Developing Statistical Demand Forecast Data Sampling Method in Manufacturing Industry

Abstract

This thesis aimed at developing forecasting data management and data sampling to improve quality of the demand forecast in factory production. The thesis topic arose from the need for better forecast accuracy in order to improve stock availability and optimize inventory turn, and consequently, improve the customer service.

The thesis was conducted using action research methodology for the company that operates in technology industry. It was executed in 2022 in the case company´s Global Supply Chain Management team. For data collection, the thesis used theme interview, research diary for observations, and analysis of internal documents as its main qualitative research methods. Interview gained detailed information of the business environment and requirements, as well as the project outcome. Research diary made a detailed review of observations in the development part. The theoretical framework focused on the topics of forecasting in supply chain and manufacturing, how to forecast make-to-order and make-to-stock products and materials; as well as the demand driven forecasting, and how to clarify demand.

In the development part, the thesis implemented the new forecasting data sampling method and calculation in advanced planning and scheduling system (APS tool). The technical part of change, that included testing, took seven months, and after that quality of data and quality of forecast was approved, the change was implemented.

New forecast data and data sampling process was implemented 1st of January 2023, and the outcome was then measured over the subsequent nine months with several indicators. There was identified a need to improve some of indicators to monitor the impact forecast accuracy better in future. The company evaluated the initial outcome and impact for stock availability and customer delivery time as promising and plans to continue using the new process in the future.

Tämä opinnäytetyö on toimintatutkimus yritykselle, joka toimii teknologiateollisuudessa. Tutkimuksen päätavoite oli kehittää ennustedataa ja datan poimintaa parantamaan tuotannon tarve-ennusteen laatua. Parempi ennustetarkkuus parantaa varaston saatavuutta ja sitä kautta asiakaspalvelua. Paremman ennustetarkkuuden myötä voidaan saavuttaa optimaalinen varastonkierto. Kehittämisprojekti toteutettiin vuoden 2022 aikana yrityksen Global Supply Chain Management - tiimissä.

Teoriakatsaus keskittyi aiheisiin ennustaminen toimitusketjussa ja valmistuksessa. Katsauksessa syvennyttiin tilausohjautuvien ja varasto-ohjautuvien tuotteiden ja materiaalien tunnistamiseen ennusteprosessissa. Osana viitekehystä on kysyntälähtöinen ennuste ja erilaiset kysynnän määritelmät. Opinnäytetyössä käytettiin laadullista tutkimusmenetelmää - teemahaastattelua - jonka avulla saatiin yksityiskohtaista tietoa nykytilasta, liiketoiminnan vaatimuksista ja liiketoimintaympäristöstä. Haastattelua on käytetty myös projektin lopputuloksen arvioinissa. Opinnäytetyön liitteenä on tutkimuspäiväkirja, joka on yksityiskohtainen katsaus kehittämisprojektiin ja sitä käytettiin havainnoinin välineenä.

Uusi ennustedatan keräysmenetelmä ja ennustelaskentatapa implementoitiin APS-järjestelmään testaus- ja analysointivaiheen jälkeen. Muutoksen tekninen osuus ja testausvaihe kesti seitsemän kuukautta, ja sen jälkeen datan laatu ja sitä kautta ennusteen laatu hyväksyttiin ja muutos oli valmis tuotantoon.

Uusi menetelmä otettiin käyttöön tammikuun ensimmäinen päivä 2023 ja tuloksia mitattiin yhdeksän kuukauden ajan. Joidenkin mittareiden kohdalla tunnistettiin tarve mittaamisen kehittämiselle, jotta ennustetarkkuutta voidaan seurata vielä paremmin tulevaisuudessa. Kohdeyrityksen näkökulmasta alustava tulos ja muutoksen vaikutus varaston saatavuuteen ja toimituskykyyn asiakkaille on lupaava ja siitä näkökulmasta muutos on onnistunut.