Risk assessment and prescriptive analytics for electrical devices production based on an integration of requirement forecasting and customer segmentation models

Abstract

Material requirement planning is an important role of a manufacturing business. Manufacturers need to find an effective way to manage material planning among the changes. This research is designed to create an integrated model of time series forecasting of material requirements and customer segmentation model for risk assessment for electrical equipment procurement. The research was based on data from an electronic component manufacturing company from 2016 to 2017 for data mining process with Cross Industry Standard Process (CRISP-DM) concept. The method used in prediction to compare Gradient Boosted Tree (GBT), Artificial Neural Network (ANN) and Decision Trees (DT) and the K-means is method for clustering customer segmentation, using data in the form of RFM (Recency-Frequency-Monetary). The result shows that Gradient Boosted Trees provides more than 90% accuracy in predicting the LED rank and can save cost of resistor order around THB 4.6 million per month. Customer can be classified into three groups, Good, Moderate and Normal. The results of DT were then used to generate a risk assessment matrix. There is a level of credibility that determines customer priorities in the event of an order in less than the quotation period and optimization of time series forecasting models. Finally, the results of GBT were analyzed with Prescriptive analytics to do a strategy and allocate parts which align to customer behavior and according to the company policy. The results show that LED rank EX, EY and JUJ3 is for market in Europe, Asia and Local, respectively. Thus, the research is helpful and can be used in material purchasing planning and creating market strategy

การวางแผนการจัดซื้อวัสดุจัดเป็นองค์ประกอบสำคัญของกระบวนการผลิต ผู้ผลิตจึงจำเป็นต้องหาวิธีการการจัดการที่มีประสิทธิภาพมาใช้ให้สอดคล้องกับความเปลี่ยนแปลง งานวิจัยฉบับนี้จัดทำเพื่อสร้างการบูรณาการของแบบจำลองการพยากรณ์อนุกรมเวลาของความต้องการวัสดุและแบบจำลองของการแบ่งกลุ่มลูกค้าเพื่อการประเมินความเสี่ยงสำหรับการสั่งซื้ออุปกรณ์ไฟฟ้า งานวิจัยนี้นำข้อมูลจากบริษัทผลิตชิ้นส่วนอิเล็กทรอนิกส์แห่งหนึ่ง ตั้งแต่ปี 2559 - 2560 มาประยุกต์ใช้กับกระบวนการเหมืองข้อมูลดำเนินงานด้วยกรอบแนวคิด Cross Industry Standard Process (CRISP-DM) โดยวิธีการที่ใช้ในการพยากรณ์ได้ทำการทดลองเปรียบเทียบระหว่าง เกรเดียนท์บูสท์ทรี (Gradient Boosted Tree: GBT) โครงข่ายประสาทเทียม (Artificial Neural Network: ANN) และ ต้นไม้ตัดสินใจ (Decision Trees: DT) และวิธีการที่ใช้แบ่งกลุ่มลูกค้าได้แก่ K-Means โดยใช้ข้อมูลในรูปของ RFM (Recency-Frequency-Monetary) ผลลัพธ์ที่ได้พบว่า Gradient Boosted Tree ให้ค่าความแม่นยำที่มากกว่า 90% ในการพยากรณ์โอกาสค่าแสงของ LED ลดการสั่งซื้อ Resistor เป็นจำนวนเงิน 4,600,000 บาทต่อเดือน โดยได้นำเสนอการแปลความหมายของกฎที่ได้ ของอุปกรณ์แต่ละชนิดด้วย และการแบ่งกลุ่มลูกค้าพบว่าลูกค้าสามารถแบ่งได้ 3 กลุ่ม ได้แก่ Good, Moderate และ Normal จากนั้นนำผล DT มาสร้าง Risk assessment matrix แสดงให้เห็นว่าลูกค้า มีระดับความน่าเชื่อถือที่กำหนดความสำคัญลูกค้าในกรณีที่มีการสั่งซื้อในระยะเวลาน้อยกว่าใบเสนอราคา และเพิ่มประสิทธิภาพของแบบจำลองการพยากรณ์อนุกรมเวลา สุดท้ายผู้วิจัยวิเคราะห์ Prescriptive analytics ด้วยผลของ GBT เพื่อจัดทำกลยุทธ์และจัดสรรสินค้าให้สอดคล้องกับพฤติกรรมลูกค้า และเป็นไปตามนโยบาย บริษัท ผลที่ได้แสดงให้เห็นว่า ต้องทำการตลาดในพื้นที่ Europe ผู้ผลิตต้องทำการตลาดด้วยโมเดลที่ผลิตด้วย LED ประเภท EX และ EY ในพื้นที่ Asian และ LED rank JUJ3 ในพื้นที่ Local ดังนั้นงานวิจัยฉบับนี้จึงเป็นประโยชน์สามารถไปใช้ในกระบวนการวางแผนการจัดซื้อวัสดุและสร้างกลยุทธ์การตลาด