Tekoäly ja koneoppiminen kysynnän ennustamisessa kaupan alan toimitusketjuissa

Abstract

Päivittäistavarakaupan toimitusketjut toimivat nopeatempoisessa ympäristössä, jossa kysyntä vaihtelee lyhyelläkin aikavälillä. Epätarkka ennustaminen johtaa herkästi tuotteiden loppumiseen tai ylijäämään. Molemmat aiheuttavat kustannuksia. Ongelma korostuu päivittäistavarakaupassa, koska monet tuotteet ovat helposti pilaantuvia.

Tutkimuksen tavoitteena on selvittää, miten tekoälyyn ja koneoppimiseen perustuvat ennustemenetelmät voivat vahvistaa päivittäistavarakaupan kysynnän ennustamista ja toimitusketjun varmuutta. Aihetta tarkastellaan yleisellä tasolla ilman teknistä syventymistä yksittäisiin menetelmiin. Työ on toteutettu kirjallisuuskatsauksena, jossa aineistona käytetään aiempia tutkimuksia ja alan julkaisuja.

Kirjallisuuden perusteella koneoppimismenetelmät parantavat ennustetarkkuutta perinteisiin menetelmiin verrattuna erityisesti silloin, kun kysyntään vaikuttaa moni tekijä yhtä aikaa. Mikään yksittäinen menetelmä ei ole kaikissa tilanteissa paras. Toimitusketjuissa tarkempi ennuste tukee tilaamista ja varastonhallintaa. Lisäksi se vähentää hävikkiä ja varastopuutteita. Haasteet kohdistuvat datan laatuun, mallien tulkittavuuteen sekä kustannuksiin ja osaamiseen.

Havaintojen perusteella voidaan todeta, että menetelmät tuovat lisäarvoa, mutta hyötyjen saaminen edellyttää laadukasta dataa, osaamista ja resursseja.