Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista

Detalhes bibliográficos
Autor(a) principal: Endler, Kellen Dayelle, 1990-
Data de Publicação: 2020
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/69832
Resumo: Orientador: Prof. Dr. Cassius Tadeu Scarpin
id UFPR_d98860477d041ad8b0d701cc7fe429c3
oai_identifier_str oai:acervodigital.ufpr.br:1884/69832
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Endler, Kellen Dayelle, 1990-Steiner, Maria Teresinha Arns, 1957-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em EngenhariaScarpin, Cassius Tadeu, 1980-2021-12-13T15:27:46Z2021-12-13T15:27:46Z2020https://hdl.handle.net/1884/69832Orientador: Prof. Dr. Cassius Tadeu ScarpinCoorientadora: Prof. Dra. Maria Teresinha Arns SteinerTese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. Defesa : Curitiba, 25/09/2020Inclui referências: p. 153-166Área de concentração: Programação MatemáticaResumo: A possibilidade de prever atitudes e comportamentos de consumo, a partir do processamento adequado de informações armazenadas em bases de dados confere ao varejo uma vantagem competitiva em relação à concorrência. Da mesma forma, o planejamento eficiente de rotas para a entrega dos produtos ao cliente final é fundamental nesse segmento, visto que a experiência do consumidor está diretamente ligada ao recebimento da compra. Em geral, os trabalhos na literatura tratam do problema de roteirização de veículos ou do problema de segmentação de mercado, de forma independente. Raros são os trabalhos com a associação dos dois temas concomitantemente. Esta tese tem como objetivo desenvolver uma metodologia que possibilite considerar estratégias de segmentação de mercado, por meio do processo KDD, associadas a resolução do VRP para o planejamento de rotas para entregas de produtos no segmento varejista. Esta integração é cada vez mais realista em razão do aumento da comercialização em plataformas eletrônicas e, consequentemente, do volume de informações disponíveis dos clientes. Para tanto, o processo KDD é executado a partir de técnicas de: (i) agrupamento, utilizando-se Análise de Componentes Principais (ACP) seguida da Análise de Clusterização (AC), a fim de se criar grupos distintos de consumidores com base em critérios demográficos e comportamentais; e (ii) técnicas preditivas, utilizando-se de análise de Regressão Linear Múltipla (RLM) e de Redes Neurais Artificiais (RNAs), comparativamente, para prever o gasto gerado por clientes. Na sequência, desenvolveu-se um modelo matemático capaz de lidar com restrições complexas características do mercado varejista, denominado nesta tese por HMHDPCOMVRP (Heterogeneous Multi-depot Periodic Close Open Mixed Vehicle Routing Problem ou Problema de Roteamento de Veículos com Frota Heterogênea, Múltiplos Depósitos, Periódico, com Rotas Abertas e Fechadas). A pesquisa avança para uma versão estendida desse problema, considerando depósitos heterogêneos, assim como proposto por Calvet et ai. (2016), a fim de considerar a minimização dos custos com deslocamento e a maximização do lucro estimado, por considerar as preferências dos clientes. Devido à complexidade do problema, um Algoritmo Híbrido com Particionamento de Conjuntos (HGA­ SP - Hybrid Genetic Algorithm with Set Parlitioning) foi proposto. A metodologia proposta foi ilustrada por meio da sua aplicação em caso real de um dos maiores grupos varejistas no segmento de hiper e supermercados da região sul do Brasil. Os resultados mostraram que é possível detectar relações entre os dados que permitiram prever o gasto dos clientes, considerando suas características e perfilde consumo. Quanto à solução do roteamento de veículos, os resultados do modelo de programação linear inteira mista são comparados com o algoritmo proposto. Os resultados do HGA-SP mostram uma melhoria percentual média acima de 75% em relação às soluções do modelo. Já para a versão estendida, esses valores são ainda melhores, superando o modelo em 87,5% considerando-se as melhores soluções e 81,25% considerando-se as soluções médias. Por fim, esta tese tem potencial de contribuir com a maneira de gerar abordagens inovadoras a fim de responder as principais questões de negócios varejistas relacionados a integração do processo de segmentação de mercado e planejamento de rotas. Palavras-chave: Descoberta de conhecimento em dados. Problema de Roteirização de Veículos. Segmentação de Mercado. Múltiplos atributos. Varejo.Abstract: The possibility of predicting consumar attitudes and behaviors, based on the appropriate processing of information stored in databases, gives retailers a competitive advantage over the competition. Likewise, efficient route planning for the delivery of products to the end customer is essential in this segment, since the consumer experience is directly linked to the receipt of the purchase. ln general, works in the literatura deal with the vehicle routing problem or the market segmentation problem, independently. Rare are the works with the association of the two themes concomitantly. This thesis aims to develop a methodology