Ensaios sobre previsão de vendas no varejo de moda
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional do FGV (FGV Repositório Digital) |
Texto Completo: | https://hdl.handle.net/10438/31137 |
Resumo: | A previsão de vendas no varejo de moda é essencial no gerenciamento de negócios, afetando significativamente toda a cadeia de abastecimento, e pode ser vista como a informação básica para que outras atividades de planejamento possam ser desenvolvidas dentro das organizações que exercem esta atividade comercial. Uma série de ineficiências são provocadas por uma previsão com baixo nível de precisão, tais como: aumento dos níveis de estoques, números maiores de remarcações, menores margens financeiras e um efeito chicote maior. O objetivo deste trabalho foi verificar os aspectos relevantes ligados ao processo de previsão de vendas no curto prazo para produtos básicos, com foco maior em métodos de aprendizagem de máquina. Desta forma, esta pesquisa buscou responder os seguintes questionamentos: a aplicação de tratamentos sazonais nos dados contribui para gerar previsões mais precisas? O uso de tratamentos de seleção de variáveis, considerado o amplo universo de variáveis disponíveis, contribui para reduzir o erro das estimativas geradas? Quais variáveis foram mais relevantes para gerar as previsões calculadas? Qual o método de previsão é o mais preciso? (Tendo em vista uma ampla gama de métodos testados, contemplando métodos estatísticos, de inteligência computacional e ensembles.) Por fim, qual método de previsão de vendas deve ser adotado pelo setor em foco, considerando a análise AHP realizada? Com base no estudo das quatro categorias de produtos mais relevantes para o Lojão do Brás, considerando as vendas semanais do período de 2007 a 2019 e tendo como foco a previsão de curto prazo da próxima semana , constatou-se que: não houve uma unanimidade sobre a efetividade da aplicação de tratamentos sazonais; o uso de tratamentos de seleção de variáveis permitiu obter previsões 13% mais precisas; as variáveis exógenas contempladas no estudo foram pouco relevantes; o método de previsão de vendas com melhor nível de acurácia para o setor de varejo de moda foi o XGBOOST com tratamento sazonal por ajuste de curva e com tratamento de seleção de variáveis RFA. Por fim, com base na análise AHP realizada, que considerou vários critérios e não somente o aspecto da precisão, a recomendação final como melhor modelo de previsão de venda para o setor em questão foi o método Naive ajustado, apesar da superioridade do XGBOOST no critério de acurácia. |
id |
FGV_1348e17869504f4cb8e4d6e862f7f545 |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/31137 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Bessa, Adriana BezerraEscolas::EESPMoraes, Luiz HenriqueMatsumoto, ÉliaMarçal, EmersonZevallos, MaurícioFernandes, Marcelo2021-09-28T16:07:07Z2021-09-28T16:07:07Z2021-09-14https://hdl.handle.net/10438/31137A previsão de vendas no varejo de moda é essencial no gerenciamento de negócios, afetando significativamente toda a cadeia de abastecimento, e pode ser vista como a informação básica para que outras atividades de planejamento possam ser desenvolvidas dentro das organizações que exercem esta atividade comercial. Uma série de ineficiências são provocadas por uma previsão com baixo nível de precisão, tais como: aumento dos níveis de estoques, números maiores de remarcações, menores margens financeiras e um efeito chicote maior. O objetivo deste trabalho foi verificar os aspectos relevantes ligados ao processo de previsão de vendas no curto prazo para produtos básicos, com foco maior em métodos de aprendizagem de máquina. Desta forma, esta pesquisa buscou responder os seguintes questionamentos: a aplicação de tratamentos sazonais nos dados contribui para gerar previsões mais precisas? O uso de tratamentos de seleção de variáveis, considerado o amplo universo de variáveis disponíveis, contribui para reduzir o erro das estimativas geradas? Quais variáveis foram mais relevantes para gerar as previsões calculadas? Qual o método de previsão é o mais preciso? (Tendo em vista uma ampla gama de métodos testados, contemplando métodos estatísticos, de inteligência computacional e ensembles.) Por fim, qual método de previsão de vendas deve ser adotado pelo setor em foco, considerando a análise AHP realizada? Com base no estudo das quatro categorias de produtos mais relevantes para o Lojão do Brás, considerando as vendas semanais do período de 2007 a 2019 e tendo como foco a previsão de curto prazo da próxima semana , constatou-se que: não houve uma unanimidade sobre a efetividade da aplicação de tratamentos sazonais; o uso de tratamentos de seleção de variáveis permitiu obter previsões 13% mais precisas; as variáveis exógenas contempladas no estudo foram pouco relevantes; o método de previsão de vendas com melhor nível de acurácia