كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / یازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

طراحی یک سیستم خبره فازی جهت پیش بینی فروش مانتو شلوار دبیرستان (مطالعه موردی تولیدی تمدن )

نویسندگان :

بهاره رضوی¹ پدرام پیوندی² حمیدرضا کوشا³

1- دانشگاه فردوسی مشهد 2- دانشگاه فردوسی مشهد 3- دانشگاه فردوسی مشهد

کلمات کلیدی :

لباس فرم، MATLABT،پیش بینی فروش،مانتو شلوار دبیرستان،صنعت پوشاک،سیستم خبره فازی،تولیدی تمدن

چکیده :

این پژوهش با هدف طراحی و پیاده‌سازی یک سیستم خبره فازی برای پیش‌بینی فروش مانتو و شلوار مدارس دخترانه در تولیدی تمدن شهرستان چناران انجام گرفته است. داده‌های فروش این واحد طی سال‌های ۱۳۹۴ تا ۱۴۰۴ جمع‌آوری شده و با توجه به شرایط خاص سال ۱۳۹۹ (دوران همه‌گیری کرونا) و تغییرات ناشی از عوامل کیفی و کمی بازار، نیاز به مدلی کارآمد جهت مدیریت عدم قطعیت بیش از پیش احساس می‌شد. در این تحقیق، ۱۰ متغیر ورودی کلیدی شامل رنگ، مدل، جنس پارچه، کیفیت دوخت و برش، قیمت، میزان تبلیغات، دسترسی، تعداد مدارس، تعداد دانش‌آموزان و سال فروش به‌عنوان پارامترهای اثرگذار انتخاب و برای هر یک توابع عضویت فازی تعریف گردید. بر اساس ترکیب این ورودی‌ها، سیستم خبره فازی با ۵۹۰۴۹ قاعده استنتاجی در محیط MATLAB طراحی شد. نتایج حاصل از پیاده‌سازی مدل نشان داد که سیستم فازی توانسته است روند واقعی فروش در دوره ۱۳۹۴ تا ۱۴۰۴ را با دقت قابل قبول شبیه‌سازی کند. برای سال ۱۴۰۵، پیش‌بینی مدل فازی ۱۶۴۰ واحد فروش برآورد گردید، در حالی که مدل رگرسیون خطی بر اساس روند تاریخی تنها ۱۰۴۲ واحد پیش‌بینی کرده بود. اختلاف دو روش با فرمول درصد خطا محاسبه و برابر با ۵۷٫۴۲٪ به‌دست آمد. همچنین ارزیابی با معیار MAPE نشان داد که خطای میانگین مدل فازی در کل دوره مورد مطالعه حدود ۱۲٫۸٪ بوده، در حالی که مدل رگرسیون خطی با خطای میانگین ۳۳٫۹٪ دقت کمتری از خود نشان داده است. این نتایج بیانگر آن است که مدل فازی، علاوه بر روند تاریخی، توانسته اثر عوامل کیفی مانند کیفیت دوخت، جنس و رنگ پارچه، تبلیغات و میزان دسترسی را نیز لحاظ کرده و پیش‌بینی دقیق‌تری ارائه دهد. بنابراین، استفاده از سیستم‌های خبره فازی می‌تواند به تولیدکنندگان پوشاک مدارس در برنامه‌ریزی تولید، مدیریت موجودی، سیاست‌گذاری قیمت و طراحی کمپین‌های تبلیغاتی کمک شایانی نماید. در پایان پیشنهاد می‌شود توسعه مدل با رویکرد نروفازی (ترکیب شبکه عصبی و منطق فازی) و همچنین استفاده از داده‌های تکمیلی مانند سطح درآمد خانوار و فصل خرید برای افزایش دقت پیش‌بینی در سال‌های آینده مدنظر قرار گیرد.