Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo

Detalhes bibliográficos
Autor(a) principal: Linhares, Eduardo Correia Lima
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)
Texto Completo: http://tede2.pucgoias.edu.br:8080/handle/tede/4759
Resumo: Dado o desenvolvimento do varejo rumo ao ambiente de omnicanalidade e o consequente aumento de fontes de informações disponíveis, a previsão de demanda se torna cada vez mais complexa e a busca por soluções que se adaptam a este cenário se torna relevante. Através de uma revisão bibliográfica, foram analisados os principais modelos de previsão de demanda que utilizam algoritmos de inteligência artificial no período de 2010 a 2020, assim como seus resultados e comparações com modelos tradicionais. Este trabalho apresenta um modelo de análise de dados que adota a combinação de dois algoritmos de machine learning (hierarchical clustering e redes neurais artificiais) para previsão de demanda a partir do treinamento em dados reais de um período de dois anos de um varejo local em um ambiente de omnicanalidade contendo atributos internos e externos. O modelo demonstrou, através dos indicadores de previsibilidade MAPE, MAE e RMSE, valores dentro do alcance dos resultados obtidos pela literatura para previsão de demanda, mesmo em um ambiente de omnicanalidade. As percepções deste estudo podem ser utilizadas para definição das políticas de ressuprimento e alocação de produtos nos diferentes canais de atendimento. A generalização deste modelo tem oportunidade para pesquisas futuras, levando em consideração outros atributos relevantes para a previsão de demanda como o perfil do consumidor, assim como variações do algoritmo para torná-lo mais robusto
id PUC_GO_57690c0c091b6e1e42eb2c713b48a027
oai_identifier_str oai:ambar:tede/4759
network_acronym_str PUC_GO
network_name_str Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)
repository_id_str 6593
spelling Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejoDemand forecasting through neural networks in an omnichannel retail environmentcadeia de suprimentos; phygital; machine learning; projeção de demandasupply chain; phygital; machine learning; demand projectionEngenharias: Engenharia de ProduçãoDado o desenvolvimento do varejo rumo ao ambiente de omnicanalidade e o consequente aumento de fontes de informações disponíveis, a previsão de demanda se torna cada vez mais complexa e a busca por soluções que se adaptam a este cenário se torna relevante. Através de uma revisão bibliográfica, foram analisados os principais modelos de previsão de demanda que utilizam algoritmos de inteligência artificial no período de 2010 a 2020, assim como seus resultados e comparações com modelos tradicionais. Este trabalho apresenta um modelo de análise de dados que adota a combinação de dois algoritmos de machine learning (hierarchical clustering e redes neurais artificiais) para previsão de demanda a partir do treinamento em dados reais de um período de dois anos de um varejo local em um ambiente de omnicanalidade contendo atributos internos e externos. O modelo demonstrou, através dos indicadores de previsibilidade MAPE, MAE e RMSE, valores dentro do alcance dos resultados obtidos pela literatura para previsão de demanda, mesmo em um ambiente de omnicanalidade. As percepções deste estudo podem ser utilizadas para definição das políticas de ressuprimento e alocação de produtos nos diferentes canais de atendimento. A generalização deste modelo tem oportunidade para pesquisas futuras, levando em consideração outros atributos relevantes para a previsão de demanda como o perfil do consumidor, assim como variações do algoritmo para torná-lo mais robustoGiven the retail development towards an omnichannel environment and the consequent increase in available information sources, demand forecasting becomes increasingly complex. Thereby, the search for solutions that adapt to this scenario becomes relevant. A literature review analyzed the main demand prediction models using artificial intelligence algorithms from 2010 to 2020, as well as their results and comparisons with traditional models. This work presents a data analysis model that adopts the combination of two machine learning algorithms (hierarchical clustering and artificial neural networks) to forecast demand from training on two-year data from a local retailer in an omnichannel environment containing internal and external attributes. The model demonstrated, by the accuracy measures MAPE, MAE, and RMSE, values consistent with the results obtained in the literature for demand forecasting, despite the omnichannel environment. The insights of this research can be applied in fulfillment and allocation policies in different channels. Therefore, the generalization of this model provides the opportunity for further research, taking into account other attributes, such as the consumer profile, as well as variations of the algorithm to improve its robustnessPontifícia Universidade Católica de GoiásEscola de Engenharia::Curso de Engenharia de ProduçãoBrasilPUC GoiásPrograma de Pós-Graduação STRICTO SENSU em Engenharia de Produção e SistemasMachado, Ricardo Luizhttp://lattes.cnpq.br/4103684476705320Machado, Ricardo LuizDantas, Maria José PereiraGrande, Eliana Tiba GomesLinhares, Eduardo Correia Lima2022-02-09T19:11:02Z2021-09-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfLinhares, Eduardo Correia Lima. Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo. 2021. 94 fl. Dissertação( Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica de Goiás, Goiânia.http://tede2.pucgoias.edu.br:8080/handle/tede/4759porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)instname:Pontifícia Universidade Católica de Goiás (PUC-GO)instacron:PUC_GO2022-02-10T04:00:19Zoai:ambar:tede/4759Biblioteca Digital de Teses e Dissertaçõeshttp://tede2.pucgoias.edu.br:8080/http://tede2.pucgoias.edu.br:8080/oai/requesttede@pucgoias.edu.br||tede@pucgoias.edu.bropendoar:65932022-02-10T04:00:19Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás) - Pontifícia Universidade Católica de Goiás (PUC-GO)false
