The retail industry is undergoing rapid transformation, influenced by the rise of online commerce, broader economic fluctuations, and continuous changes at the operational level as businesses adapt to constantly evolving conditions. In such a highly volatile environment, companies must utilize their resources as efficiently as possible to reduce costs and enhance performance. These factors emphasize the importance of accuracy in decision-making to maintain competitiveness and ensure sustainable growth and expansion.
As such, sales time series analysis is a vital tool for retailers to explore the hidden aspects of sales data, identify main drivers and influencing factors, and interpret patterns effectively. Altogether, this approach enables more accurate demand forecasting, creating the conditions necessary for continuous improvement.
The objective of this study is to analyze weekly sales data from four retail stores operating in the United States of America. Utilizing an array of statistical tools and regression analysis, to identify trends, seasonal cycles as well as temporal and inter-store dependencies in sales, this research aims to examine the dynamics that rule the time series. By applying Multiple Linear Regression analysis (MLR) and Exponentially Weighted Moving Average (EWMA) method, along with the use of forecasting accuracy metrics, this study attempts to create a robust comparative evaluation framework to assess predictive accuracy, as well as to define the model that yields the best forecasting performance for each store.

Ο κλάδος του λιανικού εμπορίου υφίσταται ραγδαίους μετασχηματισμούς, επηρεασμένος από την άνοδο του ηλεκτρονικού εμπορίου, τις ευρύτερες οικονομικές διακυμάνσεις και τις συνεχείς αλλαγές σε λειτουργικό επίπεδο, καθώς οι επιχειρήσεις προσαρμόζονται σε συνεχώς εξελισσόμενες συνθήκες. Σε ένα τόσο εξαιρετικά ασταθές περιβάλλον, οι εταιρείες πρέπει να αξιοποιούν τους πόρους τους όσο το δυνατόν πιο αποτελεσματικά για να μειώσουν το κόστος και να βελτιώσουν την απόδοση. Αυτοί οι παράγοντες τονίζουν τη σημασία της ακρίβειας στη λήψη αποφάσεων για τη διατήρηση της ανταγωνιστικότητας και τη διασφάλιση βιώσιμης ανάπτυξης και επέκτασης.
Ως εκ τούτου, η ανάλυση χρονοσειρών πωλήσεων είναι ένα ζωτικό εργαλείο για τους λιανοπωλητές, ώστε να διερευνούν τις κρυφές πτυχές των δεδομένων πωλήσεων, να εντοπίζουν τους κύριους παράγοντες που επηρεάζουν και να ερμηνεύουν αποτελεσματικά τα πρότυπα. Συνολικά, αυτή η προσέγγιση επιτρέπει την ακριβέστερη πρόβλεψη της ζήτησης, δημιουργώντας τις απαραίτητες συνθήκες για συνεχή βελτίωση.
Στόχος της παρούσας μελέτης είναι η ανάλυση εβδομαδιαίων δεδομένων πωλήσεων από τέσσερα καταστήματα λιανικής πώλησης που λειτουργούν στις Ηνωμένες Πολιτείες Αμερικής. Χρησιμοποιώντας μια σειρά από στατιστικά εργαλεία και ανάλυση παλινδρόμησης, για τον εντοπισμό τάσεων, εποχιακών κύκλων καθώς και χρονικών αλλά και διακαταστηματικών εξαρτήσεων στις πωλήσεις, η παρούσα έρευνα στοχεύει να εξετάσει τη δυναμική που διέπει τις χρονοσειρές. Εφαρμόζοντας την ανάλυση πολλαπλής γραμμικής παλινδρόμησης και την μέθοδο του εκθετικά σταθμισμένου κινητού μέσου όρου, σε συνδυασμό με την χρήση δεικτών ακρίβειας πρόβλεψης, η παρούσα μελέτη επιχειρεί να δημιουργήσει ένα ισχυρό συγκριτικό πλαίσιο αξιολόγησης, προκειμένου να εκτιμηθεί η προγνωστική ακρίβεια, καθώς και να προσδιοριστεί το μοντέλο που αποφέρει την καλύτερη απόδοση πρόβλεψης για κάθε κατάστημα.