Digitalizing Demand Forecasting in Industrial Services

Abstract

Modern manufacturing companies adopt servitization strategies to capture revenue from after-sales services, referred to as industrial services. Despite the expected benefits and recurring revenues from industrial services, practical difficulties in implementing servitization strategies lead to challenges in maintaining profitability and flexibility of the organization. One of the main challenges from an operational perspective is the intermittent demand pattern of industrial services, which makes demand forecasting extremely complicated. While forecasting methods and digital support systems have developed over the years, there have been limited advancements in practice.

This thesis approaches the phenomenon by conducting interventionist research in collaboration with an industrial service organization. The main objective of the thesis is to develop an understanding of how digitalization could enhance forecasting practices in the context of industrial services. As sales and operations planning (S&OP) has been commonly used for facilitating integrated demand and supply planning within manufacturing companies, its feasibility for industrial service organizations is examined in this thesis. The study begins with a literature review to establish a theoretical foundation for the thesis. The findings from the literature review were utilized to generate relevant interview questions for a current state analysis. After gaining an understanding of the literature and the case organization, an initial framework for digitalizing demand forecasting was created. The framework was used as an intervention, and further focus groups were organized to evaluate and refine the proposed framework.

The study reveals that the advancements in forecasting practices in the literature are often unrealized due to practical challenges, such as data collection limitations or the complexity of the service offering. This research managed to identify how digital tools can enhance forecasting industrial services providing a realistic framework for digitalizing forecasting practices. While previous literature has focused on forecasting methods based on historical sales data or installed base information, this study highlights the importance of incorporating more future-oriented data, such as information from quotations and sales pipeline, for short-term demand forecasting. Additionally, the study identifies machine learning applications as a promising avenue for managing the complex datasets typical for industrial service portfolios.

The findings also confirm that successful digitalization of demand forecasting requires not only technological tools but also a well-defined process and a shared internal understanding of that process, consistent with existing literature. The S&OP process was identified to be suitable for industrial service organizations, particularly when their service portfolio is transitioning from reactive services towards more proactive services. The framework proposes the S&OP process to be implemented, as in addition to contributing to forecasting accuracy, it enables better alignment between demand and operations planning.

This thesis contributes to the existing demand forecasting literature by demonstrating how digital tools can be utilized in the industrial services sector, providing direction and a foundation for future studies. Future research is needed to evaluate the proposed framework in a real-world setting. In general, digital solutions for forecasting require more research with actual data.

Modernit valmistavan teollisuuden yritykset panostavat palvelullistamisen strategioihin realisoidakseen jälkimarkkinapalveluista saatavia lisätuottoja. Vaikka teollisten palveluiden odotetaan tuovan hyötyjä esimerkiksi toistuvien tulovirtojen myötä, kyseisten strategioiden käytännön toteutukseen liittyy haasteita, jotka vaikeuttavat organisaation kannattavuuden ja joustavuuden ylläpitämistä. Yksi keskeisimmistä operatiivisista haasteista on teollisille palveluille tyypillinen epäsäännöllinen kysyntä, mikä tekee kysynnän ennustamisesta haastavaa. Vaikka ennustamisen menetelmät ja digitaaliset järjestelmät ovat kehittyneet vuosien aikana paljon, niiden käytännön soveltamisessa on edistytty vain rajallisesti.

Tässä diplomityössä lähestytään edellä esiteltyä ilmiötä interventionistisella tutkimuksella, joka toteutetaan yhteistyössä teollisen palveluliiketoiminnan case-organisaation kanssa. Tutkimuksen päätavoitteena on luoda ymmärrystä siitä, miten digitalisaatio voisi parantaa ennustamiskäytäntöjä teollisten palveluiden kontekstissa. Myynnin ja toiminnan suunnittelua (engl. Sales and operations planning, S&OP) on yleisesti käytetty kysynnän ja tarjonnan suunnitteluun valmistavan teollisuuden yrityksissä, ja tässä tutkimuksessa sen soveltuvuutta tarkastellaan teollisen palveluliiketoiminnan näkökulmasta. Tutkimus alkaa kirjallisuuskatsauksella, joka luo teoreettisen perustan tutkimukselle. Kirjallisuuskatsauksen tuloksia hyödynnettiin nykytilatutkimuksen haastattelukysymyksien luomisessa. Kun työn teoreettiseen taustaan ja case-organisaation nykytilaan oli tutustuttu, luotiin alustava viitekehys kysynnän ennustamisen digi-talisoimiseksi. Tätä viitekehystä käytettiin tutkimuksen interventiona, ja sen arvioimiseksi sekä edelleen kehittämiseksi järjestettiin fokusryhmätilaisuuksia työn toisessa empiirisessä osiossa.

Tutkimus osoittaa, että kirjallisuuden luoma kehitys ennustamisen menetelmissä jää usein toteutumatta käytännön haasteiden, kuten tarvittavan datan keräämisen tai palvelutarjonnan monimutkaisuuden vuoksi. Tässä tutkimuksessa onnistuttiin tunnistamaan, miten digitaaliset työkalut voivat parantaa teollisten palveluiden ennustamista luomalla realistisen viitekehyksen ennustamiskäytäntöjen digitalisoimiselle. Vaikka aiempi kirjallisuus on keskittynyt ennustamisen malleihin, jotka perustuvat historiadataan tai asennetun laitekannan dataan, tämä tutkimus korostaa tulevaisuudennäkymiin perustuvien tietolähteiden, kuten tarjouskannan ja myyntiputken, merkitystä lyhyen aikavälin kysynnän ennustamisessa. Lisäksi tutkimus tunnistaa koneoppimisen soveltamisen lupaavaksi tulevaisuuden ratkaisuksi ennustamisen kehittämiseksi.

Tulosten perusteella kysynnän ennustamisen onnistunut digitalisoiminen vaatii teknologisten työkalujen lisäksi selkeästi määritellyn prosessin ja yhteisen ymmärryksen tästä prosessista, mikä on linjassa aiemman kirjallisuuden kanssa. S&OP-prosessi todettiin soveltuvaksi teolliselle palveluorganisaatiolle erityisesti silloin, kun palveluportfolio siirtyy reaktiivisista palveluista kohti proaktiivisia, suunnitelmallisen elementin omaavia, palveluita.

Tämä tutkimus luo kontribuution olemassa olevaan kysynnän ennustamista käsittelevään kirjallisuuteen osoittamalla, miten digitaalisia työkaluja voidaan hyödyntää teollisten palveluiden kontekstissa, tarjoten suuntaviivoja ja perustan tuleville tutkimuksille. Jatkotutkimusta tarvitaan esitetyn viitekehyksen arvioimiseksi todellisissa käyttötilanteissa. Yleisesti ottaen digitaaliset ennustamisen ratkaisut vaativat enemmän tutkimusta realistista dataa käyttäen.