Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/97236 |
Resumo: | Esta tese apresenta uma sistemática de seleção dos especialistas mais consistentes e dos fatores de ajuste mais relevantes com vistas ao aprimoramento da acurácia da previsão de demanda gerada por métodos quantitativos. Para tanto, são testados sete modelos quantitativos: Médias Móveis (MM-3, MM-6 e MM-9), Suavização Exponencial Simples e Dupla e o modelo de Holt-Winters multiplicativo e aditivo. O modelo utilizado na previsão quantitativa foi aquele que gerou a melhor aderência aos dados e acurácia preditiva com base nos indicadores R2 e Erro Percentual Médio Absoluto (MAPE), respectivamente, extraídos mediante a quebra da série histórica na proporção 80% (banco de treino) e 20% (banco de teste) para cada produto. Com base nesse critério, tanto o leite UHT quanto o queijo mussarela foram modelados através da Suavização Exponencial Dupla (SED). Na sequência, especialistas e fatores utilizados para ajuste qualitativo da demanda foram selecionados de forma a reter somente os especialistas mais consistentes e os fatores mais influentes para tal fim. O método reteve os 5 especialistas mais consistentes dos 15 inicialmente entrevistados. Dos 23 fatores iniciais, apenas os 13 mais representativos foram retidos. Através da previsão corrigida para o leite UHT, o MAPE foi reduzido de 14,29% para 6,44%. Já previsão ajustada do queijo mussarela possibilitou reduzir o MAPE de 15,25% para 8,72%. |
id |
URGS_2cdacf1d470b4bacc1e07bbb9658e03f |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/97236 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Nottar, Luiz AlbertoAnzanello, Michel José2014-07-04T02:03:19Z2013http://hdl.handle.net/10183/97236000920153Esta tese apresenta uma sistemática de seleção dos especialistas mais consistentes e dos fatores de ajuste mais relevantes com vistas ao aprimoramento da acurácia da previsão de demanda gerada por métodos quantitativos. Para tanto, são testados sete modelos quantitativos: Médias Móveis (MM-3, MM-6 e MM-9), Suavização Exponencial Simples e Dupla e o modelo de Holt-Winters multiplicativo e aditivo. O modelo utilizado na previsão quantitativa foi aquele que gerou a melhor aderência aos dados e acurácia preditiva com base nos indicadores R2 e Erro Percentual Médio Absoluto (MAPE), respectivamente, extraídos mediante a quebra da série histórica na proporção 80% (banco de treino) e 20% (banco de teste) para cada produto. Com base nesse critério, tanto o leite UHT quanto o queijo mussarela foram modelados através da Suavização Exponencial Dupla (SED). Na sequência, especialistas e fatores utilizados para ajuste qualitativo da demanda foram selecionados de forma a reter somente os especialistas mais consistentes e os fatores mais influentes para tal fim. O método reteve os 5 especialistas mais consistentes dos 15 inicialmente entrevistados. Dos 23 fatores iniciais, apenas os 13 mais representativos foram retidos. Através da previsão corrigida para o leite UHT, o MAPE foi reduzido de 14,29% para 6,44%. Já previsão ajustada do queijo mussarela possibilitou reduzir o MAPE de 15,25% para 8,72%.This thesis presents a systematic selection of the most consistent experts and most relevant adjustment factors aimed at improving the accuracy of forecasting demand generated by quantitative methods. For this, seven quantitative models are tested: Moving Averages (MM-3, MM-6 and MM-9), Single and Double Exponential Smoothing and Holt-Winters multiplicative and additive model. The model used in quantitative forecasting was one that generated the best adherence to data and predictive accuracy based on the indicators R2 and Mean Absolute Percentage Error (MAPE), respectively, extracted by breaking the time series in the ratio 80 % (workout bench) and 20% (test bank) for each product . Based on this criterion , both UHT milk and mozzarella cheese were modeled by Double Exponential Smoothing (SED). Further, experts and qualitative factors used to adjust demand were selected so to retain only the most consistent experts and the most influential factors for this purpose. The method retained the 5 most consistent experts of the 15 interviewed initially. Of the 23 initial factors, only the 13 most significant were retained. Through prediction corrected for UHT milk the MAPE was reduced from 14.29 % to 6.44 %. It had forecast adjusted mozzarella cheese possible to reduce the MAPE of 15.25% to 8,72.application/pdfporPrevisão