Predicting lead times of purchase orders using gradient boosting machine

Abstract

A company can make more accurate predictions of its internal processes and sales lead times when it has accurate predictions of the lead times of purchase orders. It results in more efficient processes as well as improved business performance and customer satisfaction. This thesis focuses on defining and implementing a method for predicting the lead times of purchase orders. Gradient boosting machine was used as the prediction model. The model uses purchase orders from the past to find patterns that can be used to estimate future lead times. Each data sample is related to a specific purchase order and consists of data about the supplier, item purchased, purchasing unit and purchase contract. Tree-based Parzen estimator was used for quantitative feature selection and hyper-parameter optimisation. Three objective functions for the Tree-based Parzen estimator were experimented with. Each of them produced, on average, more accurate predictions than the supplier estimates. The differences between the objective functions resulted in a trade-off between the model complexity and prediction accuracy.

Yritys voi tehdä tarkempia ennusteita sisäisistä prosesseistaan ja myynnin toimitusajoista, jos sillä on tarkat ennusteet ostotilausten toimitusajoista. Se johtaa tehokkaampiin prosesseihin sekä kohentaa asiakastyytyväisyyttä. Tämä diplomityö keskittyy määrittelemään ja toteuttamaan menetelmän, jolla voi ennustaa ostotilausten toimitusaikoja. Gradient boosting -menetelmää käytettiin ennustemallina. Malli käyttää vanhoja ostotilauksia löytääkseen rakenteita, joiden avulla voi ennustaa tulevia toimitusaikoja. Kukin otos liittyy tiettyyn ostotilaukseen ja koostuu toimittajaan, ostettuun tuotteeseen, ostoyksikköön sekä ostosopimukseen liittyvistä tiedoista. Tree structured Parzen estimator -menetelmää käytettiin kvantitatiiviseen piirrevalintaan ja hyperparametrien optimointiin. Kolmea kohdefunktiota testattiin kyseiselle estimaattorille. Kukin niistä tuotti keskimäärin tarkempia ennusteita kuin toimittajien arviot. Erot kohdefunktioiden välillä johtivat vaihtokauppatilanteeseen mallin monimutkaisuuden ja ennusteiden tarkkuuden välillä.