Improving demand forecasting in a manufacturing company

Abstract

This thesis investigates the current state of demand forecasting within a Finnish diagnostics manufacturing company and proposes a development plan to enhance forecast accuracy and process efficiency. The study focuses exclusively on the company’s own manufacturing products, excluding externally sourced items. Conducted as a design science study, the research utilises internal documentation, semi-structured interviews, meetings and historical sales and forecast data from 2021 to 2024.

The analysis reveals that the existing forecasting process is largely manual, reliant on sales personnel’s judgement, and lacks systematic key performance indicators for accuracy measurement. Forecasts are entered into SAP APO and reviewed in monthly sales and operations planning meetings, which are valued for cross-functional collaboration but are time-consuming and lack standardised metrics. The study compares the current forecasting method with seasonal naïve and three-month moving average benchmarks, finding that the existing approach does not consistently outperform these simpler models. Based on the findings, the thesis recommends implementing clear key performance indicator specifically MAE%, bias%, and a combined score% and automating their calculation and visualisation through the upcoming BIBOOK forecasting system.

Further development suggestions include adopting baseline models, integrating statistical or machine learning techniques and enhancing the review process to support data-driven decision-making. The proposed improvements aim to reduce manual workload, improve forecast reliability, and support strategic and operational planning.

Tässä opinnäytetyössä tutkitaan kysynnän ennustamisen nykytilaa suomalaisessa diagnostiikka-alan valmistavan teollisuuden yrityksessä ja esitetään kehityssuunnitelma ennustetarkkuuden sekä ennusteprosessin parantamiseksi. Tutkimus keskittyy yksinomaan yrityksen omavalmistetuotteisiin ja täten välitystuotteet on rajattu tarkastelun ulkopuolelle. Tutkimuksen aineistona käytettiin sisäistä dokumentaatiota, puolistrukturoituja haastatteluja, palaveritarkkailuja sekä vuosien 2021-2024 myynti- ja ennustetietoja.

Tutkimus osoittaa, että nykyinen ennustusprosessi on pitkälti manuaalinen, perustuu myyntihenkilöstön omaan harkintaan ja siitä puuttuvat systemaattiset suorituskykymittarit ennustetarkkuuden arvioimiseksi. Ennusteet syötetään SAP APO -järjestelmään ja niitä tarkastellaan kuukausittaisissa sales and operation planning -kokouksissa, joita pidetään hyvänä tilaisuutena eri tiimien yhteistyölle mutta ovat aikaa vieviä ja vailla standardoituja mittareita. Tutkimuksessa verrattiin nykyistä ennustusmenetelmää kausiluonteiseen naiiviennusteeseen sekä kolmen kuukauden liukuvaan keskiarvoon. Tarkastelussa havaittiin ettei nykyinen menetelmä johdonmukaisesti ylitä näiden yksinkertaisempien mallien tarkkuutta.

Tulosten perusteella opinnäytetyössä suositellaan selkeiden suorituskykymittareiden, erityisesti MAE %, bias % ja yhdistetyn score % -mittarin käyttöönottoa sekä niiden laskennan ja visualisoinnin automatisointia yrityksessä käyttöön tulevan BIBOOK-ohjelmiston avulla. Muita kehitysehdotuksia ovat pohjamallien käyttöönotto, tilastollisten tai koneoppimismenetelmien integrointi sekä ennusteen tarkasteluprosessin kehittäminen datalähtöisen päätöksenteon tukemiseksi. Ehdotettujen parannusten tavoitteena on vähentää manuaalista työkuormaa, parantaa ennusteiden luotettavuutta ja tukea sekä strategista että operatiivista suunnittelua.