Skuteczna aplikacja prognozowania popytu z wykorzystaniem AI dla branży części zamiennych motoryzacyjnych: rzeczywisty przypadek z Turcji

Dlaczego zgadywanie popytu na części ma znaczenie

Kiedy samochód się psuje, kierowcy oczekują, że właściwa część będzie dostępna na półce. Dla producentów i warsztatów utrzymanie wystarczającej liczby części bez przepełniania magazynów to ciągłe żonglowanie. W tym badaniu przyjrzywano się, jak inteligentne wykorzystanie sztucznej inteligencji może pomóc firmom z branży części zamiennych motoryzacyjnych dokładniej przewidywać bardzo nieregularny popyt, oszczędzając pieniądze przy jednoczesnym utrzymaniu pojazdów w ruchu.

Wyzwanie popytu „stop-and-go”

Części zamienne nie sprzedają się w sposób płynny i równomierny. Wiele pozycji leży miesiącami bez zamówień, a następnie występują nagłe wyrwy popytu. Autorzy określają takie wzorce jako popyt przerywany i grudkowy. W wielu okresach popyt wynosi zero; gdy pojawiają się zamówienia, wielkości mogą gwałtownie się wahać. Klasyczne narzędzia prognostyczne, które dobrze działają dla dóbr codziennego użytku, mają tu trudności, co często prowadzi albo do pustych półek, albo do kosztownych zapasów nieużywanych części. Ponieważ części zamienne są kluczowe dla utrzymania sprzętu w ruchu, słabe prognozy mogą pogorszyć jakość obsługi i zwiększyć koszty.

Od starych reguł do uczenia się na danych

Aby stawić temu czoła, badacze przejrzeli zarówno długo stosowane metody statystyczne, jak i nowsze podejścia oparte na danych. Tradycyjne techniki znane jako metody oparte na Crostonie zostały zaprojektowane specjalnie dla szeregu z wieloma zerami, lecz mają ograniczenia, gdy popyt staje się wysoce niestabilny. Nowsze metody uczenia maszynowego, takie jak maszyny wektorów nośnych, lasy losowe i regresja liniowa, oraz metody głębokiego uczenia, takie jak wielowarstwowe perceptrony, sieci rekurencyjne i sieci LSTM, potrafią automatycznie wyciągać z danych złożone wzorce. Jednak każda metoda ma swoje mocne i słabe strony i nie ma jednego modelu najlepszego we wszystkich sytuacjach.

Rzeczywiste dane od producenta części

Zespół współpracował z tureckim producentem, który wytwarza komponenty układów napędowych elektrycznych do pojazdów. Skoncentrowano się na dwóch częściowo drogich elementach, których planowanie jest szczególnie trudne: jednej o popycie przerywanym i drugiej o silnie grudkowym popycie. Wykorzystując 51 miesięcy rzeczywistych miesięcznych danych sprzedażowych, oczyszczono i znormalizowano zapisy, a następnie sklasyfikowano wzorce popytu przy użyciu standardowych miar częstotliwości występowania popytu i jego zmienności. Dane podzielono na zbiory treningowe i testowe, tak aby modele były oceniane na nieznanych okresach, odzwierciedlając rzeczywiste prognozowanie.

Pozwolić wielu modelom głosować razem

Zamiast polegać na jednym narzędziu prognostycznym, autorzy zbudowali ensemble typu stacking, który można potraktować jak zespół modeli, których wyniki łączy prosty model drugiego poziomu. Najpierw kilka modeli uczenia maszynowego i głębokiego uczenia niezależnie wygenerowało prognozy. Ich przewidywania przekazano następnie do modelu regresji liniowej, który nauczył się, ile ufać każdemu z nich. Ten model złożony porównano z metodami opartymi na Crostonie oraz z każdym pojedynczym modelem uczenia, używając miar błędu, które uchwytują typowe pomyłki i ich wielkość w odniesieniu do średniego popytu. Badacze wykorzystali także graficzne podsumowania i testy statystyczne, aby sprawdzić, czy różnice w wydajności są istotne, a nie wynikają z przypadku.

Co inteligentniejsze prognozy oznaczają dla biznesu

Model stackingowy konsekwentnie dawał najbardziej dokładne i stabilne prognozy zarówno dla popytu przerywanego, jak i grudkowego. Metody głębokiego uczenia same w sobie zazwyczaj przewyższały podejścia tradycyjne, ale połączenie wielu metod dawało najlepsze wyniki. Dla firmy partnerskiej oznaczało to niższe zapasy zabezpieczające, mniej przestarzałych pozycji na półkach i zmniejszone ryzyko niezdolności do terminowego zaopatrzenia klientów. W prostych słowach, badanie pokazuje, że starannie zaprojektowana mieszanka modeli AI może przekształcić chaotyczny, przerywany popyt na części zamienne w prognozy wystarczająco dobre, by wspierać bardziej szczupłe zapasy i bardziej niezawodną obsługę.

Cytowanie: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Słowa kluczowe: popyt na części zamienne, popyt przerywany, uczenie zespołowe, łańcuch dostaw motoryzacyjnych, prognozowanie popytu