Machine learning based inventory optimization respecting supplier order line fees

This thesis addresses an inventory management problem of what, when and how many products should be ordered from the supplier applying order line fees. Order line fee is a fixed fee which the company pays to the supplier per every ordered product not depending on the ordered quantity. Even though there are various inventory management methods and variety of research done in the field, there was no research found related to inventory management when supplier order line fees are applied. The described problem is real and currently exists at the company ASWO Baltic. The problem is solved by using experimental research method and CRISP-DM process. The historical company’s data of customer and supplier orders is used for the project. Data is analyzed and prepared for model creation by using feature engineering, data transformation and data normalization methods. Min/Max inventory management method is used as a base for model creation. The improvement proposed by the thesis is to use machine learning algorithms to predict Min and Max stock levels. Support Vector Regression, k-nearest neighbors, Random Forest, Artificial Neural Network, ARIMA, and Prophet machine learning algorithms are tested both for Min and Max level prediction. It was found out that the best results for Min stock level prediction were achieved by k-nearest neighbors algorithm with the average sMAPE measure of 7.0079%. The best predictions for Max stock level were done by Random Forest algorithm with the average sMAPE of 15.0303%. After the hyperparameter optimization sMAPE was improved to 6.8730% and 14.6813% accordingly. The simulation was run to evaluate if the proposed algorithm outperforms the current system. It showed that for the items which have more than 200 orders the algorithm decreased the number of supplier orders by 35,83% and the number of backorders by 49,29% while keeping almost the same inventory turnover. If the same results are achieved with the all products, it is expected that the company would save around 60K euros per annum on supplier order line fees and the lower number of backorders would increase sales by 24%. Detta examensarbete tar upp ett lagerhanteringsproblem om vad, när och hur många produkter som ska beställas från leverantören som tillämpar orderradsavgifter. Orderradsavgift är en fast avgift som företaget betalar till leverantören för varje beställd produkt, inte beroende på beställd kvantitet. Även om det finns olika lagerhanteringsmetoder och olika undersökningar som gjorts inom området, hittades ingen forskning relaterad till lagerhantering när orderradsavgifter tillämpas. Det beskrivna problemet existerar idag på företaget ASWO Baltic. Problemet löstes genom att använda experimentell forskningsmetod och CRISPDM- process. Företagets historiska data om kund- och leverantörsbeställningar har används för projektet. Data har analyseras och förbereds och modellerats med hjälp av funktionsteknik, datatransformation och datanormaliseringsmetoder. Min/Max lagerhanteringsmetoden används som bas för att skapa en modell. Förbättringen som föreslås i avhandlingen är att använda maskininlärningsalgoritmer för att förutsäga Min och Max lagernivåer. Stöd för vektorregression, k-närmaste grannar, Random Forest, Artificiellt neuralt nätverk, ARIMA och Prophet maskininlärningsalgoritmer testas både för förutsägelse av min- och maxnivå. Det visade sig att de bästa resultaten för förutsägelse av Min lagernivå uppnåddes med algoritmen "k-nearest neighbors" med det genomsnittliga sMAPE-måttet på 7,0079%. De bästa förutsägelserna för Max lagernivå gjordes av Random Forest-algoritmen med den genomsnittliga sMAPE på 15,0303%. Efter hyperparameteroptimeringen förbättrades sMAPE till 6,8730 % och 14,6813 % i enlighet därmed. Simuleringen kördes för att utvärdera om den föreslagna algoritmen överträffar det nuvarande systemet. Den visade att för de artiklar som har mer än 200 beställningar minskade algoritmen antalet leverantörsbeställningar med 35,83 % och antalet restorder med 49,29 % samtidigt som det bibehöll nästan samma lageromsättning. Om samma resultat uppnås med alla produkter, förväntas företaget spara cirka 60 000 euro per år på leverantörsorderavgifter och det lägre antalet restorder skulle öka försäljningen med 24 %