This dissertation compares static and seasonally varying inventory policies under demand uncertainty. The study focuses on a simple periodic review inventory setting with one item and one location. In this setting, inventory target levels have to be selected before the actual demand of the planning horizon is known.
The main purpose of the dissertation is to examine whether allowing inventory targets to change by quarter or by month can reduce expected total inventory cost compared with using one fixed target for the whole year. The numerical analysis is based on one selected monthly time-series from the M4 Competition dataset.
Three forecasting methods are first compared over a validation period using Mean Absolute Percentage Error, namely Naive, 12-month Moving Average and Seasonal Naive. The Seasonal Naive method gives the lowest validation error and is therefore used as the baseline forecasting model for the 2017 point forecast.
Demand uncertainty is then represented through an empirical scenario generation process. Signed relative forecast errors from the 2016 validation period are used as an error pool. These errors are resampled with replacement in order to create 100 frozen demand scenarios for the twelve-month planning horizon. The same scenario set is used in the annual, quarterly and monthly inventory models so that the comparison between policies is based on the same demand uncertainty.
Each inventory policy is formulated as a finite-scenario mathematical programming problem with non-negative integer inventory target decisions. The objective is to minimize expected total cost which includes holding cost and shortage cost. The results show that for the selected time-series and the tested cost assumptions, the monthly policy produces the lowest expected total cost. The quarterly policy also improves the result compared with the annual policy but it does not perform as well as the monthly one. The same ranking remains stable in the sensitivity analysis.
Overall, the dissertation provides a clear modelling framework that connects forecasting, scenario generation and inventory decision-making. It also shows how the level of flexibility in inventory targets can affect expected cost when demand is seasonal and uncertain.

Η διπλωματική εργασία εξετάζει τη σύγκριση στατικών και εποχικά μεταβαλλόμενων πολιτικών αποθέματος υπό αβεβαιότητα ζήτησης. Η ανάλυση βασίζεται σε ένα σύστημα περιοδικού ελέγχου αποθέματος για ένα προϊόν και μία τοποθεσία. Οι στόχοι αποθέματος πρέπει να επιλεγούν πριν γίνει γνωστή η πραγματική ζήτηση της περιόδου.
Σκοπός της εργασίας είναι να εξεταστεί αν οι τριμηνιαίοι ή μηνιαίοι στόχοι αποθέματος μπορούν να μειώσουν το αναμενόμενο συνολικό κόστος σε σύγκριση με έναν ενιαίο ετήσιο στόχο. Η αριθμητική ανάλυση βασίζεται σε μία μηνιαία χρονοσειρά από το σύνολο δεδομένων του M4 Competition.
Αρχικά, συγκρίνονται τρεις μέθοδοι πρόβλεψης με βάση το Mean Absolute Percentage Error: η Naive, η 12-month Moving Average και η Seasonal Naive. Η Seasonal Naive παρουσιάζει το χαμηλότερο σφάλμα στην validation period και επιλέγεται ως βασική μέθοδος για τη δημιουργία της πρόβλεψης του 2017.
Η αβεβαιότητα της ζήτησης αποτυπώνεται μέσω δημιουργίας σεναρίων. Τα signed relative forecast errors από την validation περίοδο του 2016 χρησιμοποιούνται ως error pool και δειγματοληπτούνται με replacement ώστε να δημιουργηθούν 100 frozen σενάρια ζήτησης για τον δωδεκάμηνο σχεδιασμό. Το ίδιο σύνολο σεναρίων χρησιμοποιείται στα ετήσια, τριμηνιαία και μηνιαία μοντέλα αποθέματος ώστε η σύγκριση των πολιτικών να βασίζεται στις ίδιες συνθήκες.
Κάθε πολιτική αποθέματος διατυπώνεται ως πρόβλημα μαθηματικού προγραμματισμού πεπερασμένων σεναρίων με μη αρνητικές ακέραιες αποφάσεις στόχων αποθέματος. Ο στόχος είναι η ελαχιστοποίηση του αναμενόμενου συνολικού κόστους, το οποίο περιλαμβάνει holding cost και shortage cost. Τα αποτελέσματα δείχνουν ότι για τη συγκεκριμένη χρονοσειρά και τις υποθέσεις κόστους που εξετάζονται, η μηνιαία πολιτική δίνει το χαμηλότερο αναμενόμενο συνολικό κόστος. Η τριμηνιαία πολιτική βελτιώνει επίσης το αποτέλεσμα σε σχέση με την ετήσια. Η κατάταξη αυτή παραμένει σταθερή και στο sensitivity analysis.
Συνολικά, η εργασία παρουσιάζει ένα modelling framework, το οποίο συνδέει την πρόβλεψη ζήτησης, τη δημιουργία σεναρίων και τη λήψη αποφάσεων για τα αποθέματα. Συνοψίζοντας, δείχνει πώς ο βαθμός ευελιξίας των στόχων αποθέματος μπορεί να επηρεάσει το αναμενόμενο κόστος όταν η ζήτηση είναι εποχική και αβέβαιη.