Machine learning as a tool for improving planning in production

Det kan vara svårt att planera produktionen av varor som är starkt säsongsberoende, eftersom försäljningen snabbt kan öka i takt och det är svårt att veta exakt när på året den börjar göra det. Gasol är en sådan vara, där efterfrågan är avsevärt högre under sommarhalvåret än vinterhalvåret. Denna studie görs på uppdrag av AGA, den ledande aktören på gasolmarknaden i norden, med syfte att undersöka om maskininlärning kan användas för att förbättra deras produktionsplanering. Variationer av regressionsmodeller användes för detta, med resultatet att ingen metod, med tillräckligt hög säkerhet, kunde användas för att förutspå framtida efterfrågan på gasol och underlätta produktionsplaneringen. Anledningen till detta är att det inte användes tillräckligt många olika attribut och att de som användes inte hade tillräckligt stark korrelation.Production planning for products with high seasonality can be difficult, as demand can increase rapidly, and it can be difficult to predict exactly when this increase will happen. Propane gas is such a product, where demand is significantly higher during summer than during winter. This study is conducted for AGA, the market leader for propane in the Nordic region, with the purpose to explore if machine learning can be used to improve their production planning. Different regression models where used to execute the study, with the result that none of them could be implemented with high enough proficiency to be used to predict future demand of propane and aid the production planning. The reason that the implementations failed was that too few input parameters where used for the machine learning models, and that those parameters that were used had too low correlation.