Система підтримки прийняття рішень для оптимізації управління товарними запасами
Автор: Павлишин Тетяна Андріївна
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Магістерську кваліфікаційну роботу присвячено розв’язанню актуальної науково-практичної задачі розробки системи підтримки прийняття рішень (СППР) для оптимізації управління товарними запасами. Робота орієнтована на потреби малих та середніх підприємств України, що функціонують в умовах високої ринкової нестабільності [1], посиленої логістичними збоями та волатильністю попиту [2]. Обґрунтовано гостру необхідність створення доступного, гнучкого та аналітично обґрунтованого програмного інструменту як ефективної альтернативи між дорогими, складними у впровадженні ERP-системами та неефективними ручними методами обліку (напр., в Excel), які не здатні адекватно реагувати на стохастичний характер попиту. Метою роботи було розроблення науково-методичних засад та інструментального забезпечення СППР, що забезпечує ефективне планування, контроль запасів, мінімізацію сукупних логістичних витрат (від зберігання та дефіциту) та підвищення адаптивності підприємств до динамічних ринкових умов шляхом інтеграції сучасних методів прогнозування та класичних моделей управління запасами. Об’єктом дослідження є процес управління товарними запасами підприємств, що включає планування, облік, контроль і прогнозування в умовах змінного попиту та обмежених ресурсів. Предметом дослідження є методи, моделі та інструменти підтримки прийняття рішень для оптимізації цього процесу, зокрема гібридні підходи, що поєднують аналітичні моделі, алгоритми машинного навчання та евристичні правила. У роботі застосовано комплекс методів дослідження. На етапі аналізу використано методи системного аналізу, зокрема побудову дерева цілей для декомпозиції задачі та метод аналізу ієрархій (МАІ) для обґрунтування вибору типу системи. Для проєктування архітектури та бізнес-процесів застосовано методи об’єктно-орієнтованого моделювання (UML), зокрема діаграми варіантів використання, класів, послідовності, активності та розгортання, а також нотацію BPMN. Методологічну основу інтелектуального ядра системи склав гібридний підхід [3], що поєднує: методи машинного навчання (зокрема, статистичну модель ARIMA/SARIMA) для аналізу часових рядів та прогнозування попиту і його мінливості; ймовірнісну модель безперервного контролю запасів (модель з фіксованою точкою замовлення, ROP) для розрахунку параметрів управління (безпековий запас, точка поповнення) на основі прогнозів ML; евристичні правила для генерації кінцевих рекомендацій. Для практичної реалізації використано сучасні технології веб-розробки: Python з мікрофреймворком Flask та аналітичними бібліотеками для серверної частини; бібліотеку React.js для клієнтської частини; та документо-орієнтовану СУБД MongoDB (Atlas) для зберігання даних. У результаті виконання роботи розроблено архітектуру та реалізовано функціональний прототип веб-застосунку "InStock Pro". Система забезпечує: ? Рольовий доступ: чітке розмежування функціоналу для трьох акторів (Керівник, Менеджер, Постачальник) через систему автентифікації за email/паролем. ? Децентралізоване управління каталогом: постачальники самостійно керують власним асортиментом товарів, надаючи актуальні дані про кількість, час доставки, історію продажів та бажаний рівень обслуговування. ? Інтелектуальне ядро: автоматичний розрахунок безпекового запасу (SS) та точки поповнення (ROP) для кожного товару. Розрахунок базується не на простому усередненні, а на прогнозах попиту та мінливості, отриманих від ML-моделі (ARIMA), що враховує тренди та сезонність даних. ? Підтримку прийняття рішень: надання менеджерам візуальних рекомендацій ("В нормі", "Замовити", "Критично"), а також інформаційних підказок щодо значення показників. ? Повний цикл погодження: реалізовано бізнес-процес замовлення, що включає створення замовлення менеджером (з урахуванням системних рекомендацій), його затвердження Керівником та фінальне підтвердження або відхилення Постачальником. Проведено аналіз результатів функціонування системи на контрольному прикладі, що підтвердив працездатність розробленого прототипу, коректність розрахунків аналітичного ядра та логічну відповідність бізнес-процесів поставленим завданням. Розраховано кошторисну вартість розробки та показники економічної ефективності. Наукова новизна полягає у розробці адаптованої архітектури СППР для малих та середніх підприємств, що інтегрує прогностичні моделі машинного навчання (ARIMA) з класичною ймовірнісною моделлю контролю запасів (ROP/SS) та евристичним механізмом виведення рекомендацій в рамках багатокористувацького веб-застосунку, який враховує специфіку взаємодії "постачальник-менеджер-керівник". Практичне значення роботи полягає у створенні готового до впровадження прототипу "InStock Pro". Цей інструмент може бути використаний для зниження витрат, пов’язаних з неефективним управлінням запасами [4], підвищення оборотності капіталу та покращення ефективності логістичної діяльності завдяки використанню точніших, ML-керованих прогнозів [5]. Ключові слова: система підтримки прийняття рішень, управління запасами, оптимізація, малі та середні підприємства, ймовірнісна модель, ARIMA, точка поповнення, безпековий запас, веб-застосунок, React, Flask, MongoDB. Робота викладена на 132 сторінках, містить 25 рисунків, 16 таблиць. Список використаних джерел включає 22 найменування. Перелік використаних літературних джерел: 1. ФОРМУВАННЯ ТА ЕФЕКТИВНЕ ВИКОРИСТАННЯ ЗАПАСІВ ПІДПРИЄМСТВАМИ | Збірник наукових праць Черкаського державного технологічного університету. Серія: економічні науки. Збірник наукових праць Черкаського державного технологічного університету. Серія: Економічні науки. URL: https://ven.chdtu.edu.ua/article/view/228921 (дата звернення: 29.10.2025). 2. Zakharchenko, V. I. RESTORATION OF UKRAINE FROM THE CONSEQUENCES OF THE WAR BY MEANS OF NEO-ECONOMY: SECTORAL AND SPATIAL APPROACHES | UGJ. Про журнал | УГЖ. URL: https://ukrgeojournal.org.ua/en/node/763 (date of access: 29.10.2025). 3. Cuartas C., Aguilar J. Hybrid algorithm based on reinforcement learning for smart inventory management. Journal of Intelligent Manufacturing. 2022. URL: https://doi.org/10.1007/s10845-022-01982-5 (дата звернення: 29.10.2025). 4. The Importance of Small Business Inventory Management. GetApp. – URL: https://www.getapp.com/resources/importance-small-business-inventory-management/ (дата звернення: 29.10.2025). 5. Supply Chain Inventory Management from the Perspective of “Cloud Supply Chain”–A Data Driven Approach / Y. Tan та ін. Mathematics. 2024. Т. 12, № 4. С. 573. URL: https://doi.org/10.3390/math12040573 (дата звернення: 29.10.2025).