Exploring High-Value Use Cases of Modern Data Analytics Methods in Financial Sales Forecasting

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
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

2024-12-15

Department

Major/Subject

Tuotantotalous

Mcode

SCI3025

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

37

Series

Abstract

Creating financial forecasts is a complex process requiring the management of dynamic internal variables alongside external macroeconomic, market, and behavioural factors. Modern data analytics methods, such as machine learning and deep learning, offer significant potential to model these relationships and enhance forecast accuracy. Sales forecasting, as a foundational component of financial planning and budgeting, is critical to corporate success. This bachelor’s thesis aims to provide finance teams with actionable insights into how modern data analytics methods can improve sales forecasting. Through a literature review and the analysis of nine use cases, this study examines how implementing these methods contributes to improved forecast accuracy and informs decision-making. The results highlight that modern data analytics methods are widely used to generate financial sales forecasts, but also to improve data quality in earlier stages. Modern data analytics methods have achieved higher sales forecasting accuracy compared to simpler statistical time series methods. However, successful implementations depend on addressing challenges such as ensuring data quality, mitigating risks of bias and overfitting, and managing a trade-off between accuracy and interpretability. Interpretable models are valuable in fostering trust and usability, which are critical for effective decision-making. To address challenges, this thesis proposes practical considerations for selecting methods and managing the implementation process. It emphasises aligning model complexity, organisational resources, and goals. For organisations with limited resources, it recommends prioritising interpretable and cost-effective machine learning models, while hybrid, ensemble, and deep learning models are suggested for those with more expertise, data, and resources. This structured approach helps organisations effectively integrate modern data analytics into their sales forecasting, enhancing accuracy and decision-making.

Att skapa ekonomiska prognoser är en komplex och utmanande process som kräver hantering av dynamiska interna variabler och externa makroekonomiska, marknads- och beteendemässiga faktorer. Moderna dataanalys metoder, såsom maskininlärning och djupinlärning, erbjuder möjligheter att hantera utmaningarna genom att modellera relationer mellan variabler och förbättra prognosnoggrannheten. Ekonomisk planering och budgetering är avgörande för företags framgång, och försäljningsprognoser spelar en central roll som grund för dessa processer. Syftet med denna kandidatuppsats är att ge ekonomiförvaltningsteam praktiska insikter i hur moderna dataanalysmetoder kan användas för att effektivisera och förbättra försäljningsprognoser. Studien baseras på en litteraturöversikt av relevanta teorier och analyser av nio användningsfall, som betonar hur implementering av olika metoder bidrar till prognosnoggrannhet och påverkar beslutsfattande. Resultaten lyfter fram att moderna dataanalysmetoder används i stor utsträckning för att generera finansiella försäljningsprognoser, men också för att förbättra datakvaliteten i tidigare skeden. Moderna dataanalysmetoder har uppnått högre noggrannhet i försäljningsprognoser jämfört med enklare statistiska tidsseriemetoder. En framgångsrik implementering beror på att hantera utmaningar som att säkerställa datakvalitet, minska risken för systematiska fel och överanpassning samt balansera noggrannhet och tolkbarhet. Tolkningsbara modeller är värdefulla för att skapa förtroende och användbarhet, vilket är avgörande för effektivt beslutsfattande. För att hantera utmaningarna föreslår denna kandidatuppsats praktiska överväganden för att välja metoder och hantera implementeringsprocessen. Den betonar vikten av att anpassa modellernas komplexitet till organisationens resurser och mål. För organisationer med begränsade resurser rekommenderas att prioritera tolkningsbara och kostnadseffektiva maskininlärningsmodeller, medan hybridmodeller, ensemblemetoder och djupinlärningsmodeller föreslås för de med mer expertis och data. Denna strukturerade metod hjälper organisationer att effektivt integrera moderna dataanalysmetoder i sina prognoser, vilket förbättrar prognosnoggrannhet och beslutsfattande.

Description

Supervisor

Rajala, Risto

Thesis advisor

Karjalainen, Jouko

Keywords

modern data analytics methods, financial sales forecasting

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202501071048

Collections

[kand] Perustieteiden korkeakoulu / SCI