ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Buffet restaurant supply chains face persistent challenges from demand uncertainty and ingredient perishability, generating significant food waste and stockout risks—a sustainability concern of growing urgency in hospitality operations. Conventional practices relying on heuristic ordering rules or value-based classification schemes fail to capture demand variability across multi-branch environments, revealing a critical gap in artificial intelligence (AI)-driven integrated decision support for perishable inventory management. This study proposes a three-component AI-enabled framework: (i) a LightGBM model optimized via Optuna under walk-forward validation for branch-level daily sales forecasting using calendar, weather, and temporal lag features, with forecasted sales converted into item-level raw-material requirements through historical usage-to-sales ratios; (ii) a novel Volume–Value–Consistency (VVC) segmentation scheme that extends ABC analysis by incorporating demand consistency, measured by the coefficient of variation, alongside volume and value; and (iii) VVC-guided replenishment decisions based on VVC categories. Applied to a four-branch Thai shabu-shabu buffet chain, the framework is empirically evaluated against a prior-month heuristic baseline along two complementary dimensions: spoilage cost (overstock) and service-level outcomes (understock). The LightGBM model reduced mean absolute percentage error (MAPE) by 12.6–31.2% points over lag-free baselines, while the integrated framework reduced spoilage costs by 19.4% on average, with largest reductions—up to 31.6%— observed in stable, low-variability branches. In addition, the framework reduced stockout incidence and improved demand fulfillment, indicating that waste reduction was achieved without compromising service performance. Collectively, these findings suggest that integrating predictive analytics, consistency-aware inventory segmentation, and VVC-guided replenishment decisions provides an effective decision-support approach for reducing food waste and improving inventory performance in multi-branch perishable foodservice supply chains, subject to context-specific recalibration.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 85/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Food Waste Reduction and Sustainability · Food Supply Chain Traceability · Sustainable Supply Chain Management
บทบาทของนักวิจัยและสถาบันไทย
Kullapapruk Piewthongngam · Suphakan Homkhampad · Arthit Apichottanakul · Khon Kaen University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง