Developing a demand forecasting model for fiction books with sales data

Abstract

This thesis investigates demand forecasting in the context of fiction books and develops a demand forecasting model for a Finnish publishing company using sales data. The research objectives were to identify forecasting methods that capture the seasonal and volatile patterns of fiction demand and to create a forecasting method that supports data-driven decision making across the company’s supply chain.

The study was conducted as a case study consisting of theoretical and empirical parts. The theoretical section covered the literature review of demand forecasting from the fiction book context and introduced common forecasting methods and error metrics. The empirical case study used quantitative data analysis to daily sales data of fiction titles released between 2022 and 2024. The forecasting was conducted on a monthly aggregation level using naïve, simple moving average, simple exponential smoothing and a newly developed coefficient forecasting methods. Forecasting performance was evaluated using mean absolute error, mean error and mean squared error. Additionally, a total demand projection model was created to estimate each book’s total first-year sales based on cumulative sales patterns.

The results indicated that the coefficient model provided the most accurate monthly forecasts across all error metrics, showcasing the least errors, bias and volatility. The model effectively reduced over-forecasting and adapted to the seasonal and downward trends typical of fiction books. The projection model demonstrated better accuracy as more sales data becomes available. The developed models enable the case company to improve print run planning, inventory management and supply chain coordination.

Tässä diplomityössä tutkitaan kaunokirjojen kysynnän ennustamista ja kehitetään suomalaiselle kustantamolle myyntidataan perustuva ennustemalli. Tutkimuksen päätavoitteena oli tunnistaa ennustemetodit, jotka pystyvät parhaiten mukautumaan kausiluonteiseen ja vaihtelevaan kaunokirjojen kysyntään sekä luoda ennustemalli, joka tukee datapohjaista päätöksentekoa kohdeyrityksen toimitusketjussa.

Tutkimus toteutettiin tapaustutkimuksena, joka koostui teoreettisesta ja empiirisestä osasta. Teoriaosiossa tehtiin kirjallisuuskatsaus kysynnän ennustamisen periaatteista kaunokirjallisuuden kontekstissa sekä esiteltiin keskeisiä ennustemenetelmiä ja virhemittareita. Empiirisessä osassa hyödynnettiin kvantitatiivista data-analyysia vuosina 2022–2024 julkaistujen kaunokirjojen päivittäiseen myyntidataan. Ennustaminen suoritettiin kuukausitasolla käyttäen naiivia menetelmää, yksinkertaista liukuvaa keskiarvoa, yksinkertaista eksponentiaalista tasoitusta ja kehitettyä kerroinmallia. Tarkkuutta arvioitiin käyttämällä keskimäärästä absoluuttista virhettä, keskimääräistä virhettä ja keskimääräistä neliövirhettä. Lisäksi laadittiin kokonaiskysynnän ennustemalli, jolla arvioitiin kunkin kirjan ensimmäisen vuoden kokonaismyyntiä kumulatiivisten myyntimallien perusteella.

Tulokset osoittivat, että kerroinmalli tuotti tarkimmat kuukausiennusteet kaikilla virhemittareilla mitattuna. Malli vähensi ennustevirheitä, vinoumaa ja vaihtelua. Kerroinmalli vähensi yliennustamisen ongelmaa ja mukautui tehokkaasti kaunokirjoille tyypillisiin kausiluonteisiin ja laskeviin trendeihin. Kokonaiskysynnän ennustemallin tarkkuus parani, kun myyntidataa kertyi lisää. Kehitetyt ennustemallit auttavat kohdeyritystä parantamaan painosmäärien suunnittelua, varastonhallintaa ja toimitusketjun koordinointia.