- AutorIn
- Nitin Khajuria
- Titel
- Artificial Intelligence Powered Transformation in Supply Chain
- Untertitel
- A comparative study between Traditional model (ARIMA) and Neural Networks (Long Short Term Memory) approach for Time Series Demand Forecasting
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-960227
- Übersetzter Titel (DE)
- Transformation in der Lieferkette mithilfe künstlicher Intelligenz : Eine Vergleichsstudie zwischen dem traditionellen Modell (ARIMA) und dem Ansatz neuraler Netzwerke (Long Short Term Memory) zur zeitreihenbasierten Nachfrageprognose
- Erstveröffentlichung
- 2025
- Datum der Einreichung
- 29.04.2024
- Abstract (DE)
- Diese Arbeit untersucht das Potenzial der Künstlichen Intelligenz (KI) zur Verbesserung der Nachfrageprognose innerhalb der Lieferkette. Genauer gesagt, wird eine vergleichende Studie zwischen traditionellen Modellen wie ARIMA und fortschrittlicheren neuronalen Netzwerken wie LSTM durchgeführt. Die Forschung basiert auf einem robusten methodischen Rahmen, der sowohl qualitative als auch quantitative Ansätze kombiniert, um Prognosen für eine Apotheke mit historischen Verkaufsdaten über einen Zeitraum von sechs Jahren (2014–2019) zu erstellen. Durch die Implementierung beider Modelle und die Auswertung der Ergebnisse werden die Stärken und Schwächen jedes Modells hervorgehoben, wodurch praxisnahe Einblicke für Fachleute im Bereich der Lieferkette gewonnen werden. Eine umfassende Literaturrecherche gibt einen Überblick über bisherige Forschungsarbeiten und zeigt zukünftige Anwendungsmöglichkeiten von KI für die Nachfrageprognose in der Industrie auf. Die Studie trägt nicht nur zur wissenschaftlichen Diskussion bei, sondern bietet auch praktische Erkenntnisse für Branchenakteure, um ihre Prognoseentscheidungen in einer modernen Welt mit dynamischem Konsumverhalten und hoher Nachfragevolatilität zu optimieren.
- Abstract (EN)
- This thesis examines the potential of Artificial Intelligence (AI) in improving the demand forecasting with in the supply chain. To be precise it undergoes a comparative study between traditional models like ARIMA and more advanced neural networks such as LSTM. The research conducts a robust methodological framework combining both qualitative and quantitative approaches for determining the forecast for a pharmacy store having historical sales data for 6 years (2014-2019). Through implementation of both the models and evaluation of results, underlines the strength and weakness of each model, offering realistic insights for the supply chain practitioners. Thorough literature review showcases the previous research done and future scope for implementation of AI for demand forecast in industry. The study not only contributes to academic disclosure but provides practical insight for the industry stakeholders to optimize their forecasting decisions in a modern world with dynamic consumer behavior and highly volatile demand.
- Freie Schlagwörter (DE)
- Lieferkettenmanagement, Nachfrageprognose, Künstliche Intelligenz
- Freie Schlagwörter (EN)
- Demand Forecasting, Supply Chain Management, Artificial Intelligence, LSTM Neural Networks, ARIMA
- Klassifikation (DDC)
- 330
- BetreuerIn Hochschule / Universität
- Prof. Dr. Rainer Lasch
- Dipl.-Wirt.-Ing. Marcel André Hoffmann
- Den akademischen Grad verleihende / prüfende Institution
- Dresden International University, Dresden
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-960227
- Veröffentlichungsdatum Qucosa
- 05.03.2025
- Dokumenttyp
- Masterarbeit / Staatsexamensarbeit
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY-NC-ND 4.0