Potenciar a gestão de lojas de retalho através de previsões de tráfego com técnicas de machine learning

• Autor(a) principal: Casimiro, Tiago André Ramos
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10071/29668
• topic: Venda a retalho -- Retail sale; Ponto de venda -- Selling point; Séries temporais -- Time series; Machine learning; Redes neuronais -- Neural networks; Gestão; Management

A presente dissertação pretende fornecer duas ferramentas ligadas ao tráfego de lojas de retalho físico, que possam auxiliar as equipas da gestão da rede MEO. A primeira, uma previsão de valores mensais de tráfego para um horizonte temporal de vinte e quatro meses, e a segunda, uma previsão de valores horários de tráfego para uma semana. Este é um caso de escassa investigação, facto descrito na Revisão de Literatura. Começou por se recolher dados mensais de dez lojas, selecionadas através de análise cluster, e dados horários de uma das maiores lojas da rede MEO. Foram também utilizadas as condições climatéricas, eventos externos e feriados, de forma a entender melhor o fluxo de clientes. Com a utilização de vários modelos foi possível chegar a um vasto leque de abordagens, experimentadas e avaliadas face ao que existia como ferramenta na rede MEO. As previsões mensais produzidas para as lojas obtiveram resultados positivos, entre os 5,640% e 20,504% de MAPE, e a previsão mensal para a rede agregada obteve 4,489% de MAPE para 2023, sendo agora aplicada na prática na empresa. No tráfego horário, o melhor modelo alcançado seguiu uma abordagem ensemble, com ExpSmoothing, XGBoost e LSTM, produzindo previsões com 11,493 de MAE, que constituem uma melhoria de 35,7%, face à ferramenta usada pela equipa de gestão. Com estes testes comprovou-se que o modelo ensemble apresenta vantagens face à utilização individual dos modelos e que as duas ferramentas conseguiram melhorar os inputs disponíveis às equipas de gestão da rede de lojas MEO.