DOI: https://doi.org/10.3844/jcssp.2026.121.129
تاريخ النشر: 2026-01-01
المؤلف: Devendra Nath Pathak وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تقدم ورقة البحث إطار عمل لتحليلات التنبؤ المدفوعة بالبيانات الكبيرة مصمم لتعزيز رؤية المشتريات وتحسين إدارة المخزون في سلاسل الإمداد. تؤكد على ضرورة انتقال سلاسل الإمداد من نظم تفاعلية إلى نظم استباقية، خاصة استجابةً لمتطلبات المستهلك الديناميكية. يستخدم الإطار نهجًا هجينًا يدمج بيانات المبيعات التاريخية، وأوقات تسليم الموردين، ومعلومات المخزون في الوقت الحقيقي، مستفيدًا من خوارزميات التعلم الآلي مثل الانحدار باستخدام الغابات العشوائية وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM) للتنبؤ بدقة بالعناصر ذات المخزون المنخفض. تسهل تنفيذ لوحة معلومات المشتريات الديناميكية الطلبات التلقائية المعتمدة على العتبات، مما يحسن من مرونة العمليات.
تشير النتائج الرئيسية إلى زيادة بنسبة 28% في دقة توقعات المخزون، وتقليص زمن الاستجابة للشراء بنسبة 35%، وتحسين بنسبة 22% في مقاييس رضا العملاء. تبرز الدراسة الإمكانات التحولية لتقنيات البيانات الكبيرة، بما في ذلك Apache Hadoop لتخزين البيانات، وSpark للمعالجة في الوقت الحقيقي، وTableau للتصور، في تعزيز استجابة سلسلة الإمداد. بينما يظهر النموذج الهجين المقترح وعدًا كبيرًا، تشمل القيود اختباره على مجموعة بيانات قطاع التجزئة المحددة، مما قد يقيد إمكانية تعميمه على مجالات أخرى ذات خصائص طلب مختلفة، ومشكلات محتملة في جودة البيانات التي قد تؤثر على دقة التنبؤ. بشكل عام، تؤكد الأبحاث على أهمية الأنظمة الذكية والمتكاملة لتحقيق الكفاءة والمرونة في عمليات المشتريات الحديثة.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التعقيد المتزايد لسلاسل الإمداد العالمية، المدفوعة بارتفاع توقعات المستهلكين وتنوع المنتجات. تعتبر الأساليب التقليدية لإدارة المشتريات والمخزون، التي تعتمد على توقعات الطلب الثابتة واتخاذ القرارات اليدوية، غير كافية لمواجهة التحديات الديناميكية التي تواجهها المنظمات اليوم. تؤكد الورقة على الدور التحويلي لإدارة سلسلة الإمداد (SCM) كرافعة استراتيجية في بيئة كثيفة البيانات، خاصة من خلال استخدام البيانات الكبيرة وتحليلات التنبؤ. على الرغم من التقدم في توقعات الطلب وتخطيط المشتريات، لا تزال هناك فجوات كبيرة، خاصة في رؤية المخزون في الوقت الحقيقي والتواصل بين إدارة المشتريات وإدارة المخزون، مما يؤدي إلى عدم الكفاءة مثل نفاد المخزون وتخزين فائض.
لمعالجة هذه التحديات، يقدم البحث المقترح بنية تحليلات تنبؤية متكاملة تستفيد من أساليب البيانات الكبيرة لتعزيز التوافق بين تخطيط المشتريات وإدارة المخزون. يتضمن هذا الإطار توقعات السلاسل الزمنية، والتنبيهات، والعتبات في الوقت الحقيقي لتحسين استجابة المشتريات وخدمة العملاء. تركز الدراسة على الشركات الكبيرة في قطاعات مثل التصنيع، والتجزئة، واللوجستيات، حيث يعد فهم متطلبات سلسلة الإمداد أمرًا حاسمًا. من خلال استخدام تحليلات التنبؤ، يمكن للمنظمات تحسين التحكم في المخزون، وتعزيز تنسيق الشركاء، وتحسين خدمة العملاء، مما يعزز في النهاية المرونة والتنافسية في سلسلة الإمداد. تهدف الأبحاث إلى تطوير أنظمة سلسلة إمداد ذكية ومرنة ومركزة على العملاء تدمج النماذج التنبؤية مع تقييم الأداء في الوقت الحقيقي باستخدام مؤشرات الأداء الرئيسية المعتمدة في سلسلة الإمداد.
الطرق
في هذه الدراسة، تم استخدام نهج كمي منهجي لتطوير نموذج تحليلات تنبؤية يهدف إلى تعزيز الرؤية ورضا العملاء ضمن مشتريات سلسلة الإمداد. استخدم البحث مجموعات بيانات متاحة للجمهور، بما في ذلك مستويات المخزون التاريخية، وتواريخ الطلب، وأوقات تسليم الموردين، واتجاهات الطلب، المستمدة من منصات مثل Kaggle وUCI (Brintrup et al., 2023). تم إجراء معالجة البيانات باستخدام مكتبات Python مثل Pandas وNumPy لتنظيف وتحويل البيانات إلى تنسيقات السلاسل الزمنية. تم تنفيذ تقسيم 80:20 بين التدريب والاختبار جنبًا إلى جنب مع التحقق المتقاطع 5-fold لضمان استجابة قوية للنموذج.
