Kortsiktige etterspørselsprognoser for nettbutikk AlfaCare AS

Abstract

Bedrifter som operer innen segmentet detalj- og grossisthandel er utsatt for stor konkurranse. Evnen til å levere produkter til rett tid og i riktige kvanta er avgjørende for at bedrifter skal kunne opprettholde konkurransedyktigheten. Etterspørselsprognoser har i lengre tid blitt benyttet som et verktøy for å forsøke å redusere usikkerheten knyttet til fremtidig etterspørsel. Tidligere forskning viser til utfordringer knyttet til prognosefeil i form av eksempelvis økte lagerkostnader, tapte salg og risikoen for tap av markedsandeler. Det finnes mange metoder for etterspørselsprognostisering som er testet og forsøkt forbedret i litteraturen. Likevel finnes det relativt lite arbeid knyttet til den økonomiske påvirkningen etterspørselsprognoser har for en bedrift. I denne oppgaven benyttes statistiske etterspørselsprognoser som er egnet for «lumpy» etterspørselsmønstre som et verktøy, med det formål å predikere fremtidig etterspørsel for AlfaCare AS. Tidshorisonten for prediksjonene er 6 uker frem i tid, på bakgrunn av at dette er dagens praksis i AlfaCare. Datagrunnlaget består av salgshistorikk hentet fra AlfaCare sitt ERP-system for årene 2020 til og med 2022, hvorav de to første årene benyttes for å trene modellene, mens det siste året benyttes som testdata. Et utvalg av de realistiske modellene oppnår lavere verdier for RMSE og MSE, sammenlignet med dagens praksis i AlfaCare. Til tross for dette er forskjellene i resultatene marginale. Modellen med lavest verdi gitt RMSE ligger nære modellen med høyest verdier gitt RMSE. Resultatene fra hypotesetester viser at de realistiske modellene ikke har forskjeller i forventet tap i prognosene, sammenlignet med dagens praksis i AlfaCare. På bakgrunn av dette kan det ikke konkluderes med at egnede metoder evner å redusere feilmarginer i prognosene for AlfaCare. Videre i oppgaven blir det utarbeidet en forenklet kostnadsfunksjon som har som formål å evaluere de statistiske modellene basert på den økonomiske påvirkningen disse har for den aktuelle bedriften. Basert på den økonomiske påvirkningen kommer det frem forskjeller i hvor godt prognosene presterer. Fra et bedriftsperspektiv er likevel forskjellene i kostnad marginale, og det anses derfor som lite sannsynlig at implementering av nye løsninger vil forsvare de økte kostnadene dette medfører.

Businesses operating within the retail and wholesale segment are exposed to intense competition. The ability to deliver products on time and in the right quantities is crucial for companies to maintain competitiveness. Demand forecasting has long been used as a tool to try to reduce uncertainty related to future demand. Previous research points to challenges associated with forecasting errors, such as increased inventory costs, lost sales, and the risk of losing market shares. There are many methods of demand forecasting that have been tested and improved in the literature. However, relatively little work has been done on the economic impact of demand forecasting for businesses. In this thesis, statistical demand forecasts suitable for lumpy demand patters are used as a tool to predict future demand for AlfaCare AS. The time horizon for the predictions is 6 weeks ahead, based on current practice at AlfaCare. The data set consists of sales history from Alfa Care’s ERP-system for the years 2020 to 2022, with the first two years used to train the models and the last year used as test data. A selection of the realistic models achieves lower values for RMSE and MSE compared to current practices in AlfaCare. Despite this, the differences in results are marginal. The model with the lowest RMSE value is close to the model with the highest RMSE value. The results from hypothesis testing show that the realistic models do not have differences in expected loss in the forecasts compared to current practices in AlfaCare. Based on this, it cannot be concluded that suitable methods are able to reduce the margins of error in the forecasts for AlfaCare. Furthermore, a simplified cost function is also developed in this thesis, which aims to evaluate the statistical models based on the economic impact they have for the company. Based on the economic impact, there are differences in how well the forecasts perform. From a company perspective, however, the differences in cost are marginal. It is therefore considered unlikely that the implementation of new solutions will justify the increased costs this entails.