Bakgrund: För att företag ska kunna upprätthålla servicenivåer mot kund till så låg kostnad som möjligt krävs det en effektiv styrning av materialflödet. För att lyckas med detta krävs det att information om en marknad görs tillgänglig så tidigt som möjligt så att företag kan balansera förhållandet mellan sina tillgångar och en marknads efterfrågan. Prognoser kan beskrivas som antaganden om framtida händelser och används av företag för att skapa sig en uppfattning om hur verkligheten på en marknad kan komma att se ut. En av dessa marknader är kapitalvarumarknaden som är en underkategori till konsumentprodukter. Kapitalvaror kännetecknas av högt engagemang från kunden gällande pris, design och kvalitet. Syfte: Syftet med denna uppsats är att identifiera vilken prognosmodell som visar lägst avvikelse i förhållande till den verkliga efterfrågan för varor som klassificeras som kapitalvaror. Metod: Studiens forskningsdesign är av fallstudiekaraktär med en kvantitativ forskningsstrategi. Vidare hade författarna ett positivistiskt och vetenskapligt synsätt där studiens arbetsgång kan beskrivas som deduktivt. Urvalet gjordes genom icke- sannolikhetsurval där empiriskt material inhämtades genom ostrukturerade intervjuer samt genom fallföretagets försäljningsstatistik. Slutsats: Den prognosmodell som gav minst avvikelse mot den verkliga efterfrågan på studiens urval var exponential smoothing with trend. Prognosmodellen uppvisade ett procentuellt absolut medelprognosfel på 71,58 % på urvalet med gemensamma variabler. Prognosmodellen går att förbättra genom att eliminera de extremvärden som förekom i efterfrågan. De extremvärden som fanns justerades utifrån uppsatt teori och bidrog då till en mer stabil prognos.

En effektiv materialhantering har en viktig del i hur konkurrenskraftig en organisation är och att utveckla sina arbetssätt inom detta område är en kontinuerlig utmaning. I en organisation utgör lagerhållning av varor en av de mest väsentliga logistikkostnaderna. Ett sätt att reducera dessa kostnader är genom prognostisering.  Det finns därmed ett incitament för organisationer att allokera resurser på detta område för att bedriva sin verksamhet mer kostnadseffektivt och vara fortsatt konkurrenskraftiga. Statliga myndigheter är inget undantag gällande kostnadsreduceringar, speciellt eftersom de hushåller med resurser som tillhandahålls av regeringen. Studiens syfte har varit att undersöka vilka kvantitativa prognosmetoder som kan användas och hur de ska väljas för att uppnå en förbättrad lagerstyrning. Studien genomfördes som en fallstudie på Trafikverket. Genom att studera en organisation och använda verklig data, bidrar studien med en ökad förståelse för hur prognostiseringsprocessen är utformad samt hur prognostisering kan tillämpas utifrån efterfrågan på ett brett sortiment av artiklar. Totalt har prognoser upprättats för 245 artiklar som finns i det nuvarande sortimentet. Fem olika prognosmetoder användes för att upprätta prognoser som sedan utvärderades med två prognosmått. För att sedan välja den bästa prognosmetoden för varje artikel på ett objektivt sätt användes Data Envelopment Analysis (DEA). Studien visar vilka steg som ingår i prognostiseringsprocessen samt vilka aktiviteter som bör genomföras i varje steg. Studiens användning av DEA-analys för att bestämma den mest lämpliga prognosmetoden för ett sortiment av artiklar visar nya användningsområden för metoden. Studiens resultat och analys visade att de prognosmetoder som organisationen använder inte genererar det bästa resultatet. Prognosfelet minskade för sortimentet när den prognosmetod som DEA-analysen föreslog användes. Studiens slutsatser visade att organisationen inte analyserat varför de prognosmetoder som används är lämpliga samtidigt som de inte följer upp och utvärderar resultatet. Vidare gavs rekommendationer till fallstudieföretaget gällande vilka prognosmetoder och utvärderingsmått de kan använda sig av. / For organizations, an efficient management of material is a source for cost reductions and is an important aspect to continuously develop in order to stay competitive. Keeping stock is one of the significant costs related to logistics and one method that can contribute to a reduction in future stock levels is demand forecasting. There is therefore an incentive for organizations to allocate resources to this area of subject, to operate more efficiently and maintain or increase competitiveness. The public sector is not an exception in regard to working with cost reductions and a strict budget, especially since they use funds allocated by the government. The purpose of this thesis is to investigate which quantitative forecasting methods that can be used and how the methods should be chosen. The goal is to provide more accurate forecasts that contributes to a reduction of total material handled. The thesis was performed as a case study at Trafikverket (the Swedish transport administration). Through study and analysis of a real organization who provided real-world data to work with, the thesis contributes with an understanding of how the forecasting process is outlined and how it can be practiced when managing a large set of products. Five different forecasting methods were used in this thesis together with two measurements of accuracy. In total, forecasts were developed for 245 different products by using real data on past demand. Data Envelopment Analysis (DEA) was used to choose the most and least appropriate forecasting methods for each product. The thesis demonstrates which steps and activities are necessary in the forecasting process and the usage of DEA to decide which method is the most and least suitable for a large set of products shows a new usage for the method. The result and analysis of the thesis showed that the forecasting methods used by the case company are not the most suitable ones. The forecast error was reduced for the total set of products when using the methods that the DEA suggested. The conclusions of the thesis revealed that the case company did not perform any analysis on why the current forecasting methods were used and adding to this, no evaluation of the forecast error was performed. Further, recommendations were provided to the case company regarding which forecasting methods and accuracy measures should be employed.

