АРХИТЕКТУРА И ЭКСПЕРИМЕНТАЛЬНОЕ ТЕСТИРОВАНИЕ PYTHON-БИБЛИОТЕКИ INVENTORYML ДЛЯ УПРАВЛЕНИЯ ТОВАРНЫМИ ЗАПАСАМИ ПРИ НЕПОЛНОЙ НАБЛЮДАЕМОСТИ СПРОСА

Авторы

  • Алексей Александрович Микрюков Южно-Уральский государственный университет, Челябинск, Россия https://orcid.org/0009-0008-4664-6911
  • Вадим Владимирович Захаров Южно-Уральский государственный университет, Челябинск, Россия https://orcid.org/0000-0002-3321-7156
  • Александр Александрович Максимов Государственная Дума Федерального Собрания Российской Федерации VIII созыва, Москва, Россия https://orcid.org/0000-0002-1476-0663

DOI:

https://doi.org/10.14529/ctcr260401

Ключевые слова:

управление товарными запасами, машинное обучение, неполная наблюдаемость спроса, риск дефицита, скрытый спрос, временные ряды

Аннотация

Цель исследования: разработать и провести экспериментальное тестирование архитектуры Python-библиотеки InventoryML, предназначенной для сравнения методов прогнозирования и политик пополнения запасов в условиях неполной наблюдаемости спроса при помощи моделей машинного обучения. Материалы и методы. В качестве практически-прикладного материала послужили десять ежедневных прайс-листов коммерческого предприятия, за 10–19 сентября 2026 г. выгрузки использовали для вариационной проверки схемы данных, устойчивости идентификаторов, полноты временного покрытия, повторов ключей, интервальных значений количества, динамики цен и доступности товарных единиц. Качество восстановления спроса оценивали отдельно, была эмитирована панель из 240 товарных позиций и 420 дней, где были заданы: прерывистый спрос, недельный цикл, редкие всплески и три уровня ограничения наблюдений, также сравнивалась наблюдаемая величина без поправки, эвристика прототипа и последовательная оценка условного среднего хвоста распределения. Прогноз был построен сезонным наивным методом и методом градиентного усиления деревьев. Управленческие последствия оценивались в условиях имитации пополнения до целевого уровня и по политике (s, S). Результаты. Десять прайс-листов содержали 593 537 строк и 64 619 различных товарных единиц, 80,84 % из которых присутствовали во всех снимках. Нулевых значений количества не обнаружено, 0,197 % строк содержали записи «> 20» или «> 100», а 5 953 строки повторяли ключ внутри дня. Данные особенности не позволяют интерпретировать текущий остаток товара как объем продаж или величину спроса. При доле ограниченных наблюдений 27,14 % оценка условного среднего снизила WAPE восстановления с 38,60 до 34,77 %, а отрицательное смещение прогноза – с –39,04 до –34,89 %. Для политики пополнения до целевого уровня коэффициент удовлетворения спроса вырос с 71,79 до 73,23 %, а нормированные затраты снизились с 0,495 до 0,488. Оценка методом парных повторных выборок по 240 позициям составила –0,0055 при 95%-ном интервале от –0,0075 до –0,0038. Заключение. Механизм наблюдаемости следует выделять в самостоятельный слой архитектуры, а качество решений оценивать одновременно как по статистическим, так и управленческим показателям. Также стоит отметить, что без дополнительных данных динамика товарных остатков поставщика может использоваться лишь как косвенный признак продаж или пополнения и не позволяет однозначно восстановить спрос.

Биографии авторов

Алексей Александрович Микрюков , Южно-Уральский государственный университет, Челябинск, Россия

аспирант кафедры информационных систем и технологий, Южно-Уральский государственный университет, Челябинск, Россия

Вадим Владимирович Захаров , Южно-Уральский государственный университет, Челябинск, Россия

ведущий инженер кафедры информационных систем и технологий, Южно-Уральский государственный университет, Челябинск, Россия

Александр Александрович Максимов , Государственная Дума Федерального Собрания Российской Федерации VIII созыва, Москва, Россия

д-р техн. наук, депутат, Государственная Дума Федерального Собрания Российской Федерации VIII созыва, Москва, Россия

Библиографические ссылки

1. Bergsma R., de Ruijt C., Bhulai S. A systematic review of machine learning approaches in inventory control optimization. Operations Research Perspectives. 2025;15:100367. DOI: 10.1016/j.orp.2025.100367

2. Goltsos T.E., Syntetos A.A., Glock C.H., Ioannou G. Inventory – forecasting: Mind the gap.

European Journal of Operational Research. 2022;299(2):397–419. DOI: 10.1016/j.ejor.2021.07.040

3. Makridakis S., Spiliotis E., Assimakopoulos V. M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting. 2022;38(4):1346–1364. DOI: 10.1016/j.ijforecast.2021.11.013

4. Axsäter S. Inventory Control. 3rd ed. Cham: Springer International Publishing, 2015. XIII, 268 p. DOI: 10.1007/978-3-319-15729-0

5. Silver E.A. Operations research in inventory management: A review and critique. Operations Research. 1981;29(4):628–645. DOI: 10.1287/opre.29.4.628

