Predictive modeling for sales forecasting: a time series analysis of Molaris biotech product sales

Abstract

Accurate sales forecasting is essential for effective inventory planning, resource allocation, and customer service. This thesis evaluates machine learning methods for predicting sales using Molaris Biotech data from January 2014 to April 2024. We compare the performance of ElasticNet, Random Forest, XGBoost, and neural networks. Results show that ElasticNet and Random Forest deliver the highest performance, reducing MAPE by up to 30% relative to the firm’s current approach. These findings highlight the value of predictive analytics for improving operational efficiency and strengthening competitive positioning in the retail sector. La previsió de vendes precisa és essencial per a una planificació d’inventari eficient, una assignació òptima de recursos i un millor servei al client. Aquesta tesi avalua mètodes d’aprenentatge automàtic per predir vendes utilitzant dades de Molaris Biotech entre gener de 2014 i abril de 2024. Comparem els resultats utilitzant ElasticNet, Random Forest, XGBoost i xarxes neuronals. Els resultats mostren que ElasticNet i Random Forest ofereixen el millor rendiment, reduint el MAPE fins a un 30% en relació amb l’enfocament actual de l’empresa. Aquests resultats destaquen el valor de l’analítica predictiva per millorar l’eficiència operativa i enfortir el posicionament competitiu en el sector minorista.