On hierarchical retail forecasting: Assessing forecast aggregation and disaggregation methods
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Kiuru, Eelis
Date
2021-03-16
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
vi + 44 + 3
Series
Abstract
Today's retailers operate in a very competitive market, whose small profit margins necessitate constant optimization and cost reduction. Thus, accurate demand forecasts are vital for retail operations. It is also known that retail demand time-series often relate to each other hierarchically. In this thesis, we assess different methods for leveraging these hierarchical structures in forecasting. The methods of this thesis include exponential smoothing and regularized regression models for calculating base forecasts for individual product-locations and product-level aggregates. Moreover, bottom-up, top-down, and optimal reconciliation methods are used to distribute the base forecasts in two-level location hierarchies. The different forecasting and hierarchical approaches are evaluated by using them to forecast a real-world retail dataset and comparing the resulting forecast accuracies of the different methods. The results of this thesis show that the top-down approach using forecast proportions can significantly improve forecast accuracies of seasonal and slow-moving products compared to a bottom-up approach. Improvement is also seen in the average total-level accuracy of all the products in scope. The optimal reconciliation seems to be a middle-ground between the two other approaches. The practical applications benefiting from increased total-level forecast accuracy include distribution centre replenishment, sales and operations planning, workload forecasting, and fresh product forecasting. There are multiple follow-up research directions based on the results of this thesis. Analyses with a larger dataset could strengthen the findings of accuracy improvements, and a case study on the practical implications could reveal the concrete benefits of the improved accuracies. It would also be useful to research how campaign data could be incorporated to the used approaches, and how forecast calculation and distribution could be integrated for better reconciliation.Nykypäivän vähittäiskauppa on todella kilpailtu toimiala, jonka pienet tuottomarginaalit edellyttävät toimijoilta jatkuvaa toimintojen optimointia ja kulujen pienentämistä. Tästä syystä tarkat kysyntäennusteet ovat välttämättömiä vähittäiskaupan operaatioissa. Lisäksi tiedetään, että vähittäiskaupan kysyntäaikasarjat muodostavat usein keskenään hierarkioita. Arvioimme tässä työssä menetelmiä, joilla näitä hierarkkisia rakenteita voidaan hyödyntää ennustamisessa. Työssä käytetään ennustemalleina eksponenttista tasoitusta ja säädeltyä regressiota, joilla pohjaennusteet lasketaan yksittäisille tuotelokaatioille ja tuotetason aggregaateille. Nämä pohjaennusteet jaotellaan hierarkiassa käyttäen alhaalta ylöspäin- ja ylhäältä alaspäin -menetelmiä, sekä ennusteiden optimaalista täsmäytystä. Ennustemalleja ja hierarkkisia menetelmiä arvioidaan soveltamalla niitä vähittäiskaupan aineistoon, ja vertailemalla eri menetelmien tuottamia ennustetarkkuuksia. Työn tulokset osoittavat, että ylhäältä alas -menetelmä voi tuottaa merkittävästi parempia tuloksia etenkin sesonkisten ja hitaasti liikkuvien tuotteiden kohdalla, kun menetelmää verrataan alhaalta ylös -menetelmään. Parannusta huomataan myös ryhmätason ennustetarkkuuksien keskiarvossa. Optimaalinen täsmäytys sen sijaan vaikuttaa kompromissilta kahden muun lähestymistavan välillä. Parantuneesta ryhmätason ennusteesta hyötyviä sovelluksia ovat esimerkiksi keskusvarastotäydennys, myynnin ja operaatioiden suunnittelu, työmääräennustaminen ja tuoretuotteiden ennustaminen. Työn pohjalta voidaan jatkaa tutkimusta monella tavalla. Suuremman aineiston analysointi voisi vahvistaa työssä havaittuja ilmiöitä, ja johonkin käytännön sovellukseen liittyvä tapaustutkimus voisi selventää parantuneiden ennustarkkuuksien konkreettisia hyötyjä. Olisi myös hyödyllistä tutkia, miten kampanjadataa voisi hyödyntää käytetyissä menetelmissä, ja miten ennusteiden laskennan ja jaottelun voisi integroida paremman täsmäytyksen mahdollistamiseksi.Description
Supervisor
Ilmonen, PauliinaThesis advisor
Saarinen, ErkkaKeywords
retail, demand forecasting, hierarchical forecasting, exponential smoothing, regularized regression, disaggregation