6. Cao Y., Shen Z.-J.M. Quantile forecasting and data-driven inventory management under nonstationary demand. Operations Research Letters. 2019;47(6):465–472. DOI: 10.1016/j.orl.2019.08.008

7. Ulrich M., Jahnke H., Langrock R., Pesch R., Senge R. Distributional regression for demand forecasting in e-grocery. European Journal of Operational Research. 2021;294(3):831–842. DOI: 10.1016/j.ejor.2019.11.029

8. Abolghasemi M., Beh E., Tarr G., Gerlach R. Demand forecasting in supply chain: The impact of demand volatility in the presence of promotion. Computers & Industrial Engineering. 2020;142:106380. DOI: 10.1016/j.cie.2020.106380

9. Bertsimas D., Kallus N. From Predictive to Prescriptive Analytics. Management Science. 2020;66(3):1025–1044. DOI: 10.1287/mnsc.2018.3253

10. Ban G.-Y., Rudin C. The big data newsvendor: Practical insights from machine learning.

Operations Research. 2019;67(1):90–108. DOI: 10.1287/opre.2018.1757

11. Huber J., Müller S., Fleischmann M., Stuckenschmidt H. A data-driven newsvendor problem: From data to decision. European Journal of Operational Research. 2019;278(3):904–915. DOI: 10.1016/j.ejor.2019.04.043

12. Oroojlooyjadid A., Snyder L.V., Takáč M. Applying deep learning to the newsvendor problem. IISE Transactions. 2020;52(4):444–463. DOI: 10.1080/24725854.2019.1632502

13. van der Haar J.F., Wellens A.P., Boute R.N., Basten R.J.I. Supervised learning for integrated forecasting and inventory control. European Journal of Operational Research. 2024;319(2):573–586. DOI: 10.1016/j.ejor.2024.07.004

14. Qi M., Shi Y., Qi Y., Ma C., Yuan R., Wu D., Shen Z.-J.M. A practical end-to-end inven-tory management model with deep learning. Management Science. 2023;69(2):759–773. DOI: 10.1287/mnsc.2022.4564

15. Gijsbrechts J., Boute R.N., Van Mieghem J.A., Zhang D.J. Can deep reinforcement learning improve inventory management? Performance on lost sales, dual-sourcing, and multi-echelon problems. Manufacturing & Service Operations Management. 2022;24(3):1349–1368. DOI: 10.1287/msom.2021.1064

16. Meisheri H., Sultana N.N., Baranwal M., Baniwal V., Nath S., Verma S., Ravindran B., Khadilkar H. Scalable multi-product inventory control with lead time constraints using reinforcement learning. Neural Computing and Applications. 2022;34(3):1735–1757. DOI: 10.1007/s00521-021-06129-w

17. Dehaybe H., Catanzaro D., Chevalier P. Deep reinforcement learning for inventory optimization with non-stationary uncertain demand. European Journal of Operational Research. 2024;314(2):433–445. DOI: 10.1016/j.ejor.2023.10.007

18. Syntetos A., Keyes M., Babai M. Demand categorisation in a European spare parts logistics network. International Journal of Operations & Production Management. 2009;29(3):292–316. DOI: 10.1108/01443570910939005

19. Lolli F., Balugani E., Ishizaka A., Gamberini R., Rimini B., Regattieri A. Machine learning for multi-criteria inventory classification applied to intermittent demand. Production Planning & Control. 2019;30(1):76–89. DOI: 10.1080/09537287.2018.1525506

20. Priore P., Ponte B., Rosillo R., de la Fuente D. Applying machine learning to the dynamic selection of replenishment policies in fast-changing supply chain environments. International Journal of Production Research. 2019;57(11):3663–3677. DOI: 10.1080/00207543.2018.1552369

21. Svoboda J., Minner S. Tailoring inventory classification to industry applications: The benefits of understandable machine learning. International Journal of Production Research. 2022;60(1):388–401. DOI: 10.1080/00207543.2021.1959078

22. Cheung W.C., Simchi-Levi D. Statistical learning in inventory management. In: J.-S.J. Song (ed.) Research Handbook on Inventory Management. Edward Elgar Publishing, 2023. P. 307–332. DOI: 10.4337/9781800377103.00022

23. Pagnoncelli B.K., Ahmed S., Shapiro A. Sample average approximation method for chance constrained programming: Theory and applications. Journal of Optimization Theory and Applications. 2009;142(2):399–416. DOI: 10.1007/s10957-009-9523-6

24. Bijvank M., Huh W.T., Janakiraman G. Lost-sales inventory systems. In: J.-S.J. Song (ed.)

Research Handbook on Inventory Management. Edward Elgar Publishing, 2023. P. 2–26. DOI: 10.4337/9781800377103.00008

25. Бабушкин В., Кравченко А. Машинное обучение. Проектирование систем от идеи до реализации. СПб.: Питер, 2026. 416 с. [Babushkin V., Kravchenko A. Mashinnoe obuchenie. Proektirovanie sistem ot idei do realizatsii [Machine Learning. Designing Systems from Idea to Implementation]. St. Petersburg: Piter, 2026. 416 p. (In Russ.)]. ISBN 978-5-4461-4373-3.

Загрузки

Опубликован

16.11.2026 — Обновлена 16.11.2026

Версии

Выпуск

Раздел

Информатика и вычислительная техника