Neuroverkot myynnin ennustamisessa
Höglund, Henri Kalevi (2018-08-13)
Neuroverkot myynnin ennustamisessa
Höglund, Henri Kalevi
(13.08.2018)
Tätä artikkelia/julkaisua ei ole tallennettu UTUPubiin. Julkaisun tiedoissa voi kuitenkin olla linkki toisaalle tallennettuun artikkeliin / julkaisuun.
Turun yliopisto
Tiivistelmä
Myyntiennusteiden tarkkuus on yrityksille tärkeä kilpailutekijä, sillä tarkat ennusteet kasvattavat yrityksen tehokkuutta monilla eri osa-alueilla. Myyntiennustemallien rakentaminen on perinteisesti vaatinut syvää osaamista sekä sovellettavalta toimialalta että aikasarja-analyysin ja ennustamisen menetelmistä. Monilla eri sovellusaloilla nopeasti yleistyvät neuroverkot vaikuttavat lupaavalta menetelmältä myös aikasarjaongelmien, kuten myynnin ennustamisen saralla.
Tässä tutkielmassa käydään läpi myynnin ennustamista, aikasarja-analyysiä, sekä neuroverkkoja, ja niiden soveltamista myynnin aikasarjojen ennustamiseen. Johdanto-osuudessa kuvataan tutkielman sisältö ja tutustutaan yleisesti koneoppimiseen käsitteenä. Seuraavissa kappaleissa syvennytään tarkemmin myynnin ennustamiseen, aikasarja-analyysiin ja neuroverkkoihin. Neuroverkoista käydään läpi perusperiaatteet, sekä niiden soveltuvuus aikasarjatyyppisiin ongelmiin. Lisäksi tehdään katsaus aiempiin tutkimuksiin, joissa NARX-neuroverkkoja, eli epälineaarisia autoregressiivisiä eksogeenisiä neuroverkkoja (Nonlinear Autoregressive eXogenous Neural Network) on sovellettu aikasarjatyyppisiin ongelmiin.
Tutkielman päätavoitteena on tutkia, miten hyvin NARX-neuroverkko soveltuu myynnin ennustamiseen, kun käytettävissä on myyntitoteutuman aikasarjahistorian lisäksi sekä sisäistä että ulkoista selittävää dataa.
Tutkielman loppupuolella rakennetaan R-ohjelmointikieltä ja Matlabin Neural Network Toolboxiä hyödyntäen NARX-neuroverkkomalli, jota sovelletaan suomalaisen B2B-liiketoimintaa harjoittavan PK-yrityksen myynnin ennustamiseen. Vertailumenetelminä käytettiin naiivia ennustetta, yrityksen omaa ennustemenetelmää, sekä NAR-neuroverkkoa. Malleja vertailtiin keskenään niiden ennustevirheiden perusteella edellisen 12 kuukauden osalta.
Vertailluista menetelmistä päästiin parhaaseen tulokseen NARX-neuroverkkomallilla ja tutkielmassa tultiin johtopäätökseen, että NARX-neuroverkkoa hyödyntämällä yritys voi potentiaalisesti saada parannusta myynnin ennustetarkkuuteen lyhyen tähtäimen ennusteissa, etenkin jos hyödynnettävissä on aikasarjahistorian lisäksi muuta selittävää dataa.
Tässä tutkielmassa käydään läpi myynnin ennustamista, aikasarja-analyysiä, sekä neuroverkkoja, ja niiden soveltamista myynnin aikasarjojen ennustamiseen. Johdanto-osuudessa kuvataan tutkielman sisältö ja tutustutaan yleisesti koneoppimiseen käsitteenä. Seuraavissa kappaleissa syvennytään tarkemmin myynnin ennustamiseen, aikasarja-analyysiin ja neuroverkkoihin. Neuroverkoista käydään läpi perusperiaatteet, sekä niiden soveltuvuus aikasarjatyyppisiin ongelmiin. Lisäksi tehdään katsaus aiempiin tutkimuksiin, joissa NARX-neuroverkkoja, eli epälineaarisia autoregressiivisiä eksogeenisiä neuroverkkoja (Nonlinear Autoregressive eXogenous Neural Network) on sovellettu aikasarjatyyppisiin ongelmiin.
Tutkielman päätavoitteena on tutkia, miten hyvin NARX-neuroverkko soveltuu myynnin ennustamiseen, kun käytettävissä on myyntitoteutuman aikasarjahistorian lisäksi sekä sisäistä että ulkoista selittävää dataa.
Tutkielman loppupuolella rakennetaan R-ohjelmointikieltä ja Matlabin Neural Network Toolboxiä hyödyntäen NARX-neuroverkkomalli, jota sovelletaan suomalaisen B2B-liiketoimintaa harjoittavan PK-yrityksen myynnin ennustamiseen. Vertailumenetelminä käytettiin naiivia ennustetta, yrityksen omaa ennustemenetelmää, sekä NAR-neuroverkkoa. Malleja vertailtiin keskenään niiden ennustevirheiden perusteella edellisen 12 kuukauden osalta.
Vertailluista menetelmistä päästiin parhaaseen tulokseen NARX-neuroverkkomallilla ja tutkielmassa tultiin johtopäätökseen, että NARX-neuroverkkoa hyödyntämällä yritys voi potentiaalisesti saada parannusta myynnin ennustetarkkuuteen lyhyen tähtäimen ennusteissa, etenkin jos hyödynnettävissä on aikasarjahistorian lisäksi muuta selittävää dataa.