Supply chain management and logistics are two sectors currently experiencing a transformation thanks to the advent of AI(Artificial Intelligence) technologies. Leveraging predictive analytics powered by AI presents businesses with novel opportunities to streamline their operations effectively. This study utilizes sales forecasting for predictive analysis using three distinct artificial intelligence paradigms : Long Short-term Memory (LSTM), Bayesian Neural Networks (BNN) – both of which belong to the family of deep learning models – and Support Vector Regressors (SVR), a machine learning technique. The empirical data employed for this forecast stems from the historical sales data of Bactiguard, the collaborating company in this study. Subsequent to the essential data manipulation, these models are trained, and their respective results are assessed. The evaluation matrices incorporated in this study include the mean absolute error (MAE), root mean square error (RMSE), and the R2 score. Upon analysis, the LSTM model emerges as the clear frontrunner, exhibiting the lowest error rates and the highest R2 score. The BNN follows closely, demonstrating credible performance, while the SVR lags, presenting suboptimal results. In conclusion, this study highlights the accuracy and efficiency of artificial intelligence models in sales forecasting and underscores their practical, real-world applications. / Supply chain management och logistik är två sektorer som för närvarande genomgår en förändring tack vare tillkomsten av AI(artificiell intelligens) teknik. Att utnyttja prediktiv analys som drivs av AI ger företag nya möjligheter att effektivisera sin verksamhet. Denna studie använder försäljningsprognoser för prediktiv analys med hjälp av tre distinkta artificiell intelligensparadigm: Long Short-term Memory (LSTM), Bayesian Neural Networks (BNN) - som båda tillhör familjen av modeller för djupinlärning - och Support Vector Regressors ( SVR), en maskininlärningsteknik. Den empiriska data som används för denna prognos härrör från historiska försäljningsdata från Bactiguard, det samarbetande företaget i denna studie. Efter den väsentliga datamanipulationen tränas dessa modeller och deras respektive resultat utvärderas. De utvärderingsmatriser som ingår i denna studie inkluderar det genomsnittliga absoluta felet (MAE), root mean square error (RMSE) och R2-poängen. Vid analys framstår LSTM-modellen som den tydliga föregångaren, som uppvisar de lägsta felfrekvenserna och den högsta R2- poängen. BNN följer noga och visar trovärdig prestanda, medan SVR släpar efter och ger suboptimala resultat. Sammanfattningsvis belyser denna studie noggrannheten och effektiviteten hos modeller med artificiell intelligens i försäljningsprognoser och understryker deras praktiska tillämpningar i verkligheten.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-337531 |
| Date | January 2023 |
| Creators | Mittal, Vaibhav |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2023:620 |
Page generated in 0.0022 seconds