Methodology for Inventory Management in Neighborhood Stores Using Machine Learning and Integer Linear Programming

Metodología para la gestión de inventario en tiendas de barrio utilizando aprendizaje de máquina y programación lineal entera

Abstract Authors Available Metrics References How to Cite

Abstract (en)

Context: Nowadays, inventory management poses a challenge given the constant demands related to temporality, geographic location, price variability, and budget availability, among others. In neighborhood shops, this process is manually done based on experience (the data generated are ignored), which is sometimes not enough to respond to changes. This shows the need to develop new strategies and tools that use data analysis techniques.

Method: Our methodology predicts the weekly demand for 14 common products in neighborhood stores, which is later refined based on investment capital. The method is validated using a database built with synthetic information extracted from statistical sampling. For the prediction model, three supervised learning models are used: support vector machines (SVM), AutoRegressive models (Arx), and Gaussian processes (GP). This work proposes a restricted linear model given an inversion and the predicted quantity of products; the aim is to refine the prediction while maximizing the shopkeeper's profit. Finally, the problem is solved by applying an integer linear programming paradigm.

Results: Tests regarding the prediction and inventory adjustment stages are conducted, showing that the methodology can predict the temporal dynamics of the data by inferring the statistical moments of the distributions used. It is shown that it is possible to obtain a maximum profit with a lower investment.

Conclusions: Our method allows predicting and refining inventory management in a neighborhood store model where quantities are managed to maximize the shopkeeper's profits. This opens the way to explore this approach in a real scenario or to introduce new techniques that can improve its performance.

Abstract (es)

Contexto: En la actualidad, la administración del inventario representa un reto dadas las constantes exigencias de temporalidad, ubicación geográfica, variabilidad en los precios, disponibilidad presupuestal, entre otros. En las tiendas de barrio, este proceso se realiza de forma manual y con base en la experiencia (se ignoran los datos generados), lo que en ocasiones no es suficiente para responder a los cambios. Esto muestra la necesidad de desarrollar nuevas estrategias y herramientas que utilicen técnicas de análisis de datos.

Método: Nuestra metodología predice la demanda semanal para 14 productos comunes en tiendas de barrio, la cual se refina posteriormente en función del capital de inversión para optimizar la ganancia. El método se valida a través de una base de datos construida con información sintética extraída a partir de muestreo estadístico. Para la predicción, se utilizan tres modelos de aprendizaje supervisado: máquinas de soporte vectorial (SVM), modelos AutoRegresivos (ARx) y procesos Gaussianos (GP). Luego, se plantea un modelo lineal restringido dada una inversión y las cantidades pronosticadas; el propósito es refinar la predicción maximizando la ganancia del tendero. Finalmente, el problema se soluciona aplicando un paradigma de programación lineal entera.

Resultados: Se realizan pruebas para las etapas de predicción y ajustes del inventario, donde se demuestra que la metodología logra predecir la dinámica temporal de los datos infiriendo los momentos estadísticos de las distribuciones utilizadas. Se muestra que es posible obtener una máxima ganancia con un monto menor de inversión.

Conclusiones: Nuestra metodología que permite predecir y refinar la gestión de inventario en un modelo de tienda de barrio en el que las cantidades se administran para maximizar las ganancias del tendero. Lo anterior abre el camino para explorar este enfoque en un escenario real o introducir nuevas técnicas que puedan mejorar su desempeño.