de demandaIndústria de laticíniosCadeia produtivaDemand forecastingDairy productsSelection of expertsQualitative factorsSeleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia de ProduçãoPorto Alegre, BR-RS2013doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000920153.pdf000920153.pdfTexto completoapplication/pdf2040652http://www.lume.ufrgs.br/bitstream/10183/97236/1/000920153.pdfc487336a843ecf8e25319ede65a3018fMD51TEXT000920153.pdf.txt000920153.pdf.txtExtracted Texttext/plain313848http://www.lume.ufrgs.br/bitstream/10183/97236/2/000920153.pdf.txta6112ff85a110c789ad32992b35e7d2dMD52THUMBNAIL000920153.pdf.jpg000920153.pdf.jpgGenerated Thumbnailimage/jpeg1255http://www.lume.ufrgs.br/bitstream/10183/97236/3/000920153.pdf.jpg955e0ee97fcd4a64e2fae11cda3ad2c1MD5310183/972362018-10-19 10:03:36.579oai:www.lume.ufrgs.br:10183/97236Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-19T13:03:36Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
title |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
spellingShingle |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos Nottar, Luiz Alberto Previsão de demanda Indústria de laticínios Cadeia produtiva Demand forecasting Dairy products Selection of experts Qualitative factors |
title_short |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
title_full |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
title_fullStr |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
title_full_unstemmed |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
title_sort |
Seleção de especialistas e de fatores qualitativos para ajuste da previsão de demanda na cadeia de lácteos |
author |
Nottar, Luiz Alberto |
author_facet |
Nottar, Luiz Alberto |
author_role |
author |
dc.contributor.author.fl_str_mv |
Nottar, Luiz Alberto |
dc.contributor.advisor1.fl_str_mv |
Anzanello, Michel José |
contributor_str_mv |
Anzanello, Michel José |
dc.subject.por.fl_str_mv |
Previsão de demanda Indústria de laticínios Cadeia produtiva |
topic |
Previsão de demanda Indústria de laticínios Cadeia produtiva Demand forecasting Dairy products Selection of experts Qualitative factors |
dc.subject.eng.fl_str_mv |
Demand forecasting Dairy products Selection of experts Qualitative factors |
description |
Esta tese apresenta uma sistemática de seleção dos especialistas mais consistentes e dos fatores de ajuste mais relevantes com vistas ao aprimoramento da acurácia da previsão de demanda gerada por métodos quantitativos. Para tanto, são testados sete modelos quantitativos: Médias Móveis (MM-3, MM-6 e MM-9), Suavização Exponencial Simples e Dupla e o modelo de Holt-Winters multiplicativo e aditivo. O modelo utilizado na previsão quantitativa foi aquele que gerou a melhor aderência aos dados e acurácia preditiva com base nos indicadores R2 e Erro Percentual Médio Absoluto (MAPE), respectivamente, extraídos mediante a quebra da série histórica na proporção 80% (banco de treino) e 20% (banco de teste) para cada produto. Com base nesse critério, tanto o leite UHT quanto o queijo mussarela foram modelados através da Suavização Exponencial Dupla (SED). Na sequência, especialistas e fatores utilizados para ajuste qualitativo da demanda foram selecionados de forma a reter somente os especialistas mais consistentes e os fatores mais influentes para tal fim. O método reteve os 5 especialistas mais consistentes dos 15 inicialmente entrevistados. Dos 23 fatores iniciais, apenas os 13 mais representativos foram retidos. Através da previsão corrigida para o leite UHT, o MAPE foi reduzido de 14,29% para 6,44%. Já previsão ajustada do queijo mussarela possibilitou reduzir o MAPE de 15,25% para 8,72%. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013 |
dc.date.accessioned.fl_str_mv |
2014-07-04T02:03:19Z |
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 |
http://hdl.handle.net/10183/97236 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000920153 |
url |
http://hdl.handle.net/10183/97236 |
identifier_str_mv |
000920153 |
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 |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/97236/1/000920153.pdf http://www.lume.ufrgs.br/bitstream/10183/97236/2/000920153.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/97236/3/000920153.pdf.jpg |
bitstream.checksum.fl_str_mv |
c487336a843ecf8e25319ede65a3018f a6112ff85a110c789ad32992b35e7d2d 955e0ee97fcd4a64e2fae11cda3ad2c1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085290860085248 |