Retail demand forecasting is a key component of modern supply chain management that allows businesses to optimize their inventory levels thus reducing costs and meeting consumer needs. This dissertation uses a rich data set from Walmart stores provided for the M5 Forecasting Competition to analyse retail sales patterns and drivers. Focusing on the three product categories aggregated to a weekly frequency, the study employs statistical tools and regression analysis to uncover trends, seasonality and the impact of exogenous variables such as pricing, holidays-events and promotions on demand. The objective of this study is to demonstrate that a detailed exploratory analysis and a deep understanding of time series dynamics are crucial to obtain accurate demand forecasts. By applying a combination of regression and exponential smoothing methods and assessing their performance through statistical accuracy metrics, the study attempts to identify the best predictive model for each category and highlight the importance of a data-driven approach in demand forecasting.

Η πρόβλεψη της ζήτησης στο λιανικό εμπόριο διαδραματίζει καθοριστικό ρόλο στη σύγχρονη διαχείριση της εφοδιαστικής αλυσίδας, επιτρέποντας στις επιχειρήσεις να βελτιστοποιούν τα αποθέματα, να μειώνουν το κόστος και να ανταποκρίνονται στις ανάγκες των καταναλωτών. Η παρούσα εργασία διερευνά τα πρότυπα και τους παράγοντες που επηρεάζουν τις λιανικές πωλήσεις, αξιοποιώντας ένα ολοκληρωμένο σύνολο δεδομένων από καταστήματα της Walmart, το οποίο παρασχέθηκε στο πλαίσιο του Διαγωνισμού Πρόβλεψης M5. Εστιάζοντας στις τρεις προϊοντικές κατηγορίες, σε εβδομαδιαία συχνότητα, η μελέτη χρησιμοποιεί στατιστικά εργαλεία και ανάλυση παλινδρόμησης για να αποκαλύψει τάσεις, εποχικότητα και την επίδραση εξωγενών παραγόντων, όπως η τιμή, γιορτές-αργίες και οι προωθητικές ενέργειες,
στη ζήτηση. Στόχος της μελέτης είναι να καταδείξει ότι μια ενδελεχής ανάλυση και μια σε βάθος κατανόηση της δυναμικής των χρονοσειρών, αποτελούν βασικούς παράγοντες για την εξαγωγή προβλέψεων ζήτησης. Εφαρμόζοντας έναν συνδυασμό μεθόδων παλινδρόμησης και εκθετικής εξομάλυνσης και αξιολογώντας την απόδοσή τους μέσω στατιστικών ελέγχων ακρίβειας, η μελέτη επιχειρεί να εντοπίσει το βέλτιστο μοντέλο πρόβλεψης για κάθε κατηγορία και να αναδείξει τη σημασία μιας δεδομενο-κεντρικής προσέγγισης στην πρόβλεψη ζήτησης.