Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | http://app.uff.br/riuff/handle/1/31207 |
Resumo: | A competitividade do mercado torna a previsão de demanda uma atividade estratégica para as empresas, pois desempenham um papel fundamental nas operações de planejamento e controle, permitindo um gerenciamento mais eficaz de estoques, compras, transporte, nível de serviço e produção. Para esta pesquisa, foram avaliadas as operações de uma companhia que atua no setor de transporte de carga via ferrovia, em que todo o seu planejamento e alocação de recursos são baseados na previsão de demanda repassada pelos clientes, que por sua vez a definem pela opinião de executivos. Assim sendo, esta pesquisa tem como objetivo estabelecer um modelo com técnicas combinadas quantitativas e qualitativas para a previsão mensal de demanda de produtos siderúrgicos no transporte ferroviário, buscando assim proporcionar uma tomada de decisão na alocação de recursos mais confiável. Para prever os períodos desconhecidos das variáveis independentes, foi adotada a técnica de Suavização Exponencial Holt-Winters, devido à sua simplicidade e eficácia em lidar com padrões de dados históricos. Para realizar a regressão, foram adotados os métodos de Redes Neurais Artificiais (RNA), Regressão de Vetor Suporte (SVR) e Regressão Linear Múltipla (RLM). Para comparar os modelos e selecionar o que mais se adequa ao problema, foram utilizadas as métricas de avaliação: coeficiente de determinação (R²), erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e erro percentual absoluto médio (MAPE). A partir dos modelos estudados, a abordagem combinada envolvendo Suavização Exponencial, RNA, SVR e a opinião de executivos apresentou os melhores resultados, exibindo um MAPE de 5,9% e um coeficiente de determinação R² de 0,81. Considerando os cenários analisados com a implementação do modelo, foi possível observar que uma análise integrada dos fatores que impactam a previsão de demanda poderia resultar na economia de 12 vagões, além de outros ganhos indiretos para a Ferrovia XYZ. Isso destaca as vantagens da implementação proativa do modelo e ressalta o impacto positivo da abordagem de previsão proposta na otimização de recursos e na eficiência operacional. |
id |
UFF-2_64078c6ba1ac9c684a5db1b1c97a07af |
---|---|
oai_identifier_str |
oai:app.uff.br:1/31207 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileiraPrevisão de demandaMachine LearningTomada de decisãoTécnicas combinadasFerroviaPrevisão de demandaLogísticaTransporte ferroviárioMateriais siderúrgicosDemand forecastMachine learningDecision makingCombined techniquesRailwayA competitividade do mercado torna a previsão de demanda uma atividade estratégica para as empresas, pois desempenham um papel fundamental nas operações de planejamento e controle, permitindo um gerenciamento mais eficaz de estoques, compras, transporte, nível de serviço e produção. Para esta pesquisa, foram avaliadas as operações de uma companhia que atua no setor de transporte de carga via ferrovia, em que todo o seu planejamento e alocação de recursos são baseados na previsão de demanda repassada pelos clientes, que por sua vez a definem pela opinião de executivos. Assim sendo, esta pesquisa tem como objetivo estabelecer um modelo com técnicas combinadas quantitativas e qualitativas para a previsão mensal de demanda de produtos siderúrgicos no transporte ferroviário, buscando assim proporcionar uma tomada de decisão na alocação de recursos mais confiável. Para prever os períodos desconhecidos das variáveis independentes, foi adotada a técnica de Suavização Exponencial Holt-Winters, devido à sua simplicidade e eficácia em lidar com padrões de dados históricos. Para realizar a regressão, foram adotados os métodos de Redes Neurais Artificiais (RNA), Regressão de Vetor Suporte (SVR) e Regressão Linear Múltipla (RLM). Para comparar os modelos e selecionar o que mais se adequa ao problema, foram utilizadas as métricas de avaliação: coeficiente de determinação (R²), erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e erro percentual absoluto médio (MAPE). A partir dos modelos estudados, a abordagem combinada envolvendo Suavização Exponencial, RNA, SVR e a opinião de executivos apresentou os melhores resultados, exibindo um MAPE de 5,9% e um coeficiente de determinação R² de 0,81. Considerando os cenários analisados com a implementação do modelo, foi possível observar que uma análise integrada dos fatores que impactam a previsão de demanda poderia resultar na economia de 12 vagões, além de outros ganhos indiretos para a Ferrovia XYZ. Isso destaca as vantagens da implementação proativa do modelo e ressalta o impacto positivo da abordagem de previsão proposta na otimização de recursos e na eficiência operacional.Market competitiveness makes demand forecasting a strategic activity for companies, as it plays a fundamental role in planning and control operations, enabling more effective management of inventory, procurement, transportation, service levels, and production. This research focuses on evaluating the operations of a company in the railway freight transport sector. The company's entire resource allocation and planning are based on demand forecasts provided by customers, who, in turn, define them based on executive opinions. Therefore, the aim of this research is to establish a model using a combined approach of quantitative and qualitative techniques for the monthly demand forecasting of steel products in railway transportation, thus enabling more reliable resource allocation decisions. To forecast unknown periods of independent variables, the Holt-Winters Exponential Smoothing technique will be adopted due to its simplicity and effectiveness in handling historical data patterns. For regression purposes, the methods employed include Artificial Neural Networks (ANN), Support Vector Regression (SVR), and Multiple Linear Regression (MLR). To compare the models and select the most suitable one for the problem, evaluation metrics such as the coefficient of determination (R²), mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE) were used. Among the studied models, the combined approach involving Exponential Smoothing, ANN, SVR, and executive opinions yielded the best results, exhibiting a MAPE of 5.9% and a coefficient of determination R² of 0.81. Considering the scenarios analyzed with the model implementation, it was possible to observe that an integrated analysis of factors impacting demand forecasting could lead to saving 12 wagons, in addition to other indirect gains for XYZ Railway. This underscores the benefits of proactive model implementation and highlights the positive impact of the proposed forecasting approach on resource optimization and operational efficiency.111 p.Pereira, Newton Narcisohttp://lattes.cnpq.br/2964542703674339Rocha, Henrique Martinshttp://lattes.cnpq.br/0532941206355027Vidal, Priscila da Cunha Jácomehttp://lattes.cnpq.br/3138003315313905http://lattes.cnpq.br/5434280271326568Almeida, Caique Pereira de2023-11-21T16:00:39Z2023-11-21T16:00:39Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfALMEIDA, Caique Pereira de. Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira. 2023. 111 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023.http://app.uff.br/riuff/handle/1/31207CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-11-21T16:00:44Zoai:app.uff.br:1/31207Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202023-11-21T16:00:44Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
title |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
spellingShingle |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira Almeida, Caique Pereira de Previsão de demanda Machine Learning Tomada de decisão Técnicas combinadas Ferrovia Previsão de demanda Logística Transporte ferroviário Materiais siderúrgicos Demand forecast Machine learning Decision making Combined techniques Railway |
title_short |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
title_full |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
title_fullStr |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
title_full_unstemmed |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
title_sort |
Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira |
author |
Almeida, Caique Pereira de |
author_facet |
Almeida, Caique Pereira de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Pereira, Newton Narciso http://lattes.cnpq.br/2964542703674339 Rocha, Henrique Martins http://lattes.cnpq.br/0532941206355027 Vidal, Priscila da Cunha Jácome http://lattes.cnpq.br/3138003315313905 http://lattes.cnpq.br/5434280271326568 |
dc.contributor.author.fl_str_mv |
Almeida, Caique Pereira de |
dc.subject.por.fl_str_mv |
Previsão de demanda Machine Learning Tomada de decisão Técnicas combinadas Ferrovia Previsão de demanda Logística Transporte ferroviário Materiais siderúrgicos Demand forecast Machine learning Decision making Combined techniques Railway |
topic |
Previsão de demanda Machine Learning Tomada de decisão Técnicas combinadas Ferrovia Previsão de demanda Logística Transporte ferroviário Materiais siderúrgicos Demand forecast Machine learning Decision making Combined techniques Railway |
description |
A competitividade do mercado torna a previsão de demanda uma atividade estratégica para as empresas, pois desempenham um papel fundamental nas operações de planejamento e controle, permitindo um gerenciamento mais eficaz de estoques, compras, transporte, nível de serviço e produção. Para esta pesquisa, foram avaliadas as operações de uma companhia que atua no setor de transporte de carga via ferrovia, em que todo o seu planejamento e alocação de recursos são baseados na previsão de demanda repassada pelos clientes, que por sua vez a definem pela opinião de executivos. Assim sendo, esta pesquisa tem como objetivo estabelecer um modelo com técnicas combinadas quantitativas e qualitativas para a previsão mensal de demanda de produtos siderúrgicos no transporte ferroviário, buscando assim proporcionar uma tomada de decisão na alocação de recursos mais confiável. Para prever os períodos desconhecidos das variáveis independentes, foi adotada a técnica de Suavização Exponencial Holt-Winters, devido à sua simplicidade e eficácia em lidar com padrões de dados históricos. Para realizar a regressão, foram adotados os métodos de Redes Neurais Artificiais (RNA), Regressão de Vetor Suporte (SVR) e Regressão Linear Múltipla (RLM). Para comparar os modelos e selecionar o que mais se adequa ao problema, foram utilizadas as métricas de avaliação: coeficiente de determinação (R²), erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e erro percentual absoluto médio (MAPE). A partir dos modelos estudados, a abordagem combinada envolvendo Suavização Exponencial, RNA, SVR e a opinião de executivos apresentou os melhores resultados, exibindo um MAPE de 5,9% e um coeficiente de determinação R² de 0,81. Considerando os cenários analisados com a implementação do modelo, foi possível observar que uma análise integrada dos fatores que impactam a previsão de demanda poderia resultar na economia de 12 vagões, além de outros ganhos indiretos para a Ferrovia XYZ. Isso destaca as vantagens da implementação proativa do modelo e ressalta o impacto positivo da abordagem de previsão proposta na otimização de recursos e na eficiência operacional. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-11-21T16:00:39Z 2023-11-21T16:00:39Z |
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 |
ALMEIDA, Caique Pereira de. Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira. 2023. 111 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023. http://app.uff.br/riuff/handle/1/31207 |
identifier_str_mv |
ALMEIDA, Caique Pereira de. Previsão de demanda de transporte de produtos siderúrgicos usando técnicas combinadas: um estudo sobre uma transportadora ferroviária brasileira. 2023. 111 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal Fluminense, Volta Redonda, 2023. |
url |
http://app.uff.br/riuff/handle/1/31207 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1807838843442823168 |