Explainable artificial intelligence for supply chain forecasting : identifying the drivers of sales predictions

Δουκλιάς, Χριστόφορος

Explainable artificial intelligence for supply chain forecasting : identifying the drivers of sales predictions

datacite.contributor.RelatedPerson	Γιαννακόπουλος, Νικόλαος
datacite.contributor.RelatedPerson	Παπαϊωάννου, Σωτήριος
datacite.contributor.Supervisor	Τζαγκαράκης, Εμμανουήλ
dc.contributor.author	Δουκλιάς, Χριστόφορος
dc.contributor.other	Douklias, Christophoros
dc.date.accessioned	2026-10-12T13:04:47Z
dc.date.available	2026-10-12T13:04:47Z
dc.date.issued	2026-09-28
dc.degree	masterThesis
dc.description.abstract	This thesis examines the use of Explainable Artificial Intelligence for sales forecasting in the context of supply chain management. The analysis is based on a publicly available dataset containing information related to products, orders, prices, and sales. The main objective is not only to achieve high forecasting accuracy, but also to improve the understanding of the factors that influence the predictions produced by the models. The results show that very high predictive performance can be maintained even when a smaller number of variables is used. Product price, order quantity, and product category were found to play an important role in the forecasting process. In addition, the use of explanation methods makes the predictions more understandable and transparent. Overall, the study demonstrates that accurate forecasting can be combined with greater interpretability, supporting more informed and trustworthy decision-making in supply chain management.
dc.description.translatedabstract	Η παρούσα διπλωματική εργασία εξετάζει τη χρήση της Εξηγήσιμης Τεχνητής Νοημοσύνης στην πρόβλεψη πωλήσεων στο πλαίσιο της εφοδιαστικής αλυσίδας. Για την ανάλυση χρησιμοποιείται δημόσια διαθέσιμη βάση δεδομένων με πληροφορίες σχετικές με προϊόντα, παραγγελίες, τιμές και πωλήσεις. Στο πλαίσιο της μελέτης αναπτύσσονται και συγκρίνονται τρία μοντέλα μηχανικής μάθησης, με στόχο όχι μόνο την επίτευξη υψηλής ακρίβειας στις προβλέψεις, αλλά και την καλύτερη κατανόηση των παραγόντων που επηρεάζουν τα αποτελέσματά τους. Τα αποτελέσματα δείχνουν ότι είναι δυνατό να διατηρηθεί πολύ υψηλή προβλεπτική απόδοση ακόμη και με μικρότερο αριθμό μεταβλητών. Ιδιαίτερη σημασία φαίνεται να έχουν η τιμή του προϊόντος, η ποσότητα της παραγγελίας και η κατηγορία του προϊόντος. Παράλληλα, η χρήση τεχνικών ερμηνείας καθιστά τις προβλέψεις πιο κατανοητές και διαφανείς, ενισχύοντας τη δυνατότητα αξιοποίησής τους στη λήψη αποφάσεων στην εφοδιαστική αλυσίδα.
dc.identifier.uri	https://hdl.handle.net/10889/33021
dc.language.iso	en
dc.subject	Artificial intelligence
dc.subject	Forecasting
dc.subject	Sales
dc.subject	Explainability
dc.subject.alternative	Τεχνητή νοημοσύνη
dc.subject.alternative	Πρόβλεψη
dc.subject.alternative	Πωλήσεις
dc.subject.alternative	Εξηγησιμότητα
dc.title	Explainable artificial intelligence for supply chain forecasting : identifying the drivers of sales predictions
dc.title.alternative	Εξηγήσιμη τεχνητή νοημοσύνη για την πρόβλεψη στην εφοδιαστική αλυσίδα : προσδιορισμός των παραγόντων που καθορίζουν τις προβλέψεις πωλήσεων

Files

Original bundle

Now showing 1 - 1 of 1

Name:: Explainable Artificial Intelligence for Supply Chain Forecasting-Identifying the Drivers of Sales Predictions.pdf
Size:: 2.66 MB
Format:: Adobe Portable Document Format

Download

License bundle

Now showing 1 - 1 of 1

Name:: license.txt
Size:: 5.02 KB
Format:: Item-specific license agreed upon to submission
Description:

Download

Collections

Τμήμα Οικονομικών Επιστημών (ΜΔΕ)