Tekoälyn hyödyntäminen vähittäiskaupan toimitusketjujen kysynnän ennustamisessa

Abstract

Kysynnän ennustaminen on yksi tärkeimmistä toiminnoista vähittäiskaupan toimitusketjuissa ja sitä käytetään niiden operaatioiden suunnittelussa päivittäin. Kysynnän ennustamisen tärkeä rooli vähittäiskaupan toimitusketjuissa korostuu toimialalle tyypillisen kysynnän epävarmuuden ja suurien varastointiyksikköjen määrän vuoksi. Näiden hallitseminen kysynnän ennustamisen avulla on liiketoiminnan kustannustehokkuuden, joustavuuden ja kestävyyden kannalta ratkaisevaa. Kasvaneet paineet vastata asiakkaiden nopeasti muuttuviin tarpeisiin ja vähittäiskaupan toimialan monikanavaistuminen ovat kuitenkin tehneet kysynnän ennustamisesta entistä haastavampaa. Tämän vuoksi tekoälyn mahdollisuuksia parantaa ennusteiden tarkkuutta on alettu tut-kimaan laajasti viime vuosien aikana. Tämä tutkielma keskittyi tarkastelemaan tekoälyn tarjoamia hyötyjä kysynnän ennustamisessa ja niiden vaikutusta vähittäiskaupan toimitusketjujen hallintaan. Tutkimus toteutettiin kirjallisuuskatsauksena hyödyntäen aihepiiriin kuuluvia keskeisiä tieteellisiä artikkeleita ja lähdeteoksia, jotka keskittyivät erityisesti vähittäiskaupan toimialaan ja kysynnän ennustamiseen. Kysynnän ennustaminen kuvataan tutkielmassa kuusi vaiheisena prosessina, jonka osaksi tekoälymenetelmiä voidaan implementoida. Tekoälymenetelmien osalta tutkielmassa keskityttiin erityisesti koneoppimis- ja syväoppimismenetelmiin, joiden merkityksen on todettu kasvaneen kysynnän ennustamisessa viime vuosien aikana. Tämän lisäksi tutkielmassa tarkasteltiin hybridimenetelmien käyttöä ja hyötyjä kysynnän ennustamisessa. Tutkielma osoitti, että tekoälyn avulla pystytään parantamaan vähittäiskaupan kysynnän ennustamisen tarkkuutta ja tehokkuutta. Tarkempien ja tehokkaampien ennusteiden huomattiin puolestaan auttavan vähittäiskauppoja sopeutumaan dynaamisiin ja epävarmoihin liiketoimintaympäristöihin. Parempi ennusteiden tarkkuus ja tehokkuus todettiin perustuvan tekoälyn edistykselliseen kykyyn analysoida ja käsitellä kysynnän ennusteissa käytettävää syötedataa. Tämän avulla tekoäly pystyy tunnistamaan yhä monimutkaisempia kysyntämalleja ja ottamaan ennusteissa huomioon laajasti erilaisia kysyntään vaikuttavia tekijöitä, kuten monikanavaisuuden, kausivaihtelut sekä kysynnän korkean volatiliteetin. Tekoälypohjaisen kysynnän ennustamisen huomattiin myös parantavan vähittäiskaupan toimitusketjujen varastonhallintaa, joustavuutta, reagointikykyä ja kestävyyttä.