Potential of Machine Learning in Demand Forecasting Based on Point of Sales Data for Food Producers

Abstract

Denne masteroppgaven undersøker "Potensialet for maskinlæring i etterspørselsprognoser basert på Point of Sales (POS) data for matprodusenter." Hovedmålet var å evaluere hvordan POS-data kan bli effektivt utnyttet av matprodusenter for å forbedre etterspørselsprognoser.

Forskningen involverte en grundig sammenligning av forskjellige prognoseteknikker, inkludert tradisjonelle metoder, maskinlæringsmodeller (ML), og hybrid- eller ensemblemetoder. Ved å bruke en robust datasett av historiske POS-data, studerte forskningen effektiviteten av disse metodene i å generere enten innsiktsfulle eller praktisk nyttige etterspørselsprediksjoner for matprodusenter.

Interessant nok, selv om ML-modeller ikke viste overlegen ytelse sammenlignet med tradisjonelle metoder i dette tilfellet, avslørte de betydelig potensielle egenskaper. Når disse egenskapene implementeres på riktig måte, kan de føre til forbedret prognosenøyaktighet og lette avdekkingen av intrikate mønstre i dataene. Slike innsikter kan hjelpe matprodusenter i strategiske beslutninger relatert til lagerstyring og forsyningskjedeplanlegging.

Imidlertid fremhevet forskningen også flere utfordringer som krever ytterligere utforskning. Disse inkluderer håndtering av outliers, integrering av uforutsette eksterne faktorer, og effektiv integrering av ML-modeller i eksisterende forsyningskjedeinfrastrukturer.

Til slutt understreker studien at, mens ML-modeller krever videre raffinering for praktisk bruk i etterspørselsprognoser, holder de løfte om å forbedre prognoseeffektiviteten når de blir utnyttet på riktig måte. Denne konklusjonen legger grunnlaget for videre forskning innen feltet for ML-støttet etterspørselsprognoser innen matproduksjonsindustrien.

This master's thesis investigates the "Potential of Machine Learning in Demand Forecasting Based on Point of Sales (POS) Data for Food Producers." The central goal was to evaluate how POS data can be efficiently utilized by food producers to improve demand forecasting.

The research involved an exhaustive comparison of various forecasting techniques, including traditional methods, machine learning (ML) models, and hybrid or ensemble approaches. Using a robust dataset of historical POS data, the study scrutinized the efficacy of these methods in generating either insightful or practically useful demand predictions for food producers.

Interestingly, while ML models did not exhibit superior performance compared to traditional methods in this instance, they revealed significant potential features. When appropriately implemented, these features could lead to enhanced forecast accuracy and facilitate the uncovering of intricate patterns in the data. Such insights could assist food producers in strategic decision-making related to inventory management and supply chain planning.

However, the research also highlighted several challenges that need further exploration. These include managing outliers, integrating unforeseen external factors, and incorporating ML models effectively into existing supply chain infrastructures.

In conclusion, the study underscores that, while ML models require further refinement for practical application in demand forecasting, they hold promise for improving forecast efficacy when harnessed appropriately. This conclusion sets the stage for further research in the field of ML-aided demand forecasting within the food production industry.