Demand forecasting for prior-to-launch and carryover products : a machine learning approach

The following thesis work aims to address the issue of demand forecasting through an analytical and quantitative approach in the wake of the research progress made in machine learning. If on the one hand the literature confirms the central role that demand forecasting has in business success strategies, on the other hand the machine learning and deep learning algorithms, improved thanks to the abundance of available data, allow to improve the accuracy of performance of this challenging task, too often entrusted to the exclusive experiential judgment of the management involved. Deepening the review, a methodological distinction is provided between the products already on the market (carryover), of which the historical trends of past demand are available, and new products in the pre-launch phase (NP). In the case of NPs, a collection of the most popular demand forecasting tools is proposed, ranging from traditionally qualitative approaches to quantitative and statistical methods which, through the use of machine learning, attempt to stem the risk factors and uncertainty due to the lack of historical series. Finally, the analysis of the literature moves towards the description of the conceptual framework of the Gradient Boosting and LSTM-NN algorithms that gathered momentum in the scientific community’s attention thanks to their predictive effectiveness, whose implementation and results can be appreciated in the two experimental application cases that close the thesis project.

Il seguente lavoro di tesi si pone l’obiettivo di affrontare il tema della predizione della domanda attraverso un approccio analitico e quantitativo sulla scia dei progressi attestati in ambito machine learning. Se da una parte la letteratura ci conferma il ruolo centrale che una corretta previsione della domanda ha nelle strategie di successo aziendali, dall’altra gli algoritmi di machine learning e deep learning, perfezionati grazie all’abbondanza di dati disponibili, consentono di migliorare l’accuratezza delle prestazioni in un processo di per sé oneroso, troppo spesso affidato all’esclusivo giudizio esperienziale del management coinvolto. Per affrontare il tema nella sua interezza, viene presentata una doverosa distinzione metodologica tra prodotti già inseriti nel mercato (carryover), di cui sono disponibili andamenti storici della domanda pregressa, e nuovi prodotti in fase pre-lancio (NP). Nel caso dei NPs viene proposta una raccolta dei più popolari strumenti di analisi della domanda, spaziando da approcci tradizionalmente qualitativi a metodi quantitativi e statistici che tramite l’utilizzo del machine learning tentano di arginare i fattori di rischio e incertezza dovuti alla carenza di serie storiche. Successivamente, un’analisi della letteratura accompagna la descrizione dell’impalcatura concettuale degli algoritmi nelle famiglie "Decision-tree Boosting" ed "Neural networks-LSTM" saliti all’attenzione della comunità scientifica grazie alla loro efficacia predittiva di cui è possibile apprezzarne l’implementazione e i risultati nei due casi applicativi sperimentali che concludono il progetto di tesi.