ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη
Συλλογές :

Τίτλος :Eπιχειρησιακές προβλέψεις - μελέτη περίπτωσης στο Πολεμικό Ναυτικό
Δημιουργός :Αυγέρης, Δημήτριος
Συντελεστής :Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής)
Ζαχαριάδης, Εμμανουήλ (Εξεταστής)
Μούρτος, Ιωάννης (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Τύπος :Text
Φυσική περιγραφή :114σ.
Γλώσσα :el
Αναγνωριστικό :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8744
Περίληψη :Στην παρούσα διπλωματική εργασία γίνεται αναφορά στην πρόβλεψη ζήτησης, περιγράφοντας τις μεθόδους αυτής και τα οφέλη της, στις επιχειρήσεις εν γένει, αλλά και στο Πολεμικό Ναυτικό μέσα από μια μελέτη περίπτωσης. Αναλυτικότερα, στην ενότητα 1, γίνεται μια εισαγωγή στην έννοια της πρόβλεψης, κάνοντας μια μικρή ιστορική αναδρομή για την ανάγκη προγραμματισμού και την αναγκαιότητα της πρόβλεψη για τις επιχειρήσεις / οργανισμούς. Στην ενότητα 2 εστιάζουμε στην πρόβλεψη ζήτησης και στην έννοια της ζήτησης για έναν οργανισμό. Αναφερόμαστε στα στάδια πρόβλεψης βάσει ζήτησης, στις πιέσεις που οδηγούν τις επιχειρήσεις στην ανάγκη για προβλέψεις ζήτησης / προγραμματισμό, καθώς και στην σχέση της ζήτησης με την εξυπηρέτηση των πελατών. Στην ενότητα 3 γίνεται αναφορά στις τεχνικές πρόβλεψης. Γίνεται μια επισκόπηση στις μεθόδους της πρόβλεψης – ποιοτικές / ποσοτικές, καθώς και στα μοντέλα ανάλυσης αυτών ανά περίπτωση. Τέλος, αναλύονται τα βασικά βήματα της διαδικασίας ποσοτικής μεθόδου πρόβλεψης. Στην ενότητα 4 προχωράμε σε ανάλυση των χρονοσειρών. Αναφερόμαστε στα μοτίβα που πηγάζουν από την ανάλυση αυτών, στα συμβάντα που επηρεάζουν μια χρονοσειρά και τους τύπους στους οποίους διαχωρίζονται αυτά τα συμβάντα. Επίσης, από τις μεθόδους πρόβλεψης στην ανάλυση χρονοσειρών, γίνεται περαιτέρω ανάλυση στους βασικότερους εξ αυτών που χρησιμοποιούνται από την SAS (SAS Forecast Server) και συγκεκριμένα, στην μέθοδο της Εκθετικής Εξομάλυνσης - Exponential Smoothing, στην μέθοδο Box – Jenkins (The ARIMA Model) και στα μοντέλα μη παρατηρημένων συστατικών ή δομικά μοντέλα (Unobserved Components Models). Στη συνέχεια γίνεται μνεία στην επιλογή του κατάλληλου μοντέλου / μεθόδου μέσω των σφαλμάτων πρόβλεψης. Στην ενότητα 5 προχωράμε στη εφαρμογή των όσων έχουν αναφερθεί στις προηγούμενες ενότητες μέσα από μια μελέτη περίπτωσης για το Πολεμικό Ναυτικό, αναλύοντας την χρήση και την ανάγκη της πρόβλεψης ζήτησης στον εν λόγω οργανισμό. Έχοντας ιστορικά δεδομένα από δοσοληψίες πλοίων σε ανταλλακτικά / υλικά συντήρησης πολεμικών πλοίων, χρησιμοποιώντας αρχικά την πλατφόρμα SAS Enterprise Guide, μετατρέπουμε τα δεδομένα σε χρονοσειρές, ενώ στην συνέχεια, μέσω της πλατφόρμας SAS Forecast Studio, προβαίνουμε σε προβλέψεις των χρονοσειρών. Και στις δυο περιπτώσεις (SAS Enterprise Guide, SAS Forecast Studio) γίνεται ανάλυση των βημάτων για την ολοκλήρωση της εκάστης διαδικασίας. Επιλέγοντας μια εκ των προβλέψεων χρονοσειρών που αφορά συγκεκριμένο υλικό, αναλύουμε τα αποτελέσματα της πρόβλεψης, μέσα από τα οποία καταλήγουμε στα τελικά συμπεράσματα της τελευταίας ενότητας 6. Καταλήγουμε στην σημαντικότητα και την αναγκαιότητα της πρόβλεψης ζήτησης για το σύνολο των οργανισμών / επιχειρήσεων και τα οφέλη που απορρέουν από την σωστή χρήση και εκμετάλλευση των αποτελεσμάτων των προβλέψεων ζήτησης από τους οργανισμούς. Τέλος, αναφερόμαστε στην αναγκαιότητα και στα οφέλη των προβλέψεων ζήτησης στο Πολεμικό Ναυτικό, τόσο στον τομέα των ανταλλακτικών όσο και στο σύνολό του ως οργανισμός.
In this master thesis, a reference is made to demand forecasting, describing its methods and its benefits, to companies in general, but also to the Hellenic Navy through a case study. More specifically, in section 1, an introduction is made to the concept of forecasting, giving a brief historical overview of the need for planning and the necessity of forecasting for businesses / organizations. In section 2 we focus on demand forecasting and the concept of demand for an organization. We refer to the stages of forecasting based on demand, to the pressures that lead companies to the need for demand forecasting / planning, as well as the relationship between demand and customer service. Section 3 reports on forecasting techniques. An overview of the forecasting methods (qualitative / quantitative) is made, as well as their analysis models on a case by case basis. Finally, the basic steps of the quantitative forecasting process are analyzed. In section 4 we proceed to an analysis of time series. We refer to the patterns that arise from their analysis, the events that affect a time series, and the types into which these events are divided. Also, from the prediction methods in the time series analysis, a further analysis is made of the most basic ones used by SAS (SAS Forecast Server) and specifically, the Exponential Smoothing method, the Box method - Jenkins (The ARIMA Model) and Unobserved Components Models. Then, reference is made to the selection of the appropriate model / method through forecasting errors. In section 5 we proceed to the application of what has been mentioned in the previous sections through a case study for the Hellenic Navy, analyzing the use and the need for demand forecasting in this organization. Having historical data from ship transactions in warship spare parts / maintenance materials, first, using the SAS Enterprise Guide platform, we convert the data into time series, and then, through the SAS Forecast Studio platform, we make time series predictions. In both cases (SAS Enterprise Guide, SAS Forecast Studio) the steps for completing each process are analyzed. By choosing one of the time series forecasts that concerns a specific material, we analyze the results of the forecast, through which we reach the final conclusions of the last section 6. We conclude on the importance and necessity of forecasting demand for all organizations / companies and the benefits resulting from the proper use and exploitation of the results of demand forecasts by organizations. Finally, we refer to the necessity and benefits of demand forecasts in the Hellenic navy, both in the field of spare parts and the organization as a whole.
Λέξη κλειδί :Πρόβλεψη
Ζήτηση
Χρονοσειρά
Demand
Forecasting
Time series
SAS
Διαθέσιμο από :2021-09-12 22:32:28
Ημερομηνία έκδοσης :2021
Ημερομηνία κατάθεσης :2021-09-12 22:32:28
Δικαιώματα χρήσης :Free access
Άδεια χρήσης :

Αρχείο: Avgeris_2021.pdf

Τύπος: application/pdf