Comparação entre redes neurais artificiais e métodos tradicionais de previsão de demanda por séries temporais com enfoque em tomada de decisão

• Autor(a) principal: Bins, Anderson Fernandes
• Data de Publicação: 2017
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/174650
• topic: Tomada de decisão; Previsão de demanda; Demand Forecast; ARMA; Exponential Smoothing; ANN; MAPE

Previsões de demanda são relevantes aos tomadores de decisão, pois viabilizam o planejamento estratégico e operacional de suas organizações. Existem diversos métodos quantitativos de previsão de demanda, os quais se diferenciam em termos de precisão e facilidade de aplicação. Este trabalho de monografia tem como objetivo comparar estes métodos entre si e determinar qual deles gera o resultado mais preciso de forma fácil, na perspectiva de tomadores de decisão que não possuam conhecimento técnico em previsão de demanda. Sendo assim, foram obtidas previsões a partir da aplicação de 15 métodos de previsão de demanda em 31 séries temporais reais, contendo 36 períodos cada, provenientes de cinco empresas distintas. Após a análise, percebeu-se que somente dois métodos de previsão de demanda, ARMA e Suavização Exponencial Simples, possuem precisão superior ao método ingênuo quando aplicados automaticamente. Assim, os outros 12 métodos de previsão de demanda, incluindo as redes neurais artificiais, não se mostraram úteis aos tomadores de decisão neste contexto. Adicionalmente, demonstrou-se que a comparação entre os erros das previsões por meio do MAPE não é eficaz para séries temporais que decrescem acentuadamente. Foi proposto o MAPEMAX, mensuração de erro desenvolvida pelo autor, como forma de solucionar esta imprecisão.