هدف: پیش بینی سفارش های معوق یکی از اساسی ترین چالش ها در زنجیره های تامین است که می تواند تاثیر مستقیمی بر هزینه های عملیاتی، سطح موجودی و رضایت مشتری داشته باشد. هدف اصلی این مطالعه، ارایه یک مدل یادگیری ماشین ترکیبی مبتنی بر رای گیری برای پیش بینی سفارش های معوق است که دقت پیش بینی را افزایش می دهد.
روش شناسی پژوهش: در این مطالعه، تلاش شد تا از مدل های رای گیری سخت و نرم مبتنی بر XGBoost، CatBoost، جنگل تصادفی و LightGBM با وزن های بهینه شده از طریق Optuna استفاده شود. مجموعه داده های مورد استفاده شامل سفارشات، سطوح موجودی، عملکرد تامین کننده و سایر ویژگی های مرتبط است. برای کاهش عدم توازن داده ها، از روش ADASYN استفاده شد و همچنین از تنظیم پارامتر optuna برای یافتن تنظیمات بهینه مدل استفاده شد. روش RFECV نیز برای شناسایی ویژگی های کلیدی موثر بر سفارشات معوقه استفاده شد.
یافته ها: مدل رای گیری نرم، با دقت 0/9524، بهترین عملکرد را در پیش بینی سفارش های معوق نسبت به سایر مدل های یادگیری ماشینی منفرد مورد بررسی در این مطالعه داشت. علاوه بر این، متغیرهای مرتبط با سطح موجودی، عملکرد تامین کننده و قابلیت پیش بینی تقاضا نیز به عنوان مهم ترین عوامل در ایجاد سفارش های معوق شناسایی شدند. مدل پیشنهادی با سایر روش های سنتی مقایسه شد و مشخص شد که با استفاده از مدل های استوار در یک چارچوب رای گیری، می توان دقت پیش بینی را نیز بهبود بخشید.
اصالت/ارزش افزوده علمی: نتایج نشان می دهد که استفاده از یک مدل یادگیری ماشین ترکیبی مبتنی بر رای گیری می تواند مکانیزم مناسبی برای بهبود پیش بینی سفارش معوق باشد. این مدل به سازمان ها کمک می کند تا جریان سفارش و هزینه های مرتبط با آن را با دقت بیشتری مدیریت کنند. پیشنهاد می شود در پژوهش های آتی از تکنیک های پیشرفته تر انتخاب ویژگی و بهینه سازی، مانند الگوریتم های ژنتیک و شبکه های عصبی عمیق، برای دستیابی به عملکرد بهتر مدل استفاده شود.