Demand forecasting plays a major role in supply chain management, particularly in those industries where there are large fluctuations and high seasonality. Through this thesis, we intend to carry out and compare the performance of quantitative demand forecasting methods that will be run on actual sales data of ZAKONIS S.A., a company trading and distributing beverages and Fast Moving Consumer Goods (FMCG).

At the core of the study are monthly sales data of certain product codes covering several years. First, both the descriptive statistics and time series analysis are conducted with the purpose of determining the main features of demand, e.g. whether there is a trend, seasonality and autocorrelation. Subsequently, three different methods of forecasting: the Simple Moving Average (SMA), the Exponentially Weighted Moving Average (EWMA), and the Multiple Linear Regression are utilized.

The regression model makes use of both present and past (time-lagged) variables, and thus is capable of temporally unfolding demand and highlighting product interdependencies. The estimation of the models' forecasting power is done with the help of standard accuracy measures, such as the Mean Absolute Error (MAE) and the Mean Absolute Percentage Error (MAPE).

The analyses reveal that while the parsimonious models may indeed be capable of providing a decent short-length forecast, the Multiple Linear Regression model not only has an advantage over the other models but, more importantly, is able to capture the seasonality and product inter-relationships under consideration more fully. Hence, the study outputs can be leveraged for refining administrative decision-making as well as for enhanced supply chain planning.

Η πρόβλεψη της ζήτησης παίζει σημαντικό ρόλο στη διαχείριση της εφοδιαστικής αλυσίδας, ιδιαίτερα σε εκείνους τους κλάδους όπου υπάρχουν μεγάλες διακυμάνσεις και υψηλή εποχικότητα. Μέσω αυτής της διπλωματικής εργασίας, σκοπεύουμε να εφαρμόσουμε και να συγκρίνουμε την απόδοση ποσοτικών μεθόδων πρόβλεψης της ζήτησης που θα εφαρμοστούν σε πραγματικά δεδομένα πωλήσεων της ZAKONIS S.A., μιας εταιρείας που εμπορεύεται και διανέμει ποτά και καταναλωτικά αγαθά ταχείας κυκλοφορίας (FMCG).

Στον πυρήνα της μελέτης βρίσκονται τα μηνιαία δεδομένα πωλήσεων ορισμένων κωδικών προϊόντων που καλύπτουν αρκετά έτη. Πρώτον, διεξάγονται τόσο η περιγραφική στατιστική όσο και η ανάλυση χρονοσειρών με σκοπό τον προσδιορισμό των κύριων χαρακτηριστικών της ζήτησης, π.χ. εάν υπάρχει τάση, εποχικότητα και αυτοσυσχέτιση. Στη συνέχεια, χρησιμοποιούνται τρεις διαφορετικές μέθοδοι πρόβλεψης: ο Απλός Κινητός Μέσος Όρος (SMA), ο Εκθετικά Σταθμισμένος Κινητός Μέσος Όρος (EWMA) και η Πολλαπλή Γραμμική Παλινδρόμηση.

Το μοντέλο παλινδρόμησης χρησιμοποιεί τόσο παρούσες όσο και παρελθούσες (με χρονική καθυστέρηση) μεταβλητές και, ως εκ τούτου, είναι ικανό να αναπτύξει χρονικά τη ζήτηση και να επισημάνει τις αλληλεξαρτήσεις των προϊόντων. Η εκτίμηση της προγνωστικής ισχύος των μοντέλων γίνεται με τη βοήθεια τυπικών μέτρων ακρίβειας, όπως το Μέσο Απόλυτο Σφάλμα (MAE) και το Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE).

Οι αναλύσεις αποκαλύπτουν ότι ενώ τα φειδωλά μοντέλα μπορεί πράγματι να είναι ικανά να παρέχουν μια αξιοπρεπή βραχυπρόθεσμη πρόβλεψη, το μοντέλο Πολλαπλής Γραμμικής Παλινδρόμησης όχι μόνο έχει ένα πλεονέκτημα έναντι των άλλων μοντέλων, αλλά, το πιο σημαντικό, είναι σε θέση να αποτυπώσει πληρέστερα την εποχικότητα και τις σχέσεις μεταξύ προϊόντων που εξετάζονται. Ως εκ τούτου, τα αποτελέσματα της μελέτης μπορούν να αξιοποιηθούν για τη βελτίωση της λήψης διοικητικών αποφάσεων, καθώς και για τον βελτιωμένο σχεδιασμό της εφοδιαστικής αλυσίδας.