Αξιολόγηση Επίδρασης της Ιεράρχησης Δεδομένων στην Απόδοση Πρόβλεψης Πωλήσεων

Τζανακάκης, Ιωάννης; Tzanakakis, Ioannis

dc.contributor.author	Τζανακάκης, Ιωάννης	el
dc.contributor.author	Tzanakakis, Ioannis	en
dc.date.accessioned	2022-05-26T07:16:21Z
dc.date.available	2022-05-26T07:16:21Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55215
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22913
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	Ιεραρχική Πρόβλεψη	el
dc.subject	Εναρμόνιση Προβλέψεων	el
dc.subject	Διαγωνισμός Μ5	el
dc.subject	Hierarchical Forecasting	en
dc.subject	Forecast Reconciliation	en
dc.subject	M5 Competition	en
dc.subject	Ομαδοποιημένες Χρονοσειρές	el
dc.subject	Grouped Time Series	en
dc.subject	Ακρίβεια Προβλέψεων	el
dc.subject	Forecast Accuracy	en
dc.title	Αξιολόγηση Επίδρασης της Ιεράρχησης Δεδομένων στην Απόδοση Πρόβλεψης Πωλήσεων	el
dc.contributor.department	Μονάδα Προβλέψεων και Στρατηγικής	el
heal.type	bachelorThesis
heal.secondaryTitle	Evaluating the Effect of Data Aggregation on Sales Forecasting Performance	en
heal.classification	Επιχειρησιακή Έρευνα	el
heal.classification	Τεχνικές Προβλέψεων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-03
heal.abstract	Η ιεραρχική πρόβλεψη έχει αποτελέσει για σχεδόν έναν αιώνα, χρήσιμο εργαλείο για ευθυγραμμισμένη λήψη απόφασης. Εμπειρικά αποτελέσματα της τελευταίας δεκαετίας έχουν δείξει πως μέθοδοι ιεραρχικής πρόβλεψης μπορούν να βελτιώνουν την ακρίβεια πρόβλεψης, καθώς ενσωματώνουν πληροφορία από διαφορετικά επίπεδα της ιεραρχίας, που δεν αποτυπώνεται σε κάθε ξεχωριστή χρονοσειρά. Ωστόσο, όσο οι ιεραρχίες γίνονται συνθετότερες και οι χρονοσειρές στα επίπεδα συνάθροισης πολυπληθέστερες, αυξάνεται και το κόστος πρόβλεψης, χωρίς εγγυήσεις για την ενίσχυση της ακρίβειας πρόβλεψης ενός υποσυνόλου των δεδομένων. Στόχος της παρούσας εργασίας είναι η αξιολόγηση της επίδρασης που έχουν διαφορετικές ιεραρχήσεις των δεδομένων, στην απόδοση των προβλέψεων. Αναπτύσσεται μια μεθοδολογία για τη σύγκριση και αυτόματη διαλογή μιας ή περισσότερων ιεραρχιών, ως κατάλληλες παραμέτρους βελτιστοποίησης τόσο της ακρίβειας όσο και του κόστους των προβλέψεων ενός ή περισσοτέρων επιπέδων συνάθροισης. Η μεθοδολογία αυτή εφαρμόζεται και αξιολογείται πάνω στα δεδομένα που τέθηκαν υπό πρόβλεψη στο διαγωνισμό Μ5 και περιλαμβάνουν χρονοσειρές πωλήσεων με γεωγραφική και ανά προιόν οργάνωση. Από τη μελέτη περίπτωσης προκύπτει πως τα επίπεδα συνάθροισης μιας συλλογής χρονοσειρών έχουν μη κοινή προβλεπτική αξία. Η συμπερίληψη επιπέδων συνάθροισης που περιέχουν πολλές χρονοσειρές, δεν οδηγεί απαραίτητα σε ακριβέστερες προβλέψεις, ενώ αυξάνει σημαντικά το κόστος της πρόβλεψης, ιδιαίτερα όσο ψηλότερα τοποθετούνται στην ιεραρχία. Αντίθετα, ιεραρχίες που περιέχουν -αποκλειστικά- επίπεδα υψηλής συνάθροισης, έχουν χαμηλό κόστος πρόβλεψης, αλλά και χαμηλότερη μεσοσταθμική ακρίβεια στις προβλέψεις των άλλων επιπέδων. Επίπεδα συνάθροισης, τα οποία βρίσκονται στο μέσο της ή των ξεχωριστών ιεραρχιών που συνδέουν τα δεδομένα, προκύπτει πως διαθέτουν μεσοσταθμικά, την υψηλότερη προβλεπτική ικανότητα, ενώ το κόστος της μοντελοποίησης παραμένει χαμηλό. Τέλος, οι μέθοδοι που συνδυάζουν προβλέψεις διαφόρων επιπέδων συνάθροισης, παράγουν ακριβέστερες προβλέψεις σε σχέση με τις παραδοσιακές μεθόδους ιεραρχικής πρόβλεψης bottom up και top down.	el
heal.abstract	Hierarchical forecasting has been for almost a century, a useful tool for aligned decision-making. Empirical results over the past decade have shown that hierarchical forecasting methods can improve forecast accuracy, as they incorporate information from different levels of the hierarchy that is not captured in the data of every single time series. However, as the hierarchies become more complex and the time series in the aggregation levels increase, so does the cost of forecasting such collections. When sales of thousands of units are exhaustively organized by product categories and geographic divisions, they result in collections of millions of time series, with high modelling cost and without guarantees for the contribution of every aggregation level in the forecast accuracy, when the goal is the enhancement of the forecasts for a subset of the collection. The goal of this study is the evaluation of the impact that different groupings of the data have upon sales forecasts. A methodology is proposed, that evaluates forecasts that have been reconciled with different hierarchies. The goal of the comparison is the selection one or more hierarchies, as optimal parameters in terms of accuracy and cost of forecasts for one or more aggregation levels. The methodology is evaluated in the data provided in the M5 Competition and contain time series of unit sales, organized by product categories and geographic divisions. From the case study occurs that different aggregation levels in a collection of time series have different prediction value. The inclusion of aggregation levels that contain many time series, does not necessarily result in more accurate forecasts, while it upsurges forecasting cost significantly. On the other hand, hierarchies that include -exclusively- levels of high aggregation, show reduced forecasting cost but result in worse accuracy on average. Levels that are located in the middle of one or more hierarchies that connect the data, occurs that contain the biggest prediction value on average, while the modelling cost remains low. At last, linear combination methods outperform the traditional single-level approaches bottom up and top down.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος
heal.advisorName	Assimakopoulos, Vasileios
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	131
heal.fullTextAvailability	false