• No results found

The Integrated Inventory Management with Forecast System


Academic year: 2021

Share "The Integrated Inventory Management with Forecast System"


Loading.... (view fulltext now)

Full text















Noor‐Ajian Mohd‐Lair *1, ChinChong Ng 2, Abdullah MohdTahir, Rachel Fran Mansa, Kenneth Teo Tze  Kin 

1School of Engineering and Information Technology, Universiti Malaysia Sabah, Jalan UMS,  

88400 Kota Kinabalu, Sabah, Malaysia  

*1nrajian@ums.edu.my; 2c_chong89@hotmail.com 



Inventory Management System is very important for driving  a company into better achievement. The main objective of  inventory management is to keep the inventory level as low  as  possible  and  meet  customers’  demand.  This  project  centers  on  development  of the  computerized  integrated  inventory management and forecast system for the Guan Lee  Sdn  Bhd.  In  this  project,  the  exponential  smoothing  is  selected  to  predict  demands  as  inputs  to  control  the  computerised inventory management system. The integrated  system  was  written  using  the  Visual  Basic  2008.  This  integrated inventory management and forecast system has  the ability to forecast while effectively control on inventory  level with six specific features of alert, creation, inventory,  transfer, search and reports. Performance of the system was  analyzed with three  types of forecast value (actual  and  adjusted  forecast  values).  From  the  results,  the  actual  forecast values tend to move toward the ideal one. Thus, the  forecast system is proved to be reliable and accurate. The  suggested improvements are auto recording of historical  data,  attachment  of  picture  to  each  item,  and  sending  notification through text message. 


Inventory Management System; Forecast Technique; Exponential 

Smoothing; Mean Absolute Deviation 


Inventories are materials and supplies that a business 

or institution carries for either sale or providing inputs 

or  supplies  to  production  process  (Wildm,  2002). 

Improving the inventory management system enables 

a  company to keep track on their inventory level 

consistently  while  supplies  customers’  needs  and 

maintains their inventory level as low as possible with 

minimum  cost.  Selection  and  utilization    of  an 

appropriate method and software for a computerized 

inventory management system is very important for 

company in order to be more efficient. 

This project centered on improving the Guan Lee Sdn 

Bhd inventory management strategies. The company 

controls  the  inventory  manually  without  any 

inventory management system. Few major problems 

were incurred due to mis‐managed inventory. The 

time  for  stocks  being  used  up  and  re‐reorder,  is 

difficult to be determined by the company. The annual 

demand for the company is uncertain and hard to be 

predicted precisely, as it strongly depends on season, 

marketing,  management  and  etc.  The  monthly 

quantity ordered by the company is imprecise, and 

always causes excessive or insufficient stocks. 

Therefore, the objective of this project is to develop an 

efficient computerized inventory management system 

that helps the company to control and manage the 

inventories through efficient forecasting system.  Review of Literature

In inventory management, various techniques have 

been used to manage the stock.  For instance, the step 

function  can  be  used  to  represent  many  real‐life 

situations in which the storage items can be classified 

into different ranges, each with its distinctive unit 

holding cost (Alfares, 2007). Alfares (2007) introduced 

two types of discontinuous step functions to represent 

these holding costs which are retroactive increase and 

incremental  increase  holding  costs.  For  retroactive 

increase, a uniform holding cost that depends on the 

length of storage is used. For incremental increase, 

higher storage cost rates is applied to storage in later 

periods. By using these step functions, the respective 

total inventory cost (TIC) coupled with the ordering 

cost is then developed for further calculation in further 


The Croston’s method used to predict the inventories 

with  intermittent demand is  an adaptation  of the 

exponential smoothing proposed by Croston in 1972, 

involving separate simple exponential smoothing (SES) 

forecasts on the demand size and the demand interval 


Croston’s method was introduced by Synder (2002), 

called the adaptive variance version (AVAR). Synder 

proposed  modifications  to  overcome  certain 

implementation difficulties in forecasting slow and 

fast  moving  inventories.  In  the  paper,  Synder 

introduced  variance  instead  of  mean  absolute 

deviation (MAD) for measuring variability in a time 

series, and a second smoothing parameter β to define 

how the variability changes over time, for Croston’s 


Another  new  method  proposed  by  Teunter  et  al. 

(2011), is called TSB (derived from authers’ name), 

which is a modification of Croston’s method as well. 

In  that  modification,  exponential  smoothing  was 

utilized to update the demand probability instead of 

the demand interval. The estimate of the probability of 

occurrence  is  updated  at  eavh  time  period.  The 

estimate of the demand size is updated at the end of 

periods with positive demand. Then,   two different 

smoothing  constants  were  applied  because  the 

demand probability is updated more often than the 

demand size. Thus, the product of the estimates for 

demand size and demand probability provides the 

forecast of the demand per period. 

