A systematic categorization process facilitating the selection of demand forecasting methods

Abstract

Demand forecasting is the process of estimating the demand for products or services in future time periods. Forecasts are usually generated for different stock keeping units (SKUs) and selecting the appropriate forecasting methods for multiple SKUs can be challenging. Numerous categorizations have been proposed to facilitate the selection of forecasting methods by grouping SKUs with similar characteristics together. The SBC categorization scheme has received significant attention in literature and categorizes SKUs according to their underlying demand patterns. The purpose of this study was to compare several categorizations and identify the categorizations that led to the lowest forecasting error for each distinct demand pattern. The additional categorizations were comprised of a trend analysis, seasonality detection and ABC analysis. The forecasts were generated with Croston’s method, the Syntetos-Boylan Approximation, the Teunter-Syntetos-Babai method and random forest. The forecasting performances were then compared based on the mean absolute scaled error (MASE) and root mean square error (RMSE) accuracy measures. Most of the SKUs in a data set from ÁTVR were found to have a smooth demand pattern. Approximately half as many SKUs had intermittent or lumpy demand patterns and the fewest number of SKUs had erratic demand patterns. Various combinations of categorizations were tested and the results generally showed that the trend analysis led to the lowest MASE value for intermittent and lumpy demand patterns while the ABC analysis produced lower MASE values for smooth and erratic demand patterns. Furthermore, the ABC analysis led to the lowest RMSE value for all the demand patterns.

Eftirspurnarspár eru notaðar til að meta framtíðareftirspurn á vörum eða þjónustu. Spár eru oftast gerðar fyrir ólík vörunúmer og það getur verið krefjandi að velja viðeigandi spáaðferðir fyrir mikinn fjölda af vörunúmerum. Margar flokkunaraðferðir hafa í gegnum tíðina verið notaðar til að einfalda val á spáaðferðum með því að flokka saman vörunúmer með svipaða eiginleika. SBC flokkunarkerfið hefur fengið mikla athygli fræðimanna, en það flokkar vörunúmer eftir undirliggjandi eftirspurnarmynstrum. Tilgangur verkefnisins var að bera saman nokkrar flokkunaraðferðir og greina hvaða flokkanir leiddu til lægstu spávillunnar fyrir hvert og eitt eftirspurnarmynstur. Flokkunaraðferðirnar sem voru prófaðar greindu þróun á breytingu eftirspurnar, hvort að árstíðarbundnar sveiflur væru til staðar og viðeigandi flokk úr ABC greiningu. Framtíðareftirspurn hvers vörunúmers var spáð með Croston aðferðinni, Syntetos og Boylan nálguninni, Teunter-Syntetos-Babai aðferðinni og slembiskógi. Frammistaða aðferðanna var svo borin saman með sköluðu meðaltölugildisfráviki (MASE) og staðalfráviki leifa (RMSE) nákvæmnimælikvörðunum. Flest vörunúmer í gagnasetti frá ÁTVR reyndust hafa slétt eftirspurnarmynstur. Um það bil helmingi færri vörunúmer voru með slitrótt eða skrykkjótt eftirspurnarmynstur og fæstur fjöldi vörunúmera var með óreglulegt mynstur. Ýmsar samsetningar af flokkunum voru prófaðar og niðurstöðurnar sýndu að flokkunin fyrir þróun á breytingu eftirspurnar leiddi almennt til lægstu MASE gildanna fyrir slitróttu og skrykkjóttu eftirspurnarmynstrin en ABC greiningin til lægstu MASE gildanna fyrir sléttu og óreglulegu eftirspurnarmynstrin. ABC greiningin leiddi einnig til lægstu RMSE gildanna fyrir öll eftirspurnarmynstrin.