Clustering-based gross sales forecasting : case: technology service company
Hallikainen, Heidi (2022)
Katso/ Avaa
Sisältö avataan julkiseksi: 15.11.2024
Pro gradu -tutkielma
Hallikainen, Heidi
2022
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022111766098
https://urn.fi/URN:NBN:fi-fe2022111766098
Tiivistelmä
Sales forecasting allows more efficient business development and enables quick reactions to different scenarios in the future. This study inspects, how the medium-sized technology service case company could improve its business in terms of sales forecasting. The aim is to find the best quantitative sales forecasting method for the case company based on existing sales data. The study uses clustering to group the company's customers and compares three different sales forecasting methods – multiple linear regression, seasonal ARIMA and exponential smoothing methods.
The study consists of two parts. The first part collects an overview of the research topic based on previous literature to find the suitable sales forecasting methods to be used for the case company. In the second part, clustering of customers is done with sales forecasts using the chosen models. The results are in line with the results of previous research. By utilizing clustering, it is possible to create functional groups to support sales forecasting. The comparable sales forecasting models all performed relatively well compared to the simplicity of the methods and the available data. Holt's-Winters' exponential smoothing model performed best in the comparison with multiple linear regression and seasonal ARIMA. Myynnin ennustaminen mahdollistaa tehokkaamman liiketoiminnan kehittämisen ja mahdollistaa tulevaisuuden eri tilanteisiin varautumisen. Tässä tutkimuksessa tarkastellaan, kuinka keskikokoinen teknologia palveluyhtiö voisi parantaa liiketoimintaansa myynnin ennustamisen kannalta. Tavoitteena on löytää tapausyritykselle paras kvantitatiivinen myynnin ennustamismenetelmä olemassa olevan myyntidatan perusteella. Tutkimuksessa ryhmitellään yrityksen asiakkaita klusteroinnin avulla ja verrataan kolmea erilaista myynnin ennustamismenetelmää – usean muuttujan lineaarinen regressio, kausiluonteinen ARIMA ja eksponentiaalinen tasoitusmenetelmä.
Tutkimus koostuu kahdesta osasta. Ensimmäisessä osassa kerätään aiempaan kirjallisuuteen perustuva yleiskatsaus tutkimusaiheeseen löytääkseen sopivia myynnin ennustamismenetelmiä tapausyritykselle. Toisessa osassa tehdään asiakkaiden klusterointi ja myyntiennusteet valituilla malleilla. Tulokset ovat linjassa aikaisempien tutkimusten tulosten kanssa. Klusterointia hyödyntämällä on mahdollista luoda toiminnallisia ryhmiä tukemaan myynnin ennustamista. Vertailtavat myynnin ennustemallit toimivat kaikki suhteellisen hyvin verrattuna menetelmien yksinkertaisuuteen ja saatavilla olevaan dataan. Holt-Wintersin eksponentiaalinen tasoitus-malli menestyi parhaiten verrattaessa usean muuttujan lineaariseen regressioon ja kausiluontoiseen ARIMAan.
The study consists of two parts. The first part collects an overview of the research topic based on previous literature to find the suitable sales forecasting methods to be used for the case company. In the second part, clustering of customers is done with sales forecasts using the chosen models. The results are in line with the results of previous research. By utilizing clustering, it is possible to create functional groups to support sales forecasting. The comparable sales forecasting models all performed relatively well compared to the simplicity of the methods and the available data. Holt's-Winters' exponential smoothing model performed best in the comparison with multiple linear regression and seasonal ARIMA.
Tutkimus koostuu kahdesta osasta. Ensimmäisessä osassa kerätään aiempaan kirjallisuuteen perustuva yleiskatsaus tutkimusaiheeseen löytääkseen sopivia myynnin ennustamismenetelmiä tapausyritykselle. Toisessa osassa tehdään asiakkaiden klusterointi ja myyntiennusteet valituilla malleilla. Tulokset ovat linjassa aikaisempien tutkimusten tulosten kanssa. Klusterointia hyödyntämällä on mahdollista luoda toiminnallisia ryhmiä tukemaan myynnin ennustamista. Vertailtavat myynnin ennustemallit toimivat kaikki suhteellisen hyvin verrattuna menetelmien yksinkertaisuuteen ja saatavilla olevaan dataan. Holt-Wintersin eksponentiaalinen tasoitus-malli menestyi parhaiten verrattaessa usean muuttujan lineaariseen regressioon ja kausiluontoiseen ARIMAan.