1 |
High Frequency Demand Forecasting : The Case of a Swedish Pharmacy Retailer / Högfrekvent Prognostisering av Efterfrågan : Fallstudie av en Svensk ApotekskedjaSaleem, Aban January 2022 (has links)
Predicting future sales can bring many advantages to retailers with regards to organizational performance. Using big data to make accurate forecasts can enable retailer to improve their operational performance and profitability substantially by reducing lost sales, inventory levels and labor costs. Previous research within the field of retail forecasting has mostly been dedicated to forecasting on lower time granularities such as weekly and monthly. However, despite the high practicality for retailers, forecasts on higher frequencies have not been properly covered by the current literature. This study aims to investigate how to forecast future sales using high-frequency data for a Swedish pharmacy retail chain. The forecasts are made on a daily and sub-daily time granularity using time series models SARIMA, Holt-Winter’s method and Facebook Prophet. The results show that Facebook Prophet was the most practical model and had the highest forecasting accuracy both on a daily and sub-daily frequency according to the error metrics MAPE, MAE and RMSE. / Att förutsäga framtida försäljning kan medföra många fördelar för detaljis-ter när det gäller organisationens prestanda. Att använda big data för att göra korrekta prognoser kan göra det möjligt för återförsäljare att förbättra sin lönsamhet avsevärt genom att minska förlorad försäljning, lagernivåer och arbetskostnader. Tidigare forskning inom området prognoser inom de-taljhandeln har mestadels ägnat sig åt prognoser på lägre tidsgranulariteter såsom veckovis och månadsvis. Trots att prognoser är mycket praktiska för detaljister så har prognoser på högre frekvenser inte täckts ordentligt av den aktuella litteraturen. Denna masteruppsats syftar till att undersöka hur man kan prognostisera framtida försäljning med hjälp av högfrekvent data för en svensk apotekskedja .Prognoserna görs på en daglig och sub-daglig tidsgranularitet medt idsseriemodellerna SARIMA, Holt-Winters metod och Facebook Prophet. Resultaten visar att Facebook Prophet var den mest praktiska tidsseriemodellen och hade den högsta träffsäkerheten både på en daglig och sub-daglig frekvens enligt felmåtten MAPE, MAE och RMSE.
|
Page generated in 0.0654 seconds