لتوقع مستويات المخزون، تم استخدام نماذج ARIMA وFacebook Prophet، بينما تم استخدام Random Forest وXGBoost لتصنيف رضا العملاء. تم إجراء ضبط المعلمات باستخدام تقنيات Grid وRandom Search (Eik et al., 2025)، وتم تقييم أداء النموذج باستخدام مقاييس قياسية تشمل متوسط الخطأ النسبي المطلق (MAPE)، وجذر متوسط مربع الخطأ (RMSE)، ودقة التصنيف. كانت هذه الخطوات المسبقة حاسمة لتحسين كفاءة تدريب النموذج، وتقليل الضوضاء، وضمان أن يتم تدريب كل من مكونات Random Forest وLong Short-Term Memory (LSTM) على بيانات نظيفة وتمثيلية. كانت الدراسة تهدف إلى تحقيق ثلاثة أهداف رئيسية: توقع العناصر ذات المخزون المنخفض على مستوى المستودعات والتجزئة، وإنشاء إطار عمل مدفوع بالبيانات لتعزيز الوعي والمرونة في المشتريات، وتطوير نماذج تحليلية تربط استجابة سلسلة الإمداد بمستويات رضا العملاء.
النتائج
في قسم النتائج والمناقشة، يقدم المؤلفون تقييمًا للأداء للنماذج التنبؤية والتصنيف التي تم تنفيذها مقابل الأهداف المحددة. تم التحقق من صحة هذه النماذج باستخدام مقاييس تقليدية لتقييم فعاليتها في توقع مستويات المخزون، وتحسين قرارات الشراء، وتوقع رضا العملاء. تشير النتائج إلى أن النماذج تظهر مستوى مرضٍ من الدقة والموثوقية، مما يحقق الأهداف المقصودة من تعزيز الكفاءة التشغيلية وتفاعل العملاء.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على دمج البيانات الكبيرة وتقنيات التعلم الآلي في تعزيز توقعات سلسلة الإمداد، خاصة من خلال معالجة البيانات الفعالة. يبرز المؤلفون الدور الحاسم لتحليلات التنبؤ في تحسين اتخاذ القرار، والاستجابة، ورضا العملاء ضمن سلاسل الإمداد. تدعم دراسات متنوعة هذه النتائج، موضحة كيف تساهم النماذج التنبؤية والبيانات الكبيرة في تحقيق مزيد من الشفافية، والمرونة، والكفاءة التشغيلية في اللوجستيات. من الجدير بالذكر أن تآزر البيانات الكبيرة مع النماذج التنبؤية يُعرض كوسيلة لتطوير استراتيجيات سلسلة إمداد أكثر ذكاءً، مع التركيز على الرؤية في الوقت الحقيقي وتخفيف المخاطر.
تحدد الورقة أيضًا الفجوات في الأدبيات الحالية، خاصة فيما يتعلق بحدود النماذج التقليدية للذكاء الاصطناعي في إدارة سلسلة الإمداد، مثل نقص قابلية التفسير وعدم القدرة على معالجة البيانات في الوقت الحقيقي بشكل فعال. يقترح المؤلفون نموذجًا هجينًا جديدًا يجمع بين الغابات العشوائية (RF) وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، والذي يتفوق على الأساليب التقليدية مثل ARIMA والتنعيم الأسي من حيث المرونة والدقة. تظهر نتائج الدراسة تحسينات كبيرة في دقة المشتريات، وأوقات التسليم، ودرجات رضا العملاء، مما يبرز الآثار العملية لنهج متكامل مدفوع بالبيانات في إدارة سلسلة الإمداد. بشكل عام، تدعو الأبحاث إلى اعتماد أنظمة ذكية تعزز الكفاءة، والشفافية، والمرونة في عمليات المشتريات، مع الاعتراف بحدود النموذج المقترح من حيث إمكانية تعميمه عبر قطاعات مختلفة.
DOI: https://doi.org/10.3844/jcssp.2026.121.129
Publication Date: 2026-01-01
Author(s): Devendra Nath Pathak et al.
Primary Topic: Big Data and Business Intelligence
Overview
The research paper presents a big-data-driven predictive analytics framework designed to enhance procurement visibility and optimize inventory management in supply chains. It emphasizes the necessity for supply chains to transition from reactive to proactive ecosystems, particularly in response to dynamic consumer demands. The framework employs a hybrid approach that integrates historical sales data, supplier lead times, and real-time stock information, utilizing machine learning algorithms such as Random Forest Regression and Long Short-Term Memory (LSTM) networks to accurately predict low-stock items. The implementation of a dynamic procurement dashboard facilitates threshold-based automatic ordering, thereby improving operational agility.
