Denna avhandling utforskar hur effektiviteten i fordonsindustrins leveranskedja kan förbättras genom integration av maskininlärningstekniker (ML). Eftersom fordonsindustrin hanterar hög volatilitet och snabba förändringar, blir exakt efterfrågeprognos avgörande för operationell effektivitet. Arbetet fokuserar på potentialen hos ML-teknologier att generera precisa och tillförlitliga efterfrågeprognoser, jämfört med traditionella prognosmetoder som används inom branschen. Studien använder en systematisk litteraturöversikt i kombination med en fallstudie som involverar DinBil AB, en ledande bilhandlare i Sverige. Genom detta flerdimensionella metodologiska tillvägagångssätt bedömer avhandlingen förmågorna hos olika ML-algoritmer att hantera de unika utmaningarna som fordonssektorn ställer. Dessutom undersöker arbetet implementeringsutmaningar och praktiska fördelar med ML i verkliga tillämpningar, med särskild tonvikt på förbättrad lagerhantering och minskade leveranskedjekostnader. Resultaten tyder på att integration av ML i leveranskedjeoperationer kan förbättra noggrannheten i efterfrågeprognoser avsevärt jämfört med traditionella metoder. Dessutom visar ML-tillämpningar att de anpassar sig mer dynamiskt till marknadsförändringar, vilket stödjer en smidig och kostnadseffektiv hantering av leveranskedjan. Avhandlingen avslutas med rekommendationer för bilföretag att anta ML-drivna prognoslösningar, vilket möjliggör en djupare integration av avancerad analys i leveranskedjesystem.

This thesis explores the enhancement of automotive supply chain efficiency through the integration of machine learning (ML) techniques. As the automotive industry contends with high volatility and rapid changes, accurate demand forecasting becomes crucial for operational efficiency. The research focuses on the potential of ML technologies to generate precise and reliable demand forecasts, comparing these against traditional forecasting methods used within the industry. The study utilizes a systematic literature review coupled with a case study involving DinBil AB, a leading automotive dealership in Sweden. Through this multifaceted methodological approach, the thesis assesses the capabilities of various ML algorithms in addressing the unique challenges posed by the automotive sector. Additionally, the research examines the implementation challenges and practical benefits of ML in real-world applications, with a particular emphasis on improving inventory management and reducing supply chain costs. The findings suggest that integrating ML into supply chain operations can significantly enhance the accuracy of demand forecasts compared to traditional methods. Moreover, ML applications are shown to adapt more dynamically to market changes, thereby supporting more agile and cost-effective supply chain management. The thesis concludes with recommendations for automotive companies to adopt ML-driven forecasting solutions, providing a framework for further integration of advanced analytics into supply chain systems.