{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5452589"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5452589","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Retail sales forecasting under macroeconomic conditions : a regression-based machine learning approach.","abstract":"Η παρούσα εργασία εξετάζει την πρόβλεψη εβδομαδιαίων λιανικών πωλήσεων υπό συνθήκες μεταβαλλόμενου μακροοικονομικού περιβάλλοντος, μέσω της συγκριτικής αξιολόγησης πέντε μοντέλων παλινδρόμησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα Linear Regression, Ridge Regression, Lasso Regression, Random Forest και XGBoost, με στόχο την εκτίμηση της προβλεπτικής τους ικανότητας. Το ερευνητικό πλαίσιο βασίζεται σε χρονοσειρές πωλήσεων, εμπλουτισμένες με μακροοικονομικές και χρονικές μεταβλητές, όπως υστερήσεις και κινητοί μέσοι όροι. Η αξιολόγηση πραγματοποιείται μέσω των μετρικών R², RMSE και MAE. Τα αποτελέσματα καταδεικνύουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή ακρίβεια, με τη γραμμική παλινδρόμηση να παρουσιάζει οριακά καλύτερη απόδοση. Παράλληλα, αναδεικνύεται η καθοριστική σημασία των ιστορικών μεταβλητών στην πρόβλεψη, ενώ οι μη γραμμικές μέθοδοι δεν εμφανίζουν ουσιαστικό πλεονέκτημα στο συγκεκριμένο σύνολο δεδομένων. Η μελέτη συμβάλλει στην κατανόηση της δυναμικής των πωλήσεων και στην ανάπτυξη αξιόπιστων εργαλείων λήψης επιχειρηματικών αποφάσεων. Λέξεις-κλειδιά: Λιανικές πωλήσεις, Πρόβλεψη ζήτησης, Μηχανική μάθηση, Παλινδρόμηση, Μακροοικονομικοί παράγοντες, Χρονοσειρές","abstract_html":"Η παρούσα εργασία εξετάζει την πρόβλεψη εβδομαδιαίων λιανικών πωλήσεων υπό συνθήκες μεταβαλλόμενου μακροοικονομικού περιβάλλοντος, μέσω της συγκριτικής αξιολόγησης πέντε μοντέλων παλινδρόμησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα Linear Regression, Ridge Regression, Lasso Regression, Random Forest και XGBoost, με στόχο την εκτίμηση της προβλεπτικής τους ικανότητας. Το ερευνητικό πλαίσιο βασίζεται σε χρονοσειρές πωλήσεων, εμπλουτισμένες με μακροοικονομικές και χρονικές μεταβλητές, όπως υστερήσεις και κινητοί μέσοι όροι. Η αξιολόγηση πραγματοποιείται μέσω των μετρικών R², RMSE και MAE. Τα αποτελέσματα καταδεικνύουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή ακρίβεια, με τη γραμμική παλινδρόμηση να παρουσιάζει οριακά καλύτερη απόδοση. Παράλληλα, αναδεικνύεται η καθοριστική σημασία των ιστορικών μεταβλητών στην πρόβλεψη, ενώ οι μη γραμμικές μέθοδοι δεν εμφανίζουν ουσιαστικό πλεονέκτημα στο συγκεκριμένο σύνολο δεδομένων. Η μελέτη συμβάλλει στην κατανόηση της δυναμικής των πωλήσεων και στην ανάπτυξη αξιόπιστων εργαλείων λήψης επιχειρηματικών αποφάσεων. Λέξεις-κλειδιά: Λιανικές πωλήσεις, Πρόβλεψη ζήτησης, Μηχανική μάθηση, Παλινδρόμηση, Μακροοικονομικοί παράγοντες, Χρονοσειρές","abstract_has_math":false,"creators":["ΚΑΤΩΠΟΔΗ-ΒΑΣΑΛΟΥ ΤΑΤΙΑΝΑ","KATOPODI-VASALOU TATIANA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:51Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452589"],"render_values":[{"text":"uoadl:5452589","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452589","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452589","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5452589","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΤΩΠΟΔΗ-ΒΑΣΑΛΟΥ ΤΑΤΙΑΝΑ","KATOPODI-VASALOU TATIANA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452589","https://pergamos.lib.uoa.gr/uoa/dl/object/5452589"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία εξετάζει την πρόβλεψη εβδομαδιαίων λιανικών πωλήσεων υπό συνθήκες μεταβαλλόμενου μακροοικονομικού περιβάλλοντος, μέσω της συγκριτικής αξιολόγησης πέντε μοντέλων παλινδρόμησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα Linear Regression, Ridge Regression, Lasso Regression, Random Forest και XGBoost, με στόχο την εκτίμηση της προβλεπτικής τους ικανότητας. Το ερευνητικό πλαίσιο βασίζεται σε χρονοσειρές πωλήσεων, εμπλουτισμένες με μακροοικονομικές και χρονικές μεταβλητές, όπως υστερήσεις και κινητοί μέσοι όροι. Η αξιολόγηση πραγματοποιείται μέσω των μετρικών R², RMSE και MAE. Τα αποτελέσματα καταδεικνύουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή ακρίβεια, με τη γραμμική παλινδρόμηση να παρουσιάζει οριακά καλύτερη απόδοση. Παράλληλα, αναδεικνύεται η καθοριστική σημασία των ιστορικών μεταβλητών στην πρόβλεψη, ενώ οι μη γραμμικές μέθοδοι δεν εμφανίζουν ουσιαστικό πλεονέκτημα στο συγκεκριμένο σύνολο δεδομένων. Η μελέτη συμβάλλει στην κατανόηση