| Abstract : | Η παρούσα εργασία ασχολείται με την πρόβλεψη ζήτησης για επιχείρηση λιανικού εμπορίου, μέσω της ανάλυσης ιστορικών δεδομένων, καθώς επίσης και της ανάπτυξης προβλεπτικού μοντέλου με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Στο πρώτο μέρος γίνεται μια επισκόπηση της διαθέσιμης βιβλιογραφίας, όπου αναλύονται τομείς όπως, η πρόβλεψη ζήτησης και τα βασικά στάδιά της, καθώς επίσης και η στοχοθεσία πωλήσεων. Στην συνέχεια γίνεται εκτενής αναφορά στις χρονοσειρές καθώς επίσης και βιβλιογραφική ανάλυση του προβλεπτικού μοντέλου ARIMA. Στο δεύτερο μέροςτης εργασίας γίνεται μια παρουσίαση της εταιρείας Walmart από την οποία αντλήσαμε δεδομένα πωλήσεων, καθώς και μια παρουσίαση αυτών. Τα δεδομένα αφορούν 46 καταστήματα της εταιρείας για την χρονική περίοδο 2010-2012. Υλοποιήθηκε περιγραφική ανάλυση των δεδομένων μέσω γραφημάτων που μας δίνουν σημαντικές πληροφορίες και μας βοηθούν να βγάλουμε κάποια αρχικά συμπεράσματα. Η μεθοδολογία ολοκληρώνεται με την ανάπτυξη ενός μοντέλου ARIMA για το κατάστημα με τις περισσότερες πωλήσεις. Το καλύτερο μοντέλο επιλέχθηκε βάσει του προβλεπτικού δείκτη ΜΑΕ. Το εργαλείο που επιλέχθηκε για την ανάπτυξη της παραπάνω μεθοδολογίας είναι η προγραμματιστική γλώσσα Python.
This paper deals with demand forecasting for retail business, through analysis of historical data, as well as developing a predictive model using machine learning algorithms. In the first part, a review of the available literature is conducted, where areas such as, demand forecasting and its key stages, as well as sales targeting are discussed. This is followed by an extensive discussion of time series as well as a literature analysis of the ARIMA forecasting model. In the second part of this paper, is presented the Walmart company from which we extracted sales data, as well as a presentation of the data. The data is about 46 stores of the company for the period 2010-2012. A descriptive analysis of the data was implemented through graphs that give us important information and help us to draw some initial conclusions. The methodology is concluded by developing an ARIMA model for the store with the most sales. The best model was selected based on the predictive index MAE. The tool chosen to develop the above methodology is the Python programming language.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.