Demand forecasting using statistical and machine learning methods – a case studyin automotive industry

Abstract

Talep tahmini, tedarik zincirinde önemli bir konudur. Artan rekabetçi piyasa koşullarında çeşitli nedenlere bağlı talep dalgalanmalarının da etkisiyle giderek daha fazla önem kazanmaktadır. Talep tahmini sadece geleceğin tahmin edilmesine yardımcı olmakla kalmaz, oluşabilecek risklerin azaltılmasına ve fırsatların değerlendirilmesine olanak sağlar. Bu çalışmada, otomotiv sektöründe faaliyet gösteren bir firmanın satış hacmi yüksek olan ürünlerine yönelik haftalık talep tahminine odaklanılmaktadır. Çalışmanın amacı literatürdeki zaman serisi tahmini çalışmalarında sıklıkla kullanılan farklı yaklaşımların performanslarını karşılaştırmaktır. Çalışmada istatistiksel yöntemler olarak Üstel Düzeltme, Mevsimsel Ayrıştırma, ARIMA, makine öğrenmesi yöntemleri olarak Rastgele Orman, Yapay Sinir Ağı (Çok Katmanlı Algılayıcılar), Destek Vektörü Regresyon, Ardışık Minimal Optimizasyon Regresyon uygulanmıştır. Yöntemlerin performansları Ortalama Mutlak Hata (MAE) ve Ortalama Kare Hatanın Kökü (RMSE) ile değerlendirildi. İstatistiksel yöntemler için mevsimsel ayrıştırmanın (toplama modeli), makine öğrenmesi yöntemleri için rastgele ormanın minimum MAE ve RMSE değerlerini sağladığı gözlemlenmiştir. Rastsal orman, uygulanan tüm yöntemler arasında MAE için 4.699,29 ve RMSE için 6.139,28 ile en iyi performansa sahiptir.

Demand forecasting is an important issue in the supply chain. In increasingly competitive market conditions, it gains more and more importance with the effect of demand fluctuations due to various reasons. Demand forecasting not only helps to predict the future, it also enables to reduce the risks that may occur and to use the opportunities. This study focuses on the weekly demand forecasting for the products that have high sales volume of a company in the automotive industry. The aim of the study is to compare the performances of different approaches frequently conducted in studies of time series forecasting in the literature. In the study, Exponential Smoothing, Seasonal Decomposition, ARIMA as statistical methods, and Random Forest (RF), Artificial Neural Network (Multi-Layered Perceptron), Support Vector Regression, Sequential Minimal Optimization Regression as machine learning methods were applied. The performances of the methods were evaluated by means of Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). It has been observed that seasonal decomposition (additive model) for statistical methods and random forest for machine learning methods have provided minimum MAE and RMSE values. The RF has the best performance 4,699.29 for MAE and 6,139.28 for RMSE out of all methods applied.