της δυναμικής των πωλήσεων και στην ανάπτυξη αξιόπιστων εργαλείων λήψης επιχειρηματικών αποφάσεων. Λέξεις-κλειδιά: Λιανικές πωλήσεις, Πρόβλεψη ζήτησης, Μηχανική μάθηση, Παλινδρόμηση, Μακροοικονομικοί παράγοντες, Χρονοσειρές","This study investigates the forecasting of weekly retail sales under changing macroeconomic conditions through the comparative evaluation of five regression-based models. Specifically, Linear Regression, Ridge Regression, Lasso Regression, Random Forest, and XGBoost are applied to assess their predictive performance. The empirical framework relies on sales time series enriched with macroeconomic and temporal variables, including lags and moving averages. Model performance is evaluated using R², RMSE, and MAE metrics. The findings indicate that all models achieve high predictive accuracy, with Linear Regression demonstrating marginally superior overall performance. Furthermore, historical sales variables are identified as the most influential predictors, while non-linear machine learning methods do not exhibit a substantial advantage within the specific dataset. The results highlight the importance of appropriate feature selection and methodological rigor in retail forecasting and contribute to the development of reliable decision-support tools for business strategy. Keywords: Retail sales, Demand forecasting, Machine learning, Regression models, Macroeconomic factors, Time series"]},{"key":"dc:title","label":"Title","values":["Retail sales forecasting under macroeconomic conditions : a regression-based machine learning approach."]}]}],"canonical_facts":{"dc:creator":["ΚΑΤΩΠΟΔΗ-ΒΑΣΑΛΟΥ ΤΑΤΙΑΝΑ","KATOPODI-VASALOU TATIANA"],"dc:date":["2026"],"dc:description":["Η παρούσα εργασία εξετάζει την πρόβλεψη εβδομαδιαίων λιανικών πωλήσεων υπό συνθήκες μεταβαλλόμενου μακροοικονομικού περιβάλλοντος, μέσω της συγκριτικής αξιολόγησης πέντε μοντέλων παλινδρόμησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα Linear Regression, Ridge Regression, Lasso Regression, Random Forest και XGBoost, με στόχο την εκτίμηση της προβλεπτικής τους ικανότητας. Το ερευνητικό πλαίσιο βασίζεται σε χρονοσειρές πωλήσεων, εμπλουτισμένες με μακροοικονομικές και χρονικές μεταβλητές, όπως υστερήσεις και κινητοί μέσοι όροι. Η αξιολόγηση πραγματοποιείται μέσω των μετρικών R², RMSE και MAE. Τα αποτελέσματα καταδεικνύουν ότι όλα τα μοντέλα επιτυγχάνουν υψηλή ακρίβεια, με τη γραμμική παλινδρόμηση να παρουσιάζει οριακά καλύτερη απόδοση. Παράλληλα, αναδεικνύεται η καθοριστική σημασία των ιστορικών μεταβλητών στην πρόβλεψη, ενώ οι μη γραμμικές μέθοδοι δεν εμφανίζουν ουσιαστικό πλεονέκτημα στο συγκεκριμένο σύνολο δεδομένων. Η μελέτη συμβάλλει στην κατανόηση της δυναμικής των πωλήσεων και στην ανάπτυξη αξιόπιστων εργαλείων λήψης επιχειρηματικών αποφάσεων. Λέξεις-κλειδιά: Λιανικές πωλήσεις, Πρόβλεψη ζήτησης, Μηχανική μάθηση, Παλινδρόμηση, Μακροοικονομικοί παράγοντες, Χρονοσειρές","This study investigates the forecasting of weekly retail sales under changing macroeconomic conditions through the comparative evaluation of five regression-based models. Specifically, Linear Regression, Ridge Regression, Lasso Regression, Random Forest, and XGBoost are applied to assess their predictive performance. The empirical framework relies on sales time series enriched with macroeconomic and temporal variables, including lags and moving averages. Model performance is evaluated using R², RMSE, and MAE metrics. The findings indicate that all models achieve high predictive accuracy, with Linear Regression demonstrating marginally superior overall performance. Furthermore, historical sales variables are identified as the most influential predictors, while non-linear machine learning methods do not exhibit a substantial advantage within the specific dataset. The results highlight the importance of appropriate feature selection and methodological rigor in retail forecasting and contribute to the development of reliable decision-support tools for business strategy. Keywords: Retail sales, Demand forecasting, Machine learning, Regression models, Macroeconomic factors, Time series"],"dc:identifier":["uoadl:5452589","https://pergamos.lib.uoa.gr/uoa/dl/object/5452589"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Retail sales forecasting under macroeconomic conditions : a regression-based machine learning approach."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:51Z"}