Modelos de inteligência computacional para previsão de demanda desagregada em cadeias varejistas do setor de bens de consumo.

• Ano de defesa: 2020
• Autor(a) principal: Andrade, Luiz Augusto Canito Gallego de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Applied statistics; Aprendizado computacional; Cadeia de suprimentos; Estatística aplicada; Machine learning; Retail; Supply chain; Varejo
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3138/tde-19032021-102900/

O problema de previsão de demanda desagregada no varejo de bens de consumo consiste na previsão da demanda futura de cada produto vendido em cada loja de uma empresa varejista. A efetividade com que uma empresa varejista consegue posicionar seus estoques para atendimento da demanda dos consumidores depende diretamente da sua capacidade de realizar tais previsões. Previsões acima da demanda resultam em excessos e perdas de estoque e previsões abaixo resultam em rupturas de estoque e consumidores frustrados. Apesar dos avanços dos sistemas de gestão das empresas varejistas, esse ainda é um problema em aberto, visto que a ocorrência de rupturas e perdas ainda se mostra como um dos principais problemas do setor. Para realizar previsões de demanda é possível utilizar modelos convencionais de séries temporais. Porém, no caso do segmento varejistas alguns fatores dificultam sua aplicação: os consumidores são influenciados por datas especiais, sazonalidades e campanhas de marketing, a quantidade de modelos necessária é proporcional à multiplicação da quantidade de produtos e lojas e por último, existem problemas típicos na qualidade dos dados como por exemplo a ocorrência de rupturas e outliers de vendas. Por isso observa-se que na prática a demanda não é prevista de forma desagregada resultando em rupturas e excessos de estoque nas lojas das empresas varejistas de bens de consumo. Essa pesquisa propõe diferentes caracterizações para o referido problema e uma metodologia de construção de modelos de previsão que considera o cenário das empresas varejistas: alta disponibilidade de dados, necessidade de aplicação de limpezas e correção de dados de vendas e estoques, necessidade de baixa supervisão e intervenção humana na construção dos modelos e capacidade de capturar efeitos de marketing e de datas especiais. Dentro da metodologia, são empregados modelos de aprendizado computacional para construção dos modelos de previsão. A metodologia é validada numa aplicação prática considerando duas empresas varejistas nacionais e os resultados são comparados com técnicas convencionais de previsão de séries temporais.