Πρόβλεψη πωλήσεων σε προϊόντα ταχείας κατανάλωσης με τη χρήση Μηχανικής Μάθησης

Πουλίδης, Στέφανος; Poulidis, Stefanos

dc.contributor.author	Πουλίδης, Στέφανος	el
dc.contributor.author	Poulidis, Stefanos	en
dc.date.accessioned	2021-07-01T11:47:44Z
dc.date.available	2021-07-01T11:47:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53572
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21270
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Πρόβλεψη πωλήσεων	el
dc.subject	Βαθειά μάθηση	el
dc.subject	Προϊόντα ταχείας κατανάλωσης	el
dc.subject	Στρατηγική επιχειρήσεων	el
dc.subject	Artificial intelligence	en
dc.subject	Business intelligence	en
dc.subject	Deep learning	en
dc.subject	Machine learning	en
dc.subject	Fast-moving consumer goods	en
dc.title	Πρόβλεψη πωλήσεων σε προϊόντα ταχείας κατανάλωσης με τη χρήση Μηχανικής Μάθησης	el
heal.type	bachelorThesis
heal.secondaryTitle	Machine Learning Sales forecasting for fast-moving consumer goods	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Βαθειά Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-10
heal.abstract	Το αντικείμενο αυτής της διατριβής είναι η ανάλυση του ρόλου της μηχανικής μάθησης στην πρόβλεψη πωλήσεων, και συγκεκριμένα την πρόβλεψη πωλήσεων προϊόντων ταχείας κατανάλωσης με χρήση μηχανικής και βαθείας μάθησης. Η μηχανική μάθηση είναι ένα εξαιρετικό εργαλείο για προβλέψεις, καθώς έχει τη δυνατότητα να αναλύει σε βάθος τα πραγματικά δεδομένα και χρονοσειρές και να δημιουργεί βελτιστοποιημένα μοντέλα. Σε αντίθεση με τις παραδοσιακές μεθοδολογίες πρόβλεψης πωλήσεων που σχεδιάζουν και προτείνουν γενικά μοντέλα και πρακτικές, χάρη στη μηχανική μάθηση, μπορούμε να αναπτύξουμε εργαλεία πλήρως προσαρμοσμένα στις συνθήκες και τα χαρακτηριστικά κάθε επιχείρησης και οργανισμού. Επιλέχθηκε το παρόν θέμα, διότι οι προβλέψεις πωλήσεων αποτελούν ταυτόχρονα μερικές από τις πιο σημαντικές αποφάσεις για μία επιχείρηση, και με τη χρήση μηχανικής μάθησης, υπάρχει σημαντικό περιθώριο βελτίωσης των προβλέψεων συγκριτικά με τα παραδοσιακά μοντέλα λήψης αποφάσεων. Συγκεκριμένα, στην παρούσα διπλωματική αναλύονται οι εξελίξεις στον σχετικό ερευνητικό τομέα και κάνουμε τη δική μας ανάλυση και εκπαίδευση μοντέλων, με έμφαση στην πρόβλεψη πωλήσεων για προϊόντα ταχείας κατανάλωσης. Ο λόγος είναι ότι τα προϊόντα ταχείας κατανάλωσης αφορούν μία πληθώρα επιχειρήσεων, αλλά και η πρόβλεψη πωλήσεων τους, λόγω συγκεκριμένων χαρακτηριστικών τους, έχει μεγάλη σημασία για την κερδοφορία των σχετικών επιχειρήσεων. Στόχος είναι τελικά η συγκριτική ανάλυση μοντέλων και μεθόδων για την επίλυση του παραπάνω προβλήματος, αλλά και η κατασκευή ενός μετα-μοντέλου μηχανικής μάθησης με πολύ καλή ακρίβεια για την πρόβλεψη πωλήσεων προϊόντων ταχείας κατανάλωσης. Για να το πετύχουμε αυτό, δοκιμάσαμε μερικά από τα πιο σύγχρονα και αποδοτικά μοντέλα στην πρόβλεψη πωλήσεων και τελικά κρατήσαμε τα καλύτερα μοντέλα, υψηλότερης ακρίβειας, και με χρήση τεχνικών Συνολικής Μάθησης (Ensemble learning) και Μέτα-μάθησης (Meta-learning) παράξαμε ενιαία συγκεντρωτικά μοντέλα προβλέψεων. Δείξαμε, όπως περιμέναμε, ότι με μικρό επιπλέον κόστος, μπορούμε να έχουμε συνδυαστικά αποτελέσματα καλύτερα από τα επιμέρους αποτελέσματα κάθε μοντέλου. Τέλος, συγκρίναμε διαφορετικές τεχνικές συνολικής μάθησης μεταξύ τους, για διαφορετικά μοντέλα, για να ελέγξουμε ποια δίνει τα καλύτερα δυνατά αποτελέσματα και, συνεπώς, προτείνουμε σε επιχειρίσεις του χώρου. Συνολικά, η μεθοδολογία μας κατάφερε να συγκρίνει διαφορετικά μοντέλα τόσο μηχανικής, όσο και βαθειάς μάθησης για την περίπτωση πρόβλεψης πωλήσεων προϊόντων ταχείας κατανάλωσης και να βρούμε τα βέλτιστα μοντέλα και τεχνικές με ανάλυση κόστους-αξίας για το συγκεκριμένο πρόβλημα. Έτσι, η μέθοδος και τα αποτελέσματα μας είναι πολύ χρήσιμα για τις επιχειρήσεις που παράγουν και εμπορεύονται προϊόντα ταχείας κατανάλωσης, αφού δημιουργούμε για αυτές έναν χάρτη για να αυξήσουν την