Багатофакторний статистичний аналіз успішності замовлень як інструмент оптимізації автоматизованих систем керування ресурсами
DOI:
https://doi.org/10.31498/2225-6733.50.2025.336372Ключові слова:
багатофакторний аналіз, статистичне прогнозування, успішність замовлень, B2B-сегмент, автоматизовані системи керування ресурсами, ERP-системи, оптимізація бізнес-процесівАнотація
У статті розглянуто методологію багатофакторного статистичного аналізу для прогнозування успішності замовлень у B2B-сегменті як інструмент оптимізації автоматизованих систем керування ресурсами підприємства. Дослідження зосереджено на виявленні ключових факторів, що впливають на успішність замовлень, та розробці методології, яка автоматично адаптується до характеру розподілу даних, обираючи відповідні статистичні тести та методи аналізу. Представлено комплексний підхід, який включає статистичний аналіз історичних даних ERP-систем, побудову прогностичних моделей та їх інтеграцію в автоматизовані системи керування ресурсами підприємства. Запропонована методологія дозволяє підвищити точність прогнозування успішності замовлень, оптимізувати управління запасами та виробничими процесами, а також покращити якість прийняття управлінських рішень. Результати дослідження підтверджують доцільність застосування методології для підвищення ефективності використання ресурсів підприємства та зниження операційних ризиків
Посилання
Markuts V., Kyzenko O. ERP system as a tool for ensuring the rational use of company resources. Scientific notes. 2023. No. 32. Pp. 68-78. DOI: https://doi.org/10.33111/vz_kneu.32.23.03.06.045.051.
Qureshi M.R.N.M. Evaluating Enterprise Resource Planning (ERP) Implementation for Sustainable Supply Chain Management. Sustainability. 2022. Vol. 14, no. 22. Article 14779. DOI: https://doi.org/10.3390/su142214779.
Enterprise Resource Planning Systems for Health, Safety, and Environment Management: Analyzing Critical Success Factors / M. AlMarri et al. Sustainability. 2025. Vol. 17, no. 7. Article 2947. DOI: https://doi.org/10.3390/su17072947.
AI-driven demand forecasting: Enhancing inventory management and customer satisfaction / Olamide Raimat Amosu et al. World Journal of Advanced Research and Reviews. 2024. Vol. 23, no. 2. Pp. 708-719. DOI: https://doi.org/10.30574/wjarr.2024.23.2.2394.
Comparing Statistical and Machine Learning Methods for Time Series Forecasting in Data-Driven Logistics–A Simulation Study / L. Schmid et al. Entropy. 2024. Vol. 27, no. 1. Article 25. DOI: https://doi.org/10.3390/e27010025.
Statistical Predictions of Trading Strategies in Electronic Markets / Á. Cartea et al. Journal of Financial Econometrics. 2024. Vol. 23, iss. 2. Pp. 1-64. DOI: https://doi.org/10.1093/jjfinec/nbae025.
Walter A., Ahsan K., Rahman S. Application of artificial intelligence in demand planning for supply chains: a systematic literature review. The International Journal of Logistics Management. 2025. Vol. 36, no. 3. Pp. 672-719. DOI: https://doi.org/10.1108/ijlm-02-2024-0120.
Ahmadirad Z. The Role of AI and Machine Learning in Supply Chain Optimization. International Journal of Modern Achievement in Science, Engineering and Technology. 2025. Vol. 2, no. 2. Pp. 1–8. DOI: https://doi.org/10.63053/ijset.77.
Applying Machine Learning Approach to Start-up Success Prediction / O. Piskunova et al. Scientific Horizons. 2021. Vol. 24, no. 11. Pp. 72-84. DOI: https://doi.org/10.48077/scihor.24(11).2021.72-84.
Choi Y. Startup Success Prediction with PCA-Enhanced Machine Learning Models. Journal of technology management & innovation. 2024. Vol. 19, no. 4. Pp. 77-88. DOI: https://doi.org/10.4067/s0718-27242024000400077.
Tarigan Z.J.H., Siagian H., Jie F. Impact of Enhanced Enterprise Resource Planning (ERP) on Firm Performance through Green Supply Chain Management. Sustainability. 2021. Vol. 13, no. 8. Article 4358. DOI: https://doi.org/10.3390/su13084358.
History, Features, Challenges, and Critical Success Factors of Enterprise Resource Planning (ERP) in The Era of Industry 4.0 / M. Al-Amin et al. European Scientific Journal, ESJ. 2023. Vol. 19, no. 6. Pp. 31-59. DOI: https://doi.org/10.19044/esj.2023.v19n6p31.
Determining the influence of data on working with video materials on the accuracy of student success prediction models / V. Pylypenko et al. Eastern-European Journal of Enterprise Technologies. 2024. Vol. 5, no. 4(131). Pp. 52-62. DOI: https://doi.org/10.15587/1729-4061.2024.313333.
