Neuroverkot yrityksen ennusteprosessin tukena

Data on yhä tärkeämpi osa liiketoimintaa monessa yrityksessä. Luotettava ja oikea-aikainen data voi myös tuoda kilpailuetua markkinoilla. Pysyäkseen kehityksen tahdissa yritykset tarvitevat koko ajan entistä tarkempaa tietoa liiketoimintansa johtamisen tueksi ja tiedon tulisi olla käytettävissä yhä nopeammin. Tämän takia yritysten tulee kehittää käyttöönsä entistä parempia ennustemalleja päätöksentekonsa tueksi. Kun vanha teknologia on päässyt oman kehityskäyränsä huippuunsa, alkaa tilalle ilmaantua uusia teknologisesti edistyneempiä ratkaisuja. Samalla, kun uudet nousevat teknologiat alkavat kasvattaa suosiotaan, alkavat vanhojen teknologioiden suorituskyky ja käyttö hiipua. Tällaisia uuden teknologian ratkaisuja ovat mm. syväoppivilla neuroverkoilla rakennetut ennustemallit. Tämän diplomityön tarkoituksena oli tutkia kohdeyrityksen yhden liiketoimintayksikön liikevaihdon ennusteprosessin kehittämistä. Tutkimuksen tavoitteena oli selvittää, miten ennusteprosessissa käytettyä ennustemallin tarkkuutta voidaan parantaa sekä nopeuttaa uusien teknologioiden avulla. Tutkimuksessa perehdyttiin ennustamiseen liittyvään aiempaan kirjallisuuteen, kuten ennustemenetelmiin sekä teknologioihin, joilla aikasarjamalleja ennustetaan. Teorian pohjalta rakennettiin SARIMA-, ETS-AAA-, sekä LSTM- ja GRU-ennustemallit. Ennustemallien tarkkuutta vertailtiin keskenään, sekä pyrittiin arvioimaan, tarjoavatko uudella teknologialla rakennetut ennustemallit paremman ennustetarkkuuden nykyisiin verrattuna. Tutkimuksen tulokset osoittavat, että syväoppivilla neuroverkoilla rakennetut ennustemallit tuottivat paremman ennustetuloksen kuin nykyisellä ennusteprosessilla rakennettu ennustemalli (MAPE %: nykyinen ennustemalli 12,49% ja LSTM- ja GRU-ennustemallit 9,83-9,93%). Perinteisemmillä aikasarjamalleilla päästiin lähes samaan tarkkuuteen nykyisen ennustemallin kanssa (MAPE %: nykyinen ennustemalli 12,49% ja aikasarjamallit 12,80-13,67%), mutta vaihtelu erimittaisten aineistojen välillä oli suurempaa kuin syväoppivilla neuroverkoilla rakennetuilla ennustemalleilla. Tutkimus ei kata käytännön suosituksessa esille tuodun GRU-ennustemallin end-to-end-rakenteen määrittelyä, vaan antaa vain suosituksen ennustemallin käyttöönotosta. Jatkotutkimus voisi kattaa ennustemallin käyttöönoton siten, että mallin dataputki ja siihen liittyvät komponentit kuvataan tarkemmalla tasolla. Jatkotutkimukseen voisi sisällyttää myös kehyksen, jossa käydään tarkemmin lävitse, miten kohdeyrityksen ennustemallien osalta toteutetaan datalähtöinen liiketoimintatransformaatio.Data has grown to be an important part of the business in many companies. Reliable and timely data can also bring competitive advantages to the market. To keep pace with development, companies are constantly needing more accurate information to support the management of their business, and this information should be available more and more quickly. As a result, companies need to develop better forecasting models to support their decision-making. Once the old technology has reached the peak of its development curve, new, more technologically advanced solutions will begin to emerge. As new emerging technologies begin to grow in popularity, the performance and use of old technologies begin to fade. Such new technology solutions include e.g., prediction models built with deep-learning neural networks. The purpose of this thesis was to study the development of the turnover forecast process in one business unit of the target company. The study aimed to find out whether the accuracy of the forecasting model used in the forecasting process can be improved and accelerated with the help of new technologies. The study introduced theories related to prediction, such as prediction methods and technologies used to predict time series models. Based on the theory, SARIMA, ETS-AAA, LSTM, and GRU forecast models were built. The forecast accuracy of the forecast models was compared, and an attempt was made to find the answer to whether the forecast models built with the new technology would offer better forecast accuracy compared to the current ones. The study found that prediction models constructed with deep-learning neural networks produced a better prediction result than the prediction model constructed with the current prediction process (MAPE %: current forecast model 12.49% and LSTM and GRU forecast models 9.83-9.93%). More traditional time-series models achieved almost the same accuracy as the current prediction model (MAPE %: current forecast model 12.49% and time-series models 12.80-13.67%), but the variation between data of different sizes was greater than that of the prediction models built with deep-learning neural networks. The study does not cover the definition of the end-to-end structure of the GRU forecasting model presented in the practical recommendation, but it only recommends taking a forecasting model into use. Further research could cover the introduction of a prediction model so that the data tube of the model and related components are described at a more detailed level. This could also include a framework for further research on how to implement data-driven business transformation for the target company's forecasting models