para o setor de varejo de moda foi o XGBOOST com tratamento sazonal por ajuste de curva e com tratamento de seleção de variáveis RFA. Por fim, com base na análise AHP realizada, que considerou vários critérios e não somente o aspecto da precisão, a recomendação final como melhor modelo de previsão de venda para o setor em questão foi o método Naive ajustado, apesar da superioridade do XGBOOST no critério de acurácia.Forecasting sales in fashion retail plays an essential role in business management, significantly affecting the entire supply chain. Imprecise forecasts cause a series of problems, such as increased stock levels, higher numbers of markdowns, lower financial margins and a greater bullwhip effect. The objective of this work was to verify the relevant aspects related to the short-term sales forecast process for basic products, with a greater focus on machine learning methods. Thus, this research sought to answer the following questions: does the application of seasonal treatments in the data contribute to generate more accurate forecasts? Does the use of variable selection treatments, considering the wide universe of available variables, contribute to reducing the error of the generated estimates? Which variables were most relevant to generate the calculated forecasts? Which forecasting method is the most accurate? (In view of a wide range of tested methods, including statistical methods, computational intelligence and ensembles.) Finally, which sales forecasting method should be adopted by the sector in focus, considering the AHP analysis performed? Based on the study of the four most relevant product categories for Lojão do Brás, considering weekly sales for the period 2007 to 2019 and focusing on the shortterm forecast for next week, it was found that: there was no unanimity on the effectiveness of the application of seasonal treatments; the use of variable selection treatments allowed obtaining 13% more accurate predictions; the exogenous variables included in the study were not very relevant; the sales forecasting method with the best accuracy level for the fashion retail sector was the XGBOOST with seasonal treatment by curve fitting and with RFA variable selection treatment. Finally, based on the AHP analysis performed, which considered several criteria and not just the accuracy aspect, the final recommendation as the best sales forecast model for the sector in question was the adjusted Naive method, despite the superiority of XGBOOST in the criterion of accuracy.porPrevisão de vendasVarejo de modaSéries temporaisMétodos de aprendizagem de máquinaSazonalidadeSeleção de variáveisMétodos de previsão por combinaçãoAnálise AHPSales forecastingFashion retailTime seriesMachine learning methodsSeasonalityFeature selectionEnsemble learningAHP analysisEconomiaPrevisão de vendasComércio varejistaAnálise de séries temporaisAprendizado do computadorProcesso decisórioEnsaios sobre previsão de vendas no varejo de modainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALTese_AdrianaBessa_Final.pdfTese_AdrianaBessa_Final.pdfPDFapplication/pdf6092106https://repositorio.fgv.br/bitstreams/6c19f0b7-3224-41d0-aefa-df0f6ddc6f96/download6aacc101a2bf39819a4587bfc801a6efMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/c858474b-f75d-4f86-8496-78cacbb84e9a/downloaddfb340242cced38a6cca06c627998fa1MD52TEXTTese_AdrianaBessa_Final.pdf.txtTese_AdrianaBessa_Final.pdf.txtExtracted texttext/plain103007https://repositorio.fgv.br/bitstreams/669811be-bcf3-4f8d-b718-c3b616d15b46/download1c822f60f0bc07c36999a094d2c0413eMD55THUMBNAILTese_AdrianaBessa_Final.pdf.jpgTese_AdrianaBessa_Final.pdf.jpgGenerated Thumbnailimage/jpeg2356https://repositorio.fgv.br/bitstreams/fc2b08b4-1fb8-4972-9a4f-3b25764ca0e6/download5268181a76d3ed2f3a1f733d41679805MD5610438/311372023-11-26 03:11:23.249open.accessoai:repositorio.fgv.br:10438/31137https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-26T03:11:23Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.por.fl_str_mv |
Ensaios sobre previsão de vendas no varejo de moda |
title |
Ensaios sobre previsão de vendas no varejo de moda |
spellingShingle |
Ensaios sobre previsão de vendas no varejo de moda Bessa, Adriana Bezerra Previsão de vendas Varejo de moda Séries temporais Métodos de aprendizagem de máquina Sazonalidade Seleção de variáveis Métodos de previsão por combinação Análise AHP Sales forecasting Fashion retail Time series Machine learning methods Seasonality Feature selection Ensemble learning AHP analysis Economia Previsão de vendas Comércio varejista Análise de séries temporais Aprendizado do computador Processo decisório |
title_short |
Ensaios sobre previsão de vendas no varejo de moda |
title_full |
Ensaios sobre previsão de vendas no varejo de moda |
title_fullStr |
Ensaios sobre previsão de vendas no varejo de moda |
title_full_unstemmed |
Ensaios sobre previsão de vendas no varejo de moda |
