该项目对影响 CFR 的因素提供了宝贵的见解。研究发现，预测准确性和需求变化是影响 CFR 的主要因素。预测和实际客户需求之间的不准确性对 CFR 有显著影响，强调了提高预测准确性和保持充足库存水平的重要性。
混合模型结合了逻辑回归、随机森林回归和支持向量机 (SVM)，在预测切割量和 CFR 方面表现出令人印象深刻的精度和准确性。在第二种方法中，XGBoost、LSTM 和多步 LSTM 等高级时间序列机器学习模型显示出短期预测的潜力。虽然长期预测带来了挑战，但这些模型为库存优化提供了宝贵的见解。
该项目的研究结果对快速消费品行业具有重大意义。通过确定预测误差和需求变化是影响成本节约的关键因素，该项目强调了提高预测准确性和优化库存的必要性。将促销和市场指数等外生因素整合到预测模型中可以进一步提高准确性和可靠性。
尽管仍存在库存变化和不规则订单模式等挑战，但该项目为未来的研究奠定了坚实的基础。采用机器 罗马尼亚电子邮件列表 学习和深度学习技术的组合、探索强化学习以及纳入促销活动和竞争对手定价等其他数据输入可以实现卓越的预测准确性。通过采用这些数据驱动的洞察，快速消费品公司可以主动缓解缺货问题、提高成本节约率并在不断变化的商业环境中蓬勃发展。
每年， 麻省理工学院交通与物流中心 (MIT CTL) 供应链管理 (SCM) 硕士项目约有 80 名学生完成大约 45 个为期一年的研究项目。
这些学生是来自多个国家的早期商业专业人士，拥有 2 至 10 年的行业经验。大多数研究项目都是由跨国公司选择、赞助和合作开展的。由麻省理工学院供应链管理专业学生和麻省理工学院 CTL 教员组成的联合团队致力于解决实际问题。在本系列中，他们总结了最新的供应链管理研究。