dc.title.none.fl_str_mv Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
Demand forecasting through neural networks in an omnichannel retail environment
title Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
spellingShingle Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
Linhares, Eduardo Correia Lima
cadeia de suprimentos; phygital; machine learning; projeção de demanda
supply chain; phygital; machine learning; demand projection
Engenharias: Engenharia de Produção
title_short Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
title_full Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
title_fullStr Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
title_full_unstemmed Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
title_sort Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo
author Linhares, Eduardo Correia Lima
author_facet Linhares, Eduardo Correia Lima
author_role author
dc.contributor.none.fl_str_mv Machado, Ricardo Luiz
http://lattes.cnpq.br/4103684476705320
Machado, Ricardo Luiz
Dantas, Maria José Pereira
Grande, Eliana Tiba Gomes
dc.contributor.author.fl_str_mv Linhares, Eduardo Correia Lima
dc.subject.por.fl_str_mv cadeia de suprimentos; phygital; machine learning; projeção de demanda
supply chain; phygital; machine learning; demand projection
Engenharias: Engenharia de Produção
topic cadeia de suprimentos; phygital; machine learning; projeção de demanda
supply chain; phygital; machine learning; demand projection
Engenharias: Engenharia de Produção
description Dado o desenvolvimento do varejo rumo ao ambiente de omnicanalidade e o consequente aumento de fontes de informações disponíveis, a previsão de demanda se torna cada vez mais complexa e a busca por soluções que se adaptam a este cenário se torna relevante. Através de uma revisão bibliográfica, foram analisados os principais modelos de previsão de demanda que utilizam algoritmos de inteligência artificial no período de 2010 a 2020, assim como seus resultados e comparações com modelos tradicionais. Este trabalho apresenta um modelo de análise de dados que adota a combinação de dois algoritmos de machine learning (hierarchical clustering e redes neurais artificiais) para previsão de demanda a partir do treinamento em dados reais de um período de dois anos de um varejo local em um ambiente de omnicanalidade contendo atributos internos e externos. O modelo demonstrou, através dos indicadores de previsibilidade MAPE, MAE e RMSE, valores dentro do alcance dos resultados obtidos pela literatura para previsão de demanda, mesmo em um ambiente de omnicanalidade. As percepções deste estudo podem ser utilizadas para definição das políticas de ressuprimento e alocação de produtos nos diferentes canais de atendimento. A generalização deste modelo tem oportunidade para pesquisas futuras, levando em consideração outros atributos relevantes para a previsão de demanda como o perfil do consumidor, assim como variações do algoritmo para torná-lo mais robusto
publishDate 2021
dc.date.none.fl_str_mv 2021-09-02
2022-02-09T19:11:02Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv Linhares, Eduardo Correia Lima. Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo. 2021. 94 fl. Dissertação( Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica de Goiás, Goiânia.
http://tede2.pucgoias.edu.br:8080/handle/tede/4759
identifier_str_mv Linhares, Eduardo Correia Lima. Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo. 2021. 94 fl. Dissertação( Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas) - Pontifícia Universidade Católica de Goiás, Goiânia.
url http://tede2.pucgoias.edu.br:8080/handle/tede/4759
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Pontifícia Universidade Católica de Goiás
Escola de Engenharia::Curso de Engenharia de Produção
Brasil
PUC Goiás
Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas
publisher.none.fl_str_mv Pontifícia Universidade Católica de Goiás
Escola de Engenharia::Curso de Engenharia de Produção
Brasil
PUC Goiás
Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)
instname:Pontifícia Universidade Católica de Goiás (PUC-GO)
instacron:PUC_GO
instname_str Pontifícia Universidade Católica de Goiás (PUC-GO)
instacron_str PUC_GO
institution PUC_GO
reponame_str Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)
collection Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da PUC_GOAIS (TEDE-PUC Goiás) - Pontifícia Universidade Católica de Goiás (PUC-GO)
repository.mail.fl_str_mv tede@pucgoias.edu.br||tede@pucgoias.edu.br
_version_ 1809202273836859392