haku: @supervisor Zenger, Kai / yhteensä: 148
viite: 13 / 148
| Tekijä: | Nikula, Henri |
| Työn nimi: | Forecasting effects of promotions with causal methods in grocery retailing |
| Markkinointikampanjoiden vaikutusten ennustaminen kausaalisilla malleilla vähittäiskaupassa | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2016 |
| Sivut: | 66 Kieli: eng |
| Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
| Oppiaine: | Automaation tietotekniikka ja -järjestelmät (ETA3005) |
| Valvoja: | Zenger, Kai |
| Ohjaaja: | Kauremaa, Jouni |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201603291537 |
| Sijainti: | P1 Ark Aalto 3564 | Arkisto |
| Avainsanat: | forecasting promotion causal method support vector regression retail ennustaminen markkinointikampanja kausaalinen malli tukivektorikone |
| Tiivistelmä (fin): | Erilaisten markkinointikampanjoiden ja alennusten merkitys kuluttajien houkuttelemiseksi vähittäiskaupassa on kasvanut viimeisen vuosikymmenen aikana merkittävästi. Suuri osa kaikesta myynnistä tehdäänkin jonkinlaisen markkinointikampanjan yhteydessä. Yhä useammat vähittäiskauppaketjut hyödyntävät automatisoituja täydennysjärjestelmiä, joiden toiminta edellyttää tarkkoja ennusteita. Markkinointikampanjoilla voi olla suuri vaikutus yksittäisen tuotteen kysyntään, joten niiden vaikutusten ennustaminen on hyvin tärkeää, jotta automaattinen täydennys voi toimia tehokkaasti. Tässä diplomityössä perehdytään ensin kampanjoiden ennustamista käsittelevään kirjallisuuteen. Tämän jälkeen eri ennustemalleja vertaillaan hyödyntäen eurooppalaisen vähittäiskauppaketjun historiallisia myyntejä. Vertailtavat mallit ovat heuristinen historiallisiin keskiarvoihin perustuva malli, parametrinen SCAN*PRO malli, ei-parametrinen tukivektorikonemalli sekä malli, joka yhdistää sekä aikasarjaennusteen että SCAN*PRO-mallin. Myös eri aggregaattitasojen ja malleihin lisättävän informaation vaikutusta ennustetarkkuuteen vertaillaan. Työssä tehtiin neljä havaintoa: ensiksi, kausaaliset mallit tuottavat huomattavasti tarkempia ennusteita kuin historiallisiin keskiarvoihin tai aikasarjamalleihin perustuvat menetelmät, toiseksi lisäinformaation tuominen malleihin parantaa ennustetarkkuutta, kolmanneksi sopivan aggregaattitason valinnalla on suuri vaikutus saavutettuun ennustetarkkuuteen ja neljänneksi, on mahdollista löytää malli-aggregaattitasoyhdistelmä, joka tuottaa tarkimmat ennusteet. Paras absoluuttinen ennustetarkkuus saavutettiin tukivektorikonemallilla, mutta kun tarkastellaan ennustevirheen jakautumista, parhaat ennusteet saatiin mallilla, joka yhdistää aikasarja- ja SCAN*PRO-ennusteen. Tämä tutkimus osoittaa, että kausaalisisilla malleilla voidaan ennustaa markkinointikampanjoiden vaikutuksia tarpeellisella tarkkuudella ja että aggregaattitason valinnalla on suuri vaikutus saavutettuun ennustetarkkuuteen. Tutkimuksessa vertailtiin vain muutamaa eri mallia, joten paremman kokonaiskuvan saamiseksi myös muiden mallien tutkiminen on välttämätöntä. |
| Tiivistelmä (eng): | The importance of different types of sales promotions as the drivers of consumer behavior has grown during the last decade and a significant proportion of all retail sales are done during promotions. Since these different promotional activities have effects on the demand, it is important to accurately forecast them. This is especially because an increasing number of retailers are using automated store replenishment systems that rely heavily on these forecasts. In this master's thesis the literature of demand forecasting in the presence of promotions is first covered and then different forecasting models are tested and compared using data from a European grocery retailer. The different tested methods consist of heuristic historical averages, parametric SCAN*PRO, nonparametric support vector regression and a base times lift model that combines information from time series and SCAN*PRO models. The different methods are also estimated on different levels of aggregation and using various different parameter combinations. Four key findings were made: first the forecasting accuracy with the causal methods is superior compared to the historical averages or time series methods for the promotional periods, second the forecasting accuracies can be improved by introducing additional variables to the models, third aggregation level has a significant impact on the overall forecasting performance and fourth it is possible to find the best performing model, parameter and aggregation level combinations. Based on mean absolute percentage error values the best performing model is the support vector regression model, but when looking at the distribution of the forecasting errors the base times lift model provides the most robust forecasts. This study shows that causal forecasting models can be successfully used to forecast the effects of sales promotions on demand and that aggregation level has a great impact on the acquired forecasting accuracy. This study only tested few of the available forecasting models so more studies on them is needed to get better understanding of the topic. Also more research on finding the right model and aggregation level combinations for individual stock keeping units is needed. |
| ED: | 2016-04-17 |
INSSI tietueen numero: 53349
+ lisää koriin
INSSI