The purpose of this study is to provide the case company Nudient with a recommendation of what demand forecasting methods and strategies they should use. To be able to make a tailored recommendation, a literature study is conducted to explore what demand forecasting methods are commonly used on applications similar to the case being studied. The forecasting methods and the strategy regarding when and how to use them are thereafter explored in a main literature review. Empirical data is gathered from the case company in the form of interviews and demand data. The empirical data is then used to evaluate which of the methods found in the literature review are a good fit for Nudient, thereafter the demand forecasting strategy is laid out. The final recommendation is divided into two categories, forecasting the demand for new products and forecasting the demand for mature products. For new products, the recommendation is for Nudient to make use of associative modeling, expert consensus, the Delphi method, and market research. For mature products, the recommendation is for Nudient to make use of the moving average method, double exponential smoothing, regression analysis, associative modeling, expert consensus, and the Delphi method. / Syftet med detta examensarbete är att ge fallstudieföretaget Nudient en rekommendation angående vilka metoder och strategier för efterfrågeprognoser de bör använda. För att kunna ge en skräddarsydd rekommendation genomförs en litteraturstudie med syfte att undersöka vilka efter frågeprognoser som vanligtvis används i applikationer som liknar det fall som studeras. Prognosmetoderna och strategin för när och hur metoderna ska användas utforskas därefter i en huvudlitteraturöversikt. Empirisk data samlas in från fallstudieföretaget i form av intervjuer och efterfrågedata. Den empiriska datan används sedan för att utvärdera vilka av metoderna som identifierades i litteraturöversikten som är passande för Nudient, därefter tas strategin fram för efterfrågeprognoser. Den slutliga rekommendationen är uppdelad i två kategorier, efterfrågeprognoser på nya produkter och efterfrågeprognoser på mogna produkter. För nya produkter är rekommendationen att Nudient bör använda associativ modellering, expertkonsensus, Delphi-metoden och marknadsundersökningar. För mogna produkter är rekommendationen att Nudient bör använda sig av glidande medelvärde, dubbel exponentiell utjämning, regressionsanalys, associativ modellering, expertkonsensus och Delphi-metoden.

