Applying Bayesian regression to forecast retail demand in the Christmas season
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2020-01-22
Department
Major/Subject
Operations and Service Management
Mcode
SCI3049
Degree programme
Master’s Programme in Industrial Engineering and Management
Language
en
Pages
74 + 5
Series
Abstract
Retailers benefit greatly from accurate demand forecasts. Unfortunately, demand forecasting poses challenges related to seasonality, changing consumer trends, evolving business environment and poor data quality. Particularly, seasons with volatile demand are challenging periods for many time series models to forecast even on satisfactory level. The effects are apparent in public holiday seasons (e.g. during Christmas). This thesis studies the applicability of a Bayesian regression model to daily SKU-Store level demand forecasting in the Christmas season in grocery retail business. The components and parameters of Bayesian regression model are optimised for three selected product groups based on the historical demand during Christmas. The forecast accuracy and the performance of the Bayesian regression model are compared to a reference model, which is a highly optimised time series decomposition model of the case company. The results show that the Bayesian regression model outperforms the reference model in forecast accuracy according to every recorded accuracy metric. The accuracy of the model is superior especially on the daily level. More importantly, the model reduces the required manual work for adjusting the forecasts. However, the downside of the model is increased computational time. This thesis contributes to the grocery retail demand forecasting literature in three ways. First, it verifies that the Bayesian regression model manages successfully to combine the power of Machine Learning with human knowledge when forecasting demand in challenging seasonal period. Second, it identifies the most important additional components, which are a category specific holiday component and Store level sales variable. Last, it introduces a practical formula for calculating daily weights indicating the proportional demand increase in the holiday season.Vähittäiskaupan liiketoiminnassa kysynnän tarkka ennustaminen tuo merkittäviä kilpailuetuja. Valitettavasti kysynnän ennustaminen sisältää usein haasteita, kuten sesonkisuus, muutokset trendeissä, muuttuva liiketoimintaympäristö ja datan heikko laatu. Monille aikasarjaennustusmalleille erityisen haastavia ovat sesongit, joiden aikana kysyntä vaihtelee merkittävästi. Sesonkien vaikutukset ovat havaittavissa erityisesti yleisten juhlapyhän aikana, kuten jouluna. Tämä diplomityö tutkii Bayesilaisen regressiomallin soveltuvuutta tuotelokaatioden päivittäisen kysynnän ennustamiseen joulusesongin aikana ruoan päivittäistavarakaupassa. Mallin komponetit ja parametrit optimoidaan sopiviksi kolmelle tuoteryhmälle, jotka on valittu menneden joulujen kysynnän mukaan. Mallin antamaa ennustetarkkuutta ja suorituskykyä verrataan referenssimalliin, joka on tutkittavan yrityksen käyttämä optimoitu aikasarjamalli. Tulosten mukaan Bayesian regressiomallin ennusteidentarkkuus on referenssimallia parempi kaikkien mitattujen metriikoiden mukaan ja erityisesti päivätason ennusteissa. Merkittävämpi etu on manuaalisesti ennusteiden säätämiseen kuluvan ajan lyheneminen. Mallin heikkoutena on kuitenkin pidempi laskenta-aika. Diplomityö edistää ruoan päivittäistavarakaupan parissa tehtyä tutkimusta kolmella tapaa. Ensiksi, työ varmentaa Bayesilaisen regressiomallin kykenevän yhdistämään koneoppimisen ja ihmisentiedon juhlapyhän kysynnän ennustamiseen. Toiseksi, se tunnistaa merkittävimmät ennustetarkkuutta parantavat komponentit, jotka ovat kategoriakohtainen juhlapyhäkomponentti ja lokaatiokohtainen myynti. Lopuksi, työ määrittelee mallin käyttöön kaavan julhapyhän vaikutuksenalaisten päivien kysynnän nousun suuruuden määrittämiseksi.Description
Supervisor
Tanskanen, KariThesis advisor
Belt, TeemuKeywords
demand forecasting, grocery retail, parametric model, Bayesian regression, machine learning