Periodic  review  system  (R,S)  is  another  type  of 

inventory  management  policy  used  to  deal  with 

highly variable and irregular demand, where R stands 

for the review period while S is the base stock. At each 

review instance, the order quantity for any item is S‐IP, 

where IP is the inventory position of that item, namely 

the stock is either physically available or has been 

previously  ordered  but not  yet received.  In  2010, 

Nenes  et  al.(2010)  adopted  and  implemented  the 

periodic review system (R,S) to solve the problem of 

managing the inventories of thousands of different 

items, supplied by more than 20 European and Asian 

manufacturers and sold to a large number of different‐

type customers. The lead time for every supplier is 

unlike to each other’s. Thus, those researchers use this 

method as the review period R can be used regarding 

to all different suppliers. 

In addition, the bootstrap is a method that creates 

pseudo‐data by sampling with replacement from the 

individual observations (Willemain et al., 2004). In the 

problem of forecasting lead‐time demand, Willemain 

et al. (2004) adopted this method, and developed a 

modified  bootstrap  in  response  to  three  difficult 

features  of  intermittent  demand,  which  are 

autocorrelation,  frequent  repeated  value,  and 

relatively  short  period.  In  their  research,  Markov 

model  was  used  to  generate  a  sequence  of 

zero/nonzero value over forecast horizon. Summing 

the forecast over each period of the lead time gives one 

forecast of lead time demand (LTD). Thus,  the process 

was repeated until they have 1000 bootstrap forecasts 

estimating the entire distribution of LTD. 

A method called fuzzy set theory was also applied in 

inventory problem, which can be found in the field of 

artificial  intelligence  either.  Fuzzy  set  theory  is 

concerned with the rules for computing the combined 

possibilities  over  expressions  that  contain  fuzzy 

variable  (Luger,  2005).  For  instance,  a  model 

constructed by Kao and Hsu (2002) for the case of 

fuzzy demand, was adopted as fuzzy number that was 

described by a membership function. After that, the 

total  cost  was  computed  from  the  membership 

function in term of fuzzy numbers for three different 

cases. As fuzzy number can be ranked, then Yager’s 

method was applied for ranking the fuzzy numbers. 

At the end, a quantity with the smallest fuzzy cost 

(optimal quantity) was calculated. 

Decomposition procedures are used in time series to 

describe the trend and seasonal factors in a time series. 

By  using  decomposition  procedures,  seasonal 

component  of  time  series,  which  influences  the 

original time series, can be removed. For instances, 

Gardner  Jr.  and  Diaz‐Saiz  (2002)  conducted  their 

research  coupled  with  an  additive  decomposition 

procedure  for  seasonal  adjustment  of  inventory 

demand series at a large US auto parts distributor, 

BPX. In adjustment of seasonal series, first of all, the 

nature of demand series was identified on whether it 

is  seasonal  or  not  by  comparing  the  variance  of 

original series with the seasonally‐adjusted series, and 

then  additive  adjustment  was  applied  instead  of 

multiplicative adjustment on the series. 

This  research  attempts  to  integrate  the  inventory 

management and forecast system in contolling and 

managing the inventory for a company. Specifically, 

the exponential smoothing forecast technique will be 

integrated into a computerised inventory management 


The Case Study

The Guan Lee Sdn Bhd  commenced business in 1998 

as a store selling daily necessities at Bayan Lepas, 

Penang. The inventory of the store is practically well 

managed as the volume of the goods is fair enough to 

be  arranged  systematically.  After  seven  years, the 

company expanded their core business to sell bicycle. 


as a major supplier of bicycle of that area even further. 

At that time, the volume of inventory was very high 

and messy, and tracking the amount of each good 

manually was no longer feasible. In 2007, the company 

moved the business of mat from the first store to 

another new store, with the focus on providing mat 

only. Currently, the Guan Lee Sdn Bhd owns 3 stores 

and  a  storehouse  at  Bayan  Lepas,  Penang.  The 

storehouse is fully occupied with the inventory for the 

3 stores with very limited space. The entire storehouse 

is  managed  solely  by  the  owner,  without  any 

computerised inventory management system. 

Currently, the Guan Lee Sdn Bhd is run by seven 

peoples consisting of one director, three supervisors 

and three workers. The storehouse consists of four 

sections, three sections at first floor, which are A, B, 

and C from front entrance to rear entrance, and the 

last section at second floor, which is the D section. In 

order to specify the location of the items within the 

section, each section is divided again into five sub‐

sections, rangeing from 1 to 5 subsections. 

