Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/28145
Author: Χαραυγής, Φίλιππος
Title: Επισκόπηση των συστημάτων μηχανικής μάθησης για πρόβλεψη πωλήσεων
Alternative Titles: Review of machine learning systems for sales forecasting
Date Issued: 2022
Department: Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα
Supervisor: Ταραμπάνης, Κωνσταντίνος
Abstract: Η πρόβλεψη πωλήσεων αφορά την εκτίμηση των μελλοντικών πωλήσεων μιας επιχείρισης, για την προληπτική αντιμετώπιση φαινομένων όπως ελλειπή ή περισσευούμενα αποθέματα. Τα τελευταία χρόνια έχουν μελετηθεί και προταθεί διάφορες προσεγγίσεις για την επίλυση αυτού του προβλήματος με τη χρήση μηχανικής μάθησης, είτε με τη χρήση προϋπάρχοντων μοντέλων, είτε με την ανάπτυξη νέων. Στην παρούσα έρευνα συλλέχθηκαν και μελετήθηκαν 38 διαφορετικά άρθρα που δημοσιεύθηκαν πάνω στο αντικείμενο της χρήσης μηχανικής μάθησης για την πρόβλεψη πωλήσεων σε διαφόρους τομείς. Αρχικά συνοψίζονται τα περιεχόμενα και αποτελέσματα της κάθε μελέτης ξεχωριστά, και στη συνέχεια σχηματίζονται συμπεράσματα από το σύνολο των ερευνών που συμπεριλήφθηκαν.
Sales forecasting concerns the estimation of the future sales of a company, in order to preemptively deal with phenomena such as insufficient or excess inventory. Various approaches have been studied and proposed to solve this problem in recent years using machine learning, either by using existing models or by developing new ones. In this research, 38 different published articles on the subject of using machine learning for sales forecasting in a variety of sectors were collected and studied. The contents and results of each study were initially studied and summarized separately, then conclusions were drawn from the sum of all included studies.
Keywords: Μηχανική Μάθηση
Βιβλιογραφική Επισκόπηση
Πρόβλεψη Πωλήσεων
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2022.
Appears in Collections:ΔΠΜΣ Πληροφοριακά Συστήματα (M)

Files in This Item:
File Description SizeFormat 
CharavgisPhilipposMsc2022.pdf5.29 MBAdobe PDFView/Open


Items in Psepheda are protected by copyright, with all rights reserved, unless otherwise indicated.