On the effects of re-estimation frequency on retail sales forecasting

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis

Authors

Date

2024-07-31

Department

Major/Subject

Mathematics

Mcode

SCI3054

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

43

Series

Abstract

Accurate demand forecasting is crucial for retailers to reduce waste and increase profits. Frequent model re-estimation is needed to allow for new information to be considered and keeping forecasts accurate. However, the forecast can only improve to a certain extent and re-estimating requires resources, money and time, so it might not be realistic to re-estimate forecast models daily for all items. The aim of this study is to asses how much the forecast accuracy can improve by re-estimating more frequently, what types of items benefit the most and which items do not benefit much from frequent re-estimation. Three re-estimation frequencies, daily and weekly and the comparison case of not re-estimating at all, are used in this study. For each frequency, the forecasts are re-calculated daily using the forecast model from the previous re-estimation. Forecast errors are calculated in R using Weighted average percentage error (WAPE) and Normalized mean square error (NMSE). Often for daily and weekly re-estimation the errors are very close to each other, with daily re-estimation being slightly more accurate in most cases. The difference is often small, the average difference across all error measures being at most 6.99% but more often being under 1%. The difference between daily and no re-estimation is higher and varies more, with daily re-estimation being between 56.95% more accurate and 40.39% less accurate compared to no re-estimation. Daily re-estimation is found to be most beneficial for items with high volatility and short-term trends. It is least beneficial for slow movers or items with sporadic demand.

Tarkka kysynnän ennustaminen on päivittäistavarakaupoille tärkeä tapa vähentää hävikkiä ja parantaa tuottavuutta. Jotta ennusteet pysyvät tarkkoina, on hyvä estimoida käytettävän mallin parametrit sopivan usein, jotta uudet tiedot voidaan ottaa huomioon. Ennustetarkkuus voi kuitenkin parantua vain tiettyyn pisteeseen asti ja uudelleenestimointi vaatii resursseja, rahaa ja aikaa. Siksi käytettävän mallin parametreja ei välttämättä ole järkevää uudelleenestimoida päivittäin kaikille tuotteille. Tämän tutkimuksen tavoitteena on arvioida, minkä tuotteiden kysynnän ennustaminen hyötyy tiheästä estimoinnista ja minkä tuotteiden taas ei. Tutkimuksessa ennustemallin parametrit estimoidaan uudelleen päivittäin, viikoittain ja verrokkitapauksessa ei ollenkaan. Joka uudelleenstimointitiheydellä ennusteet lasketaan päivittäin käyttäen viimeisintä ennustemallia. Ennustevirheet lasketaan R-ohjelmistolla käyttäen painotettua keskimääräistä prosentuaalista virhettä (WAPE) ja normalisoitua keskineliövirhettä (NMSE). Ennusteet ovat hyvin samankaltaisia päivittäisellä ja viikottaisella uudelleenestimointitiheydellä. Ennusteet ovat useimmiten tarkempia, kun parametrit estimoidaan päivittäin. Ero on kuitenkin pieni, maksimissaan 6.99%, mutta useimmiten alle 1%. Kun katsotaan päivittäisen uudelleenestimoinnin ja verrokkitapauksen eroa, ennusteet vaihtelevat enemmän ja erot ovat huomattavasti suurempia. Päivittäiseen estimointiin pohjaava ennuste on parhaimmillaan 56.95% tarkempi ja heikoimmillaan 40.39% epätarkempi suhteessa verrokkitapaukseen. Ennustemallin parametrien päivittäinen uudelleenestimointi on hyödyllisintä tuotteille, joiden kysyntä vaihtelee paljon ja joiden kysynnässä on lyhyen aikavälin trendejä. Tiheä uudelleenestimointi on vähiten hyödyllistä hitaasti liikkuville tuotteille tai tuotteille, joilla on hyvin satunnainen kysyntä.

Description

Supervisor

Ilmonen, Pauliina

Thesis advisor

Belt, Teemu

Keywords

demand, estimation frequency, forecasting accuracy, retail

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202501031006

Collections

[dipl] Perustieteiden korkeakoulu / SCI