Abstract : | Η πρόβλεψη πωλήσεων και ζήτησης είναι ένα από τα πιο κρίσιμα καθήκοντα των επιχειρήσεων. Αποτελεί τη βάση για πολλές επιχειρηματικές λειτουργίες, όπως ταμειακές ροές, περιθώρια κέρδους, κύκλο εργασιών, προγραμματισμό και κεφαλαιουχικές δαπάνες. Ο σκοπός της διπλωματικής εργασίας αφορά την πρόβλεψη ζήτησης μέσω μεθόδων αυτής, μελετώντας την περίπτωση της Χαλβαδοποιίας «ΠΑΠΑΓΙΑΝΝΗ». Έχουν αναφερθεί τρεις μέθοδοι ποσοτικής πρόβλεψης αλλά και τεχνικές αυτών, οι οποίες χρησιμοποιήθηκαν για τη διεξαγωγή συμπερασμάτων βάσει της μελέτης περίπτωσης που έχει προαναφερθεί. Τα τρία μοντέλα που εφαρμόστηκαν είναι η Εκθετική εξομάλυνση, το ARMA και το UCM. Τα δεδομένα που συλλέχθηκαν αφορούν στις πωλήσεις συγκεκριμένων προϊόντων ανά μήνα το χρονικό διάστημα 2018-2020 και ανά κατηγορία προϊόντος. Με τη χρήση του εργαλείου SAS Enterprise Guide τα δεδομένα μετατράπηκαν σε αρχείο SAS7bdat, ενώ το SAS Forecast Studiο αποτέλεσε το εργαλείο όπου δοκιμάστηκαν τα κατάλληλα μοντέλα για τις προβλέψεις αυτών. Το καλύτερο μοντέλο επιλέχθηκε με τον προβλεπτικό δείκτη MAPE και κρίθηκε κατάλληλο εκείνο με τη χαμηλότερη τιμή. Τέλος, πραγματοποιήθηκε έλεγχος των χρονοσειρών ως προς την τάση και την εποχικότητα με τα μοντέλα Unit root test και Seasonal unit root test. Sales and demand forecasting is one of the most critical tasks in businesses. It is the basis for many business functions, such as cash flow, profit margins, turnover, planning and capital expenditures. The purpose of the thesis concerns demand forecasting through different methods, and via studying the case of "PAPAGIANNI" Company. Three quantitative forecasting methods are analyzed and their techniques have been reported, which were used to draw conclusions based on the aforementioned case study. The three models applied are the Exponential smoothing, ARMA and UCM. The collected data are sales of specific products per month in the period 2018-2020 and per product category. Using the SAS Enterprise Guide tool, the data was converted into a SAS7bdat file, while SAS Forecast Studio was the tool where the appropriate models were tested for their forecasts. The best model was selected with the predictive MAPE index. The model with the lowest value was considered appropriate. Finally, the time series were tested for trend and seasonality by Unit root test and Seasonal unit root test models.
|
---|