Архитектура и экспериментальное тестирование Python-библиотеки InventoryML для управления товарными запасами при неполной наблюдаемости спроса

Бесплатный доступ

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.

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

Короткий адрес: https://sciup.org/147255561

IDS: 147255561   |   УДК: 338.274, 004.85   |   DOI: 10.14529/ctcr260401

Architecture and experimental validation of a Python library for inventory control under partially observed demand

Objective. To develop and experimentally test the architecture of InventoryML, a Python library designed to compare forecasting methods and inventory replenishment policies under partially observed demand using machine learning models. Materials and Methods. The empirical material comprised ten daily price lists issued by a commercial enterprise from 10 to 19 September 2026. The exports were used to assess the data schema, identifier stability, completeness of temporal coverage, duplicate keys, interval-valued quantities, price dynamics, and item availability. Demand recovery was evaluated separately on a simulated panel of 240 stock-keeping units over 420 days, incorporating intermittent demand, a weekly cycle, rare peaks, and three levels of observation constraints. Three approaches were compared: uncorrected observed values, the prototype heuristic, and a sequential conditional-tail mean estimator. Forecasts were generated using a seasonal naive method and gradient-boosted trees. Operational outcomes were evaluated by simulating replenishment to a target level and an (s, S) policy. Results. The ten price lists contained 593,537 rows representing 64,619 distinct stock-keeping units, 80.84 % of which appeared in all snapshots. No zero quantity values were found 0.197 % of the rows contained “> 20” or “> 100”, and 5,953 rows repeated a key within the same day. These properties prevent the current inventory balance from being interpreted as sales volume or demand. At a constrained-observation share of 27.14 %, conditional mean estimation reduced demand-recovery WAPE from 38.60 % to 34.77 %, while the negative forecast bias improved from –39.04 % to –34.89 %. Under the order-up-to policy, the fill rate increased from 71.79 % to 73.23 %, while normalized costs decreased from 0.495 to 0.488. The paired-resampling estimate of the cost change across 240 items was –0.0055, with a 95 % interval from –0.0075 to –0.0038. Conclusion. The observation mechanism should be treated as a separate architectural layer, while decision quality should be assessed using both statistical and operational measures. It should also be noted that, without additional data, supplier inventory dynamics can serve only as an indirect indicator of sales or replenishment and do not allow demand to be recovered unambiguously.