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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:miun-51450 |
| Date | January 2024 |
| Creators | Andersson, Gustav |
| Publisher | Mittuniversitetet, Institutionen för kommunikation, kvalitetsteknik och informationssystem (2023-) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0081 seconds