| dc.contributor.advisor | Filippakis, Michael | |
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Karlis, Vasileios | |
| dc.contributor.author | Καρλής, Βασίλειος | |
| dc.date.accessioned | 2024-12-09T12:25:08Z | |
| dc.date.available | 2024-12-09T12:25:08Z | |
| dc.date.issued | 2024-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17206 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4629 | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία αποσκοπείται η βελτίωση της πρόβλεψης πωλήσεων στον τομέα του λιανικού εμπορίου μέσω της εφαρμογής προηγμένων τεχνικών Τεχνητής Νοημοσύνης (AI). Επιπλέον, αντιμετωπίζεται η πρόκληση των διακυμάνσεων στις λιανικές πωλήσεις, οι οποίες επηρεάζονται από διάφορους εξωτερικούς παράγοντες, όπως οι οικονομικές αλλαγές και οι μεταβολές στη συμπεριφορά των καταναλωτών. Στη μελέτη αναπτύσσονται και αξιολογούνται πολλαπλά μοντέλα πρόβλεψης AI, όπως τα FBProphet, NeuralProphet, XGBoost, LSTM, TFT και TimeGPT, με στόχο τη βελτίωση της ακρίβειας και της ευελιξίας των προβλέψεων. Ακόμα, παρέχεται μια εις βάθος σύγκριση μεταξύ των παραδοσιακών μεθόδων πρόβλεψης χρονοσειρών, όπως το ARIMA, και των προαναφερθέντων προσεγγίσεων μηχανικής μάθησης και βαθιάς μηχανικής μάθησης. Τα ευρήματα υποδεικνύουν την υψηλή απόδοση των υπερσύγχρονων μοντέλων AI στην αντιμετώπιση πολύπλοκων προτύπων και στην προσαρμογή σε νέα δεδομένα, προσφέροντας έτσι πιο ακριβείς προβλέψεις πωλήσεων. Τέλος, στην εργασία υπογραμμίζεται η σημασία και η επίδραση της ενδελεχούς προεπεξεργασίας δεδομένων. | el |
| dc.format.extent | 68 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Enhancing sales forecasting : leveraging retail sales data for advanced ai predictive models | el |
| dc.title.alternative | Ενίσχυση της πρόβλεψης πωλήσεων : αξιοποίηση δεδομένων λιανικών πωλήσεων για προηγμένα προγνωστικά μοντέλα τεχνητής νοημοσύνης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This thesis aims to improve sales forecasting in the retail sector through the application
of advanced Artificial Intelligence techniques. It addresses the issue of fluctuations in
retail sales, which are influenced by a variety of external factors, including economic
changes and shifts in consumer behavior. The study develops and evaluates multiple AI
forecasting models, such as FBProphet, NeuralProphet, XGBoost, LSTM, TFT and
TimeGPT, to enhance the accuracy and flexibility of predictions. Moreover, the thesis
provides an in-depth comparison between conventional time series forecasting methods
such as ARIMA and the aforementioned machine and deep learning approaches. The
findings underscore the superior performance of state-of the-art AI-based models in
handling complex patterns and adapting to new data, thereby providing more accurate
and adaptable sales forecasts. Additionally, the thesis emphasizes the importance and
impact of thorough data preprocessing. | el |
| dc.corporate.name | National Center of Scientific Research "Demokritos" | el |
| dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
| dc.subject.keyword | ΑΙ | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Time series | el |
| dc.subject.keyword | Forecasting | el |
| dc.subject.keyword | Retail data | el |
| dc.subject.keyword | FBProphet | el |
| dc.subject.keyword | NeuralProphet | el |
| dc.subject.keyword | XGBoost | el |
| dc.subject.keyword | LSTM | el |
| dc.subject.keyword | TFT | el |
| dc.subject.keyword | TimeGPT | el |
| dc.subject.keyword | ARIMA | el |
| dc.subject.keyword | Predictive models | el |
| dc.subject.keyword | Data preprocessing | el |
| dc.subject.keyword | Sales | el |
| dc.subject.keyword | Sales forecasting | el |
| dc.date.defense | 2024-04-30 | |
