A new machine learning model for demand forecasting : leveraging open source data and product interdependencies

Nowadays, the mass retail industry is having to handle the loss of effectiveness of promotions as a marketing lever. Consumers have radically changed their spending habits, and promotional pressure in the industry has reached unprecedented levels. However, in light of the growing phenomenon of digitization and the availability of transactional data, distributors can decide to increase the effectiveness of the marketing lever by using a decision support system. One way of modelling the impact of different promotions is to create a Machine Learning model to forecast demand. This thesis sets forth a demand forecasting model that takes into account meteorological open data and interdependencies between products. The forecasts have a weekly horizon and are aggregated per single product, so as to be easily implemented in a decision support system. The method used to identify interdependencies evaluates the relationships between individual products during the weeks under review, and selects only the most meaningful product-week combinations. The forecasting model proposed shows an improvement in results when compared to the state of the art currently in use. Open source meteorological variables show a lower impact when compared to product interdependency variables.

Oggigiorno l’industria della Grande Distribuzione Organizzata affronta il problema della perdita di efficacia della leva promozionale di marketing. Infatti, i consumatori hanno cambiato radicalmente le loro abitudini di spesa e i distributori hanno aumentato il numero di promozioni raggiungendo livelli senza precedenti. Tuttavia, alla luce del crescente fenomeno della digitalizzazione e della disponibilità di dati transazionali, i distributori possono decidere di aumentare l’efficacia della leva di marketing utilizzando un sistema di supporto decisionale. Una configurazione atta a modellare l’impatto delle diverse promozioni è la creazione di un modello di Machine Learning per la previsione della domanda. Questa tesi propone un modello di previsione della domanda che tenga in considerazione open data meteorologici e interdipendenze tra prodotti. Le previsioni hanno un orizzonte settimanale e un’aggregazione per singolo prodotto, in modo tale da essere facilmente implementabili in un sistema di supporto decisionale. Il metodo utilizzato per l’identificazione delle interdipendenze valuta le relazioni tra singoli prodotti lungo le settimane in analisi, e seleziona le sole combinazioni prodotto-settimana che risultano significative. Il modello di previsione proposto mostra un miglioramento dei risultati se confrontato allo stato dell’arte attualmente utilizzato sul mercato. Le variabili open source meteorologiche mostrano un impatto minore rispetto alle variabili di interdipendenze tra prodotti.