Key findings indicate a 28% increase in inventory forecasting accuracy, a 35% reduction in purchase response time, and a 22% improvement in customer satisfaction metrics. The study highlights the transformative potential of big-data technologies, including Apache Hadoop for data storage, Spark for real-time processing, and Tableau for visualization, in enhancing supply chain responsiveness. While the proposed hybrid model shows significant promise, limitations include its testing on a specific retail sector dataset, which may restrict generalizability to other domains with different demand characteristics, and potential issues with data quality that could impact forecasting accuracy. Overall, the research underscores the importance of intelligent, integrated systems for achieving efficiency and agility in modern procurement operations.
Introduction
The introduction of this research paper highlights the increasing complexity of global supply chains, driven by heightened consumer expectations and product diversification. Traditional procurement and inventory management approaches, which rely on static demand forecasts and manual decision-making, are deemed inadequate for addressing the dynamic challenges faced by organizations today. The paper emphasizes the transformative role of Supply Chain Management (SCM) as a strategic lever in a data-intensive environment, particularly through the utilization of Big Data and predictive analytics. Despite advancements in demand forecasting and procurement planning, significant gaps remain, particularly in real-time inventory visibility and communication between procurement and inventory management, leading to inefficiencies such as stock-outs and overstocking.
To address these challenges, the proposed research introduces an integrated predictive analytics architecture that leverages Big Data methods to enhance the alignment between procurement planning and inventory management. This framework incorporates time-series forecasting, alerting, and real-time thresholds to improve procurement responsiveness and customer service. The study focuses on large-scale companies in sectors such as manufacturing, retail, and logistics, where understanding supply chain demands is critical. By employing predictive analytics, organizations can optimize inventory control, enhance partner coordination, and improve customer service, ultimately fostering agility and competitiveness in the supply chain. The research aims to develop intelligent, resilient, and customer-centric supply chain systems that integrate predictive models with real-time performance evaluation using established supply chain KPIs.
Methods
In this study, a systematic quantitative approach was employed to develop a predictive analytics model aimed at enhancing visibility and customer satisfaction within supply chain procurement. The research utilized publicly available datasets, including historical inventory levels, order histories, supplier lead times, and demand trends, sourced from platforms like Kaggle and UCI (Brintrup et al., 2023). Data preprocessing was conducted using Python libraries such as Pandas and NumPy to clean and convert the data into time-series formats. An 80:20 train-test split was implemented alongside 5-fold cross-validation to ensure robust model responses.
For forecasting inventory levels, ARIMA and Facebook Prophet models were utilized, while Random Forest and XGBoost were employed for classifying customer satisfaction. Hyperparameter tuning was performed using Grid and Random Search techniques (Eik et al., 2025), and model performance was evaluated using standard metrics including Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and classification accuracy. These preprocessing steps were critical for enhancing model training efficiency, minimizing noise, and ensuring that both Random Forest and Long Short-Term Memory (LSTM) components were trained on clean and representative data. The study aimed to achieve three primary objectives: predicting low inventory items at warehouse and retail levels, creating a data-driven framework to enhance procurement awareness and agility, and developing analytical models that link supply chain responsiveness to customer satisfaction levels.
Results
In the Results and Discussion section, the authors present a performance evaluation of the implemented predictive and classification models against established goals. The validation of these models was conducted using conventional metrics to assess their effectiveness in predicting inventory levels, optimizing purchase decisions, and forecasting customer satisfaction. The findings indicate that the models demonstrate a satisfactory level of accuracy and reliability, thereby fulfilling the intended objectives of enhancing operational efficiency and customer engagement.
Discussion
The discussion section of the research paper emphasizes the integration of big data and machine learning technologies in enhancing supply chain forecasting, particularly through effective data preprocessing. The authors highlight the critical role of predictive analytics in improving decision-making, responsiveness, and customer satisfaction within supply chains. Various studies corroborate these findings, showcasing how predictive models and big data contribute to greater transparency, agility, and operational efficiency in logistics. Notably, the synergy of big data with predictive models is presented as a means to develop smarter supply chain strategies, with a focus on real-time visibility and risk mitigation.
The paper also identifies gaps in existing literature, particularly regarding the limitations of traditional AI models in supply chain management, such as their lack of explainability and inability to process real-time data effectively. The authors propose a novel hybrid model combining Random Forest (RF) and Long Short-Term Memory (LSTM) networks, which surpasses traditional methods like ARIMA and exponential smoothing in flexibility and accuracy. The study’s findings demonstrate significant improvements in procurement accuracy, lead times, and customer satisfaction scores, underscoring the practical implications of an integrated, data-driven approach to supply chain management. Overall, the research advocates for the adoption of intelligent systems that enhance efficiency, transparency, and agility in procurement operations, while acknowledging the limitations of the proposed model in terms of generalizability across different sectors.