Using retail data in CPG demand forecasting

Thumbnail Image

Files

master_Huttunen_Petra_2022.pdf (1.71 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2022-05-18

Department

Major/Subject

Strategy

Mcode

SCI3109

Degree programme

Master’s Programme in Industrial Engineering and Management

Language

en

Pages

63

Series

Abstract

The goal of this thesis is to investigate the benefits of including data shared by the retailer in Consumer Packaged Goods (CPG) demand forecasting. The study is conducted according to design science principles: an intervention is tested in different contexts and the generative mechanisms and outcomes are evaluated. The analysis includes four different companies that supply fresh foods, frozen foods and non-spoiling consumer goods to retailers. Based on the analysis, generalized design propositions are formed to outline what kind of retail data improves forecast accuracy and in which situations. Collaboration between companies in the supply chain has been a popular research topic. If suppliers don't have visibility to end customer demand or retailer decisions such as promotions, there is a high risk for mismatches in supply and demand. In addition, forecasting supplier demand accurately can be challenging due to variance amplification of demand when moving upwards in the supply chain. It has been shown that sharing data between suppliers and retailers can increase forecast accuracy, improve service levels and lower inventory levels, and different collaboration models such as VMI and CPRF have been introduced to increase the integration across the supply chain. However, suppliers struggle to see benefits due to the high amount of resources needed and the challenges in transferring new knowledge from the collaboration to actual operations. Incorporating retail data directly into the CPG firm's demand forecast model and using the forecasts as input in planning operations ensures that changes happening at the retailer level are taken into account in the CPG firm's operations. This approach is enabled by using a Bayesian regression model to forecast CPG demand. Regression models can include different variables that help in explaining the variance in demand. In this study, outlet count and point-of-sales (POS) data shared by the retailer are included as additional variables in the CPG firm's regression model, and results between forecast versions with and without retail data are compared. This study showed that using retail data in CPG demand forecasting can increase forecast accuracy for special cases: including outlet count in the model can increase forecast accuracy of products with assortment changes, and POS data can increase forecast accuracy of promotionally driven products with intermittent CPG demand. Fast-moving products with stable demand do not gain any accuracy improvements from the data additions, because retail data does not provide any additional information for the forecast. In addition, inconsistent retail order patterns and inaccurate future looking retail data make it challenging to gain accuracy improvements.

Tämän työn tavoitteena on tutkia tiedonjakamisen hyötyä toimittajan kysynnän ennustamisessa. Työssä hyödynnetään design science -metodia, jossa interventio testataan useassa eri kontekstissa, ja tulokset sekä tuloksiin johtaneet mekanismit analysoidaan. Työssä hyödynnetään dataa neljältä eri yritykseltä, jotka toimittavat tuoretta ruokaa, pakasteita sekä muita kuluttajatuotteita vähittäiskauppiaille. Yhteistyötä toimitusketjun eri yritysten välillä on tutkittu paljon. Jos tuotteiden toimittajalla ei ole näkyvyyttä todelliseen asiakaskysyntään tai vähittäiskauppiaan kampanjapäätöksiin, on erittäin suuri riski, että tarjonta ja kysyntä eivät ole linjassa. Toimittajan kysynnän ennustaminen on erityisen haastavaa, koska kysynnän varianssi kasvaa siirryttäessä toimitusketjun yläjuoksuun. On tutkittu, että datan jakaminen toimitusketjussa voi parantaa ennustetarkkuutta ja johtaa myös muihin etuihin, kuten pienempiin varastotasoihin ja parempaan saatavuuteen. Erilaiset yhteistyömallit kuten Vendor-Managed Inventory (VMI) ja Collaborative planning, forecasting and replenishment (CPFR) pyrkivät lisäämään yhteistyötä ja kannustamaan tiedonjakoon. Toimittajilla on kuitenkin haasteita saada hyötyjä yhteistyöstä, koska yhteistyö vaatii paljon resursseja mutta tuloksia ei saada siirrettyä operaatioiden puolelle. Kun vähittäiskauppadataa otetaan suoraan mukaan toimittajan kysyntäennusteeseen, voidaan taata tiedon siirtyminen operaatioiden puolelle. Käytännössä tämä voidaan toteuttaa bayesialaisen regressiomallin avulla, joka mahdollistaa usean muuttujan mukaan ottamisen ennustemalliin. Tässä tutkimuksessa toimittajan ennustemalliin lisättiin muuttujat myymäläpeitolle ja kassadatalle, ja ennusteita laskettuna eri malleilla verrattiin. Tutkimustulosten perusteella voidaan sanoa, että vähittäiskauppadatasta on hyötyä tilanteissa, kun kysyntä on muuten epävarmaa: myymäläpeiton lisääminen malliin parantaa ennustetarkkuutta tapauksissa, joissa tuotevalikoima muuttuu, ja kassadata parantaa kampanjoiden ennustetarkkuutta kun toimittajan kysyntä on hajanaista ja piikikästä. Kun toimittajan kysyntä on vakaata, lisädatasta ei ole hyötyä, koska se ei tuo mitään lisätietoa ennustelaskentaan. Lisäksi lisädatasta hyötymistä hankaloittaa vähittäiskauppiaan epäsäännöllinen täydennysrytmi ja epätarkka tulevaisuuteen katsova data.

Description

Supervisor

Saarinen, Lauri

Thesis advisor

Falck, Michael

Keywords

information sharing, supply chain collaboration, demand forecasting, bayesian linear regression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202205223320

Collections

[dipl] Perustieteiden korkeakoulu / SCI