Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira

• Ano de defesa: 2023
• Autor(a) principal: Almeida, Caique Pereira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Previsão de demanda; Machine Learning; Tomada de decisão; Técnicas combinadas; Ferrovia; Logística; Transporte ferroviário; Materiais siderúrgicos; Demand forecast; Machine learning; Decision making; Combined techniques; Railway
• Link de acesso: http://app.uff.br/riuff/handle/1/31207

A competitividade do mercado torna a previsão de demanda uma atividade estratégica para as empresas, pois desempenham um papel fundamental nas operações de planejamento e controle, permitindo um gerenciamento mais eficaz de estoques, compras, transporte, nível de serviço e produção. Para esta pesquisa, foram avaliadas as operações de uma companhia que atua no setor de transporte de carga via ferrovia, em que todo o seu planejamento e alocação de recursos são baseados na previsão de demanda repassada pelos clientes, que por sua vez a definem pela opinião de executivos. Assim sendo, esta pesquisa tem como objetivo estabelecer um modelo com técnicas combinadas quantitativas e qualitativas para a previsão mensal de demanda de produtos siderúrgicos no transporte ferroviário, buscando assim proporcionar uma tomada de decisão na alocação de recursos mais confiável. Para prever os períodos desconhecidos das variáveis independentes, foi adotada a técnica de Suavização Exponencial Holt-Winters, devido à sua simplicidade e eficácia em lidar com padrões de dados históricos. Para realizar a regressão, foram adotados os métodos de Redes Neurais Artificiais (RNA), Regressão de Vetor Suporte (SVR) e Regressão Linear Múltipla (RLM). Para comparar os modelos e selecionar o que mais se adequa ao problema, foram utilizadas as métricas de avaliação: coeficiente de determinação (R²), erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e erro percentual absoluto médio (MAPE). A partir dos modelos estudados, a abordagem combinada envolvendo Suavização Exponencial, RNA, SVR e a opinião de executivos apresentou os melhores resultados, exibindo um MAPE de 5,9% e um coeficiente de determinação R² de 0,81. Considerando os cenários analisados com a implementação do modelo, foi possível observar que uma análise integrada dos fatores que impactam a previsão de demanda poderia resultar na economia de 12 vagões, além de outros ganhos indiretos para a Ferrovia XYZ. Isso destaca as vantagens da implementação proativa do modelo e ressalta o impacto positivo da abordagem de previsão proposta na otimização de recursos e na eficiência operacional.