Россия
В статье рассматривается проблема неэффективности традиционных реактивных подходов к управлению офисными расходами, приводящих к избыточным запасам или дефициту материалов. Предлагается алгоритм интеллектуального прогнозирования потребления на основе методов машинного обучения, учитывающий комплекс внутренних и внешних факторов: исторические данные, активность подразделений, проекты, посещаемость сотрудников, сезонность и календарные особенности. Описывается процесс интеграции данных, инженерии признаков, выбора моделей (градиентный бустинг, LSTM) и их обучения. Рассматривается архитектура внедрения алгоритма в существующую корпоративную систему в виде отдельного сервисного компонента с механизмами обратной связи и мониторинга. Реализация предложенного подхода позволяет снизить складские излишки, минимизировать риски дефицита и повысить прозрачность бюджетного управления.
предиктивная аналитика, прогнозирование потребления, машинное обучение, управление расходами, офисные расходы, градиентный бустинг, LSTM, корпоративные информационные системы, оптимизация запасов, интеллектуальные алгоритмы
1. Калач, А. В. О возможностях применения метода почти-периодического анализа для обработки изображений / А. В. Калач, А. А. Парамонов, С. Л. Сахаров // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 44-52. – DOIhttps://doi.org/10.12737/2219-0767-2024-42-50. – EDN HKBSAV.
2. Оськин, А. Ф. Применение алгоритмов интеллектуального анализа образовательных данных для прогнозирования академической успеваемости студентов-историков / А. Ф. Оськин, Д. А. Оськин // Информационный бюллетень ассоциации История и компьютер. – 2016. – № 45. – С. 239-240. – EDN ZWOBFH.
3. Айнакулов, Ж. Ж. Интеллектуальный алгоритм оценки и прогнозирования поведения сложного объекта / Ж. Ж. Айнакулов, Г. Е. Курманкулова // Актуальные вопросы современной науки : Сборник статей по материалам XI международной научно-практической конференции. В 2-х частях, Томск, 24 апреля 2018 года. Том Часть 1. – Томск: Общество с ограниченной ответственностью Дендра, 2018. – С. 61-73. – EDN UWTEYJ.
4. Бова, В. В. Прогнозирование в интеллектуальных системах-ассистентах на основе алгоритма поиска косяком рыб / В. В. Бова, Э. В. Кулиев, С. И. Родзин // Известия ЮФУ. Технические науки. – 2019. – № 2(204). – С. 34-47. – DOIhttps://doi.org/10.23683/2311-3103-2019-2-34-48. – EDN MCEWYT.
5. Технология разработки RTL-модели описания изделия при разработке программно-аналитического комплекса САПР / Д. В. Шеховцов, А. М. Плотников, К. В. Зольников, А. И. Заревич // Моделирование систем и процессов. – 2023. – Т. 16, № 3. – С. 79–86. DOI: https://doi.org/10.12737/2219-0767-2023-16-3-79-86
