Previsão de demanda logística para comércio eletrônico B2C utilizando métodos estatísticos e de aprendizado de máquina.

• Ano de defesa: 2024
• Autor(a) principal: Saraiva, Flaviane Azevedo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Comércio eletrônico; Demand forecast model; Demanda; e-commerce; Logistic demand; Logística; Modelos de previsão de demanda
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3136/tde-26022025-103659/

A demanda por serviços logísticos como transporte e armazenagem de cargas apresentou um crescimento significativo nos últimos anos, decorrente do desenvolvimento tecnológico e seus efeitos no comércio eletrônico. As entregas em última milha representam a parte mais dispendiosa do processo de distribuição. Esta etapa deve ser planejada a partir de decisões como o dimensionamento de frota, alocação de satélites, inventários intermediários, pontos de coleta e entrega, entre outras. Para torná-las mais eficientes, modelos preditivos e prescritivos são aplicados a fim de obter melhor aproveitamento dos recursos. No entanto, um dos maiores desafios da entrega em última milha consiste na consolidação de entregas para maximizar a utilização da capacidade dos veículos, devido à alta dinamicidade da demanda e aos prazos de entrega reduzidos. Em vista disso, modelos de previsão de demanda para o serviço logístico podem contribuir para a tomada de decisão sobre a alocação de recursos considerando estimativas de demanda futuras. Neste sentido, esta pesquisa destina-se à avaliação de diferentes modelos de previsão de entregas em última milha, do ponto de vista de operadores logísticos. Métodos estatísticos tradicionais (média móvel e séries temporais) e métodos de aprendizado de máquina (LSTM, CNN-LSTM, e 3D-CNN) foram explorados a fim de estimar a quantidade de pacotes a serem entregues em determinado período considerando o horizonte de previsão de médio prazo. Os resultados mostram que a inclusão da abordagem espacial melhora a performance dos modelos. O melhor modelo foi o 3D-CNN, com um NRMSE de 0.1407, enquanto o melhor modelo com abordagem puramente temporal foi o SARIMA, com um NRMSE de 0.201. O tratamento de dados mostrou-se altamente importante para o desempenho dos modelos, visto que as séries tratadas com a média dos valores apresentaram erros menores em comparação à série original.