Motivações e métodos de previsão de demanda aplicados a eventos

• Ano de defesa: 2021
• Autor(a) principal: Funari, Lizandra Mistrello
• Orientador(a): Ribeiro, Jose Luis Duarte
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Organização de eventos; Previsão de demanda; Motivação
• Palavras-chave em Inglês: Forecasting methods; Ergonomics; Motivational factors; Event attendance; Audience prediction; Event management; Machine learning
• Link de acesso: http://hdl.handle.net/10183/221655

Com a popularização do entretenimento, os eventos têm se tornado uma área de interesse crescente. Nesse contexto, a previsão de público é uma atividade importante para fins de planejamento e gestão do evento. Para compreender as motivações que conduzem ao comparecimento, esta dissertação, através de uma revisão sistemática da literatura, propõe-se a responder a duas questões de pesquisa: (i) quais são os fatores e motivações que interferem na decisão de participar de eventos; (ii) quais métodos de previsão podem ser utilizados para estimar o público em eventos. A partir de 56 artigos selecionados na literatura, foram identificados 47 fatores motivacionais relacionados ao comparecimento a eventos, organizados em 9 dimensões. Além disso, foram observados 24 métodos para prever e classificar a participação em eventos. Entre esses métodos, o mais utilizado foi a Regressão Logística e a Regressão Linear, geralmente associados à aplicação de Machine Learning em bases de dados obtidas através de redes sociais. Posteriormente, os fatores identificados foram organizados e apresentados em um framework que pode auxiliar os organizadores a prever o público em diferentes tipos eventos. O framework foi avaliado em duas simulações de eventos reais por uma profissional da área, onde foi possível avaliar a sua aplicabilidade e adaptabilidade. Por fim, essa dissertação aprofunda os conhecimentos de previsão de público com o uso de nove métodos de Machine Learning para a previsão de público total e pagante em jogos de futebol, proporcionando comparação de desempenho e identificação dos melhores modelos. Dados de jogos reais foram coletados em parceria com uma organização de futebol brasileira. Métodos de ensemble baseados em árvore de decisão foram avaliados e também redes neurais artificiais (ANN), modelo linear (LM) e K-Nearest Neighbors (KNN). Os resultados indicaram que os métodos de ensemble baseados em árvore de decisão são totalmente capazes de capturar os padrões de comportamento em relação ao comparecimento às partidas. Os modelos XGB e GBM foram os de melhor desempenho, apresentando os menores erros.