Выбор устойчивых и жизнеспособных поставщиков: интеграция SCOR 4.0 и подхода машинного обучения

Целью данной исследовательской работы является внедрение модели машинного обучения в интеграции с моделью эталонных операций в цепях поставок (Supply Chain Operations Reference, SCOR) для разработки системы на основе искусственного интеллекта, предназначенной для выбора жизнеспособных и устойчивых поставщиков фармацевтической компании. На первом этапе модель SCOR 4.0 в сочетании с методом наилучшего–наихудшего (Best–Worst Method, BWM) использовалась для разработки структуры оценки удовлетворённости клиентов и выявления критически важных характеристик поставщиков. Затем для классификации поставщиков и их ранжирования от лучшего к худшему на основе показателя приемлемости была реализована модель машинного обучения с градиентным бустингом. Результаты показывают, что алгоритм градиентного бустинга хорошо работает в качестве классификатора: поставщик с наибольшим показателем приемлемости является лучшим, а поставщик с наименьшим показателем приемлемости — худшим. Это исследование способствует пониманию того, как и в каких случаях интегрированные модели SCOR и машинного обучения могут улучшить процесс выбора поставщиков.