Teollisuusyrityksen tuotteiden kysynnän ennustaminen asiantuntijahaastatteluiden avulla

Abstract

Kysynnän ennustaminen on tyypillinen ongelma teollisuusyrityksillä. Ennusteiden laatimisessa usein hyödynnetään tilaushistoriaa tai jotain muuta aineistoa. Laadituilla ennusteilla on vaikutusta koko yrityksen toimintaan ja päätöksentekoon. Aina ei kuitenkaan ole riittävää aineistoa saatavilla, joten tarvitaan muita keinoja ennusteiden tekemiseen. Yrityksen henkilöstöä voidaan tämänkaltaisessa tilanteessa hyödyntää, sillä heillä on kokemusta ja tietoa tilauksiin liittyvistä tekijöistä. Ennusteisiin tarvittava tieto voidaan hankkia yrityksen henkilöstöltä asiantuntijahaastatteluin. Tiedon hankkiminen edellyttää tilastotieteen, todennäköisyysjakaumien ja haastattelutekniikoiden yhdistämistä. Ennustejakauman mallintamiseksi tarvitaan joitain tunnuslukuja jakaumasta. Kvartiilien määrittäminen puolitusmenetelmällä on luotettavaksi todettu menetelmä tunnuslukujen määrittämiseen. Ennustejakauman sovittaminen haastattelun aikana edesauttaa kommunikointia ja helpottaa jakauman sopivuuden määrittämistä. Tässä tutkielmassa esitellään interaktiivinen haastattelutyökalu, joka sovittaa jakauman eksaktisti asiantuntijan määrittämiin kvantiileihin. Jakauman sovittamisessa ja hienosäädössä hyödynnetään polynomisia kvantiilisekoituksia ja L-momentteja. Työkalu mahdollistaa jakauman tarkastelun numeerisesti ja visuaalisesti. Tulokset tallennetaan lokitietoina, joista haastatteluiden tulokset voidaan johtaa. Työkalun avulla mallinnettiin jyväskyläläisen teollisuusyrityksen Black Bruin Oy:n tuotteille tilausten ennustejakaumat vuoden 2018 ensimmäisessä kvartaalissa. Yrityksestä valikoitiin asiantuntijoita, joille asiantuntijahaastattelu tehtiin. He saivat ennakkotietoina aineistoa aikaisemmista tilauksista ja täyden ohjeistuksen haastattelun kulusta ja huomioitavista seikoista. Kohteena oli muutama esimerkkituote, jotka kattavat suuren osan yrityksen liikevaihdosta. Asiantuntijoiden suoriutumista tutkittiin kollektiivisesti ja vertaillen tuotteita ja asiantuntijoita keskenään. Ennustejakaumia verrataan toteutuneisiin tilausmääriin. Tulokset osoittivat, etteivät asiantuntijat suoriudu tehtävästä kovin hyvin yksinään. Yhdistetyt ennustejakaumat osoittivat, että kollektiivisesti ennusteet osuivat melko hyvin kohdalleen. Asiantuntijahaastattelu osoittautui toimivaksi tavaksi tuottaa ennusteita tilauksille aineiston hyödynnettävyyden ollessa vähäistä. Menetelmän kehittäminen yleiskäyttöisemmäksi edellyttää pieniä parannuksia haastattelumenetelmään ja esiteltyyn työkaluun. Tuloksien avulla Black Bruin pystyy kehittämään tilausten ja kysynnän ennustamista. Yritys sai lisää tietoa tilaushistorian hyödynnettävyydestä ja henkilöstön tietämyksestä tilausten ennustamisessa.

Forecasting incoming orders is a typical problem in the industry. The estimates of future orders affect the operations and the precision has an impact on finance. When relevant data for predictions cannot be found other approaches are needed. Employees hold relevant information regarding orders. Summarizing this information as a distribution requires statistical methods combined with elicitation techniques. Common and reliable method is to elicitate the quantiles of a distribution using the bisection method. Fitting the distribution during the interview helps in giving feedback and deciding whether the distribution is acceptable. In this thesis, I present an interactive visualization tool which fits a distribution exactly to the given quantiles. The fitting method uses polynomial quantile mixtures and L-skewness and L-kurtosis as fine tuning parameters. The tool also makes it possible to inspect the fitted distribution numerically and visually. The results are saved as a log file which consists of all the operations made by the user. The objective of this study was to predict the number of ordered products from an industrial company during the first quarter of 2018. Multiple experts from the company were elicitated separately. The experts were given the data on the previous orders and full guidance on things to consider in the interview. The elicitation was performed for a few example products which cover a large portion of the total orders. The performance was compared between the experts and between the products. Predicted orders were compared with the actual orders. The results show that none of the experts excelled in the order prediction. Collectively the experts were able to predict the orders fairly well. The methods and the visualization tool used were found suitable for elicitation and for forecasting orders. Improvements would be possible in the briefing of the experts and also in the elicitation tool. The company can improve prediction of the incoming orders by utilizing its data and the knowledge of its employees.