kas vienotā analītiskā ietvarā apvieno pieprasījuma prognozēšanu, krājumu papildināšanas lēmumu loģiku un simulācijās balstītu novērtēšanu. Pētījuma teorētiskajā daļā tiek analizēti mazumtirdzniecības krājumu pārvaldības principi, prognozēšanas metodes, krājumu kontroles politikas un lēmumu atbalsta sistēmas, izceļot pašreizējos izaicinājumus un iespējas, kas saistītas ar krājumu optimizāciju mazumtirdzniecības nozarē, kā arī nepieciešamību pēc integrētas pieejas. Darba praktiskajā daļā tiek īstenota piedāvātā sistēma un veikti simulācijas eksperimenti, izmantojot Montekarlo metodi ar stohastisku pieprasījumu. Sistēma apvieno Seasonal Naïve, Exponential Smoothing (ETS) un ARIMA prognozēšanas modeļus ar noteikumos balstītu Reorder-Point krājumu politiku, lai automātiski pieņemtu papildināšanas lēmumus. Eksperimentālie rezultāti parāda, ka piedāvātā mākslīgā intelekta balstītā sistēma spēj uzlabot krājumu pārvaldības sistēmas darbību salīdzinājumā ar bāzes krājumu politiku, palielinot piegādes izpildes līmeni (fill rate), samazinot preču trūkuma varbūtību un vienlaikus uzturot efektīvu krājumu līmeni. Rezultāti apstiprina, ka prognozēšanas modeļu integrēšana krājumu papildināšanas loģikā var uzlabot mazumtirdzniecības darbību un krājumu pārvaldības efektivitāti. Maģistra darbs sastāv no 98 lappusēm, 15 tabulām, 12 attēliem, 3 pielikumiem un 21 izmantotajiem literatūras avotiem. |
| Atslēgas vārdi |
MĀKSLĪGĀ INTELEKTA BALSTĪTA LĒMUMU ATBALSTA SISTĒMA, MAZUMTIRDZNIECĪBAS KRĀJUMU PĀRVALDĪBA, PIEPRASĪJUMA PROGNOZĒŠANA, KRĀJUMU PAPILDINĀŠANA, MONTEKARLO SIMULĀCIJA |
| Atslēgas vārdi angļu valodā |
AI-DRIVEN DECISION SUPPORT SYSTEM, RETAIL INVENTORY MANAGEMENT, DEMAND FORECASTING, INVENTORY REPLENISHMENT, MONTE CARLO SIMULATION |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
19.05.2026 20:31:21 |
