Demand forecasting and inventory improvement in supply chain management using hybrid boosting ensemble techniques

Barghi, Samira (2025). Demand forecasting and inventory improvement in supply chain management using hybrid boosting ensemble techniques. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Effective supply chain management in retail depends heavily on accurate demand forecasting and inventory improvement to ensure balanced stock levels and minimize costs. This study proposes a novel framework for a single echelon inventory management problem, that integrates a hybrid boosting ensemble model applied to two case studies (with and without handling uncertainty) with the Order-Up-to-Level inventory policy to enhance forecast precision and operational efficiency within the retail environment of Rossmann stores. Orders are aggregated for multiple items to reduce ordering costs, improving overall cost efficiency. The objective is to determine key inventory parameters, including reorder points, safety stock, and total inventory costs.

The methodology follows a two-phase approach. First, a hybrid ensemble of LightGBM, CatBoost, and XGBoost is developed using multivariate data from the Rossmann dataset, which includes sales figures, store attributes, time-related variables, and promotional factors. Prior to training, fuzzy generalization is applied to handle uncertainty in the data. The ensemble operates sequentially: LightGBM provides initial predictions, CatBoost reduces residual errors, and XGBoost performs final refinements. Model tuning is conducted through grid search combined with 5-fold cross-validation.

These forecasts are then incorporated into the Order-Up-To-Level inventory policy to determine improved ordering decisions. The framework is benchmarked against traditional and singlemodel approaches, which often struggle with demand volatility and integration with inventory systems. The hybrid ensemble outperforms these methods by leveraging the strengths of each model—computational efficiency from LightGBM, categorical handling by CatBoost, and regularization from XGBoost.

Empirical validation using data from 1,115 Rossmann stores over 942 days demonstrates substantial improvements in key performance metrics such as Root Mean Squared Error, Mean Absolute Error, and Pred(x=10%) compared to baseline models such as ARIMA, Moving Average, Simple Exponential Smoothing, and single-model machine learning approaches (LightGBM, XGBoost, and CatBoost). The proposed system results in lower forecast errors, reduced inventory costs, fewer stockouts and overstock incidents, and higher service levels.

In summary, the integration of hybrid boosting, fuzzy generalization, and the Order-Up-To-Level policy provides a robust, data-driven solution to the challenges of demand uncertainty and inventory control in retail supply chain management. The proposed framework offers tangible improvements in operational performance, highlighting its potential for broader adoption in real-world retail applications.

Titre traduit

Prévision de la demande et optimisation des stocks dans la gestion de la chaîne d’approvisionnement à l’aide de techniques d’ensemble hybride par boosting

Résumé traduit

Une gestion efficace de la chaîne d’approvisionnement dans le commerce de détail repose en grande partie sur une prévision précise de la demande et une optimisation des stocks afin de garantir l’équilibre des stocks et de minimiser les coûts. Cette étude propose un cadre novateur intégrant un modèle d’ensemble hybride boosting appliqué à deux études de cas (avec et sans gestion de l’incertitude pour un problème de gestion des stocks à un seul échelon) et à la politique de gestion des stocks « Order-Up-to-Level » afin d’améliorer la précision des prévisions et l’efficacité opérationnelle dans l’environnement de vente au détail des magasins Rossmann. L’objectif est d’optimiser les paramètres clés des stocks, notamment les points de commande, le stock de sécurité et le coût total des stocks.

La méthodologie adoptée suit une approche en deux phases. Dans un premier temps, un ensemble hybride composé de LightGBM, CatBoost et XGBoost est développé à partir de données multivariées issues du jeu de données Rossmann, incluant les ventes, les caractéristiques des magasins, les variables temporelles et les promotions. Une généralisation floue est appliquée en amont pour gérer l’incertitude. Le modèle fonctionne en cascade: LightGBM génère des prévisions initiales, CatBoost corrige les erreurs résiduelles, et XGBoost affine les résultats finaux. L’optimisation est réalisée par recherche en grille et validation croisée à 5 plis.

Ces prévisions alimentent ensuite la politique d’inventaire Order-Up-To-Level pour déterminer les décisions d’approvisionnement améliorées. Le cadre est comparé à des approches traditionnelles et à modèles uniques, souvent limitées face à la volatilité de la demande et à l’intégration avec les systèmes d’inventaire. L’ensemble hybride surpasse ces méthodes en tirant parti des avantages spécifiques de chaque algorithme : efficacité computationnelle de LightGBM, traitement performant des variables catégorielles par CatBoost, et régularisation efficace via XGBoost.

Une validation empirique, basée sur les données de 1 115 magasins Rossmann sur 942 jours, montre des améliorations significatives selon des métriques clés telles que l’erreur quadratique moyenne et l’erreur absolue moyenne. Le système proposé permet de réduire les erreurs de prévision, les coûts d’inventaire (commande, stockage, achat), les ruptures de stock et les excédents, tout en augmentant le niveau de service.

En résumé, l’intégration du boosting hybride, de la généralisation floue et de la politique Order-Up-To-Level constitue une solution robuste et fondée sur les données pour relever les défis liés à l’incertitude de la demande et à la gestion des stocks dans la chaîne d’approvisionnement. Le cadre proposé démontre des améliorations opérationnelles concrètes et un fort potentiel d’adoption dans les applications réelles du commerce de détail.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in project management engineering". Comprend des références bibliographiques (pages 109-111).
Mots-clés libres:	gestion de la chaîne d’approvisionnement, prévision de la demande, optimisation des stocks, ensemble hybride de boosting, politique order-up-to-level, regroupement flou, incertitude de la demande
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Beauregard, Yvan
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	19 sept. 2025 19:03
Dernière modification:	19 sept. 2025 19:03
URI:	https://espace.etsmtl.ca/id/eprint/3697

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt