This dissertation examines how demand analysis can support inventory planning for consumables and maintenance, repair and operations (MRO) spare parts in the mining and metals industry. The study focuses on four material groups: Pumps, Valves, Cables and Low Voltage Equipment (LVE), using almost twenty years of monthly demand data extracted from an SAP ERP system.
Rather than aiming to identify a single optimal forecasting model, the analysis takes an exploratory and diagnostic approach. Descriptive statistics, variability indicators and simple checks for seasonality are used to understand how each material group behaves over time. A regression-based diagnostic model and an Exponentially Weighted Moving Average (EWMA) framework are then applied to assess whether historical demand contains useful structure for forecasting.
Uncertainty is evaluated using the coefficient of variation (CV%) and its squared form (CV²), which highlight clear differences between material groups. Valves and Low Voltage Equipment show more consistent patterns and relatively lower variability, allowing smoothing-based forecasts to capture general demand tendencies. Pumps and especially Cables display irregular, event-driven behaviour with large spikes, which limits the usefulness of any forecasting method.
Forecast accuracy is assessed through one-step-ahead monthly predictions and standard error metrics (MAE and MAPE). The results show that forecasting performance depends far more on the underlying nature of demand than on the modelling technique itself. In this context, forecasts should be viewed as supportive signals rather than precise predictions, contributing to decision-making within SAP-based MRP processes where demand stability allows it.

Η παρούσα διατριβή εξετάζει τον τρόπο με τον οποίο η ανάλυση ζήτησης και οι απλές μεθοδολογίες πρόβλεψης μπορούν να υποστηρίξουν τον προγραμματισμό αποθεμάτων για αναλώσιμα και ανταλλακτικά MRO στη βιομηχανία μεταλλείων και μετάλλων. Η μελέτη επικεντρώνεται σε τέσσερις βασικές κατηγορίες υλικών: Αντλίες, Βάνες, Καλώδια και Εξοπλισμό Χαμηλής Τάσης, χρησιμοποιώντας περίπου είκοσι χρόνια μηνιαίων δεδομένων κατανάλωσης που προέρχονται από το πληροφοριακό σύστημα της εταιρείας SAP.
Αντί να αναζητηθεί ένα «βέλτιστο» μοντέλο πρόβλεψης, υιοθετείται μια περισσότερο διερευνητική και διαγνωστική προσέγγιση. Μετρικές περιγραφικής στατιστικής, δείκτες μεταβλητότητας και βασικοί έλεγχοι εποχικότητας αξιοποιούνται για την κατανόηση της συμπεριφοράς κάθε κατηγορίας υλικού σε βάθος χρόνου. Παράλληλα, εφαρμόζονται ένα διαγνωστικό παλινδρομικό μοντέλο και ένα μοντέλο Εκθετικά Σταθμισμένου Κινητού Μέσου (EWMA), ώστε να εκτιμηθεί κατά πόσο το ιστορικό των μηνιαίων δεδομένων παρέχει χρήσιμη πληροφορία για βραχυχρόνιες προβλέψεις.
Η αξιολόγηση της ακρίβειας πραγματοποήθηκε με μηνιαίες προβλέψεις ενός βήματος και με χρήση των δεικτών Μέσο Απόλυτο Σφάλμα (MAE) και Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE). Τα αποτελέσματα δείχνουν ότι η προβλεψιμότητα επηρεάζεται πολύ περισσότερο από τη φύση της ζήτησης παρά από την ίδια τη μέθοδο. Στο πλαίσιο αυτό, οι προβλέψεις λειτουργούν ως υποστηρικτικά σήματα και όχι ως ακριβείς εκτιμήσεις, προσφέροντας χρήσιμη καθοδήγηση στα SAP-βασισμένα συστήματα MRP κυρίως για κατηγορίες υλικών με πιο σταθερή ζήτηση.