ІНТЕГРАЦІЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В ЗАДАЧІ КЛАСИФІКАЦІЇ АСОРТИМЕНТУ ТА УПРАВЛІННЯ ЗАПАСАМИ

ІНТЕГРАЦІЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В ЗАДАЧІ КЛАСИФІКАЦІЇ АСОРТИМЕНТУ ТА УПРАВЛІННЯ ЗАПАСАМИ Анотація.У сучасних реаліях високої волатильності попиту, скорочення життєвих циклів товарів та зростання складності ланцюгів постачанняуправління запасами перетворюється на одну з ключових задач забезпечення економічної стійкості підприємств.Особливої актуальності набуває проблема оптимізації класифікації асортименту як основи для прийняття рішень щодо рівнів запасів, частоти поповнення та пріоритетів обслуговування.Традиційні (класичні) методи управління запасами, зокрема комбінований ABC-XYZаналіз, широко застосовуються на практиці завдяки простоті та інтерпретованості, однак в умовах невизначеного попиту їх ефективність істотно знижується через використання статичних порогів класифікації та обмежену здатність враховувати динамічні зміни ринкового середовища.У статті обґрунтовано доцільність переходу від статичних підходів до гібридних моделей управління запасами, що поєднують класичну класифікацію асортименту з методами машинного навчання для прогнозування попиту та адаптації параметрів управління.Запропоновано модель оптимізації класифікації асортименту та управління запасами, у якій блоки прогнозування, сегментації та політики поповнення інтегровані в єдиний контур прийняття рішень.Особливу увагу приділено проблемі оцінювання ефективності таких моделей.Показано, що використання лише статистичних метрик точності прогнозу не дозволяє адекватно оцінити економічний ефект від впровадження інтелектуальних методів.У зв'язку з цим у роботі запропоновано авторський інтегральний індекс ефективності IMEIsys (Integrated Model Efficiency Index), який агрегує статистичні, класифікаційні та економічні показники в єдину узагальнену метрику.Індекс базується на нормалізованих суб-індексах якості прогнозування, стабільності класифікації, економічної ефективності та адаптивності моделі до змін попиту.