Market complexity creates the need to adopt new management strategies which will keep the companies competitive. Especially, the inventory management sector is one of the most critical chapter of success. The customer’s requirements have been increased. They always search for high quality and low-price products which they demand to be in the right place at the right time.

AI is a field of computer science which was introduced to simulate the human’s intelligence. The adoption of AI in Inventory management is a revolutionary approach for the companies which can combine and analyze a huge volume of information, overcome complexity and learn from experience. Many famous companies have adopted AI methodologies, achieving high performance and cost reduction.

The purpose of this study it to analyze critical areas of inventory management such as demand prediction, stock levels optimization and reordering procedure and are presented AI techniques for achieving competitive advantage.

Specifically, the research is focusing deeply on the demand prediction of a furniture company. It is created a forecasting model with the help a time series dataset. This model, which will be created using Machine Learning methodologies, will forecast the Sales-Demand of the company for new orders that will be registered in its information system.

Python programming language, will help us in this target by exploring time series forecasting techniques, such as ARIMA , Prophet and correlation methodology. These methodologies will analyze the impact of other factors of the dataset on sales, and will build advanced forecasting models for the future demand of the furniture company in order to manage its inventory levels with the best way for increasing its performance. 

Finally, it is going to be investigated the benefits of the AI implementation, and possible limitations of its use in Inventory management

Η πολυπλοκότητα της αγοράς έχει δημιουργήσει την ανάγκη υιοθέτησης νέων στρατηγικών διοίκησης από τις επιχειρήσεις που θα τις βοηθήσουν να παραμείνουν ανταγωνιστικές. Ειδικά, ο τομέας της διαχείρισης αποθεμάτων είναι ένα από τα πιο κρίσιμα κεφάλαια της επιτυχίας. Οι απαιτήσεις των πελατών έχουν αυξηθεί. Αναζητούν πάντα προϊόντα υψηλής ποιότητας και χαμηλής τιμής, τα οποία απαιτούν να βρίσκονται στο σωστό μέρος τη σωστή στιγμή.

Η Τεχνητή Νοημοσύνη είναι ένας τομέας της επιστήμης των υπολογιστών που εισήχθη για να προσομοιώσει την ανθρώπινη νοημοσύνη. Η υιοθέτηση της Τεχνητής Νοημοσύνης στη διαχείριση αποθεμάτων αποτελεί μια επαναστατική προσέγγιση για τις εταιρείες, η οποία μπορεί να συνδυάσει και να αναλύσει έναν τεράστιο όγκο πληροφοριών, να ξεπεράσει την πολυπλοκότητα και να μάθει από την εμπειρία. Πολλές διάσημες εταιρείες έχουν υιοθετήσει μεθοδολογίες Τεχνητής Νοημοσύνης, επιτυγχάνοντας υψηλή απόδοση και μείωση του κόστους.

Σκοπός της παρούσας μελέτης είναι να αναλύσει κρίσιμους τομείς της διαχείρισης αποθεμάτων, όπως η πρόβλεψη της ζήτησης, η βελτιστοποίηση των επιπέδων αποθεμάτων και η διαδικασία αναπλήρωσης αποθέματος, ενώ παρουσιάζονται τεχνικές Τεχνητής Νοημοσύνης για την επίτευξη ανταγωνιστικού πλεονεκτήματος.

Συγκεκριμένα, η έρευνα εστιάζει σε μεγάλο βαθμό στην πρόβλεψη της ζήτησης μιας εταιρείας επίπλων. Δημιουργείται ένα μοντέλο πρόβλεψης με τη βοήθεια ενός συνόλου δεδομένων χρονοσειρών. Αυτό το μοντέλο, το οποίο θα δημιουργηθεί χρησιμοποιώντας μεθοδολογίες Μηχανικής Μάθησης, θα προβλέπει τις Πωλήσεις-Ζήτηση της εταιρείας για νέες παραγγελίες που θα καταχωρηθούν στο πληροφοριακό της σύστημα. Η γλώσσα προγραμματισμού που θα χρησιμοποιηθεί για την ανάλυση είναι η Python η οποία θα μας βοηθήσει σε αυτόν τον στόχο, εξερευνώντας τεχνικές πρόβλεψης χρονοσειρών, όπως ARIMA, Prophet και μεθοδολογία συσχέτισης. Αυτές οι μεθοδολογίες θα αναλύσουν την επίδραση άλλων παραγόντων του συνόλου δεδομένων στις πωλήσεις και θα δημιουργήσουν προηγμένα μοντέλα πρόβλεψης για τη μελλοντική ζήτηση της εταιρείας επίπλων, προκειμένου να διαχειριστεί τα επίπεδα αποθεμάτων της με τον καλύτερο τρόπο για την αύξηση της απόδοσής της.

Τέλος, θα διερευνηθούν τα οφέλη της εφαρμογής της Τεχνητής Νοημοσύνης και οι πιθανοί περιορισμοί της χρήσης της στη διαχείριση αποθεμάτων.