Small and medium-sized enterprises (SMEs) generate continuous transactional data through their enterprise resource planning (ERP) systems, yet rarely convert this data into a structured artificial intelligence (AI) framework for demand forecasting and inventory decision-making. This dissertation addresses that gap by developing and empirically validating an integrated AI-driven forecasting and inventory decision-support system, applied to four years (2023–2026) of real ERP transactional data from a participating SME, spanning up to 1,592 distinct stock-keeping units (SKUs).

The proposed framework combines, within a single reproducible pipeline: automated ABC–XYZ inventory segmentation; demand-pattern classification based on the Average Demand Interval and squared coefficient of variation (ADI/CV²); a systematic, statistically validated comparison of classical forecasting methods (moving average, exponential smoothing, Holt-Winters, ARIMA, Croston, SBA, TSB) against machine learning models (Random Forest, XGBoost, Linear Regression, and ensemble learning); and a direct comparison of per-product versus pooled machine learning modelling strategies — translating every forecast into concrete safety-stock and reorder-quantity recommendations.

The findings both confirm and complicate what theory predicts. In line with intermittent-demand theory, Croston-family methods had the lowest out-of-sample error for 60.9% of the 373 Lumpy and Intermittent SKUs evaluated with SBA alone responsible for 47.5% (Wilcoxon signed-rank test, p < .001), a real advantage but a moderate one, since simpler methods still held their own in about 39% of cases. Two common assumptions didn't survive testing: per-product machine learning models beat a single pooled model trained on the full assortment by 14.4%, even though the pooled model had far more data to train on and an equally-weighted ensemble performed noticeably worse than its best individual member. Tree-based machine learning improved on a naive benchmark by 19%, while the external indicator tested here, aluminium price, showed no measurable relationship with demand across four lag specifications. A retrospective check of the resulting inventory policy reached a 94.1% service level across 1,954 held-out SKU-months with every ABC–XYZ class within 2.5 percentage points of its target.

By combining AI-based forecasting, automated inventory classification, and decision-oriented validation on real SME data, this dissertation offers both a methodologically rigorous and practically deployable contribution to SME inventory management.

Οι μικρομεσαίες επιχειρήσεις (ΜμΕ) παράγουν συνεχή δεδομένα συναλλαγών μέσω των συστημάτων διαχείρισης επιχειρησιακών πόρων (ERP) τους, χωρίς ωστόσο να τα αξιοποιούν συστηματικά μέσω ενός δομημένου πλαισίου τεχνητής νοημοσύνης (AI) για την πρόβλεψη ζήτησης και τη λήψη αποφάσεων αποθεμάτων. Η παρούσα διπλωματική εργασία καλύπτει αυτό το κενό, αναπτύσσοντας και αξιολογώντας εμπειρικά ένα ολοκληρωμένο σύστημα πρόβλεψης και υποστήριξης αποφάσεων αποθεμάτων βασισμένο σε τεχνητή νοημοσύνη, εφαρμοσμένο σε πραγματικά δεδομένα συναλλαγών ERP τεσσάρων ετών (2023–2026) από μια συμμετέχουσα ΜμΕ, που καλύπτουν έως και 1.592 διακριτούς κωδικούς προϊόντων (SKUs).

Το προτεινόμενο πλαίσιο είναι καινοτόμο στο ότι συνδυάζει, σε ένα ενιαίο αναπαραγώγιμο σύστημα: αυτοματοποιημένη ταξινόμηση αποθεμάτων ABC–XYZ· ταξινόμηση προτύπων ζήτησης βάσει Μέσου Διαστήματος Ζήτησης και τετραγωνικού συντελεστή μεταβλητότητας (ADI/CV²)· συστηματική, στατιστικά επικυρωμένη σύγκριση παραδοσιακών μεθόδων πρόβλεψης (κινητός μέσος όρος, εκθετική εξομάλυνση, Holt-Winters, ARIMA, Croston, SBA, TSB) έναντι μοντέλων μηχανικής μάθησης (Random Forest, XGBoost, Γραμμική Παλινδρόμηση και ensemble μάθηση)· και άμεση σύγκριση στρατηγικών μοντελοποίησης ανά προϊόν έναντι ενοποιημένης μοντελοποίησης — μεταφράζοντας κάθε πρόβλεψη σε συγκεκριμένες συστάσεις αποθέματος ασφαλείας και ποσότητας παραγγελίας.

Τα εμπειρικά ευρήματα τόσο επιβεβαιώνουν όσο και εξειδικεύουν καθιερωμένες θεωρητικές προσδοκίες. Σε συμφωνία με τη θεωρία διαλείπουσας ζήτησης, οι μέθοδοι της οικογένειας Croston πέτυχαν το χαμηλότερο σφάλμα εκτός δείγματος στο 60,9% των 373 προϊόντων με σποραδική και διαλείπουσα ζήτηση που εξετάστηκαν, με τη μέθοδο SBA να αντιστοιχεί μόνη της στο 47,5% (στατιστικός έλεγχος Wilcoxon, p < 0,001)· το πλεονέκτημα είναι στατιστικά ισχυρό αλλά μέτριο, καθώς οι απλούστερες μέθοδοι παρέμειναν ανταγωνιστικές σε περίπου το 39% των περιπτώσεων. Δύο ευρέως αποδεκτές παραδοχές δεν επιβεβαιώθηκαν: τα μοντέλα μηχανικής μάθησης ανά προϊόν υπερτέρησαν ενός ενιαίου συγκεντρωτικού μοντέλου εκπαιδευμένου σε όλο το χαρτοφυλάκιο κατά 14,4%, παρά το σημαντικά μεγαλύτερο δείγμα εκπαίδευσης του τελευταίου, ενώ ένα σταθμισμένο σύνολο απέδωσε αισθητά χειρότερα από το ισχυρότερο μεμονωμένο μέλος του. Τα μοντέλα μηχανικής μάθησης ξεπέρασαν ουσιαστικά μια απλή πρόβλεψη αναφοράς κατά 19%, ενώ μια εξεταζόμενη εξωτερική μεταβλητή (τιμή αλουμινίου) δεν εμφάνισε μετρήσιμη σχέση με τη ζήτηση σε τέσσερις διαφορετικές χρονικές υστερήσεις. Η αναδρομική επικύρωση της προκύπτουσας πολιτικής αποθέματος πέτυχε επίπεδο εξυπηρέτησης 94,1% σε 1.954 δοκιμαστικές περιόδους, με κάθε κατηγορία ABC–XYZ να πετυχαίνει τον στόχο της εντός 2,5 ποσοστιαίων μονάδων.

Συνδυάζοντας πρόβλεψη βασισμένη σε τεχνητή νοημοσύνη, αυτοματοποιημένη ταξινόμηση αποθεμάτων και επικύρωση προσανατολισμένη στη λήψη αποφάσεων σε πραγματικά δεδομένα ΜμΕ, η παρούσα διπλωματική προσφέρει μια συνεισφορά τόσο μεθοδολογικά αυστηρή όσο και πρακτικά εφαρμόσιμη στη διαχείριση αποθεμάτων ΜμΕ.