Demand Forecasting in Bicycle Retail : A Constructive Study on Time Series Forecasting
Pysyvä osoite
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
This thesis examines demand forecasting in bicycle retail and develops a forecasting
model for the case company’s weekly unit-level bicycle sales. The objective is to improve
the accuracy and reliability of demand predictions in a retail context where seasonality,
trend shifts, promotional effects, and other external factors directly influence inventory
management, replenishment planning, and financial performance. The study is
delimited to aggregated historical bicycle sales and to a univariate forecasting setting.
The forecasting artefact combines Prophet and XGBoost. Prophet is a decomposable
time series model designed to represent trend and seasonal structures, while XGBoost
is a gradient-boosted decision tree algorithm capable of learning nonlinear relationships
from engineered features. The empirical process follows a constructive, design-oriented
logic: the model is developed iteratively, evaluated against baseline forecasts, and
assessed for practical applicability. The analysis uses historical unit-level sales data from
the case company’s online sales and three physical retail locations. The performance of
the predictive model is evaluated using mean absolute error and root mean square error.
The results show that the hybrid approach outperforms the standalone baseline models
in the primary case and in an additional validation using a synthetic time series from
Kaggle. The developed artefact provides a more robust and data-driven forecasting
framework for supporting inventory management, operational planning, and strategic
decision making. The findings indicate that combining statistical time series modeling
with machine learning can be suitable for retail demand forecasting when the model
configuration, data limitations, and deployment requirements are carefully considered.
The main contribution of the thesis is the developed and evaluated hybrid forecasting
artefact, together with evidence on its practical suitability and limitations in a small retail
forecasting context.
Tämä tutkielma tarkastelee kysynnän ennustamista polkupyörien
jälleenmyyntikontekstissa ja kehittää konstruktiivisella tutkimusotteella ennustemallin
kohdeyrityksen kappalemääräisen polkupyörämyynnin ennustamiseen viikkotasolla.
Tutkimuksen tavoitteena on parantaa kysyntäennusteiden tarkkuutta ja luotettavuutta
ympäristössä, jossa kausivaihtelu, trendimuutokset, markkinointivaikutukset ja muut
ulkoiset tekijät vaikuttavat varastonhallintaan, ostojen suunnitteluun ja taloudelliseen
suorituskykyyn. Tutkimus rajautuu historialliseen, aggregoituun polkupyörämyyntiin ja
univariaattiseen ennustamisasetelmaan.
Tutkielmassa kehitettävä artefakti yhdistää Prophetin ja XGBoostin. Prophet on
hajotettava aikasarjamalli, jonka avulla voidaan kuvata trendi- ja kausirakenteita, kun
taas XGBoost on gradienttitehostettuihin päätöspuihin perustuva koneoppimismalli,
joka oppii epälineaarisia suhteita muodostetuista piirteistä. Tutkimusprosessi noudattaa
konstruktiivista ja suunnittelutieteellistä logiikkaa: mallia kehitetään iteratiivisesti,
arvioidaan vertailumalleja vasten ja tarkastellaan käytännön soveltuvuuden
näkökulmasta. Empiirinen analyysi perustuu kohdeyrityksen verkkokaupan ja kolmen
kivijalkamyymälän historialliseen kappalemääräiseen myyntiaineistoon.
Tutkielman tulokset osoittavat, että hybridimalli suoriutuu vertailumalleja paremmin
sekä tutkielman päätapauksessa että lisävalidoinnissa, jossa käytetään Kagglesta peräisin
olevaa synteettistä aikasarjaa. Kehitetty artefakti tarjoaa datalähtöisen ennustamisen
viitekehyksen varastonhallinnan, toiminnan suunnittelun ja strategisen päätöksenteon
tueksi. Tulosten perusteella tilastollisen aikasarjamallinnuksen ja koneoppimisen
yhdistäminen soveltuu jälleenmyynnin kysynnän ennustamiseen, kun mallin
konfiguraatio, aineiston rajoitteet ja käyttöönoton edellytykset huomioidaan kriittisesti.
Tutkielman keskeinen kontribuutio on kehitetty ja arvioitu hybridiennustamisen artefakti
sekä sen käytännön soveltuvuutta ja rajoitteita koskeva arviointi pienemmän
jälleenmyyntiyrityksen kontekstissa.