AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Product sales estimation in online shops

Alternative Title :	Εκτίμηση πωλήσεων προϊόντων σε ηλεκτρονικά καταστήματα

Creator :	Φασουλής, Αναστάσιος-Θεοφάνης Fasoulis, Anastasios-Theofanis

Contributor :	Karlis, Dimitrios (Επιβλέπων καθηγητής) Ntzoufras, Ioannis (Εξεταστής) Vassalos, Vasilios (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Type :	Text

Extent :	73p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10007

Abstract :	Η πρόβλεψη πωλήσεων των προϊόντων είναι ένα θέμα που παρουσιάζει μεγάλο ενδιαφέρον τόσο στην ακαδημαϊκή όσο και στην εμπορική κοινότητα. Ειδικότερα τα τελευταία χρόνια, η τεράστια ανάπτυξη του ηλεκτρονικού εμπορίου σε συνδυασμό με τον συνεχώς αυξανόμενο όγκο δεδομένων που είναι διαθέσιμα, έχουν μετατρέψει την εύρεση ενός αποδοτικού μοντέλου πρόβλεψης πωλήσεων σε ένα αρκετά απαιτητικό πρόβλημα. Σκοπός της παρούσας διπλωματικής είναι να υλοποιήσει έναν αλγόριθμο μηχανικής μάθησης που θα προβλέπει τις ημερήσιες πωλήσεις ενός προϊόντος, χρησιμοποιώντας διάφορες επεξηγηματικές μεταβλητές. Μια σημαντική πτυχή της συγκεκριμένης μελέτης, είναι ότι για κάποια προϊόντα δεν υπάρχουν πραγματικά δεδομένα για τις πωλήσεις τους. Αυτό σημαίνει, ότι η πρόβλεψη θα πρέπει να στηριχθεί εξ ολοκλήρου στις υπόλοιπες μεταβλητές που είναι διαθέσιμες. Επιπλέον, ένα ακόμη ενδιαφέρον ζήτημα που ανακύπτει από τη συγκεκριμένη συνθήκη είναι η εύρεση ενός τρόπου για να αξιολογηθούν έμμεσα οι προβλέψεις για αυτά τα προϊόντα. Διάφορα μοντέλα γραμμικής παλινδρόμησης καθώς και δύο νευρωνικά δίκτυα (ένα με feed forward MLP νευρώνες και ένα με LSTM νευρώνες) εφαρμόστηκαν και αξιολογήθηκαν. Επίσης, τα προϊόντα ομαδοποιήθηκαν χρησιμοποιώντας τον αλγόριθμο K-Means με την Dynamic Time Warping (DTW) ως συνάρτηση απόστασης και εξετάστηκε η επίδραση της ομαδοποίησης στις προβλέψεις. Τέλος, ένας έμμεσος τρόπος αξιολόγησης των προβλέψεων για προϊόντα χωρίς πραγματικές πωλήσεις προτείνεται, συγκρίνοντας τις προβλέψεις με την μείωση του αποθέματος κατά την ίδια χρονική περίοδο. Τα αποτελέσματα έδειξαν ότι το μοντέλο γραμμικής παλινδρόμησης και το MLP έχουν παρόμοια συμπεριφορά, δίνοντας προβλέψεις με χαμηλή μεταβλητότητα, ενώ το μοντέλο που χρησιμοποιεί LSTM νευρώνες είχε καλύτερη απόδοση σε περιόδους όπου αναμένονται υψηλότερες πωλήσεις. Forecasting product sales is a topic of great interest in both the academic and commercial community. Especially in recent years, the enormous growth of e-commerce combined with the ever-increasing amount of data available, have turned finding an efficient sales forecasting model into a quite challenging problem. The purpose of this thesis is to implement a machine learning algorithm that will predict the daily sales of a product, using various explanatory variables. An important aspect of this study is that for some products there is no real data about their sales. This means that the forecast should be based entirely on the remaining variables that are available. Furthermore, another interesting topic that arises from this condition is finding a way to indirectly evaluate the predictions for these products. Various linear regression models as well as 2 neural networks (one with feed forward MLP neurons and one with LSTM neurons) were implemented and evaluated. In addition, the products were clustered using K-Means algorithm with Dynamic Time Warping (DTW) as distance function, and its effect on forecasting was examined. Finally, an indirect way of evaluating the forecasts for products without actual sales is proposed, by comparing the predictions with the reduction of their available stock on the same period. The results showed that the linear regression model and the MLP have a similar behavior, giving predictions with low variability, while the model using LSTM layers performed more accurately on periods where higher sales are expected.

