Modelagem e previsão de demanda de produtos profissionais de uma empresa do mercado de beleza

• Autor(a) principal: Reis, Thiago Dias Paes
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/34119
• topic: Previsão de demanda; Cadeia de suprimentos; Mercado de beleza; S&OP; Modelagem; Previsão de demanda; Indústria de beleza; Modelagem computacional; Demand forecasting; Supply chain; Beauty market; Statistical models

A crescente complexidade das cadeias de suprimentos, especialmente em setores dinâmicos como o de bens de consumo, exige o desenvolvimento de métodos robustos e eficientes para a previsão de demanda. Sob essa ótica, no contexto do mercado de beleza brasileiro, essa necessidade se intensifica, dado o seu crescimento constante e a alta competitividade. Desse modo, o presente estudo visa otimizar a previsão de demanda dos produtos profissionais de uma multinacional do setor, utilizando uma abordagem estatística orientada pelo comportamento do consumidor final. Para tanto, o estudo se baseia em uma análise aprofundada de séries temporais de vendas, explorando os componentes de sazonalidade, tendência e ciclos. A partir dessa análise, diferentes modelos estatísticos foram selecionados e suas fórmulas estudadas a fim de identificar o método mais adequado para cada item. Nesse sentido, para automatizar o processo de modelagem e previsão, foi desenvolvida uma ferramenta em linguagem Python. Esta utiliza dados históricos de Sell In e Sell Out para gerar previsões granulares, considerando canais de distribuição e clientes. Os resultados demonstram uma melhora de mais de 40% na média dos erros absolutos das previsões em relação aos métodos tradicionais, além de reduzir significativamente o tempo despendido no processo, o que permite que os Planejadores de Demanda priorizem atividades de maior valor agregado. Nesse aspecto, o estudo conclui que a ferramenta, ao integrar dados de Sell Out e automatizar a modelagem estatística, constitui um avanço na gestão do ciclo de S&OP e consequentemente da Cadeia de Suprimentos, promovendo maior acuracidade nas previsões de Sell In, otimização do planejamento de estoque e melhor atendimento às demandas do mercado