Predicting and Defining B2B Sales Success with Machine Learning / S. Mortensen et al. 2019 Systems and Information Engineering Design Symposium (SIEDS) : conference proceedings, Charlottesville, 26 April 2019. NY, 2019. Pp. 352-356. DOI: https://doi.org/10.1109/SIEDS.2019.8735638.
McQuitty S. The Purposes of Multivariate Data Analysis Methods: an Applied Commentary. Journal of African Business. 2017. Vol. 19, no. 1. Pp. 124-142. DOI: https://doi.org/10.1080/15228916.2017.1374816.
Prediction for the Inventory Management Chaotic Complexity System Based on the Deep Neural Network Algorithm / T. Lei et al. Complexity. 2023. Vol. 2023. Pp. 1-11. DOI: https://doi.org/10.1155/2023/9369888.
Oluwaseye Joel, L., Doorsamy W., Sena Paul B. A Review of Missing Data Handling Techniques for Machine Learning. International Journal of Innovative Technology and Interdisciplinary Sciences. 2022. Vol. 5(3). Pp. 971-1005. DOI: https://doi.org/10.15157/IJITIS.2022.5.3.971-1005.
Arimie С., Biu E., Ijomah M. Outlier Detection and Effects on Modeling. Open Access Library Journal. 2020. Vol. 7. Pp. 1-10. DOI: https://doi.org/10.4236/oalib.1106619.
Shved A. V., Davydenko Y. O. Outlier detection technique for heterogeneous data using trimmed-mean robust estimators. Radio Electronics, Computer Science, Control. 2022. No. 3. Pp. 50-57. DOI: https://doi.org/10.15588/1607-3274-2022-3-5.
A Modern Introduction to Probability and Statistics / F.M. Dekking et al. London : Springer London, 2005. 488 p. DOI: https://doi.org/10.1007/1-84628-168-7.
MSCI global investable market value and growth index methodology. 2021. 37 p. URL: https://www.msci.com/eqb/methodology/meth_docs/MSCI_GIMIVGMethod_Feb2021.pdf (дата звернення: 05.01.2024).
Särndal C.-E., Swensson B., Wretman J. Model Assisted Survey Sampling. Springer Series in Statistics. Springer, 2003. 694 p.
Shapiro S. S., Wilk M. B. An analysis of variance test for normality (complete samples). Biometrika. 1965. Vol. 52, no. 3-4. Pp. 591-611. DOI: https://doi.org/10.1093/biomet/52.3-4.591.
D'Agostino R., Pearson E.S. Tests for departure from normality. Empirical results for the distributions of b2 and √b1. Biometrika. 1973. Vol. 60, no. 3. Pp. 613-622. DOI: https://doi.org/10.1093/biomet/60.3.613.
Anderson T.W., Darling D.A. Asymptotic Theory of Certain «Goodness of Fit» Criteria Based on Stochastic Processes. The Annals of Mathematical Statistics. 1952. Vol. 23, no. 2. Pp. 193-212. DOI: https://doi.org/10.1214/aoms/1177729437.
Welch B.L. The generalization of ‘student's’ problem when several different population varlances are involved. Biometrika. 1947. Vol. 34, no. 1-2. Pp. 28-35. DOI: https://doi.org/10.1093/biomet/34.1-2.28.
Cohen J. Statistical Power Analysis for the Behavioral Sciences. New York : Routledge, 2013. 567 p. DOI: https://doi.org/10.4324/9780203771587.
Mann H.B., Whitney D.R. On a Test of Whether one of Two Random Variables is Stochastically Larger than the Other. The Annals of Mathematical Statistics. 1947. Vol. 18, no. 1. Pp. 50-60. DOI: https://doi.org/10.1214/aoms/1177730491.
Swets J.A. Signal detection theory and ROC-analysis. New York : Academic Press, 1975. 277 p.
Ben-David S., Shalev-Shwartz S. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014. 449 p.
The Balanced Accuracy and Its Posterior Distribution / K.H. Brodersen et al. 2010 20th International Conference on Pattern Recognition (ICPR), Istanbul, Turkey, 23-26 August 2010. Pp. 3121-3124. DOI: https://doi.org/10.1109/icpr.2010.764.
Kelleher J.D., D'Arcy A., Namee B.M. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. MIT Press, 2015. 624 p.
Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters. 2006. Vol. 27, no. 8. Pp. 861-874. DOI: https://doi.org/10.1016/j.patrec.2005.10.010.
Nonparametric receiver operating characteristic curve analysis with an imperfect gold standard / J. Sun et al. Biometrics. 2024. Vol. 80, no. 3. Pp. 1-12. DOI: https://doi.org/10.1093/biomtc/ujae063.
Çorbacıoğlu Ş., Aksel G. Receiver operating characteristic curve analysis in diagnostic accuracy studies: A guide to interpreting the area under the curve value. Turkish Journal of Emergency Medicine. 2023. Vol. 23, no. 4. Pp. 195-198. DOI: https://doi.org/10.4103/tjem.tjem_182_23.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
