Sales Forecasting Using Supervised Machine Learning to Detect the Effect of Promotion

Tugba Uzun

Student thesis: Master thesis

Abstract

Nøjagtige salgsprognoser er vigtig for virksomheder, da det kan bidrage til betydelig vækst, risikoreduktion og optimering af salgsstrategier. Traditionelle tidsrækkermodeller kan dog give upræcise resultater i dagens komplekse datasæt. Machine learning modeller kan derimod give en særlig fordel ved at give bedre indsigt i de underliggende mønstre i dataene. Dette speciale har til form˚al at undersøge, om det er muligt at bruge machine learning modeller at levere en nøjagtig salgsprognose, og estimere effekten af promoveringer p˚a salget. Vi vil specifikt fokusere p˚a at forudsige salget af analgetika, et produkt i hurtigt bevægende forbrugsvarerindustrien, som er indsamlet fra Dominick’s Finer Food, en dagligvarekæde i Chicago-omr˚adet. Dataet er komplekst, da det indeholder flere forskellige butikker og unikke produktskoder.
Analysen viser, at det er udfordrende at lave salgsprognoser i en detailkæde ved brug af ag-gregerede data fra flere butikker og forskellige produktskoder. Dette blev konkluderet ved at teste forskellige machine learning modeller, s˚asom Lasso regression, Random Forest regression, Beslutningstræ og Multilayer Perceptron. Resultaterne viste, at b˚ade beslutningstræet og mul-tilayer perceptron modellerne var de bedste, hvor beslutningstræet var mest enkelt og derfor mere effektiv n˚ar det gjaldt det aggregerede dataset. Derudover havde beslutningstræet en lavere gennemsnitlig absolut procentvis fejl sammenlignet med b˚ade machine learning mod-ellerne og de statistiske tidsrækkemodeller. Den sæsonbetonede statistiske model, SARIMAX, overgik alle machine learning modeller i at estimere variabiliteten, hvilket understregede sæ-sonmæssighedens betydning for salgsprognoserne. Hverken de statistiske eller machine learning modeller p˚a det aggregerede data opn˚aede ikke tilstrækkelige resultater til, at p˚alideligt es-timere effekten af promoveringer.
Efter at have disaggregeret dataet ned p˚a en enkelt butik og˚arlige salgsprognoser, bemærkede vi en stigning i modelnøjagtigheden og dermed ogs˚a en mere p˚alidelig vurdering af promoveringens indflydelse p˚a salget. Resultaterne fra analysen af det mere detaljerede datasæt, for en enkelt butik viste, at promoveringer p˚a analgetika produkterne kan have en betydelig effekt p˚a salget. Det blev ogs˚a bemærket, at effekten af promoveringer var afhængig af sæsonen og de specifikke produktkoder, de blev sat p˚a. Derfor er det vigtigt at m˚alrette promoveringerne efter den optimale sæson og de specifikke produktkoder for at opn˚a det bedste resultat.

EducationsMSc in Business Administration and Mathematical Business Economics, (Graduate Programme) Final Thesis
LanguageEnglish
Publication date15 May 2023
Number of pages96
SupervisorsDaniel Hardt