Tuoteluokittelu kysynnän ennustamisen työkaluna

Abstract

Insinöörityön tarkoituksena oli luoda elintarvikeyritykselle toimiva tuoteluokittelumalli kysynnän ennustamiseen. Kohdeyrityksen toimintamalli pakottaa sen tuotteiden valmistamisen varastoon, ja näiden tuotteiden suhteellisen lyhyt säilyvyys luo suuren paineen ennusteiden oikeellisuuteen. Tämän takia kohdeyritys etsii jatkuvasti keinoja parantaa ja jatkokehittää sen jo toimivia ennustemenetelmiä. Työssä muodostettiin ennusteita varten nelikenttäinen luokittelumalli, jonka luokat ovat au-tomaatio-, testi-, muutos- ja poisto-luokka. Näiden luokkien avulla voidaan jo käytössä olevia toimintamalleja jatkokehittää. Tämä voi myös edesauttaa kohdeyrityksen ongelmatuotteiden poistamista tuotevalikoimasta ja näin kustannusten vähentämistä. Tuotteiden ennustamisen automatisointi voi osoittautua kannattavaksi niiden tuotteiden osalta, joita jo ennustetaan ja toimitetaan asiakkaille hyvin. Lisäksi luokittelu tuo esille tuotteet, jotka ennusteiden huonosta tasosta riippumatta ovat toimitusten suhteen hyvällä tasolla. Tämä nostaa esiin toimintatapo-ja, joita voidaan hyödyntää kysynnän ennustamisessa.

The aim of the thesis was to create a product categorization model for a food production company's forecasting demand. The company's operating model forces it to produce its products into the warehouse, and the relatively short shelf-life of these products creates a high pressure on the forecasting quality. For this reason, the target company constantly seeks out ways to improve and further develop its already existing forecasting methods.

In this work, a four-field categorization model was formed for the forecasts, which are: Automation, Test, Change and Deletion. With these categories, the existing operating models can be further developed. This can also help remove the problem products from the company’s product inventory, thereby reducing costs. Automating product forecasting can prove to be profitable for products that are already well -predicted and delivered to customers. In addition, the classification raises products that regardless of the poor level of forecasts, are at a good level of delivery. And this can highlight ways of working that can be used to forecast demand.