Tuoretuotteiden kysynnän ennustaminen koneoppimisen avulla päivittäistavarakaupassa toimivassa elintarvikealan yrityksessä

Abstract

Kysynnän ennustaminen on tärkeässä osassa valmistavan teollisuuden liiketoimintaa, tukien myynnin ennustamisen lisäksi tuotannonsuunnittelua ja hävikin hallintaan. Eritoten tästä on hyötyä haastavalla tuoretuotteiden markkinoilla. Kysynnän ennustamisen avulla yritys voi hallita paremmin ylituotannon määrää vaarantamatta tuotteiden saatavuutta. Koneoppiminen tuo tilastollisen kysynnän ennustamisen rinnalle uuden ennustamismallin, joka kartoittaa ja hyödyntää tunnettuja ja tuntemattomia myyntiin vaikuttavia tekijöitä ennustuksissaan, samalla oppien ja mukautuen vastaamaan tulevaisuuden kysyntätrendeihin.

Tämän työn tavoitteena on esitellä ja arvioida tapausyrityksen konseptiprojektia, jossa haluttiin tutkia voisiko koneoppimismallia hyödyntää tuotannon ennustamiseen ja myyntihävikin hallintaan. Taustatutkimuksena työssä käydään läpi ennustemallien luomista, yleisimpiä aikasarja- ja kausaalimalleihin perustuvia ennustusmenetelmiä ja koneoppimisen perusteita.

Työn tulokset osoittivat tilastollisen aikasarjamallin hyödyntäminen tuotannon ennustamisessa tuovan tapausyrityksessä paremmin hallittavan ja ennustetarkkuudeltaan paremman lopputuloksen, kuin koneoppimista hyödyntävä ennustemalli. Koneoppimismallilla oli kuitenkin tärkeä rooli olennaisimpien kysyntään vaikuttavien muuttujien määrittelyssä. Muuttujien määritys mahdollisti yksinkertaisemman tilastollisen aikasarjamallin toteuttamisen ja hyödyntämisen.

Demand forecasting plays a crucial role in the business of manufacturing industries, supporting not only sales forecasting but also production planning and waste management. This is particularly beneficial in the challenging market of fresh products. By using demand forecasting, a company can manage better the amount of overproduction without jeopardizing product availability. Machine learning introduces a new forecasting model alongside statistical demand forecasting. Machine learning forecasting models maps and utilizes known and unknown factors affecting sales in its predictions, while simultaneously learning and adapting to future demand trends.

The aim of this work is to present and evaluate a proof-of-concept project in a case company, which aimed to investigate whether a machine learning model could be used for production forecasting and sales waste management. As background research, the work reviews the creation of forecasting models, common prediction methods based on time series and causal models, and the basics of machine learning.

The results of the work showed that utilizing a statistical time series model for production forecasting provided a more manageable and accurate outcome for the case company when compared to the machine learning-based forecasting model. However, the machine learning model played an important role in defining the most significant variables affecting demand. Defining these variables enabled the implementation and utilization of a simpler statistical time series model.