ακρίβεια των μοντέλων τους. Ταυτόχρονα, αξιοποιώντας τα αποτελέσματα μας, μπορούν να γλιτώσουν εξαιρετικά μεγάλο κομμάτι της επένδυσης τους, αφού μπορούν να δουν ποια δεδομένα είναι σημαντικά για την πρόβλεψη των πωλήσεων τους και ποιοι αλγόριθμοι μηχανικής μάθησης δίνουν την βέλτιστη ακρίβεια, και άρα αξίζει να δοκιμαστούν και στην δική τους περίπτωση. Η μέθοδος και τα αποτελέσματά μας μπορούν να γίνουν οδηγός για την ανάπτυξη μοντέλων πρόβλεψης πωλήσεων στις εταιρείες προϊόντων ταχείας κατανάλωσης, αλλά μπορούν και να χρησιμοποιηθούν ως σημείο αναφοράς από επιχειρήσεις σε άλλες βιομηχανίες, αλλά και πρόσθετα πειράματα και έρευνα σε πρόσθετες κατηγορίες προϊόντων.	el
heal.abstract	The object of this thesis is the analysis of the role of machine learning in sales forecasting and, in particular, of sales forecasting for fast-moving consumer goods. Machine learning is an excellent tool for forecasting, as it has the ability to analyse in-depth real data and time-series, and build optimised models. In contrast to traditional sales forecasting methodologies that design and propose general models and practices, thanks to machine learning, we can develop tools fully adapted to the conditions and characteristics of each business and organisation. This topic was chosen because sales forecasting is both a valuable, value-adding tool for some of the most important business decisions and there is considerable room for improvement by effectively using machine learning implementations. Specifically, in this dissertation we analyse the previous work and the developments in the relevant research field, and we execute our own analysis and model building, with emphasis on sales forecasting for fast-moving consumer goods (FMCGs). The reason is that fast-moving consumer goods concern a plethora of companies, but also FMCGs’ sales forecasting is of great importance for the profitability of these companies. Our goal was to construct a comparative analysis of models and methods to solve the above problem, but also the synthesis of machine learning models with very good accuracy to predict sales of FMCGs. To achieve this, we tested some of the most efficient models in sales forecasting and finally synthesised the best models (those of higher accuracy), by using Ensemble learning and Meta-learning techniques. So, we finally produced a single aggregate forecast model based on the champion models of our earlier analysis. We show that with negligible additional cost, we can have better results with stacking than with any other individual model and, therefore, meta-learners are an excellent investment for businesses’ sales forecasting development departments. We also compare different meta-learning algorithms and techniques, for different models, to test which gives the best possible results and so to recommend it to the businesses in the FMCGs industries. Overall, our methodology was able to compare both machine learning and deep learning models in the case of predicting sales of FMCGs and we present the best models and techniques with a cost- benefit analysis. Therefore, our method and results are very useful for companies that produce, promote or sell FMCGs, as they can increase the accuracy of their models for forecasting with smaller investments, and so achieving much better ROIs in their sales forecasting investments. Our method and results can be a guide for the development of sales forecasting models and processes for businesses in the FMCGs industries, but it can also be used by additional experiments and research, as a reference point for sales forecasting at the same, or additional, product categories.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Τεχνητής Νοημοσύνης και Συστημάτων Μάθησης (Artificial Intelligence and Learning Systems Laboratory)	el
heal.academicPublisherID	ntua
heal.numberOfPages	154 σ.	el
heal.fullTextAvailability	false