With Industry 4.0, companies are faced with the challenge of managing an ever-increasing amount of data and re-evaluating and innovating their production planning methods. An important aspect of demand forecasting is the accuracy of forecasts compared to outcomes. Research has shown that more complex models perform better in demand forecasting, however, this research has focused on demand forecasting in the IT, finance and e-commerce sectors.   This thesis investigates the application of predictive modelling in demand forecasting in the context of production planning for a medium-sized manufacturing company. The study mainly compares the performance of two predictive models: Autoregressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM) networks, with the aim of assessing its usefulness in improving the accuracy of demand forecasts. Based on historical sales data, this quantitative case study investigates how these models can improve operational efficiency that can be applied to production planning processes such as optimal inventory and production schedules.    The study found that the LSTM model, through Automated Machine Learning (AutoML), was significantly better than the ARIMA model in terms of forecast accuracy. This was evidenced by lower Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE) values, indicating that LSTM's ability to capture long-term dependencies and adapt to non-linear patterns provides a more robust tool for demand forecasting in production planning.   This study contributes to the field of industrial engineering by demonstrating the practical benefits of integrating advanced predictive models into manufacturing companies' production planning processes. It highlights the potential of machine learning techniques to transform traditional production planning systems and thus provides insights into the strategic implementation of AI in industrial operations. Future research could explore and compare more models to get a broader picture of how different models perform against each other in terms of prediction errors. / Med Industri 4.0 står företagen inför utmaningen att hantera en ständigt ökande mängd data och att omvärdera och förnya sina metoder för produktionsplanering. En viktig aspekt av efterfrågeprognoser är prognosernas träffsäkerhet jämfört med utfallet. Forskning har visat att mer komplexa modeller presterar bättre vid efterfrågeprognoser, men denna forskning har fokuserat på efterfrågeprognoser inom IT-, finans- och e-handelssektorerna.   Denna studie undersöker tillämpningen av prediktiv modellering vid efterfrågeprognoser i samband med produktionsplanering för ett medelstort tillverkningsföretag. Studien jämför främst prestandan hos två prediktiva modeller: Autoregressive Integrated Moving Average (ARIMA) och Long Short-Term Memory (LSTM) nätverk, i syfte att bedöma hur användbara de är för att förbättra precisionen i efterfrågeprognoser. Baserat på historiska försäljningsdata undersöker denna kvantitativa fallstudie hur dessa modeller kan förbättra den operativa effektiviteten som kan tillämpas på produktionsplaneringsprocesser, såsom lagerhållning och produktionsscheman.    Studien visade att LSTM-modellen, genom automatiserad maskininlärning (AutoML), var betydligt bättre än ARIMA-modellen när det gäller prognosprecision. Detta framgick av lägre RMSE-värden (Root Mean Squared Error) och MAE-värden (Mean Absolute Error), vilket tyder på att LSTM:s förmåga att fånga upp långsiktiga beroenden och anpassa sig till icke-linjära mönster ger ett mer robust verktyg för efterfrågeprognoser inom produktionsplanering.   Denna studie bidrar till området industriell ekonomi genom att visa på de praktiska fördelarna med att integrera avancerade prediktiva modeller i tillverkningsföretagens produktionsplaneringsprocesser. Den belyser maskininlärningsteknikernas potential att omvandla traditionella produktionsplaneringssystem och ger därmed insikter i den strategiska implementeringen av AI i industriell verksamhet. Framtida forskning skulle kunna utforska och jämföra fler modeller för att få en bredare bild av hur olika modeller presterar mot varandra när det gäller prediktionsfel.

In today’s fast-moving world, a company´s ability to align with changes in the market is becoming a major competitive factor. Demand forecasting form the basis of all supply chain planning and is a process that companies often fail to recognize as a key contributor to corporate success. Different contexts and market dynamics creates different challenges for companies to overcome in order to have an efficient forecasting process, matching demand with supply. This master thesis looks at the whole forecasting process, also called forecasting management, at a decentralized global company to identify the main challenges within the process and propose recommendations on how to overcome them. The research is based on a single case study where the forecasting process is investigated using four different dimensions: Functional Integration, Approach, Systems and Performance Measurements. The study identified twelve challenges in the forecasting process where a majority can be connected to issues within information sharing and lack of support in the process. Based on the identified challenges, eight improvement suggestions where developed to target the challenges and improving the process for a decentralized global company. / I dagens snabbt utvecklande och växande landskap så är ett företags förmåga att anpassa sig till marknadens behov en betydande konkurrensfaktor. Säljprognoser utgör grunden för all planering inom försörjningskedjan och är en process som företag ofta inte erkänner som en viktig bidragsgivare till företagets framgång. Olika marknadslandskap och förutsättningar skapar olika utmaningar för företag att bemästra för att kunna bedriva ett effektivt prognosarbete och matcha efterfrågan med utbud. Detta examensarbete tittar på hela prognosprocessen, även kallad prognoshantering, hos ett decentraliserat globalt företag för att identifiera de viktigaste utmaningarna i processen och föreslå rekommendationer om hur man kan övervinna dem. Forskningen bygger på en enda fallstudie där prognosprocessen undersöks utifrån fyra olika dimensioner: Funktionell integration, strategi, system och prestandamätningar. Studien identifierade tolv utmaningar i prognosprocessen där en majoritet kan kopplas till utmaningar inom informationsdelning och brist på stöd i processen. Baserat på de identifierade utmaningarna utvecklades åtta förbättringsåtgärder för att övervinna utmaningarna och förbättra processen för ett decentraliserat globalt företag.

