Kysynnän ennustamiseen vaikuttavat tekijät logistiikka-alan yrityksessä
Hareja, Roosa (2021)
Diplomityö
Hareja, Roosa
2021
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2021061637855
https://urn.fi/URN:NBN:fi-fe2021061637855
Tiivistelmä
Työn tavoitteena on tutkia logistiikka-alan yrityksen maanteitse kulkevien kuljetusten kysyntää ja siihen vaikuttavia tekijöitä. Ennustamalla kysyntää autotyypeittäin voidaan kalustoinvestointeja suunnitella ennakkoon. Kuljetusten tasapainoa voidaan tutkia ja parantaa analysoimalla kuljetusten lähtö- ja määräalueille ennustettuja kuljetusmääriä.
Tutkimuksessa esiteltiin eri ennustemalleja, josta tähän tutkimukseen valittiin lineaarinen regressioanalyysi. Tietojen analysointi aloitettiin kysynnän suuntaa tutkimalla. Kysynnälle ei havaittu selkeää muutosta. Kausivaihtelun perusteella tammi-, helmi-, heinä- ja joulukuussa kysyntä on alhaisinta. Huhti- sekä lokakuussa kysytä on ollut suurinta.
Yleiset ennustemallit rakennettiin kaikille tutkittaville muuttujille erillisinä kysynnän ennustemalleina. Jokaiselle tutkittavalle segmentille rakennettiin myös segmenttikohtaiset ennustemallit, joiden tavoitteena on rakentaa tarkemmat ennustemallit segmenttien omiin tarpeisiin. Suurimmalle osalle ennustemalleista saatiin luotua R2- ja Durbin-Watson-arvojen perusteella hyviä tuloksia. The aim of the work is to study the demand for road transport of a logistics company and the factors influencing it. By forecasting demand by truck type, equipment investments can be planned in advance. The transport balance can be studied and improved by analyzing the projected transport volumes for the areas of origin and destination of the transports.
The study presented different prediction models from which a linear regression analysis was selected for this study. Data analysis was started by examining the direction of demand. No clear change was observed in demand. Based on seasonality, demand is the lowest in January, February, July and December. In April and October, the demand has been the greatest.
General forecasting models were constructed as separate demand forecasting models for all variables studied. Segment-specific forecast models were also built for each study segment, with the aim of building more detailed forecast models for the segments' own needs. Good results were obtained for most of the prediction models based on the R2 and Durbin-Watson values.
Tutkimuksessa esiteltiin eri ennustemalleja, josta tähän tutkimukseen valittiin lineaarinen regressioanalyysi. Tietojen analysointi aloitettiin kysynnän suuntaa tutkimalla. Kysynnälle ei havaittu selkeää muutosta. Kausivaihtelun perusteella tammi-, helmi-, heinä- ja joulukuussa kysyntä on alhaisinta. Huhti- sekä lokakuussa kysytä on ollut suurinta.
Yleiset ennustemallit rakennettiin kaikille tutkittaville muuttujille erillisinä kysynnän ennustemalleina. Jokaiselle tutkittavalle segmentille rakennettiin myös segmenttikohtaiset ennustemallit, joiden tavoitteena on rakentaa tarkemmat ennustemallit segmenttien omiin tarpeisiin. Suurimmalle osalle ennustemalleista saatiin luotua R2- ja Durbin-Watson-arvojen perusteella hyviä tuloksia.
The study presented different prediction models from which a linear regression analysis was selected for this study. Data analysis was started by examining the direction of demand. No clear change was observed in demand. Based on seasonality, demand is the lowest in January, February, July and December. In April and October, the demand has been the greatest.
General forecasting models were constructed as separate demand forecasting models for all variables studied. Segment-specific forecast models were also built for each study segment, with the aim of building more detailed forecast models for the segments' own needs. Good results were obtained for most of the prediction models based on the R2 and Durbin-Watson values.