Prognostisering av efterfrågan för färskvaror inom dagligvaruhandeln utgör en komplex utmaning på grund av samspel mellan faktorer som säsongsvariationer, kort hållbarhet och snabbare förändringar i konsumentbeteende samverkar. Traditionella prognosmetoder, som i huvudsak bygger på historisk försäljningsdata, har visat en begränsad förmåga att hantera denna dynamik. Resultatet blir ofta felaktiga prognoser, vilket leder till antingen överlager och ökade svinnkostnader, eller lagerbrist och förlorad försäljning. För att möta dessa utmaningar krävs mer adaptiva och datadrivna försörjningskedjor.

Syftet med denna studie är att undersöka hur externa faktorer påverkar efterfrågeprognoser inom dagligvaruhandeln. Men även att analysera möjligheter och begränsningar med att använda Model Predictive Control (MPC) som verktyg för förbättrad prognostisering in supply chain management. Studien fokuserar på färskvaror, framför allt frukt och grönsaker, där prognosfel kan vara mycket kostsamma.

Studien har genomförts som en kvalitativ fallstudie med semistrukturerade intervjuer av medarbetare i varuförsörjningen på ett större företag inom dagligvaruhandeln. Teoretisk referensram har utformats kring begrepp som supply chain management, prognososäkerhet, bullwhip-effekten, konsumentbeteende och avancerade prognosmetoder såsom big data och MPC. En förenklad MPC-modell utvecklades och testades i Excel med hjälp av Solver för att simulera prognosstyrning under osäkerhet.

Resultatet visar att externa faktorer såsom väder, kampanjer och kundbeteende har stor påverkan på efterfrågeprognoser och att nuvarande metoder inte fullt ut klarar av att hantera dessa variationer. Analysen indikerar att MPC kan erbjuda ökad flexibilitet och precision genom att kontinuerligt anpassa beställningsvolymer utifrån uppdaterad information. Samtidigt identifieras begränsningar i praktisk tillämpning, såsom krav på hög datakvalitet, modellkomplexitet och kostnad för implementering.

Studien teoretiska bidrag är att belysa hur MPC, ett verktyg från reglertekniken, kan anpassas till och tillämpas inom supply chain management för dagligvaruhandeln. Praktiskt bidrar studien med insikter om hur företag kan öka prognosprecisionen och därmed minska både svinn och lagerbrist, vilket stärker hållbarhet och lönsamhet. Slutligen föreslås ytterligare forskning om hur implementeringsstrategier för MPC i realtidsbaserade logistiksystem kan utvecklas.

Demand forecasting for fresh produce in the grocery retail sector presents a complex challenge due to significant interactions between various factors such as seasonal variations, short shelf life and rapid shifts in consumer behavior. Traditional forecasting methods, which primarily rely on historical sales data, have shown a limited ability to manage this dynamic environment. The result is often inaccurate forecasts, leading either to overstock and increased waste costs, or to stockouts and lost sales. To address these challenges, more adaptive and data-driven supply chains are required.

The purpose of this study is to examine how external factors affect demand forecasting in the grocery retail sector. By analyzing the opportunities and limitations of using Model Predictive Control (MPC) as a tool for improving forecasting within supply chain management. The study focuses on fresh products, particularly fruits and vegetables, where forecasting errors can be especially costly.

The research was conducted as a qualitative case study, using semi-structured interviews with employees involved in supply operations at a major grocery retail company. The theoretical framework is built around concepts such as supply chain management, forecast uncertainty, the bullwhip-effect, consumer behavior and advanced forecasting tools such as big data and MPC. A simplified MPC model was developed and tested in Excel using Solver, simulating forecast-based control under uncertainty.

The findings reveal that external factors, such as weather, promotions and consumer behavior significantly influence demand forecasts and that current methods are insufficient to fully manage this variability. The analysis suggests that MPC can offer increased flexibility and precision by continuously adjusting order quantities based on updated information. However, limitations were also identified, including the need for high data quality, model complexity and implementation costs.

The theoretical contribution of this study lies in highlighting how MPC, a tool originating from control theory, can be adapted and applied to supply chain management in grocery retail. Practically, the study provides insights into how companies can improve forecasting accuracy and thereby reduce both waste and stockouts, enhancing both sustainability and profitability. Finally, further research is proposed on how implementation strategies for MPC in real-time logistics systems can be developed.