Investigating the Use of Point of Sales data in Dynamic Lot Sizing for New Product Launches

Abstract

Denne masteroppgaven undersøkte den praktiske anvendelsen av etterspørselsprognoser basert på salgsdata i butikk i dynamisk lot sizing av nye produktlanseringer for matvareprodusenter. Etterspørselsprognoser og produksjonsplanlegging er spesielt utfordrende i forhold til nye produkter på grunn av den høye og varierende etterspørselsusikkerheten. Historisk data er ikke tilgjengelig som en indikator for fremtidig etterspørsel, og det er stor usikkerhet knyttet til reaksjoner fra forbrukere og konkurrenter. Uavhengig av denne kompleksiteten er produksjonsplanlegging og nøyaktig etterspørselsprognostisering for nye produkter avgjørende for å holde seg konkurransedyktig i matmarkedet. Produktvariasjonen øker mens den gjennomsnittlige produktlivssyklusen minker. I tillegg er matvarer bedervelige, som gjør lot sizing avgjørelser på når man produserer og i hvilken mengde spesielt viktig. Produsenter bruker ofte upålitelige og inkonsekvente prognosemetoder når de estimerer etterspørselen for nye produkter. Produkter produseres vanligvis i overkant av forventet etterspørsel for å sikre produkttilgjengelighet i starten av produktets livssyklus. Denne overflødige produksjonen øker risikoen for overproduksjon. Underproduksjon kan også oppstå hvis prognosen før lansering er for pessimistisk forårsaket av at produsentene ikke er klare over hvordan produktene deres selger før de mottar nye bestillinger fra grossisten.

Basert på utfordringene ovenfor, undersøkte denne studien hvordan man kan bruke nedstrøms forsyningskjededata for å hjelpe produksjonsplanleggingen for matprodusenter. Spesifikt undersøkte oppgaven hvordan salgsdata i butikk kan brukes til å tilrettelegge for dynamisk lot sizing av nye produktlanseringer. Følgende forskningsspørsmål ble introdusert for å lede forskningen:

"Hvordan kan etterspørselsprognoser basert på salg i butikk legge til rette for dynamisk lot sizing av nye produkter for matprodusenter?"

Forskningsspørsmålet ble besvart gjennom en kombinasjon av en litteraturstudie og et casestudie. Flere prognosemetoder ble identifisert og evaluert basert på deres evne til å predikere salgsdata. I casestudien ble prognosene fra de identifiserte metodene brukt som input i en dynamisk lot sizing modell for å generere en produksjonsplan. Kostnadene som kommer av gjennomføring av den foreslåtte produksjonsplanen ble sammenlignet med kostnadene til case-selskapet for å undersøke effektene på kostnader og servicenivå. Resultatene viste en betydelig kostnadsreduksjon, i gjennomsnitt på 30%, ved å bruke våre foreslåtte metoder sammenlignet med case-selskapets tilnærming. Disse kostnadsreduksjonene ble oppnådd samtidig som et nødvendig servicenivå på 97% ble opprettholdt.

Disse funnene tyder på at bruk av nedstrøms salgsdata kan redusere etterspørselsusikkerhet knyttet til nye produktlanseringer. Prognoser for salg i butikk viste seg å være en pålitelig indikator på produsentens etterspørsel og kan brukes i en dynamisk lot sizing modell for å hjelpe produsenten med å produsere nærmere den faktiske kundeetterspørselen. Som et resultat kan kostnadene av å produsere og lagre produkter i løpet av et produkts tidlige livssyklus reduseres, sammen med behovet for å produsere overflødig før lansering.

This master's thesis investigated the practical application of demand forecasts based on point of sales data in dynamic lot sizing of new product launches for food manufacturers. Demand forecasting and production planning are particularly challenging in regards to new products due to the high and varying demand uncertainty. Historical data is not available as a predictor of future demand, and there is high uncertainty associated with consumer acceptance and competitive reactions. Regardless of its complexity, production planning and accurate demand forecasting of new products are crucially important to stay competitive in the food market. Product variety is increasing while the average product life-cycle is decreasing. Additionally, food products are perishable, making lot sizing decisions on when to produce and in what quantity particularly important. Manufacturers typically use unreliable and inconsistent forecasting methods when estimating the demand for new products. Pipeline fills are commonly performed, where a product is produced in excess of the anticipated demand to ensure product availability during the early phase of the product's life-cycle. A large pipeline fill increases the risk of overproduction and obsolescence of products. Similarly, underproduction can occur if the pre-launch forecast is too pessimistic as manufacturers are not aware of how well their products are selling until they receive re-fill orders on the new products.

Based on the challenges above, this study investigated how to use downstream supply chain data to aid in production planning and control for food manufacturers. Specifically, it examined how point of sales data from the retailer can be used to facilitate dynamic lot sizing of new product launches. The following research question was introduced to guide the research:

"How can demand forecasting based on point of sales data facilitate dynamic lot sizing of new product launches?"

The research question was addressed through a combination of a literature study and a case study. Multiple forecasting methods were identified and evaluated based on their ability to forecast point of sales data. In the case study, the forecasts from the identified methods were used as input to a dynamic lot sizing model to create a proposed production schedule. The costs derived from executing the proposed production plan were compared to that of the case company to investigate the effects on costs and service level. The results displayed a significant cost reduction, averaging at 30%, from using our proposed methods compared to the case company's approach. These cost reductions were obtained while maintaining a required service level of 97%.

The case study findings suggest that utilization of downstream point of sales data can reduce demand uncertainty associated with new product launches. Forecasts of point of sales data proved a reliable indicator of the manufacturer's demand and can be used in a dynamic lot sizing model to aid the producer in producing closer to the actual customer demand while minimizing waste. As a result, production and holding costs during a product's early life-cycle can be reduced, alongside the need for a large pipeline fill prior to launch.