Συλλογές
Τίτλος Πρόβλεψη ζήτησης παραγγελιών και πωλήσεων
Εναλλακτικός τίτλος Demand forecasting of order and sales
Δημιουργός Ψαλίδα, Δήμητρα
Συντελεστής Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
Βρεχόπουλος, Αδάμ
Κορφιάτης, Νικόλαος
Λεκάκος, Γεώργιος
Τύπος Text
Φυσική περιγραφή 100σ.
Γλώσσα el
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11500
Περίληψη This thesis aims to understand the methodology and benefits of demand forecasting by combining bibliographical and practical approaches. It analyzes the characteristics, sources, and evolution of big data, demonstrating how their analysis provides companies with crucial information about their current and future states. Quantitative forecasting models, such as exponential smoothing, the ARIMA model, and the UCM model, along with qualitative forecasting methods, such as the Delphi method, are examined, presenting a comprehensive inventory of applied forecasting processes. The methodology is practically applied through the forecasting of demand and orders for a food delivery platform. The SAS Enterprise Guide, SAS Viya, and SAS Forecast Studio tools are used to analyze, visualize, and forecast the data, respectively. The objective of this thesis is to serve as a guide for an introductory understanding of forecasting models and the use of SAS Forecast Studio software.
Η παρούσα διπλωματική εργασία στοχεύει στην κατανόηση της μεθοδολογίας και των ωφελειών της πρόβλεψης ζήτησης, συνδυάζοντας βιβλιογραφική και πρακτική προσέγγιση. Αναλύονται τα χαρακτηριστικά, οι πηγές και η εξέλιξη των μεγάλων δεδομένων, και πώς η ανάλυσή τους παρέχει στις εταιρείες σημαντικές πληροφορίες για την υφιστάμενη και μελλοντική τους κατάσταση. Στη συνέχεια εξετάζονται ποσοτικά μοντέλα πρόβλεψης, όπως η εκθετική εξομάλυνση, το μοντέλο ARIMA και το μοντέλο UCM και ποιοτικές μέθοδοι πρόβλεψης, όπως η μέθοδος Delphi, παρουσιάζοντας μια ολοκληρωμένη καταγραφή των εφαρμοσμένων διαδικασιών πρόβλεψης. Η μεθοδολογία εφαρμόζεται στην πράξη μέσω της πρόβλεψης ζήτησης και παραγγελιών δεδομένων που προέρχονται από μια εφαρμογή διαδικτυακής διανομής παραγγελιών. Για την ανάλυση, οπτικοποίηση και πρόβλεψη των δεδομένων, χρησιμοποιήθηκαν τα εργαλεία SAS Enterprise Guide, SAS Viya και SAS Forecast Studio, αντίστοιχα. Στόχος της διατριβής είναι να λειτουργήσει ως οδηγός για την εισαγωγική κατανόηση των μοντέλων πρόβλεψης και τη χρήση του SAS Forecast Studio λογισμικού.
Λέξη κλειδί Πλατφόρμα διαδικτυακής διανομής παραγγελιών
Πρόβλεψη ζήτησης
Επιχειρηματική αναλυτική
Μεγάλα δεδομένα
Big Data
Business analytics
Demand forecasting
SAS Forecast Studio
Online order delivery platform
Διαθέσιμο από 2024-07-30 19:59:18
Ημερομηνία έκδοσης 30-07-2024
Ημερομηνία κατάθεσης 2024-07-30 19:59:18
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/