title_sort |
Ensaios sobre previsão de vendas no varejo de moda |
author |
Bessa, Adriana Bezerra |
author_facet |
Bessa, Adriana Bezerra |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EESP |
dc.contributor.member.none.fl_str_mv |
Moraes, Luiz Henrique Matsumoto, Élia Marçal, Emerson Zevallos, Maurício |
dc.contributor.author.fl_str_mv |
Bessa, Adriana Bezerra |
dc.contributor.advisor1.fl_str_mv |
Fernandes, Marcelo |
contributor_str_mv |
Fernandes, Marcelo |
dc.subject.por.fl_str_mv |
Previsão de vendas Varejo de moda Séries temporais Métodos de aprendizagem de máquina Sazonalidade Seleção de variáveis Métodos de previsão por combinação Análise AHP |
topic |
Previsão de vendas Varejo de moda Séries temporais Métodos de aprendizagem de máquina Sazonalidade Seleção de variáveis Métodos de previsão por combinação Análise AHP Sales forecasting Fashion retail Time series Machine learning methods Seasonality Feature selection Ensemble learning AHP analysis Economia Previsão de vendas Comércio varejista Análise de séries temporais Aprendizado do computador Processo decisório |
dc.subject.eng.fl_str_mv |
Sales forecasting Fashion retail Time series Machine learning methods Seasonality Feature selection Ensemble learning AHP analysis |
dc.subject.area.por.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Previsão de vendas Comércio varejista Análise de séries temporais Aprendizado do computador Processo decisório |
description |
A previsão de vendas no varejo de moda é essencial no gerenciamento de negócios, afetando significativamente toda a cadeia de abastecimento, e pode ser vista como a informação básica para que outras atividades de planejamento possam ser desenvolvidas dentro das organizações que exercem esta atividade comercial. Uma série de ineficiências são provocadas por uma previsão com baixo nível de precisão, tais como: aumento dos níveis de estoques, números maiores de remarcações, menores margens financeiras e um efeito chicote maior. O objetivo deste trabalho foi verificar os aspectos relevantes ligados ao processo de previsão de vendas no curto prazo para produtos básicos, com foco maior em métodos de aprendizagem de máquina. Desta forma, esta pesquisa buscou responder os seguintes questionamentos: a aplicação de tratamentos sazonais nos dados contribui para gerar previsões mais precisas? O uso de tratamentos de seleção de variáveis, considerado o amplo universo de variáveis disponíveis, contribui para reduzir o erro das estimativas geradas? Quais variáveis foram mais relevantes para gerar as previsões calculadas? Qual o método de previsão é o mais preciso? (Tendo em vista uma ampla gama de métodos testados, contemplando métodos estatísticos, de inteligência computacional e ensembles.) Por fim, qual método de previsão de vendas deve ser adotado pelo setor em foco, considerando a análise AHP realizada? Com base no estudo das quatro categorias de produtos mais relevantes para o Lojão do Brás, considerando as vendas semanais do período de 2007 a 2019 e tendo como foco a previsão de curto prazo da próxima semana , constatou-se que: não houve uma unanimidade sobre a efetividade da aplicação de tratamentos sazonais; o uso de tratamentos de seleção de variáveis permitiu obter previsões 13% mais precisas; as variáveis exógenas contempladas no estudo foram pouco relevantes; o método de previsão de vendas com melhor nível de acurácia para o setor de varejo de moda foi o XGBOOST com tratamento sazonal por ajuste de curva e com tratamento de seleção de variáveis RFA. Por fim, com base na análise AHP realizada, que considerou vários critérios e não somente o aspecto da precisão, a recomendação final como melhor modelo de previsão de venda para o setor em questão foi o método Naive ajustado, apesar da superioridade do XGBOOST no critério de acurácia. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-09-28T16:07:07Z |
dc.date.available.fl_str_mv |
2021-09-28T16:07:07Z |
dc.date.issued.fl_str_mv |
2021-09-14 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/31137 |
url |
https://hdl.handle.net/10438/31137 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
instname_str |
Fundação Getulio Vargas (FGV) |
instacron_str |
FGV |
institution |
FGV |
reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/6c19f0b7-3224-41d0-aefa-df0f6ddc6f96/download https://repositorio.fgv.br/bitstreams/c858474b-f75d-4f86-8496-78cacbb84e9a/download https://repositorio.fgv.br/bitstreams/669811be-bcf3-4f8d-b718-c3b616d15b46/download https://repositorio.fgv.br/bitstreams/fc2b08b4-1fb8-4972-9a4f-3b25764ca0e6/download |
bitstream.checksum.fl_str_mv |
6aacc101a2bf39819a4587bfc801a6ef dfb340242cced38a6cca06c627998fa1 1c822f60f0bc07c36999a094d2c0413e 5268181a76d3ed2f3a1f733d41679805 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
repository.mail.fl_str_mv |
|
_version_ |
1810023732711784448 |