Previsão de vendas de peças de substituição para otimização da gestão de stock

• Autor(a) principal: Sousa, Martim Afonso Gouveia
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
• Texto Completo: http://hdl.handle.net/10773/32749
• topic: Previsão do número de vendas de peças de substituição; Aprendizagem profunda em séries temporais; Aprendizagem de máquina em séries temporais; Previsão em séries temporais; Holt-Winters; FBProphet; Support vector machines; Multilayer perceptron; Convolutional neural network; XGBoost; Long short-term memory

Este projeto tem como intuito prever o número de vendas de peças de substituição, associadas a equipamentos de termotecnologia, das próximas três semanas para a empresa Bosch Termotecnologia-Aveiro. Desta forma, a Bosch pode otimizar o planeamento de produção e stocks garantindo a satisfação do cliente final. A nossa abordagem ao problema consiste no estudo das séries temporais de vendas destas peças de substituição, construindo modelos matemáticos capazes de captar os padrões existentes nos dados. Os modelos utilizados cobrem um largo espetro de metodologias, por forma a acomodar diferentes tipos de séries temporais. Concretamente, utilizámos metodologias clássicas como o Autoregressive integrated moving average (ARIMA) e Holt-Winters, mas também métodos de aprendizagem supervisionada como o Support vector regression (SVR) e Extreme gradient boosting (XGBoost) e ainda modelos de redes neuronais, nomeadamente Multilayer perceptron (MLP), Convolutional neural network (CNN) e Long short-term memory (LSTM).