Access, don’t own! Predicting fill rate and demand for access-based consumption in equip- ment rental businesses

Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Information Networks
Degree programme
Master’s Programme in Information Networks
xi + 75
Access-based consumption has been around for a long time in the public sector. However, in recent years offering services based on access instead of ownership has been increasingly popular (Bardhi & Eckhardt, 2012). Not only have digital services like Netflix and Spotify provided digital access to previously physical artifacts, but companies like Dollar Shave Club and Zipcar have also started to offer access to physical consumer goods. Six dimensions of access-based consumption have been identified that affect the characteristics of access-based consumption - (1) temporality, (2) anonymity, (3) market mediation, (4) consumer involvement, (5) type of accessed object, and (6) political consumerism (Bardhi & Eckhardt, 2012). This thesis aims to develop a prediction model for fill rate and demand for access-based consumption in equipment rental businesses that can be generalized to multiple product categories. Six different machine learning models are analyzed for their ability to predict demand for access-based consumption. The random forest model is selected to predict non-subscription and subscription user demand used in the fill rate prediction of equipment rentals. The final proposed solution of this thesis is an interactive web app for multiple stakeholders that predicts the demand of both subscription and non-subscription users, fill rate, and maximum amount of possible subscriptions for a product category of an equipment rental business. The analysis of the fill rate prediction includes a total of ten equipment rental businesses, with three different product categories and five locations. Based on the analysis, suggestions on products suited for fill rate prediction and ways to improve the forecast accuracy are made. Prior literature has conducted demand prediction of access-based consumption using unsupervised and supervised machine learning models, with random forest and artificial neural networks being the most prominent approaches. The ability to handle complex models with many variables without overfitting is one of the main reasons behind the popularity of random forest models. Prior research has mainly focused on optimizing one type of product and type of access-based consumption. Thus, the main contribution of this thesis is the demonstration of the possibility of generalizing the prediction of fill rate and demand for access-based consumption product categories and types of access-based consumption. Furthermore, the results also suggest that the use of both subscription and non-subscription rentals could potentially increase the utilization of inventory at equipment rentals, leading to a lower cost of stock while maintaining a sufficient service level to keep the cost of stock-out low.

Målsättningen för detta diplomarbete är att utveckla en förutsägelse model av efterfrågan för åtkomstbaserad kunsumtion och inventariets användningsgrad i uthyrningsföretag som kan användas för flera produktkategorier. Sex olika maskininlärningsmodeller analyseras för förutsägelse av efterfrågan för åtkomstbaserad kunsumtion. Random forest modellen valdes för förutsägelse av både traditionell och prenumerationsefterfrågan som används för förutsägelse av inventariets användningsgrad i uthyrningsföretag. Diplomarbetets slutprodukt är en interaktiv webbapplikation som förutse efterfrågan för både traditionella och prenumerationsanvändare av uthyrningsföretag, samt förutsäger inventariets användningsgrad och maximala antalet prenumerationsanvändare. I analysen används tio olika uthyrningsföretag, i tre olika produktkategorier samt fem olika städer. På basen av analysen ges förlag på produkter som passar för förutsägelse av inventariets användingsgrad samt sätt att förbättra förutsägelsen. Åtkomstbaserad konsumtion har redan länge använts inom offentlig sektor. Under de senaste åren har åtkomstbaserade tjänster blivit populärare även utanför offentlig sektor. Digitala tjänster som Netflix och Spotify har möjliggjort digital åtkomst till tidigare fysiska produkter, samtidigt som företag som Dollar Shave Club och Zipcar har introducerat åtkomstbaserade tjänster till fysiska produkter. Tidigare forskning har förutsett efterfrågan av åtkomstbaserad konsumtion både med hjälp av oövervakade och övervakade maskininlärningsmodeller. De mest populära modellerna har varit random forest och artificiella neuronnät. Random forest har varit en tacksam modell för forutsägelse av efterfrågan tack vare dess förmåga att hantera komplexa modeller med ett stort antal variabler utan att överanpassa modellen. Diplomarbetets huvudresultat är dess demonstration av möjligheten att generalisera förutsägelse av efterfrågan av åtkomstbaserad konsumtion och inventariets användnings grad i flera olika produktkategorier och typer av åtkomstbaserad konsumtion då tidigare forskning endast fokuserat på att optimera förutsägelse av en typ av produkt och åt komstbaserad konsumtion. Arbetet antyder även att användningen av både traditionella modeller och prenumerationsmodeller i uthyrningsföretag kan öka inventariets användningsgrad, utan att sänka tjänstenivån och samtidigt minska inventariets kostnader.
Saarinen, Lauri
Thesis advisor
Arvila, Hannu
access-based consumption, equipment rentals, demand prediction, fill rate prediction, circular economy