在数字经济时代，机器学习技术的使用已成为商业决策的支柱，尤其是在数据预测方面。在印尼，中小微型企业（UMKM）在国家经济中发挥重要作用，其贡献率占国内生产总值（GDP/PDB）的60,5%与吸收约97%劳动力。然而，中小微型企业面临的最大挑战是库存管理效率。许多中小微型企业尚未完全采用现代技术来管理货物库存，常常因为库存过剩或库存短缺而遭受损失。
由万隆马拉纳萨基督教大学（Universitas Kristen Maranatha）的阿维纳什（Avinash）、安德烈亚斯•威查雅（Andreas Widjaja）和奥斯卡．卡纳林（Oscar Karnalim）于2024年8月在《信息学工程与信息系统杂志》上发表的科学文章讨论了“预测基本商品库存的机器学习演算法的比较分析”。这项研究非常重要，因为对几种机器学习演算法（例如ARIMA,SARIMA,Prophet,FFT,和SVR）进行了比较，以提高中小微型企业和现代零售业库存预测的精确度。该项研究以2020年12月至2021年12月的每日交易数量为基础，显示SARIMA演算法比其他演算法提供较准确的预测结果，稳定数据的平均绝对百分比误差（Mean Absolute Percentage Error/MAPE）低至0.74%。
在较大需求动态不断变化的市场背景下，准确预测库存需求的能力十分重要。这项研究结果给印尼中小微型企业采用SARIMA演算法作为库存管理策略的一部分提供了实用指导，以避免因库存不当问题而造成损失。
阿维纳什、安德烈亚斯•威查雅和奥斯卡．卡纳林所进行的研究强调了在预测产品库存时选择正确演算法的重要性。他们比较了五种机器学习演算法，即是ARIMA, SARIMA, Prophet, FFT和SVR，每种演算在特定数据条件下都有优势。但就研究结果显示，SARIMA （季节性自动回归综合移动平均线）是最优越的演算法，特别是在处理具有季节性模式的资料方面。当使用一个标准偏差的间隔修改数据时，该演算法提供最佳预测，中小微型企业的平均绝对百分比误差低至0.74%，现代零售业的平均绝对百分比误差则低至0.70%。
SARIMA优于ARIMA，因为具有考虑数据中的季节性因素的能力，这是印尼中小微型企业经常面临的问题。例如，传统市场对基本商品的需求往往在斋戒月或年底等特定时期增加。SARIMA捕捉这种模式的能力使其成为及时管理库存的非常有效的工具。而在这种情况下，ARIMA只为固定资料提供足够结果，而在处理季节性资料效果则较差。由脸书（Facebook）开发的Prophet，也提供了处理复杂资料的灵活性。但其结果不如SARIMA准确，平均绝对百分比误差范围从8%到64%，具体取决于模型配置和数据类型。
此外，使用数据预处理方法（例如使用一个标准偏差间隔去除异常值）已被证明对于提高预测精度非常有效。稳定的数据显示出显着的业绩改善，与原始未经修改的资料相比，它的平均绝对百分比误差低得很多，说明清理资料的初始步骤相当重要。
然而，机器学习技术在中小微型企业界中的应用仍然面对许多挑战，特别是与有限的资源和先进技术的获取有关的挑战。尽管本研究提供了可以实施的解决方案，但在该领域的实施仍需要政府和相关机构在培训和可获得技术方面的支持。如果没有这种支持，那么，机器学习技术在提高印尼中小微型企业营运效力方面的巨大潜力就不可能发挥得淋漓尽致。
本研究为印尼的商业人士、学者及决策者提供了重要的见解。透过采用正确的机器学习技术，中小微型企业可提高库存管理效力，乃至最终在竞争越来越激烈的市场中脱颖而出。
本研究强调了机器学习技术，特别是SARIMA演算法，在提高印尼基础商品管理方面的精确预测具有巨大潜力。就修改数据后的平均绝对百分比误差（MAPE）低至0.74%，该算法已被证明有能力帮助中小微型企业和现代零售商根据市场动态更有效地调整商品库存。采用该技术可以减少库存过剩或库存短缺的风险，进而提高企业的获利能力。
然而，该技术的实施成效高度依赖包括政府和教育机构在内的各方的大力支持。培训、技术获得以及加强数字化基础设施乃确保中小微型企业在库存管理中能够充分发挥机器学习潜力的关键。如果没有这种协作努力，那么，中小微型企业采用先进技术可能将受到阻碍。
总之，SARIMA与其他的机器学习演算法可以改变印尼商界的游戏规则，特别是在中小微型企业领域。在正确的支持下，该技术的应用不仅仅提高营运效率，也鼓励印尼更加包容和可持续经济成长。
作者：Faizul Huda Alafi 翻译：曹世木
译者注：本文摘译自2024年9月7日Kompasiana网讯的评论文章，原标题Optimalisasi Manajemen Persediaan UMKM melalui Algoritma Machine Learning，作者Faizul Huda Alafi乃玛琅Maulana Malik Ibrahim国立伊斯兰大学资讯工程专业学生。