The Integrated Inventory Management and Forecast System

The Integrated Inventory Management and Forecast 

System consists of two distinct system; the inventory 

management system and the demand forecast system. 

Basically, the inventory management system offers 6 

features (alert, transfer, creation,  inventory, search, 

reports) for the user to manipulate the inventory of the 

storehouse. With the system, user is able to store the 

quantity  of  each  item  inside  the  storehouse  with 

complete information such as location, category and 

etc. Plus, user will be notified by the system itself as 

critical circumference occurs such as extremely low 

inventory level.  

The demand forecast system anticipates the future 

demands  for  the  company.  The  system  uses  the 

exponential smoothing technique to predict the future 

demands which are then used as an inputs for the 

quantity to be ordered by the company. The general 

structure of the forecast system is shown in Fig. 1. The 

formula used in the exponential smoothing technique 

is shown below: 



 Forecast for period     Forecast for period   

 Smoothing constant 

 Actual demand or sales for period   


Performance Analysis of the Forecast System

The performance of the system was analysed on 3 

selected items with its historical monthly demands (12 

months),  to determine  whether the forecast values 

generated with  minimum mean absolute deviation 

(MAD) value are reliable or not. A simulation of the 

forecasting function of the system was  conducted, 

within  the  12 months  of year  2010 and 2011, for 

analysis. In addition, 3 types of forecast values (actual, 

maximum  and  minimum adjusted  forecast values) 

were considered together with the actual demand. 

A simulation of the forecasting function of the system 

was conducted by entering the actual demand one by 

one to obtain the individual forecast value (called the 

actual forecast) for each month before another. Each 

actual demand entered was computed 46 times to 

obtain a smoothing constant with minimum MAD, 

thus the constant for every month might be different 

from each other. Apart from the actual forecast values, 

the adjusted forecast values were also obtained by 

entering all the actual demands in one time. Once all 

the actual demands were entered, the entire forecast 

values (adjusted forecast values) were then computed, 

by adjusting the forecast values in the 12 months until 

the one with minimum MAD (called the ideal forecast), 

and  another  with  maximum  MAD  (called  the 

undesired forecast). 

Table 1 shows the history data along with the forecast 

values and individual error for 2011. The value of the 

initial forecast, which is 46 in January is computed 

from  the  exponential  smoothing  equation.  The 

smoothing constant for the forecast technique used is 


For bicycle with size of 26 inches, according to Fig. 2, 

both MAD of year 2010 and 2011 show a parabolic 

pattern with maximum point toward left side, but they 

converge toward right side, with an approximately 

same turning point. In year 2010, MAD rose to the 


point, but continued to decrease to a point where 

MAD is 0.5 at smoothing constant of 0.5. However, in 

year  2011,  same  behaviour  as  year  2010  at  the 

beginning, but there  is a minimum MAD at  that 

turning point, which is 0.42 at smoothing constant of 



BICYCLE (2011) 






Fig. 2 shows the graph of MAD versus the smoothing 

constant for the 26 inches bicycle. This graph is plotted 

according to the data generated from the inventory 

system  internally  as  well.  Fig.  3  shows  the 

comparisons between demands and three types of 

forecast values for the 26 inches bicycle, in the year 

2010 and 2011 respectively. According to Fig. 3, all the 

forecast  values  have  fine  smoothing  effect  and 

sensitivity.  However,  the  MAD  of  the  undesired 

forecast values is lower than the actual one, which 

might due to the disturbance of the actual forecast 

pattern in September. In addition, the actual forecast 

values for 2011 tend to move toward the ideal one as 


From the results, the overall actual forecast values 

tend  to  move  toward  the  ideal  one  which  is 

significantly closed to either, even the MAD is greater 

than the undesired one. From that, this result proved 

that the   forecast system is reliable and accurate for 

forecasting. Apart from that, the pattern of the forecast 

values is not clearly observed, as the range of period is 

limited within 12 months only. Thus, a wider range of 

period should be considered for further analysis, such 

as weekly or even daily with fast moving item. Lastly, 

from this analysis, the results indicated that a seasonal 

demand  is  much  more  compatible  with  the 

exponential smoothing model, as the demand pattern 

has a trend.  Conclusions

The developed integrated inventory management and 

forecast  system  offers  fast  response  to  current 

inventory  on  hand  at  any  time.  User  is  able  to 

immediately  responses  to  customer  on  whether  a 

particular requested item is available or not. Besides 

that, forecasting, summarizing data and analysis are 

easily performed with aid of the system. Data can be 

fully accessable  for user to  gather all information 

whenever needed for any purpose such as analysis or 

forecasting.  In  addition,  user  can  identify  which 

product the best seller from the data. 

