Machine learning approaches for demand forecasting in the premium outdoor sports equipment industry

Thumbnail Image

Files

master_Urvas_Pekka_2025.pdf (2.82 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | 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

2025-06-04

Department

Major/Subject

Strategy

Mcode

Degree programme

Master's Programme in Industrial Engineering and Management

Language

en

Pages

73

Series

Abstract

This thesis evaluates sixteen forecasting models, including statistical, hybrid, and machine learning approaches. It assesses the impacts of downstream data inclusions and analyzes the decoupling point implications for demand forecasting and inventory management in the premium outdoor sports equipment industry. The models are trained and tested on a component-level sales records dataset and evaluated based on forecasting accuracy and inventory performance in a order-up-to level inventory simulation. Neural network methods and their hybrids emerge as the top-performing models. In particular, the SES-DMLP hybrid achieves the highest overall performance, ranking first or near the top across all tested metrics. The inclusion of the downstream sales data improves the forecasting accuracy and inventory performance on only one of the three tested machine learning models, but the model with inclusions fails to outperform the best benchmark models. The decoupling point analysis highlights that producing finished components for stock notably increases the necessary work-in-progress inventory levels.

Tässä lopputyössä arvioidaan yhteensä kuuttatoista tilastollista, hybridi- ja koneoppimisennustemallia. Tutkimuksessa tarkastellaan alavirran myyntidatan sisällyttämisen vaikutuksia näihin malleihin. Lisäksi arvioidaan tilauksen kohdennuspisteen merkitystä kysynnän ennustamisessa sekä varastonhallinnassa premium-luokan ulkourheiluvälineiden valmistusteollisuudessa. Malleja on koulutettu ja testattu komponenttikohtaisen myyntiaineiston avulla, ja niitä on arvioitu ennustetarkkuuden sekä varastosuorituskyvyn perusteella. Tutkimuksen tulokset osoittavat, että neuroverkkomenetelmät ja niiden hybridit suoriutuvat ennustemalleista parhaiten. Erityisesti SES–DMLP-hybridillä on kokonaisvaltaisesti paras suorituskyky. Alavirran myyntitietojen sisällyttäminen parantaa ennustetarkkuutta ja varastosuorituskykyä vain yhdessä kolmesta testatusta koneoppimismallista, mutta tämä malli ei silti yllä parhaiden verrokkimallien tasolle. Tilauksen kohdennuspisteen analyysi korostaa, että valmiiden komponenttien valmistaminen varastoon lisää merkittävästi työn alla olevan varaston tarvetta.

Description

Supervisor

Saarinen, Lauri

Thesis advisor

Kainulainen, Mika

Keywords

koneoppiminen, neuroverkot, kysynnän ennustaminen, varastojen hallinta, premium-luokan ulkourheiluvälineet, varastosimulaatio

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508206671

Collections

[dipl] Perustieteiden korkeakoulu / SCI