Optimizing Inventory Management: Leveraging CNNs and Conventional Grouping Methods : A Strategy for Excess Inventory Reduction and Dynamic Grouping

Tässä tutkielmassa puututaan olemassa olevan kirjallisuuden aukkoihin tutkimalla varastonhallintaprosessien optimointia yhdistämällä konvolutiivisia neuroverkkoja ja perinteisiä ryhmittelymenetelmiä. Varastonhallinnan monimutkaistumisen myötä tutkimuksen tavoitteena on vähentää ylijäämävarastoja ja tehostaa päätöksentekoa varastotoiminnoissa. Tutkimuksessa käytetään konvolutiivisten neuroverkkojen ja perinteisten ryhmittelymenetelmien yhdistelmää, ja siinä tutkitaan niiden tehokkuutta varastokohteiden luokittelussa, mallien tunnistamisessa ja varastonhallinnan kokonaistehokkuuden parantamisessa. Menetelmässä koulutetaan kuvien luokitteluun tarkoitettu konvoluutio-neuroverkkomalli, joka luokittelee nimikkeet luokkiin niiden ominaisuuksien perusteella ja parantaa siten varastonhallinnan tarkkuutta. Samanaikaisesti sovelletaan perinteisiä ryhmittelymenetelmiä, kuten ABC-XYZ-analyysia, itsenäisesti erien luokittelemiseksi niiden arvon ja kysynnän vaihtelun mukaan. Näiden lähestymistapojen yhdistämisen tavoitteena on tarjota kattava käsitys varaston dynamiikasta ja mahdollistaa tietoon perustuva päätöksenteko. CNN-tietokannan tutkimusaineisto kerättiin valokuvaamalla tuotteita ja nimeämällä ne tuoteviitekoodien mukaisesti. Lisäksi ABC-XYZ-analyysissä hyödynnettiin 8 vuoden myyntitietoja, jotta niitä voitiin verrata tällä hetkellä varastossa oleviin varastotuotteisiin. Tulokset viittaavat siihen, että konvolutiivisten neuroverkkojen ja perinteisten ryhmittelymenetelmien yhdistäminen voi tehostaa varastonhallintaprosesseja parantamalla tarkkuutta varaston luokittelussa ja priorisoinnissa. Tämä johtaa ylijäämävarastojen vähenemiseen sekä resurssien jakamisen ja päätöksenteon parantamiseen varastotoiminnoissa. Hyödyntämällä CNN:ien kykyä luokitella nimikkeet tarkasti niiden ominaisuuksien perusteella ja perinteisten ryhmittelymenetelmien tehokkuutta nimikkeiden luokittelussa arvon ja kysynnän vaihtelun mukaan yritykset voivat optimoida varastotasoja ja jakamisstrategioita, mikä johtaa lopulta tehokkaampiin varastotoimintoihin. Tämä tutkimus täydentää varastonhallinnan optimointia koskevaa lisääntyvää kirjallisuutta ja tarjoaa käytännön vaikutuksia yrityksille, jotka haluavat parantaa varastonhallintakäytäntöjään. Hyödyntämällä CNN:n kaltaisia kehittyneitä teknologioita ja ABC-XYZ-analyysin kaltaisia perinteisiä menetelmiä yritykset voivat saavuttaa suurempaa tehokkuutta, kustannussäästöjä ja kilpailuetua nykypäivän dynaamisilla markkinoilla. On kuitenkin tärkeää huomata, että rajoitukset, kuten tietojen saatavuuden rajoitukset ja mallin yleistettävyys, voivat vaikuttaa tulosten soveltuvuuteen tiettyihin toimialaympäristöihin.