Machine learning and optimization-based modeling for asset management: a case study

Abstract

Purpose – This research is inspired by a real case study from a pump rental business company across the US. The company was looking to increase the utilization of its rental assets while, at the same time, keeping the cost of fleet mobilization as efficient as possible. However, decisions for asset movement between branches were largely arranged between individual branch managers on an as-needed basis. Design/methodology/approach – The authors propose an improvement for the company’s asset management practice by modeling an integrated decision tool which involves evaluation of several machine learning algorithms for demand prediction and mathematical optimization for a centrally-planned asset allocation. Findings – The authors found that a feed-forward neural network (FNN) model with single hidden layer is the best performing predictor for the company’s intermittent product demand and the optimization model is proven to prescribe the most efficient asset allocation given the demand prediction from FNN model. Practical implications – The implementation of this new tool will close the gap between the company’s current and desired future level of operational performance and consequently increase its competitiveness Originality/value – The results show a superior prediction performance by a feed-forward neural network model and an efficient allocation decision prescribed by the optimization model.

Objetivo Esta investigación está inspirada en un estudio de caso real de una empresa de alquiler de bombas en los EE. UU. La empresa buscaba aumentar la utilización de sus activos de alquiler y, al mismo tiempo, mantener el costo de movilización de la flota lo más eficiente posible. Sin embargo, las decisiones sobre el movimiento de activos entre sucursales se concertaron en gran medida entre los gerentes de sucursales individuales según las necesidades.

Diseño/metodología/enfoque Los autores proponen una mejora para la práctica de gestión de activos de la empresa mediante el modelado de una herramienta de decisión integrada que implica la evaluación de varios algoritmos de aprendizaje automático para la predicción de la demanda y la optimización matemática para una asignación de activos planificada de forma centralizada.

Recomendaciones Los autores encontraron que un modelo de red neuronal feed-forward (FNN) con una sola capa oculta es el predictor de mejor rendimiento para la demanda intermitente de productos de la empresa y se ha demostrado que el modelo de optimización prescribe la asignación de activos más eficiente dada la predicción de demanda del modelo FNN.

Implicaciones prácticas La implementación de esta nueva herramienta cerrará la brecha entre el nivel de desempeño operativo actual y el futuro deseado de la empresa y, en consecuencia, aumentará su competitividad.

Originalidad/valor Los resultados muestran un rendimiento de predicción superior por un modelo de red neuronal feed-forward y una decisión de asignación eficiente prescrita por el modelo de optimización.