Abstract :

Η πρόβλεψη πωλήσεων των προϊόντων είναι ένα θέμα που παρουσιάζει μεγάλο ενδιαφέρον τόσο στην ακαδημαϊκή όσο και στην εμπορική κοινότητα. Ειδικότερα τα τελευταία χρόνια, η τεράστια ανάπτυξη του ηλεκτρονικού εμπορίου σε συνδυασμό με τον συνεχώς αυξανόμενο όγκο δεδομένων που είναι διαθέσιμα, έχουν μετατρέψει την εύρεση ενός αποδοτικού μοντέλου πρόβλεψης πωλήσεων σε ένα αρκετά απαιτητικό πρόβλημα. Σκοπός της παρούσας διπλωματικής είναι να υλοποιήσει έναν αλγόριθμο μηχανικής μάθησης που θα προβλέπει τις ημερήσιες πωλήσεις ενός προϊόντος, χρησιμοποιώντας διάφορες επεξηγηματικές μεταβλητές. Μια σημαντική πτυχή της συγκεκριμένης μελέτης, είναι ότι για κάποια προϊόντα δεν υπάρχουν πραγματικά δεδομένα για τις πωλήσεις τους. Αυτό σημαίνει, ότι η πρόβλεψη θα πρέπει να στηριχθεί εξ ολοκλήρου στις υπόλοιπες μεταβλητές που είναι διαθέσιμες. Επιπλέον, ένα ακόμη ενδιαφέρον ζήτημα που ανακύπτει από τη συγκεκριμένη συνθήκη είναι η εύρεση ενός τρόπου για να αξιολογηθούν έμμεσα οι προβλέψεις για αυτά τα προϊόντα. Διάφορα μοντέλα γραμμικής παλινδρόμησης καθώς και δύο νευρωνικά δίκτυα (ένα με feed forward MLP νευρώνες και ένα με LSTM νευρώνες) εφαρμόστηκαν και αξιολογήθηκαν. Επίσης, τα προϊόντα ομαδοποιήθηκαν χρησιμοποιώντας τον αλγόριθμο K-Means με την Dynamic Time Warping (DTW) ως συνάρτηση απόστασης και εξετάστηκε η επίδραση της ομαδοποίησης στις προβλέψεις. Τέλος, ένας έμμεσος τρόπος αξιολόγησης των προβλέψεων για προϊόντα χωρίς πραγματικές πωλήσεις προτείνεται, συγκρίνοντας τις προβλέψεις με την μείωση του αποθέματος κατά την ίδια χρονική περίοδο. Τα αποτελέσματα έδειξαν ότι το μοντέλο γραμμικής παλινδρόμησης και το MLP έχουν παρόμοια συμπεριφορά, δίνοντας προβλέψεις με χαμηλή μεταβλητότητα, ενώ το μοντέλο που χρησιμοποιεί LSTM νευρώνες είχε καλύτερη απόδοση σε περιόδους όπου αναμένονται υψηλότερες πωλήσεις.
Forecasting product sales is a topic of great interest in both the academic and commercial community. Especially in recent years, the enormous growth of e-commerce combined with the ever-increasing amount of data available, have turned finding an efficient sales forecasting model into a quite challenging problem. The purpose of this thesis is to implement a machine learning algorithm that will predict the daily sales of a product, using various explanatory variables. An important aspect of this study is that for some products there is no real data about their sales. This means that the forecast should be based entirely on the remaining variables that are available. Furthermore, another interesting topic that arises from this condition is finding a way to indirectly evaluate the predictions for these products. Various linear regression models as well as 2 neural networks (one with feed forward MLP neurons and one with LSTM neurons) were implemented and evaluated. In addition, the products were clustered using K-Means algorithm with Dynamic Time Warping (DTW) as distance function, and its effect on forecasting was examined. Finally, an indirect way of evaluating the forecasts for products without actual sales is proposed, by comparing the predictions with the reduction of their available stock on the same period. The results showed that the linear regression model and the MLP have a similar behavior, giving predictions with low variability, while the model using LSTM layers performed more accurately on periods where higher sales are expected.

Subject :	Επιστήμη δεδομένων Προβλέψη Στατιστικά μοντέλα Πωλήσεις Ηλεκτρονικά καταστήματα Data science Forecasting Statistical models Sales Online shops

Date Available :	2023-02-01 21:11:53

Date Issued :	13-12-2022

Date Submitted :	2023-02-01 21:11:53

Access Rights :	Free access

Licence :

File: Fasoulis_2022.pdf

Type: application/pdf

Login