Οι εφοδιαστικές αλυσίδες αποτελούν σύνθετα δίκτυα ανεξάρτητων φορέων, που περιλαμβάνουν προμηθευτές πρώτων υλών,  παραγωγούς, διανομείς και λιανοπωλητές, οι οποίοι μετασχηματίζουν τις πρώτες ύλες σε τελικά προϊόντα για την ικανοποίηση της ζήτησης των τελικών καταναλωτών^.ή μεταπωλούν μέσα από ηλεκτρονικά κανάλια πώλησης προϊόντα τους ή προϊόντα τρίτων.

Στη σημερινή παγκοσμιοποιημένη οικονομία ωστόσο, όπου οι καταναλωτές έχουν αποκτήσει προσβασιμότητα σε περισσότερα προϊόντα και υπηρεσίες και η εισαγωγή νέων προϊόντων πραγματοποιείται με γρηγορότερο ρυθμό, προκύπτουν θέματα ανταγωνιστικότητας των εφοδιαστικών αλυσίδων, με ιδιαίτερη έμφαση να δίνεται στην παροχή προστιθέμενης αξίας στους πελάτες της, όπως η μείωση του χρόνου ικανοποίησης της ζήτησης,  τα αυξημένα ποσοστά εξυπηρέτησης της ζήτησης, η παράδοση σε όσο το δυνατό πιο μικρό χρόνο και η παροχή τελικών προϊόντων με χαμηλό κόστος.

Η παροχή αυτής της προστιθέμενης αξίας θα μπορούσε να επιτευχθεί εάν ποσοτικοποιηθεί με ακρίβεια η μεταβλητότητα της ζήτησης των προϊόντων και ενσωματωθεί στην διαδικασία λήψης των αποφάσεων διαχείρισης των εφοδιαστικών αλυσίδων τους, καθώς αυτό μπορεί να οδηγήσει σε βελτιστοποιημένα επίπεδα αποθεμάτων και συνεπώς:

(i) στη μείωση του κόστους αποθέματος, λόγω της μείωσης των υπερβολικά υψηλών αποθεμάτων ασφαλείας σε όλα τα στάδια της εφοδιαστικής αλυσίδας;

(ii) στη μείωση του κόστους δρομολόγησης οχημάτων, καθώς τα συστήματα διανομής προϊόντων μπορούν να προγραμματιστούν εκτιμώντας με μεγαλύτερη ακρίβεια τα γεγονότα των έκτακτων παραγγελιών, και συνεπώς, μειώνοντας τον αριθμό των δρομολογίων με χαμηλά επίπεδα πληρότητας του φορτηγού για την ικανοποίηση τους;

(iii) σε υψηλό επίπεδο εξυπηρέτησης πελατών λόγω της διαθεσιμότητας των απαιτούμενων αποθεμάτων στον χρόνο που εκδηλώνεται η ζήτηση και

(iv) σε βελτίωση της σχέσης εμπιστοσύνης ανάμεσα στον πελάτη και τον προμηθευτή.

Στο πλαίσιο αυτό, τα ποσοτικά μοντέλα διεξαγωγής  προβλέψεων αποτελούν ισχυρά μαθηματικά εργαλεία που βοηθούν τους εμπλεκόμενους φορείς της εφοδιαστικής αλυσίδας να αντιμετωπίσουν τα ζητήματα της μεταβλητότητας της ζήτησης μέσω μιας ακριβούς πρόβλεψης των μελλοντικών τιμών της. Παραδοσιακά, τα μοντέλα πρόβλεψης αφορούν σε τεχνικές ανάλυσης χρονοσειρών που διεξάγουν προβλέψεις σε μεσοπρόθεσμους και μακροπρόθεσμους ορίζοντες σχεδιασμού,^.

Με την έλευση της 4ης-Βιομηχανικής Επανάστασης, που επιτρέπει την χρήση προηγμένων συστημάτων Point-of-sales (POS), την χρήση ευφυών συστημάτων ηλεκτρονικής παραγγελίας (Intelligent e-shops), την ευκολία συλλογής πληροφορίας από τον παγκόσμιο ιστό, τη δυνατότητα online σύγκρισης χαρακτηριστικών και τιμών σε προϊόντα και την ανταλλαγή της πληροφορίας μέσω cloud computing, οι επιχειρήσεις έχουν πλέον τη δυνατότητα να συλλέγουν τεράστιες ποσότητες δεδομένων σε πραγματικό χρόνο. Σε αυτή τη βάση, αναδείχθηκε η ιδέα διεξαγωγής δυναμικών προβλέψεων με τη χρήση αλγορίθμων μηχανικής μάθησης η οποία χρησιμοποιεί δεδομένα ζήτησης σε πραγματικό χρόνο μέσω χρήσης των δεδομένων πωλήσεων των συστημάτων (POS) και των ηλεκτρονικών καταστημάτων (e-shops και e-commerce)καθώς και άλλων δεδομένων του παγκόσμιου ιστού, από blogs, κοινωνικά δίκτυα και αξιολογήσεις προϊόντων που μπορούν να επηρεάσουν τη ζήτηση των προϊόντων.

