Kasvuyrityksen innovatiivisien trendituotteiden verkkokauppakysynnän ennustaminen kvantitatiivisilla menetelmillä: Kvantitatiivisien ennustemenetelmien soveltuvuus

Abstract

Tämän diplomityön tavoitteena oli empiirisesti selvittää: mitkä ovat parhaiten innovatiivisien trendituotteiden verkkokauppaa harjoittavan kohdeyrityksen varastonhallintaan tähtäävään kysynnän ennustamiseen soveltuvia kvantitatiivisia ennustemenetelmiä. Kohdeyrityksen kysynnän ennustamista tässä tarkoituksessa vaikeuttavia tekijöitä ovat olleet mm. pitkät varastotäydennyksien läpimenoajat, tuotteiden lyhyet myyntihistoriat, suuret vaihtelut kysynnässä ja näihin vaihteluihin vaikuttavat suuret ja dynaamiset panostukset verkkomainontaan. Menetelmien soveltuvuuden selvittämiseksi arvioitiin niiden prediktiivistä suorituskykyä – sekä tarkkuutta että vinoutuneisuutta mittaamalla – ja huomioitiin myös menetelmien käytettävyys perustuen: ymmärrettävyyteen, käytön työmäärään ja resurssikulutukseen. Koska kysynnän ennustamisen tavoitteena varastonhallintaa varten on toiminnan kannattavuus, ja kohdeyrityksen tavoitteena on käyttää vain muutamaa parhaiten tiettyjen laajojen tuotesegmenttien ennustamiseen soveltuvaa menetelmää, lukuisien nimikkeiden ennustamisen kokonaisvirhettä ja sen kustannusvaikutuksia pyrittiin painottamaan menetelmien arvioinnissa. Lisätutkimuskysymys kohdistettiin siihen, voidaanko selittäviä muuttujia hyödyntävillä menetelmillä tuottaa aikasarjamenetelmiä parempia ennusteita. Kvantitatiivisien ennustemenetelmien soveltuvuuden testaus määriteltiin ennustamisen tavoitteiden, kirjallisuuskatsauksen sekä käytettävän aineiston analyysin perusteella. Testauksessa ennustettavat nimikkeet jaettiin pää- ja sivutuotteisiin, joilla molemmilla testattavaksi valittiin joukko yleisesti käytettyjä aikasarjamenetelmiä. Lisäksi päätuotteille testattaviksi valittiin joukko lineaarisia kausaalimenetelmiä sekä yksi neuroverkko- ja yksi puurakenteinen koneoppimismenetelmä. Sekä kausaali- että koneoppimismenetelmissä käytettäväksi tunnistettiin 10 potentiaalista selittävää muuttujaa, joihin kuului mm. hinta ja erilaisia markkinointiin liittyviä tietoja. Menetelmien prediktiivistä suorituskykyä testattiin sekä viikko- että kuukausijaksoilla ja sekä tuotetason aggregointiin että suoraan varastonimikkeiden tason ennustamiseen perustuen. Menetelmien prediktiivisen suorituskyvyn arvioinnissa käytettiin ristivalidointia ja virhemittaukset perustuivat varastotäydennyksien läpimenoajalle summattuihin ennusteisiin. Kausaalimenetelmien muuttujien valintaan ja koneoppimismenetelmien hyperparametrien säätöön käytettiin validointidataa ennen näin valittujen ja säädettyjen mallien sekä aikasarjamenetelmien suorituskyvyn arviointia erillisellä testidatalla. Tuotesegmenttien kaikkien nimikkeiden ennustamisen kokonaisvirheen ja sen kustannusvaikutuksien huomioimiseksi menetelmien tarkkuuden mittarina käytettiin segmentin kaikkien nimikkeiden läpimenoaikaennusteiden neliövirheiden hinnoilla painotetun keskiarvon neliöjuurta. Menetelmien vinoutuneisuutta mitattiin keskimääräisellä suhteellisella keskivirheellä. Sivutuotenimikkeille prediktiiviseltä suorituskyvyltään paras menetelmä oli kuukausijaksojen aiempien toteumien keskiarvon ja naiivin yhdistelmä, joka oli tarkin eikä ollut merkittävästi vinoutuneempi kuin vähiten vinoutunut menetelmä ja se on myös käytettävyys huomioiden sivutuotenimikkeille parhaiten soveltuva menetelmä. Päätuotenimikkeille prediktiiviseltä suorituskyvyltään paras menetelmä oli viikkojaksoilla laskettu validointidatassa tarkin lineaarisien regressiomallien yhdistelmä, joka oli testidatassa tarkin menetelmä eikä merkittävästi vinoutunut. Selittäviä muuttujia hyödyntämällä on siis tämän tutkimuksen perusteella mahdollista tuottaa päätuotteille parempia ennusteita kuin aikasarjamenetelmillä. Lineaarisien regressiomallien yhdistelmän käyttö edellyttää ennustamista varastonhallintajärjestelmästä erillisellä järjestelmällä, mikä heikentää sen käytettävyyttä. Tästä huolimatta se arvioitiin parhaiten soveltuvaksi menetelmäksi päätuotteiden kysynnän ennustamiseen, koska sen suorituskyky oli niin paljon varastonhallintajärjestelmän mahdollistamia menetelmiä parempi. Molemmissa tuotesegmenteissä tuotetason aggregoitu ennustaminen tuotti parempia ennusteita kuin suora varastonimikkeiden tason ennustaminen.