Tavoitevarastoarvojen määrittäminen uusille tuotteille - case: päivittäistavarakaupan yritys

Abstract

Tämän tutkielman tarkoituksena oli löytää keinoja uusien tuotteiden tavoitevarastoarvojen määrittämisen helpottamiseksi case-yrityksessä. Ongelma on seurausta siitä, ettei uusille tuotteille ole saatavissa kysyntädataa. Oikeelliset tavoitevarastoarvot on tärkeitä case-yritykselle hävikin minimoimisen ja erityisesti asiakastyytyväisyyden vuoksi. Tutkittavaa aihetta lähestyttiin päivittäistavarakaupan strategisten menestystekijöiden sekä varastonhallinnan kautta. Teoriaosuuden pohjalta toteutettiin empiirinen osio, jossa etsittiin case-yrityksen kahden tuoteryhmän kysyntää selittäviä tekijöitä paneeliregression avulla. Ensin kuitenkin tutkittiin tuoteryhmien yleistä kysynnän rakennetta erilaisten kysyntäkuvaajien sekä korrelaatiomatriisien avulla. Tavoitevarastoarvoon eniten vaikuttava tekijä on kysyntä. Brändi ja hinta muodostuivat puolestaan vahvimmiksi kysyntää määrittäviksi muuttujiksi. Kysyntää arvioitaessa muut sitä nostavat muuttujat tulee aina miettiä tapauskohtaisesti. Mehukeitoilla kysyntää nostivat eniten vahva brändi ja suuri pakkauskoko. Juustoraasteilla puolestaan alhainen hinta ja pieni pakkauskoko olivat keskeisimmät myyntiin vaikuttavat tekijät. Tuoteryhmien muut kysyntää nostavat ominaisuudet olivat samoja, kuin tuoteryhmän suosituimmilla tuotteilla.

The purpose of this study was to find ways to improve determination of order-up-to-levels for new products in the case company. There is no demand data available for new products, which has led to this determination problem. For a grocery retail company a functioning replenishment system is vital due to shrinkage and especially because of customer satisfaction. The subject was approached from two points of view: the key success factors of the industry and inventory control. The empirical research was based on the findings in the theory section. First was reviewed the structure of demand in the product categories using different kinds of demand graphs and correlation matrix. After that the results from panel regression were analysed. Panel regression was used to find the variables that explain demand the most. Naturally demand affects most to order-up-to-level. Brand and price are in turn the variables that explain demand the most. Other variables that might affect to demand must be considered case-by-case. In the berry soup category well known brand and large package size increases demand whereas in the grated cheese category low price and small package size raises sales. Other demand increasing features were the same as features of the most popular products in the product category.