Attribute based promotion forecasting
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2020-05-19
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
46+5
Series
Abstract
The increasing competition in the retail industry in the past years, caused partly by large online retailers such as amazon, has put increasing pressure on retailers to cut costs where possible. A key component of cutting costs is forecasting demand accurately. Accurate demand forecasts allow retailers to keep stocks low, while ensuring availability, which in turn increases profits. Accurate demand forecasting can be achieved with relatively simple time series methods for products with stable sales. However for products with large variation in sales, more complex models are needed. This is the case for products where promotions play a large role in sales. For these products, models that utilize historical promotion data to forecast sales, are needed. In this thesis, literature on promotion forecasting is presented. Based on the literature review, a new promotion forecasting method based on historical averages of similar promotions is presented and analyzed on real sales data from a specialty retailer operating in Europe. The presented method is an extension of an existing method simple historical averages, that uses historical averages for similar promotions in the past to forecast new promotions. The presented method uses multiple definitions of similar promotions to calculate the historical averages. Regression is then performed on multiple historical averages to forecast new promotions. While the proposed method performs better than the simple historical averages model with regard to several accuracy metrics, a systematic bias was identified. Due to the presence of a significant amount of promotions with very low impact on sales, our regression based method tends towards underforecasting. The majority of forecasting accuracy improvements were achieved by reducing the total forecast for low selling promotions. This also lead to high selling promotions being underforecasted more severely compared to simple historical averages. This indicates that the definition of a similar promotion used in this thesis is insufficient. Therefore further research on defining criteria for similar promotions is needed.Kilpailu vähittäiskaupan alalla on kiihtynyt jatkuvasti viime vuosina, osittain suurten nettiverkkokauppojen kuten amazonin takia. Tämä on laittanut entistä enemmän painetta vähittäiskaupan toimijoille kustannusten leikkaamiseen. Olennainen osa kustannusten leikkaamista on tarkka kysynnän ennustaminen. Kysynnän ennustaminen tarkasti mahdollistaa varastojen pitämisen alhaisina alentamatta saatavuutta, joka johtaa korkeampiin tuottoihin. Tasaisen kysynnän tuotteille kysynnän ennustaminen tarkasti on mahdollista yksinkertaisilla aikasarjamenetelmillä. Mutta tuotteille joiden myynti vaihtelee huomattavasti, tarvitaan tehokkaampia ennustemalleja. Tälläisiä ovat tuotteet, joilla iso osa myynnistä tulee mainoskampanjoista. Näiden tuotteiden tehokkaaseen ennustamiseen tarvitaan ennustemalleja, jotka hyödyntävät historiallisten mainoskampanjoiden dataa. Tässä diplomityössä perehdytään kampanjoiden ennustamista käsittelevään kirjallisuuteen. Kirjallisuuskatsauksen pohjalta esitämme uuden kampanjaennustamismallin, joka pohjautuu mainoskampanjoiden historiallisiin keskiarvoihin. Esitetty malli pohjautuu olemassaolevaan malliin, joka ennustaa tulevia kampanjoita, käyttäen samanlaisten kampanjoiden historiallisia keskiarvoja. Esittämämme malli käyttää useita määritelmiä samanlaiselle kampanjalle historiallisten keskiarvojen laskemiseksi. Näihin historiallisiin keskiarvoihin sovitetaan regressiomalli, jota käytetään uusien kampanjoiden ennustamiseen. Vaikka mallimme johti ennustetarkkuuden parantumiseen, mallissa huomattiin systemaattinen virhe. Koska käyttämässämme datasetissä oli iso joukko kampanjoita, joiden vaikutus myyntiin oli marginaalinen, regressiopohjainen mallimme aliennusti myyntejä systemaattisesti. Suurin osa ennustetarkkuuden parantumisesta saavutettiin pienentämällä näiden pienten vaikutusten kampanjoiden ennusteita. Vastaavasti aliennustettiin myös kampanjoita, joilla oli suuri vaikutus myyntiin. Tämä implikoi, että tässä diplomityössä käytetty määritelmä samanlaisesta kampanjasta ei ole riittävä. Täten tarvitaan lisää tutkimusta samanlaisten kampanjoiden tunnistamiseen.Description
Supervisor
Ilmonen, PauliinaThesis advisor
Saarinen, ErkkaKeywords
promotion forecasting, demand forecasting, regression, LASSO, ridge, elastic net