Volume Prediction as a Part of Demand Planning Solution
Autor(ka) práce:
Schwarzová, Eva
Typ práce:
Diploma thesis
Vedoucí práce:
Kuchtíková, Nikola
Oponenti práce:
Maryška, Miloš
Jazyk práce:
English
Abstrakt:
This master thesis develops and refines predictive methodologies to improve demand forecasting accuracy in demand planning. By enriching company sales data with exogenous variables such as price indicators and macroeconomic factors, a comprehensive predictive framework was created. The study identified SARIMA, XGBoost, and LSTM as the most accurate models for given data characteristics, achieving a significant improvement in demand forecasts compared to previously used methods. Utilizing Azure’s cloud-based architecture and IBM Planning Analytics, the solution facilitated precise product-level predictions. This improved demand planning solution provides significant benefits for demand planners, including time savings, improved inventory management, and better decision-making processes.
Predikce prodaného množství jako součást řešení plánování poptávky
Autor(ka) práce:
Schwarzová, Eva
Typ práce:
Diplomová práce
Vedoucí práce:
Kuchtíková, Nikola
Oponenti práce:
Maryška, Miloš
Jazyk práce:
English
Abstrakt:
Tato diplomová práce rozvíjí a zdokonaluje prediktivní metodiky ke zlepšení přesnosti předpovědí poptávky v rámci plánování poptávky. Obohacením údajů o prodeji společnosti o exogenní proměnné, jako jsou cenové indikátory a makroekonomické faktory, byl vytvořen komplexní prediktivní rámec. Studie identifikovala modely SARIMA, XGBoost a LSTM jako nejpřesnější pro dané charakteristiky dat, což vedlo k výraznému zlepšení předpovědí poptávky ve srovnání s dříve používanými metodami. Využitím cloudové architektury Azure a IBM Planning Analytics řešení umožnilo přesné předpovědi na úrovni produktů. Toto vylepšené řešení plánování poptávky poskytuje významné výhody pro plánovače poptávky, včetně úspory času, zlepšení řízení zásob a lepších rozhodovacích procesů.