This dissertation explores the application of data analytics to enhance demand forecasting within the smart meter industry, focusing on the case of Landis+Gyr S.A.’s production plant located in Corinth, Greece. Utilizing historical monthly sales data from 04.2018 to 03.2024 for high-demand smart meter products, the study aims to identify patterns and improve forecast accuracy to support data-driven decision-making in supply chain management.

Traditional forecasting methods, such as Exponential Weighted Moving Average (EWMA), Simple Moving Average (SMA), and regression models, are applied and evaluated for accuracy in predicting sales across product families. The analysis also examines the effects of significant external factors, including the COVID-19 pandemic and the Russian invasion of Ukraine, on demand patterns.

Findings contribute to advancing forecasting methodologies and underscore their value for operational efficiency and strategic planning, not only at Landis+Gyr but also within the broader manufacturing sector.

Keywords: Demand Forecasting, Smart Meter Industry, Data Analytics, Exponential Weighted Moving Average (EWMA), Simple Moving Average (SMA), Regression Analysis, Python, Data-Driven Decision Making, Landis+Gyr S.A.

Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή της ανάλυσης δεδομένων για την ενίσχυση της πρόβλεψης ζήτησης στη βιομηχανία «έξυπνων» μετρητών, εστιάζοντας στην περίπτωση του εργοστασίου παραγωγής της εταιρείας Landis+Gyr Α.Ε. με έδρα στην Κόρινθο. Χρησιμοποιώντας ιστορικά μηνιαία δεδομένα πωλήσεων κατά την περίοδο 04.2018-03.2024 για προϊόντα υψηλής ζήτησης, η μελέτη αποσκοπεί στον εντοπισμό μοτίβων και στη βελτίωση της ακρίβειας πρόβλεψης, προκειμένου να υποστηρίξει τη λήψη αποφάσεων στη διαχείριση της εφοδιαστικής αλυσίδας.

Εφαρμόζονται παραδοσιακές μέθοδοι πρόβλεψης, όπως η Εκθετική Κινητή Μέση Τιμή (EWMA), η Απλή Κινητή Μέση Τιμή (SMA) και τα μοντέλα γραμμικής παλινδρόμησης και παράλληλα αξιολογείται η ακρίβειά τους στην πρόβλεψη πωλήσεων για διάφορες κατηγορίες προϊόντων. Η ανάλυση εξετάζει επίσης τις επιπτώσεις σημαντικών εξωτερικών παραγόντων, όπως η πανδημία COVID-19 και η ρωσική εισβολή στην Ουκρανία, στις τάσεις της ζήτησης.

Τα ευρήματα συμβάλλουν στην προώθηση των μεθοδολογιών πρόβλεψης και υπογραμμίζουν τη σημασία τους για την επιχειρησιακή αποτελεσματικότητα και τον στρατηγικό σχεδιασμό, όχι μόνο για τη Landis+Gyr, αλλά και για τον ευρύτερο τομέα της δευτερογενούς παραγωγής και βιομηχανίας.

Λέξεις-Κλειδιά: Πρόβλεψη Ζήτησης, Βιομηχανία Έξυπνων Μετρητών, Ανάλυση Δεδομένων, Εκθετική Κινητή Μέση Τιμή (EWMA), Απλή Κινητή Μέση Τιμή (SMA), Python, Ανάλυση Γραμμικής Παλινδρόμησης, Λήψη Αποφάσεων βάσει Δεδομένων, Landis+Gyr A.E.