SCG

SCG数据集是由孟加拉国一家领先的快速消费品公司提供的多视角真实世界基准数据集，专注于供应链规划。该数据集旨在通过图神经网络（GNN）方法解决复杂的供应链问题，如销售预测、生产计划和风险评估。数据集的创建过程包括从公司收集和组织数据，确保数据的鲁棒性。SCG数据集的应用领域广泛，旨在通过优化供应链操作和改进决策过程来解决供应链管理中的关键问题。

The SCG Dataset is a real-world, multi-perspective benchmark dataset supplied by a leading fast-moving consumer goods (FMCG) firm in Bangladesh, with a core focus on supply chain planning. This dataset is developed to tackle complex supply chain challenges including sales forecasting, production planning and risk assessment via graph neural network (GNN) approaches. The creation of the SCG Dataset entails collecting and organizing internal data from the partnering company, while guaranteeing the robustness of the dataset. With broad application prospects, the SCG Dataset aims to resolve key pain points in supply chain management by optimizing supply chain operations and refining decision-making workflows.

搜集汇总

数据集介绍

构建方式

SCG数据集的构建基于一家领先的孟加拉国快速消费品公司的实际供应链数据。该数据集通过多视角的方式，涵盖了供应链规划中的多个关键任务，包括需求预测、生产计划、风险评估等。数据收集自公司的中央数据库系统，经过严格的质控和整理，确保了数据的准确性和完整性。数据集包括了从2023年1月1日至2023年8月9日的时间序列数据，涵盖了生产、销售订单、配送至分销商和工厂问题等多个维度。

使用方法

SCG数据集可用于多种供应链分析任务，包括需求预测、生产计划、产品分类、异常检测等。使用者可以通过PyTorch Geometric和PyTorch Geometric Temporal库来实现模型的训练和评估。数据集的同质图和异质图形式为不同类型的图神经网络提供了丰富的应用场景。通过8:2的训练-测试分割，用户可以评估模型在实际供应链数据上的表现，从而推动图神经网络在供应链管理中的应用研究。

背景与挑战

背景概述

SCG数据集由Azmine Toushik Wasiac、MD Shafikul Islamac、Adipto Raihan Akiba和Mahathir Mohammad Bappybc等研究人员于2024年创建，隶属于Shahjalal University of Science and Technology和Louisiana State University。该数据集的核心研究问题是如何利用图神经网络（GNNs）优化和解决复杂的供应链管理问题。供应链本质上具有图结构，使其成为GNN方法的理想应用领域。SCG数据集的引入填补了供应链管理领域中缺乏适当概念基础、对图应用的熟悉度以及真实世界基准数据集的空白，对供应链分析和优化领域产生了深远影响。

当前挑战

SCG数据集面临的挑战主要集中在两个方面。首先，供应链管理领域中缺乏全面的概念基础和公式化方法，研究人员对GNN在供应链中的应用缺乏足够的认识。其次，构建过程中遇到的挑战包括数据稀缺和缺乏公开可用的基准数据集，这限制了GNN模型在供应链中的全面评估和发展。此外，供应链管理中的复杂决策过程和数据依赖性要求使用复杂模型来捕捉实体间的关系和依赖性，这也是SCG数据集需要解决的重要问题。

常用场景

经典使用场景

SCG数据集的经典使用场景主要集中在供应链分析和优化领域。通过将供应链网络建模为图结构，该数据集支持图神经网络（GNN）在供应链规划、需求预测、生产计划和风险评估等任务中的应用。具体而言，SCG数据集能够帮助研究人员和从业者利用GNN模型捕捉供应链中复杂的依赖关系，从而提高预测精度和决策效率。

解决学术问题

SCG数据集解决了供应链管理中长期存在的数据稀缺和模型复杂性问题。通过提供一个多视角的实际供应链数据集，SCG数据集为学术界提供了一个标准化的基准，用于评估和开发基于GNN的供应链优化模型。这不仅推动了供应链分析领域的研究进展，还为解决实际供应链问题提供了新的方法和工具。

实际应用

在实际应用中，SCG数据集被广泛用于供应链管理的各个环节，如需求预测、库存优化、物流规划和风险管理。通过利用GNN模型，企业能够更准确地预测市场需求，优化生产计划，减少库存成本，并提高供应链的整体效率和韧性。此外，SCG数据集还支持供应链中的异常检测和事件分类，帮助企业及时识别和应对潜在的风险和挑战。

数据集最近研究

最新研究方向

在供应链分析与优化领域，图神经网络（GNN）的应用正逐渐成为前沿研究的热点。SCG数据集的最新研究方向主要集中在利用GNN模型解决供应链中的复杂问题，如需求预测、生产规划、风险评估和异常检测。通过将供应链网络结构化为图，GNN能够有效捕捉节点间的复杂依赖关系，从而在回归、分类和检测任务中显著优于传统的机器学习和深度学习模型。此外，SCG数据集的引入为供应链管理中的GNN应用提供了实证基准，推动了该领域的方法论创新和实际应用的发展。

相关研究论文

• Graph Neural Networks in Supply Chain Analytics and Optimization: Concepts, Perspectives, Dataset and Benchmarks

  工业与生产工程系，沙贾汗科学与技术大学，锡尔赫特，孟加拉国；机械与工业工程系，路易斯安那州立大学，巴吞鲁日，路易斯安那州，美国；计算智能与操作实验室，锡尔赫特，孟加拉国 · 2024年