| Abstract : | Τα τελευταία χρόνια μια συγκεκριμένη απάντηση εμφανίζεται όλο και πιο συχνά σε διαφορετικές θεμελιώδεις επιχειρησιακές ερωτήσεις. Πρόβλεψη ζήτησης. Πολλές επιχειρήσεις ανακαλύπτουν ότι οι απαρχαιωμένες διαδικασίες demand planning που ακολουθούν είναι πλέον ανεπαρκείς λόγω της σημερινής αστάθειας της αγοράς. Η χρήση της διαίσθησης για τον καθορισμό της μελλοντικής ζήτησης δεν είναι πλέον επαρκής καθώς οι τάσεις και η εποχικότητα διαστρεβλώνονται από τις ραγδαίες αλλαγές στο οικονομικό τοπίο. Κλαδικές μελέτες έχουν καταδείξει ότι, κατά μέσο όρο, οι οργανισμοί με ακριβέστερες προβλέψεις ζήτησης και αυξημένες ικανότητες demand planning δρέπουν μια ευρεία γκάμα από οφέλη. Αυτές οι επιχειρήσεις διατηρούν μικρότερο απόθεμα και βραχύτερους κύκλους πληρωμών (cash to cash cycle) ενώ παράλληλα επιτυγχάνουν υψηλότερα EPS, υψηλότερο ROA και βελτιωμένα περιθώρια κέρδους.Με βάση τα παραπάνω η παρούσα διπλωματική εργασία αποσκοπεί, μέσω περιπτωσιολογικής μελέτης (case study), στην εφαρμογή state of the art demand forecasting στην μικρομεσαία ελληνική επιχείρηση ΑΝΑΤΟΛΗ ΜΠΑΧΑΡΙΚΑ Α.Β.Ε.Ε.. Η πρόβλεψη ζήτησης για χρονικό ορίζοντα 12 μηνών (Ιούλιος 2022 έως και Ιούνιος 2023) πραγματοποιήθηκε με την συνδρομή του λογισμικού SAS Forecast Studio και αφορούσε 25 κωδικούς (SKUs) της εταιρείας Τα τρία κύρια μοντέλα ποσοτικής πρόβλεψης των οποίων έγινε εφαρμογή είναι η Εκθετική Εξομάλυνση, το ARIMA και το UCM. Το θεωρητικό υπόβαθρο των συγκεκριμένων, καθώς και άλλων μεθόδων πρόβλεψης, αναλύεται στο κεφάλαιο της βιβλιογραφικής επισκόπησης. Σχετικά με τα ιστορικά δεδομένα που «τροφοδότησαν» την διαδικασία της πρόβλεψης, αφορούν την ζήτηση 25 συγκεκριμένων κωδικών (SKUs) ανά μήνα για το χρονικό διάστημα Ιανουάριος 2018- Ιούνιος 2022.Εκτός του SAS Forecast Studio έγινε χρήση του SAS Visual Analytics και του SAS Enterprise Guide για την διαχείριση και την οπτικοποίηση των ιστορικών δεδομένων ζήτησης (54 μήνες).Τα αποτελέσματα του μοντέλου πρόβλεψης υπέδειξαν μια ανεπαίσθητη αναμενόμενη αύξηση στην ζήτηση στο σύνολο των 25 κωδικών συγκριτικά με το προηγούμενο αντίστοιχο δωδεκάμηνο η οποία οφείλεται στο business unit του Private Label. Επιπρόσθετα πραγματοποιήθηκε έλεγχος των χρονοσειρών ως προς την εποχικότητα με χρήση του μοντέλου Seasonal Unit Root Test το οποίο φανέρωσε την ύπαρξη seasonality σε 9 εκ των κωδικών της εταιρείας. Τέλος, στο τμήμα της αξιολόγησης πραγματοποιήθηκε ανάλυση σεναρίων προωθητικών ενεργειών, αξιολόγηση της προστιθέμενης αξίας πρόβλεψης (FVA) που προσφέρει το μοντέλο μας και συζητήθηκε η επίδραση μακροοικονομικών παραγόντων, όπως ο πληθωρισμός και τα αυξημένα επιτόκια δανεισμού, στην διαμόρφωση της προβλεπόμενης ζήτησης για την εταιρεία.
In recent years a specific answer appears more and more often to different fundamental operational questions. Demand forecasting. Many organizations are discovering that their traditional demand planning procedures are inadequate due to market volatility. The use of intuition to determine future demand is no longer sufficient as trends and seasonality are distorted by rapid changes in the economic landscape. This master thesis aims, through a case study, at the application of state-of-the-art demand forecasting in ANATOLI SPICES S.A., a Greek SME. The demand forecasting for the 12-month horizon (July 2022 to June 2023) was made with the assistance of the SAS Forecast Studio software and concerned 25 SKUs of the company. The three main quantitative prediction methods applied were Exponential Smoothing, ARIMA, and UCM. The theoretical background of these, as well as other forecasting methods, is analyzed in the literature review chapter. Regarding the historical data that "fueled" the forecasting process, they are concerned with the demand for 25 specific SKUs per month from January 2018-June 2022. The results of the forecasting model indicated a slight expected increase in total demand of 25 SKUs, compared to the previous corresponding twelve months, due to the business unit of Private Label. In addition, the time series were tested for seasonality using the Seasonal Unit Root Test model which revealed the existence of seasonality in nine of the company's SKUs. Finally, in the evaluation section, we analyze promotional scenarios, assess the added value of the forecast (FVA) provided by our model, and discuss the impact of macroeconomic factors, such as inflation and increased interest rates, on the forecasted demand for the company.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.