Advanced

Forecasting Campaign Sales Using Artificial Neural Networks

Engström, Joel LU (2016) In Master's Theses in Mathematical Sciences FMA820 20161
Mathematics (Faculty of Engineering)
Abstract
This thesis will investigate the characteristics and possibilities of implementing a forecasting model for campaign sales in Coop stores. The implementation will be done by the use of multiple linear regression and artificial neural networks. Advantages and drawbacks of these models will be investigated and discussed.


The campaign characteristics will be evaluated using linear methods, and several prediction models, of varying complexity, will be proposed and tested on real sales data.

It is concluded that while the complex models perform better, the tradeoff between loss in accuracy and increased simplicity, also making the models more generic, may justify the use of the simpler models.
Popular Abstract (Swedish)
Det här projektet ämnar fånga, och med matematiska modeller beskriva, beteendet hos försäljningen under en butikskampanj i en matvarubutik. Detta med hjälp av Artificiella Neurala Nätverk.

Idag använder de flesta matvarukedjor så kallad datorassisterad beställning, vid beställning av deras butiksartiklar. Dessa system fungerar förhållandevis bra under normalförsäljning, men tar ofta inte hänsyn till hur försäljningen beter sig under butikskampanjer. Det här projektet tar sig an utmaningen att med matematiska metoder beskriva vad som händer med försäljningen under butikskampanjer, och vilka underliggande faktorer som påverkar denna.

Projektet är utfört i samarbete med Coop Sverige ABs logistikavdelning och använder Coops... (More)
Det här projektet ämnar fånga, och med matematiska modeller beskriva, beteendet hos försäljningen under en butikskampanj i en matvarubutik. Detta med hjälp av Artificiella Neurala Nätverk.

Idag använder de flesta matvarukedjor så kallad datorassisterad beställning, vid beställning av deras butiksartiklar. Dessa system fungerar förhållandevis bra under normalförsäljning, men tar ofta inte hänsyn till hur försäljningen beter sig under butikskampanjer. Det här projektet tar sig an utmaningen att med matematiska metoder beskriva vad som händer med försäljningen under butikskampanjer, och vilka underliggande faktorer som påverkar denna.

Projektet är utfört i samarbete med Coop Sverige ABs logistikavdelning och använder Coops försäljningsdata som modelleringsunderlag. Datan som används är först och främst försäljningsdata. Men data som beskriver pris och prisförändringar, samt data som beskriver hur de kampanjerade varorna exponeras i butik och media, och även väderdata är inkluderad i modelleringsfasen. Det visar sig, bland annat, att media-exponering är mindre betydelsefullt än artikelförfattarna kunnat tro, i förhållande till de övriga faktorerna. Samt att de Artificiella Neurala Nätverken kan beskriva kampanjförsäljningen med högre precision än de mer konventionella modelleringsmetoderna.

Arbetsprocessen har varit att först sortera ut vilka faktorer som varit mest inflytelserika vid beskrivning av framtida försäljning. Detta har gjorts med hjälp av linjär regression, och så kallad R-squared statistik, för att sedan göra modellval och jämföra prognossäkerheten hos modellerna. Jämförelsen har gjorts mellan modeller som använder linjär regression och modeller som använder neurala nätverk, samt modeller av olika komplexitetsgrad. Det visade sig att de neurala nätverken var bättre i alla fall utom det mest komplexa, då de verkade lida av så kallad överträning. Som väntat, så gav de mer komplexa modellerna bättre prognoser. Men de enklaste, och mest robusta modellerna, presterad fortfarande bra, och då enkelhet är viktigt i det här sammanhanget, kan de vara att föredra.

Kampanjprognostiseringen hos Coop sker idag manuellt, och det här arbetet är tänkt att lägga den teoretiska grunden för en framtida implementation av ett automatiserat system. Träffsäkra prognoser är viktiga för att logistikavdelningen ska kunna göra korrekta beställningar. Beställningar som dels möter efterfrågan hos konsumenter, men framförallt inte tar in onödigt mycket varor. Därför har det här projektet i första hand fokuserat på färskvaror, såsom mejerivaror, då ökad prognostiserings-säkerhet av dessa leder till mindre matsvinn och en mer hållbar matvaruhandel. (Less)
Please use this url to cite or link to this publication:
author
Engström, Joel LU
supervisor
organization
course
FMA820 20161
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Artificial Neural Networks, ANN, Multiple Linear Regression, Campaign predictions, Campaign modeling, Marketing mix modeling
publication/series
Master's Theses in Mathematical Sciences
report number
LUTFMA-3298-2014
ISSN
1404-6342
other publication id
2016:E25
language
English
id
8885653
date added to LUP
2016-10-31 14:46:46
date last changed
2016-10-31 14:46:46
@misc{8885653,
  abstract     = {This thesis will investigate the characteristics and possibilities of implementing a forecasting model for campaign sales in Coop stores. The implementation will be done by the use of multiple linear regression and artificial neural networks. Advantages and drawbacks of these models will be investigated and discussed. 


The campaign characteristics will be evaluated using linear methods, and several prediction models, of varying complexity, will be proposed and tested on real sales data.

It is concluded that while the complex models perform better, the tradeoff between loss in accuracy and increased simplicity, also making the models more generic, may justify the use of the simpler models.},
  author       = {Engström, Joel},
  issn         = {1404-6342},
  keyword      = {Artificial Neural Networks,ANN,Multiple Linear Regression,Campaign predictions,Campaign modeling,Marketing mix modeling},
  language     = {eng},
  note         = {Student Paper},
  series       = {Master's Theses in Mathematical Sciences},
  title        = {Forecasting Campaign Sales Using Artificial Neural Networks},
  year         = {2016},
}