Integrace umělé inteligence do obchodu s rychloobrátkovým zbožím
Loading...
Date
Authors
Bagi, Juraj
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Presné predpovede predaja sú kľúčové pre prevádzkovú efektivitu v sektore rýchloobrátkového spotrebného tovaru (FMCG). Táto práca skúma uplatnenie modelov Long Short-Term Memory (LSTM), špecializovaného typu rekurentných neurónových sietí, s cieľom zvýšiť presnosť predpovedí predaja. Na rozdiel od tradičných štatistických metód sú LSTM schopné zachytávať časové závislosti v údajoch o predaji, čím potenciálne ponúkajú presnejšie prognózy. Aplikáciou modelov LSTM na historické údaje o predaji z potravinárskej spoločnosti tento výskum preukazuje zlepšenie v porovnaní s konvenčnými predikčnými technikami. Zistenia naznačujú, že LSTM môžu významne pomôcť spoločnostiam v oblasti FMCG pri optimalizácii riadenia zásob a plánovaní dopytu, čím prispievajú cennými pohľadmi do aplikácií umelej inteligencie v riadení dodávateľského reťazca. Tieto výsledky zdôrazňujú praktické dôsledky pre zainteresované strany v sektore FMCG, aby prijali pokročilé technológie umelej inteligencie s cieľom udržať si konkurencieschopnosť v dynamickom trhovom prostredí.
Accurate sales forecasting is pivotal for operational efficiency in the Fast-Moving Consumer Goods (FMCG) sector. This thesis explores the application of Long Short-Term Memory (LSTM) models, a specialized form of recurrent neural networks, to enhance the precision of sales predictions. Unlike traditional statistical methods, LSTMs are adept at capturing temporal dependencies within sales data, potentially offering more accurate forecasts. By applying LSTM models to historical sales data from a food industry company, this research demonstrates improvements over conventional forecasting techniques. The findings suggest that LSTMs can significantly help FMCG companies in optimizing inventory management and demand planning, thereby contributing valuable insights into artificial intelligence applications in supply chain management. These results emphasize the practical implications for FMCG stakeholders to embrace advanced artificial intelligence technologies to remain competitive in a dynamic market environment.
Accurate sales forecasting is pivotal for operational efficiency in the Fast-Moving Consumer Goods (FMCG) sector. This thesis explores the application of Long Short-Term Memory (LSTM) models, a specialized form of recurrent neural networks, to enhance the precision of sales predictions. Unlike traditional statistical methods, LSTMs are adept at capturing temporal dependencies within sales data, potentially offering more accurate forecasts. By applying LSTM models to historical sales data from a food industry company, this research demonstrates improvements over conventional forecasting techniques. The findings suggest that LSTMs can significantly help FMCG companies in optimizing inventory management and demand planning, thereby contributing valuable insights into artificial intelligence applications in supply chain management. These results emphasize the practical implications for FMCG stakeholders to embrace advanced artificial intelligence technologies to remain competitive in a dynamic market environment.
Description
Citation
BAGI, J. Integrace umělé inteligence do obchodu s rychloobrátkovým zbožím [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Informační technologie
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda)
Ing. Aleš Smrčka, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
doc. Ing. Jan Kořenek, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení