Tilastollisten ennustemenetelmien hyödyntäminen kysynnän ennustamisessa

Abstract

Tämän diplomityön tavoitteena oli selvittää, millaisia tilastollisia ennustemenetelmiä olisi mahdollista hyödyntää elintarviketeollisuudessa toimivan yrityksen kysynnän ennustamisessa. Yrityksen nykyinen ennustamisprosessi perustuu historiatietoihin ja asiantuntija-arvioihin. Tilastollisia ennustemenetelmiä ei ole tällä hetkellä käytössä. Tilastollisten menetelmien käyttöönotto mahdollistaisi ennusteiden automaattista laskentaa ja vähentäisi kysynnän ennusteiden laadintaan kuluvaa manuaalista työtä.

Tutkimus toteutettiin vertailemalla eri tilastollisten ennustemenetelmien ennustetarkkuutta historiatietoihin perustuen sekä vertailemalla tilastollisten ennustemenetelmien antamia tulevaisuuden ennusteita asiantuntijan laatimaan ennusteeseen. Ennustetarkkuutta arvioitiin kolmen erilaisen ennustevirhemittarin avulla. Ennustetarkkuusvertailun avulla voitiin arvioida, antavatko parhaimman ennustetarkkuuden antaneet menetelmät myös parhaimman tulevaisuuden ennusteen vertailukohtana käytettyyn asiantuntijan ennusteeseen verrattuna.

Tutkimuksen tulosten perusteella tilastolliset menetelmät soveltuvat parhaiten tuotteille, joiden kysyntätrendi on tasainen ja kausivaihtelut toistuvia. Tilastollisten menetelmien hyödyntäminen voisi tehostaa ennustamista ja vapauttaa resursseja liiketoiminnalle kriittisten ajankohtien kuten sesonkiennusteiden tarkentamiseen. Tutkimuksen perusteella voidaan todeta, että eri ennustemenetelmien sopivuus riippuu tuotteen historiatiedoista. Tulosten perusteella ei ole mahdollista antaa suositusta yhdestä menetelmästä, joka soveltuisi käyttöön kaikille tuotteille. Tilastollisten ennustemenetelmien toimivuutta tulisi tutkia vielä lisää laajemmalla tuotejoukolla ennen niiden laajempaa käyttöönottoa.

The goal of this thesis was to assess which statistical forecasting methods could be used by a food company in demand forecasting. The current forecasting process is based on historical data and expert estimations. Statistical demand forecasting methods are not currently utilised. Leveraging statistical forecasting methods would facilitate automate calculation of future demand while reducing manual work. The study included comparing the accuracy of different statistical forecasting methods based on historical data. Additionally statistical forecasting methods was evaluated against forecasts conducted by an expert. Forecast accuracy was measured with three different forecast error measures. This overall comparison helped assessing whether the most accurate methods also produced the best forecast for the future when compared to the expert forecast.

According to the results of the study, statistical methods are best suited for products having a stable demand trend and seasonal patterns. Using statistical forecasting methods could increase forecasting efficiency and enable resources reallocations for improving forecasting during critical business periods such as seasonal peaks. However, the feasibility of specific forecasting method is dependent on demand history of a particular product. The use of one single forecasting method cannot be recommended for all products. Further research with a larger product range is required before implementing statistical forecasting methods at scale.