Finding the proper balance between availability and cost efficiency is an important concern within spare part management. Spare part suppliers need to respond quickly to customer demand as a stock-out can have severe consequences for both the customer and the supplier. It is critical to identify what items to keep in stock and where to allocate the inventory to avoid stock-outs. This case study was performed at a large high-tech company producing manufacturing equipment to be used in the electronics industry. The aim was to lower the stock-levels of spare parts while not impairing the availability by combining item classification, demand forecasting, and distribution network optimization. A decision diagram for classifying spare parts was constructed using the analytical hierarchy process. Twenty items were classified using the diagram, and the demand for them was forecasted using the Syntetos Boylan Approximationmethod. The shipping cost for spare parts within one region was minimized using a linear optimization model. The analysis showed that equipment criticality, annual usage value, and installed base are critical when classing spare parts. Instead of using five distribution centers in the European region, it was discovered that the shipping costs would decrease if only three warehouses made up the distribution network. The spare parts investigated appeared to follow the typical characteristics for spare parts, showing a low and irregular demand. Hence, demand forecasting seemed to be unnecessary, considering the difficulties in getting satisfactory results. Instead of combining the results from classification, forecasting, and inventory allocation, we suggest that the processes affecting stocking decisions should cooperate and work towards a common objective, namely to satisfy the customer demand in a cost-efficient way. Thus, widening the meaning of taking on an integrated approach to spare part management. / Inom hanteringen av reservdelar är det en stor utmaning att hitta rätt avvägning mellan tillgänglighet och kostnadseffektivitet. Leverantörer av reservdelar måste snabbt kunna möta kundefterfrågan eftersom uteblivna leveranser av kritiska reservdelar kan få allvarliga konsekvenser för både kund och leverantör. Vilka artiklar som ska lager-hållas och var de ska lagerhållas är avgörande beslut för att undvika att artiklar rest-noteras. I den här fallstudien, som utfördes på ett stort teknikföretag som tillverkarproduktionsutrustning till elektronikindustrin, var syftet att sänka lagernivåerna av reservdelar utan att göra avkall på tillgängligheten. Detta genom att kombineragruppering av artiklar, beräkning av kommande efterfrågan och optimering av distributionsnätverket. För att klassificera artiklar i grupper med liknande egenskaper skapades ett schematiskt beslutsdiagram med hjälp av metoden AHP. Tjugo artiklar ur sortimentet valdes ut som beslutsdiagrammet testades på. För samma tjugo artiklar gjordes prognoser för den kommande efterfrågan med metoden Syntetos-Boylan-Approximation. Distributionsnätverket i den europeiska regionen optimerades medavseende på fraktkostnad genom att applicera en linjär optimeringsmodell. Hur kritisk en reservdel är för den relaterade maskinens funktionalitet, reservdelensårliga förbrukningsvärde och den geografiska placeringen av installerade maskinervisade sig vara kritiska för att kunna klassificera artiklarna effektivt. Analysen av distributionsnätverket i Europa visade att fraktkostnaderna kan minskas om nätverket utgjordes av tre lager istället för fem som det gör i dagsläget. De tjugo undersökta reservdelarna uppvisade de typiska egenskaperna för reservdelar som har rapporterats i litteraturen som låg och oregelbunden efterfrågan. Att sätta prognoser på efterfrågan verkar obefogat med tanke på komplexiteten i beräkningarna och att de ger få tillfredsställande resultat. Istället för att kombinera resultaten från klassificering, prognoser på efterfrågan och lageroptimering föreslår vi att alla de funktioner i ett företag som arbetar med att tillgodose kundefterfrågan bör samarbeta i högre grad och jobba mot ett gemensamt mål, nämligen att tillgodose kundernas efterfrågan på ett kostnadseffektivt sätt. Således vill vi utvidga betydelsen av att ta en integrerad strategi för reservdelshantering

Within demand forecasting, and specifically within the field of e-commerce, the provided data often contains erratic behaviours which are difficult to explain. This induces contradictions to the common assumptions within classical approaches for time series analysis. Yet, classical and naive approaches are still commonly used. Machine learning could be used to alleviate such problems. This thesis evaluates four models together with Swedish fin-tech company QLIRO AB. More specifically, a MLR (Multiple Linear Regression) model, a classic Box-Jenkins model (SARIMAX), an XGBoost model, and a LSTM-network (Long Short-Term Memory). The provided data consists of aggregated total daily reservations by e-merchants within the Nordic market from 2014. Some data pre processing was required and a smoothed version of the data set was created for comparison. Each model was constructed according to