Με την δυνατότητα να μειωθεί το σφάλμα πρόβλεψης κατά 25% και  τα ποσοστά ανικανοποίητης ζήτησης κατά 99%, τα οφέλη των δυναμικών προβλέψεων είναι εμφανή. Ωστόσο, οι περισσότερες μικρομεσαίες επιχειρήσεις, αλλά και μεγάλες επιχειρήσεις, τόσο σε Εθνικό, Ευρωπαϊκό αλλά και σε Παγκόσμιο επίπεδο  βρίσκονται στο περιθώριο χρήσης των μεθόδων αυτών καθώς αντιμετωπίζουν προκλήσεις που σχετίζονται με την έλλειψη:

(i) μίας ώριμης διαδικασίας σχεδιασμού προβλέψεων και διοίκησης λειτουργιών που να υποστηρίζει την αξιοποίηση σύγχρονων μεθοδολογιών πρόβλεψης

(ii) των γνώσεων προγραμματισμού, και ανάλυσης δεδομένων από το προσωπικό και τα ανώτερα στελέχη τους,

(iii) σωστής αρχιτεκτονικής  συνδεσιμότητας συστημάτων πρόβλεψης με τα συστήματα  κεντρικής διαχείρισης των δεδομένων τους, ή την ικανότητα να επιλέξουν μία λύση πρόβλεψης που μπορεί να λειτουργήσει με την διαθέσιμη τεχνολογία τους αλλά και της έλλειψης αποδοτικής λύσης με κόστος κτήσης που δεν θα εμποδίζει την χρήση τους από μικρές επιχειρήσεις.

Το γεγονός αυτό αποδεικνύεται κα από την ύπαρξη παγκόσμιας εμβέλειας λογισμικών όπως SAP Integrated Business Planning, Oracle Demantra, BlueYonder Demand Planning, Logility Solutions αλλά και τεχνικές Business Intelligence (ΒΙ) που ενσωματώνουν στις δυνατότητες τους την πρόβλεψη ζήτησης ώστε να ικανοποιήσουν τις παραπάνω ανάγκες ΜΜΕ αλλά και μεγάλων επιχειρήσεων

Στο πλαίσιο αυτό η προτεινόμενη επένδυση, στοχεύει στην παροχή λύσεων που αντιμετωπίζουν προκλήσεις σε εθνικό, ευρωπαϊκό αλλά και παγκόσμιο επίπεδο, μέσω της ανάπτυξης ενός καινοτόμου συστήματος δυναμικής πρόβλεψης της ζήτησης με χρήση αλγορίθμων μηχανικής μάθησης (machine-learning), ποσοτικοποιώντας ταυτόχρονα και την προστιθέμενη αξία των δυναμικών προβλέψεων ζήτησης στο κόστος των εφοδιαστικών αλυσίδων μέσω χρήσης κατάλληλων αλγορίθμων διοίκησης λειτουργιών (operations-management), ώστε να ενισχύσει την αποτελεσματικότητα των εφοδιαστικών αλυσίδων μικρομεσαίων και μεγάλων επιχειρήσεων, εστιάζοντας στην υλοποίησης μιας υπηρεσίας που θα είναι εφικτό να χρησιμοποιηθεί χωρίς μεγάλα κόστη επένδυσης από τις ΜΜΕ.

Η πλατφόρμα που θα αναπτυχθεί:

(i) θα συλλέγει, θα επεξεργάζεται  δυναμικά και θα αποθηκεύει:

• (α) πρωτογενή ιστορικά στοιχεία ζήτησης προϊόντων,
• (β) πληροφορίες που προκύπτουν από την ανάλυση κείμενων του διαδικτύου μέσω χρήσης αλγορίθμων μηχανικής μάθησης επεξεργασίας της φυσικής γλώσσας (Natural Language Processing) και
• (γ) άλλων δεδομένων που μπορούν να επηρεάζουν την ζήτηση του προϊόντος, όπως θερμοκρασίες, καιρικές συνθήκες, προσφορές κ.α, 

(ii) θα διεξάγει δυναμικές προβλέψεις μέσω της υλοποίησης σύνθετων αλγόριθμων μηχανικής μάθησης,  και

(iii) θα ποσοτικοποιεί την προστιθέμενη αξία που προκύπτει από την διεξαγωγή των προβλέψεων στις εφοδιαστικές