In addition, the developed system is able to function 

well as the actual forecast values tend to move toward 

the  ideal  one’;  as  well  to  generate  a  smoothing 

constant  with  the  minimum  MAD  within  the 

smoothing constant ranging from 0.45 to  0.50, for 

every actual demand entered by the user. The  forecast 

system is reliable and accurate according to the results.  

However, the developed system does have limitations; 

one of which discovered from this system, is lack of 

visualized effect on a particular item, or being difficult 

to be identified from item code or name. Thus, a 

picture should be attached to every item to improve 

effectiveness of the system. In addition, the system is 

still  lack  of  automated  feature,  and  user  has  to 

intentionally manipulate the  entire system  without 


features  such  as  making  order  automatically,  or 

sending notification through text message and etc will 

be useful. 


The authors would like to acknowledge the Malaysian 

Ministry  of  Higher  Learning  for  the  FRGS  grant 

awarded for this project. 


Alfares H. K. “Inventory model with stock‐level dependent  demand rate and variable holding cost.” International  Journal of Production Economics, 108 (2007): 259‐265.  Gardner Jr, E. S., and Diaz‐Saiz, J. “Seasonal adjustment of 

inventory demand series: a case study.” International  Journal of Forecasting, 18 (2002): 117‐123. 

Kao, C., and Hsu, W.K. “A single‐period inventory model  with fuzzy demand.” Computer and Mathematics with  Applications, 43 (2002): 841‐848. 

Luger, G.F. Artificial Intelligence. 5th Ed. London: Pearson 

Education, 2005. 

Nenes, G., Panagiotidou, S., and Tagaras, G. “Inventory  management of multiple items with irregular demand: a  case study.” European Journal of Operational Research,  205 (2010): 313‐324. 

Synder,  R.  “Forecasting  sales  of  slow  and  fast  moving  inventories.” European Journal of Operational Research,  140 (2002): 684‐699. 

Teunter,  R.  H.,  Syntetos,  A.  A.,  and  Babai,  M.  Z.  “Inttermittent demand: linking forecasting to inventory  obsolescence.” European Journal of Operational Research,  214 (2011): 606‐615. 

Wildm T. Best Practice in Inventory Management. 2nd Ed.  Burlington, New York: Elsivier Butterworth‐Heinemann,  2002. 

Willemain, T.R., Smart, C.N., and Schwarz, H. F. “A new  approach  inttermittent  demand  for  service  parts  inventories.” Journal of Forecasting, 20 (2004): 375 – 387.    

Dr Noor‐Ajian Mohd‐Lair is a senior  lecturer in the Mechanical Engineering  Program of Universiti Malaysia Sabah  (UMS). She graduated with a Bachelor  of  Science  in  Industrial  Engineering  from University of Missouri‐Columbia  (MU),  USA  in  1995  and  Master  of  Mechanical  Engineering  from  Universiti  Teknology  Malaysia, Malaysia  in 2003.  She received her Doctor of  Philosophy (PhD) degree from University of South Australia  (UniSA), Australia in 2009. Dr Noor‐Ajian areas of expertise  include Supply Chain Management, Production Planing and  Contol, Plant Optimisation and Operation Research using  Simulation Modeling and Artificial Intelligent. 


Table 1 shows the history data along with the forecast  values and individual error for 2011. The value of the  initial  forecast,  which  is  46  in  January  is  computed  from  the  exponential  smoothing  equation.  The  smoothing  constant  for  the 


Related documents

This article speaks about Dreadlocks Story, a documentary that treats why the Indians are entangled in Jamaican society and how Hinduism is a source of inspiration for the

The aim of this research project is to provide the NSW Environment Protection Authority (NSW EPA) with a better understanding of the opportunities and barriers to reduce the amount

Segment Identification (111-AM) = “25” Claim Billing/Claim Rebill – Accepted/Paid (or Duplicate of Paid). Field # NCPDP Field Name Value

The Brother QL-500 PC Label Printer prints address and shipping labels up to 2.4 inches wide, on easy-to-peel, die-cut paper labels.. Using new low-cost labels, the Brother

In addition to reporting the total number of claims and the total billed amount received by Blue Shield, Claim Confirmation reports provide detailed breakdowns of the number

Unfortunately many of the changes in wage gaps, structural effects, and composition effects between 1990 and 2011 are not statistically different from zero (except for the rise in

(International Monetary Market) contract specifications, 22–23 currencies trading volume, 23–24 currency futures, 21–22.. futures contracts,

Dari permasalahan tersebut dibuat sebuah sistem enkripsi dan dekripsi file menggunakan Algoritma Blowfish dalam mengamankan data atau informasi yang berupa file dengan