| dc.description.abstract | Στόχος αυτής της μεταπτυχιακής εργασίας είναι η ανάλυση της ζήτησης στην εφοδιαστική αλυσίδα ,πιο συγκεκριμένα ο αναγνώστης έχοντας διαβάσει την παρούσα εργασία θα είναι σε θέση να κατανοήσει την έννοια της ζήτησης , τους προσδιοριστικούς της παράγοντες αλλά και μέσα από ποσοτικές μεθόδους μηχανικής μάθησης να κάνει τις αντίστοιχες προβλέψεις. Η εργασία θεωρεί ότι ο αναγνώστης δεν έχει έρθει σε προηγουμένη επαφή με στατιστικές μεθόδους και βάσεις δεδομένων για αυτό τον λόγο γίνεται αναλυτική αναφορά σε βασικές στατιστικές έννοιές όπως ο μέσος ορός η διακύμανση η τυπική απόκλιση κλπ., επίσης στην εργασία κατασκευάζεται και μια απλή βάση δεδομένων για την διαχείριση προϊόντων ενός μικρού καταστήματος ηλεκτρονικών ειδών. Στην συνέχεια έχοντας αναλύσει τις βασικές έννοιές γίνεται αναφορά σε στατιστικές μεθόδους πρόβλεψης της ζήτησης όπως για παράδειγμα το αυτοπαλίνδρομο τον κινήτο μέσο ορό τον συνδυασμό αυτών των δυο(Arma) και της μεθόδου Arima , προφανώς τα χαρακτηριστικά των παραπάνω αναλύονται σε βάθος όπως για παράδειγμα η στασιμότητα ,η εποχικότητα ,η κυκλικότητα κλπ. Στην συνέχεια γίνεται η ανάλυση της ζήτησης μέσα από μοντέλα μηχανικής μάθησης όπως τα δέντρα αποφάσεων ,οι κ-κοντινότεροι γείτονες ,η γραμμική και λογιστική παλινδρόμηση για ταξινόμηση αλλά και για πρόβλεψη των επομένων τιμών των χρονοσειρων. Τέλος εφαρμόζονται πιο σύγχρονα μοντέλα για την πρόβλεψη της ζήτησης όπως τα νευρωνικά δίκτυα με την χρήση των long sort term memory κυττάρων και του Facebook prophet. Για τις παραπάνω αναλύσεις χρησιμοποιείται η γλώσσα προγραμματισμού python και τα δεδομένα όσο αναφορά την ταξινόμηση έχουν να κάνουν με την πιθανότητα ένας πελάτης να ξανά αγοράσει από το κατάστημα με βάση διάφορες μεταβλητές όπως η ηλικία ,το φύλο ,τα χρήματα που ξόδεψε στην τελευταία του αγορά και αλλά. Ενώ η πρόβλεψη της ζήτησης εφαρμόζεται στο πρώτο παράδειγμα μέσο της πρόβλεψης της τιμή του κινητού τηλεφώνου Samsung s24 ενώ στο δεύτερο παράδειγμα αναλύονται οι εξαμηνιαίες πωλήσεις από το 2012 έως το 2024 των καταστημάτων πώλησης ηλεκτρικών συσκευών πλαίσιο. | el |
| dc.description.abstractEN | The aim of this master's thesis is to analyze demand in the supply chain. More specifically, after reading this thesis, the reader will be able to understand the concept of demand, its determining factors, and how to make corresponding predictions through quantitative machine learning methods. The thesis assumes that the reader has no prior exposure to statistical methods and databases, and for this reason, it includes a detailed introduction to fundamental statistical concepts such as mean, variance, standard deviation, etc. Additionally, the thesis involves the development of a simple database for managing the products of a small electronics store.
Subsequently, after analyzing the basic concepts, statistical demand forecasting methods are presented, such as autoregression, the moving average, the combination of these two (ARMA), and the ARIMA method. The characteristics of these methods are thoroughly analyzed, including stationarity, seasonality, cyclicality, and so on.
Following this, demand analysis is carried out using machine learning models such as decision trees, Naive Bayes, k-nearest neighbors, linear regression, and logistic regression, for both classification and forecasting the next values of time series data. Finally, more modern models are applied for demand forecasting, such as neural networks, long short-term memory (LSTM) cells, and Facebook Prophet.
For the above analyses, the Python programming language is used. The classification data pertains to the likelihood of a customer repurchasing from a store (customer churn), based on various variables such as age, gender, the amount spent on their last purchase, and others. Demand forecasting is demonstrated through two examples: predicting the price of the Samsung S24 smartphone, and analyzing biannual sales of electronic device stores (Plaisio) from 2012 to 2024. | el |
