1. Прогнозирование спроса.
   Прогнозирование спроса имеет решающее значение в управлении цепочкой поставок, поскольку позволяет оптимизировать уровень запасов и обеспечить эффективное производство. Одним из популярных методов является прогноз по скользящему среднему. Вот пример на Python:

def moving_average_forecast(data, window_size):
    forecast = []
    for i in range(len(data) - window_size + 1):
        window = data[i:i+window_size]
        forecast.append(sum(window) / window_size)
    return forecast
# Usage Example
sales_data = [100, 120, 110, 90, 95, 130, 150, 140]
forecast = moving_average_forecast(sales_data, 3)
print(forecast)

2. Оптимизация запасов.
   Эффективное управление запасами имеет решающее значение для успеха цепочки поставок. Один из подходов — использование модели экономического количества заказов (EOQ). Вот пример реализации на Python:

import math
def calculate_eoq(demand_rate, setup_cost, holding_cost):
    eoq = math.sqrt((2 * demand_rate * setup_cost) / holding_cost)
    return eoq
# Usage Example
demand_rate = 1000  # units per year
setup_cost = 500  # per order
holding_cost = 10  # per unit per year
eoq = calculate_eoq(demand_rate, setup_cost, holding_cost)
print(eoq)

3. Выбор поставщика.
   Выбор правильных поставщиков жизненно важен для надежной цепочки поставок. Одним из распространенных методов является модель взвешенной точки. Вот пример на Python:

def weighted_point_model(supplier_data, weights):
    scores = {}
    for supplier, data in supplier_data.items():
        score = sum([data[i] * weights[i] for i in range(len(data))])
        scores[supplier] = score
    return scores
# Usage Example
supplier_data = {
    'Supplier A': [0.8, 0.9, 0.7],
    'Supplier B': [0.6, 0.8, 0.9],
    'Supplier C': [0.7, 0.6, 0.8]
}
weights = [0.4, 0.3, 0.3]
scores = weighted_point_model(supplier_data, weights)
print(scores)