their specific requirements but with similar feature engineering. Evaluation was then made on a monthly level with a forecast horizon of 30 days during 2021. The results shows that both the MLR and the XGBoost provides the most consistent results together with perks for being easy to use. After these two, the LSTM-network showed the best results for November and December on the original data set but worst overall. Yet it had good performance on the smoothed data set and was then comparable to the first two. The SARIMAX was the worst performing of all the models considered in this thesis and was not as easy to implement. / Inom efterfrågeprognoser, och specifikt inom området e-handel, innehåller den tillhandahållna informationen ofta oberäkneliga beteenden som är svåra att förklara. Detta motsäger vanliga antaganden inom tidsserier som används för de mer klassiska tillvägagångssätten. Ändå är klassiska och naiva metoder fortfarande vanliga. Maskininlärning skulle kunna användas för att lindra sådana problem. Detta examensarbete utvärderar fyra modeller tillsammans med det svenska fintechföretaget QLIRO AB. Mer specifikt en MLR-modell (Multiple Linear Regression), en klassisk Box-Jenkins-modell (SARIMAX), en XGBoost-modell och ett LSTM-nätverk (Long Short-Term Memory). Den tillhandahållna informationen består av aggregerade dagliga reservationer från e-handlare inom den nordiska marknaden från 2014. Viss dataförbehandling krävdes och en utjämnad version av datamängden skapades för jämförelse. Varje modell konstruerades enligt deras specifika krav men med liknande \textit{feature engineering}. Utvärderingen gjordes sedan på månadsnivå med en prognoshorisont på 30 dagar under 2021. Resultaten visar att både MLR och XGBoost ger de mest pålitliga resultaten tillsammans med fördelar som att vara lätta att använda. Efter dessa visar LSTM-nätverket de bästa resultaten för november och december på den ursprungliga datamängden men sämst totalt sett. Ändå visar den god prestanda på den utjämnade datamängden och var sedan jämförbar med de två första modellerna. SARIMAX var den sämst presterande av alla jämförda modeller och inte lika lätt att implementera.

Denna avhandling utforskar hur effektiviteten i fordonsindustrins leveranskedja kan förbättras genom integration av maskininlärningstekniker (ML). Eftersom fordonsindustrin hanterar hög volatilitet och snabba förändringar, blir exakt efterfrågeprognos avgörande för operationell effektivitet. Arbetet fokuserar på potentialen hos ML-teknologier att generera precisa och tillförlitliga efterfrågeprognoser, jämfört med traditionella prognosmetoder som används inom branschen. Studien använder en systematisk litteraturöversikt i kombination med en fallstudie som involverar DinBil AB, en ledande bilhandlare i Sverige. Genom detta flerdimensionella metodologiska tillvägagångssätt bedömer avhandlingen förmågorna hos olika ML-algoritmer att hantera de unika utmaningarna som fordonssektorn ställer. Dessutom undersöker arbetet implementeringsutmaningar och praktiska fördelar med ML i verkliga tillämpningar, med särskild tonvikt på förbättrad lagerhantering och minskade leveranskedjekostnader. Resultaten tyder på att integration av ML i leveranskedjeoperationer kan förbättra noggrannheten i efterfrågeprognoser avsevärt jämfört med traditionella metoder. Dessutom visar ML-tillämpningar att de anpassar sig mer dynamiskt till marknadsförändringar, vilket stödjer en smidig och kostnadseffektiv hantering av leveranskedjan. Avhandlingen avslutas med rekommendationer för bilföretag att anta ML-drivna prognoslösningar, vilket möjliggör en djupare integration av avancerad analys i leveranskedjesystem. / This thesis explores the enhancement of automotive supply chain efficiency through the integration of machine learning (ML) techniques. As the automotive industry contends with high volatility and rapid changes, accurate demand forecasting becomes crucial for operational efficiency. The research focuses on the potential of ML technologies to generate precise and reliable demand forecasts, comparing these against traditional forecasting methods used within the industry. The study utilizes a systematic literature review coupled with a case study involving DinBil AB, a leading automotive dealership in Sweden. Through this multifaceted methodological approach, the thesis assesses the capabilities of various ML algorithms in addressing the unique challenges posed by the automotive sector. Additionally, the research examines the implementation challenges and practical benefits of ML in real-world applications, with a particular emphasis on improving inventory management and reducing supply chain costs. The findings suggest that integrating ML into supply chain operations can significantly enhance the accuracy of demand forecasts compared to traditional methods. Moreover, ML applications are shown to adapt more dynamically to market changes, thereby supporting more agile and cost-effective supply chain management. The thesis concludes with recommendations for automotive companies to adopt ML-driven forecasting solutions, providing a framework for further integration of advanced analytics into supply chain systems.