Разработка математических моделей для прогнозирования цен комплектующих деталей с использованием методов машинного обучения на примере компании Caterpillar
АННОТАЦИЯ 2
ВВЕДЕНИЕ 6
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ФУНКЦИОНИРОВАНИЯ ПРОЦЕССА ЗАКУПОК 11
1.1 Процесс закупки комплектующих один из важных бизнес-процессов компании Caterpillar 11
1.2 Прогнозирование цен на комплектующие в рамках процесса закупки .. 17
1.3 Постановка задачи 21
Выводы по разделу один 24
ГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ
СРЕДСТВО РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 26
2.1 Деревья решений 27
2.2 Ансамбли 30
2.2.1 Стекинг 31
2.2.2 Беггинг 32
2.2.3 Бустинг 32
2.3 Ансамбли деревьев решений 33
2.3.1 Случайный лес 33
2.3.2 Градиентный бустинг деревьев 35
2.4 Нейронные сети 36
2.4.1 Свёрточные нейронные сети (CNN) 37
2.4.2 Рекуррентные нейронные сети 39
2.4.3 Многослойный перцептрон 40
Выводы по разделу два 41
ГЛАВА 3. ПРОГНОЗИРОВАНИЯ ЦЕН НА КОМПЛЕКТУЮЩИЕ СБОРКИ
КОМПАНИИ CATERPILLAR 44
3.1 Метрика качества модели 46
3.2 Многослойный перцептрон 47
3.3 Градиентный бустинг 74
3.3.1 Catboost 75
3.3.2 XGBoost 91
Выводы по разделу три 104
ГЛАВА 4. ПРОЕКТ КОММЕРЦИАЛИЗАЦИИ 105
4.1 Участники процесса коммерциализации 106
4.2 Выбор способа коммерциализации 108
4.2.1 Достоинства и недостатки способов коммерциализации 110
4.3 Описание продукта 113
4.4 Решаемая проблема 113
4.5 Дорожная карта коммерциализации проекта 114
4.6 Оценка объема рынка 117
4.7 Бизнес-Модель 118
4.8 Команда проекта 119
4.9 Ценообразование 119
4.10 Правовая основа проекта 124
4.10.1 Формы распоряжения авторскими правами 125
Выводы по разделу четыре 126
ЗАКЛЮЧЕНИЕ 126
БИБЛЕОГРАФИЧЕСКИИ СПИСОК 127
В ходе написания магистерской диссертационной работы, был рассмотрен процесс закупочной деятельности, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования комплектующих в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
В ходе написания магистерской диссертационной работы, был рассмотрен процесс закупочной деятельности, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования комплектующих в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
Были построены три модели, модель нейронной сети, которая основана на использование многослойного перцептрона. Данная модель разрабатывалась с помощью библиотеки Keras и дала среднеквадратическую ошибку равную 0.36. В качестве реализации метода градиентного бустинга были выбраны две библиотеки, это:
- xgboost, которая показала результат равный 0.24;
- catboost, данная реализация метода позволила снизить ошибку до 0.22.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
