Machine learning in rolling forecasting : case Rainmaker

Abstract

Financial forecasting is a fundamental aspect for organizations, aiding their decision-making and strategic planning processes. Rolling forecasting involves continuously updating financial predictions based on the latest data and market trends. This approach enables organizations to make more informed and timely decisions, enhancing flexibility and adaptability. Advancements in technology and the growing availability of data have further fueled the adoption of rolling forecasting. Machine learning techniques present an alternative to traditional statistical models and judgmental approaches in financial forecasting, while leveraging data can further improve predictive accuracy. Furthermore, automating the rolling forecasting process can provide significant value to organizations by reducing the resources required for manual processes.

The objective of the research is to create an automated rolling forecasting solution to the case company. This involves examining various forecasting methods to identify the most effective models in financial forecasting. Traditional statistical time-series models, as well as machine learning algorithms are evaluated based on several evaluation metrics. Additionally, the methods and types of data that can be utilized to improve the predictions are examined. The generated forecasts are delivered automatically to the business as part of an end-to-end automated rolling solution, necessitating an analysis of different technologies for implementation. The results of the study found high degree of automation to be possible in the rolling forecasting process. Time-series models were able to provide a solid basis for forecasting, while integrating external predictor variables through machine learning models was able to further enhance the forecasting accuracy.

Talouden ennustaminen on olennainen osa organisaatioiden toimintaa, tukien päätöksentekoa ja strategista suunnittelua. Jatkuvasti päivittyvä rullaava ennustaminen perustuu viimeisimpiin tietoihin ja markkinatrendeihin. Tämä lähestymistapa mahdollistaa organisaatioiden paremman ja ajantasaisemman päätöksenteon, lisäten joustavuutta ja sopeutumiskykyä. Teknologinen edistyminen ja datan kasvavan saatavuuden myötä rullaavan ennustamisen käyttöönotto on lisääntynyt. Koneoppimismenetelmät tarjoavat vaihtoehdon tilastollisille malleille ja arviointiperusteisille lähestymistavoille taloudellisessa ennustamisessa, kun taas ulkoisen datan hyödyntäminen voi parantaa ennustetarkkuutta entisestään. Lisäksi rullaavan ennustamisen prosessin automatisointi voi tuoda merkittävää lisäarvoa organisaatioille vähentämällä manuaalisten prosessien vaatimia resursseja.

Tämän tutkimuksen tavoitteena on kehittää asiakastyöalalla toimivan yrityksen taloudellista ennustamista parantamalla ennustetarkkuutta ja luomalla automatisoitu rullaavan ennustamisen ratkaisu. Erilaisia ennustamismenetelmiä tarkastellaan tehokkaimpien mallien tunnistamiseksi. Perinteisiä tilastollisia malleja sekä koneoppimisalgoritmeja arvioidaan useiden arviointimittareiden perusteella. Lisäksi tarkastellaan menetelmiä ja tietotyyppejä, joita voidaan hyödyntää ennustetarkkuuden parantamiseksi. Tavoitteena on toimittaa tuotetut ennusteet automaattisesti liiketoiminnalle täysin automatisoituna rullaavana ratkaisuna. Tutkimuksen tulokset osoittivat, että korkea automaatiotaso on mahdollista rullaavassa ennustamisprosessissa. Perinteiset tilastolliset mallit tarjosivat vankan perustan ennustamiselle, kun taas ulkoisten ennustetekijöiden integroiminen koneoppimismalleihin paransi ennustetarkkuutta entisestään.