that makes it possible to consider market segmentation strategies, through the KDD process, associated with the VRP resolution for planning routes for product deliveries in the retail segment. This integration is increasingly realistic due to the incresse in sales on electronic platforms and, consequently, the volume of information available to customers. For this, the KDD process is performed using techniques of: (i) grouping, using Principal Component Analysis (PCA) followed by Cluster Analysis (CA), in order to create different groups of consumers based on demographic and behavioralcriteria; and (ii) predictive techniques, using Multiple Linear Regression analysis (MLR) and Artificial Neural Networks (ANNs), comparatively, to predict the expense generated by customers. ln the sequence, a mathematical model capable of dealing with complex restrictions characteristic of the retail market was developed, named inthis thesis by HMHDPCOMVRP (Heterogeneous Multi-depot Periodic Close Open Mixed Vehicle Routing Problem). The research advances to an extended version of this problem, considering heterogeneous deposits, as proposed by Calvet et ai. (2016), to consider the minimization of travei costs and the maximization of estimated profit, as it considers customer preferences.Due to the complexity of the problem, a Hybrid Genetic Algorithm with Set Partitioning (HGA-SP) was proposed. The proposed methodology was illustrated through its application in the real case of one of the largest retail groups in the hyper and supermarket segment in the southem region of Brazil. The results showed that it is possible to detect relationships between the data that made it possible to predict customer spending, considering their characteristics and consumption profile. As for the vehicle routing solution, the results of the mixed integer linear programming model are compared with the proposed algorithm. The HGA-SP results show an average percentage improvement above 75% in relation to the model's solutions. For the extended version, these values are even better, surpassing the model by 87.5% considering the best solutions and 81.25% considering the average solutions. Finally, this thesis has the potential to contribute to the way of generating innovative approaches to answer the main questions of retail businesses related to the integration of the market segmentation process and route planning. Keywords: Knowledge Discovery in Database. Vehicle Routing Problem. Market segmentation. Multiple attributes. Retailing.173 p. : PDF.application/pdfMineração de dados (Computação)Segmentação de mercadoComércio varejistaAnálise NuméricaKnowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejistainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - KELLEN DAYELLE ENDLER.pdfapplication/pdf38162217https://acervodigital.ufpr.br/bitstream/1884/69832/1/R%20-%20T%20-%20KELLEN%20DAYELLE%20ENDLER.pdf556d4c243f56ae00e244a57569f8b47fMD51open access1884/698322021-12-13 12:27:46.703open accessoai:acervodigital.ufpr.br:1884/69832Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-12-13T15:27:46Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
title Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
spellingShingle Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
Endler, Kellen Dayelle, 1990-
Mineração de dados (Computação)
Segmentação de mercado
Comércio varejista
Análise Numérica
title_short Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
title_full Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
title_fullStr Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
title_full_unstemmed Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
title_sort Knowledge Discovery in Databases (KDD) para segmentação de mercado aliado ao problema de roteamento de veículos com múltiplos atributos em rede varejista
author Endler, Kellen Dayelle, 1990-
author_facet Endler, Kellen Dayelle, 1990-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Steiner, Maria Teresinha Arns, 1957-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Métodos Numéricos em Engenharia
dc.contributor.author.fl_str_mv Endler, Kellen Dayelle, 1990-
dc.contributor.advisor1.fl_str_mv Scarpin, Cassius Tadeu, 1980-
contributor_str_mv Scarpin, Cassius Tadeu, 1980-
dc.subject.por.fl_str_mv Mineração de dados (Computação)
Segmentação de mercado
Comércio varejista
Análise Numérica
topic Mineração de dados (Computação)
Segmentação de mercado
Comércio varejista
Análise Numérica
description Orientador: Prof. Dr. Cassius Tadeu Scarpin
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-12-13T15:27:46Z
dc.date.available.fl_str_mv 2021-12-13T15:27:46Z
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/1884/69832
url https://hdl.handle.net/1884/69832
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 173 p. : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/69832/1/R%20-%20T%20-%20KELLEN%20DAYELLE%20ENDLER.pdf
bitstream.checksum.fl_str_mv 556d4c243f56ae00e244a57569f8b47f
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860382870994944

Registros relacionados