Forecast reconciliation : methods, structures, criteria, and a new approach with spatial data

• Autor(a) principal: Silveira Netto, Carla Freitas
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/200085
• topic: Previsão de vendas; Séries temporais; Marketing; Métodos estatísticos; Time-series forecasting; Gravitational models; Reconciliation approaches; Deep learning

A presente tese de doutorado é uma coleção de quatro artigos científicos desenvolvidos com o objetivo de explorar, dentro da área de marketing, a pesquisa sobre reconciliação de previsão de séries temporais com estrutura hierárquica ou agrupada. Reconciliação de previsões é necessária quando diferentes áreas de uma organização necessitam de previsões em diferentes níveis de agregação. O presente conjunto de estudos foca, além da reconciliação de previsões, em métodos de previsão de series temporais e na importância de informações geográficas para melhor prever e planejar estratégias de marketing. O primeiro artigo apresentado é uma revisão da literatura atual em modelagem de marketing, focando nos estudos sobre previsão. O artigo argumenta sobre a importância para o marketing em ter previsões, nas diferentes classificações dos métodos, nos tipos de dados usados, no modelo básico estudado e nos potenciais para estudos futuros. O artigo conclui que marketing precisa de estudos que evidenciem acurácia e sejam fáceis de implementar na prática. O segundo artigo procurar preencher essas lacunas aplicando técnicas de machine learning e ensemble. Essas técnicas são discutidas atualmente na teoria sobre previsão de séries temporais por prometerem facilidade de aplicação e melhoria em acurácia. O artigo propõe uma adaptação da otimização de portfólio como estratégia para calcular os pesos dos diferentes modelos que compõe um ensemble. A proposta do artigo tem melhor acurácia, no teste realizado, que os 15 modelos únicos (estatísticos e de machine learning) e o ensemble usando pesos iguais para todos os modelos. O artigo contribui também para a discussão sobre machine learning para previsão de séries temporais, demonstrando, nesse caso, a superioridade dos modelos estatísticos. O terceiro artigo usa um método estatístico combinado com diferentes estruturas e critérios de agregação para prever séries temporais (vendas). O objetivo do artigo é comparar diferentes critérios baseados em variáveis de marketing. A aplicação empírica dá indícios de que informações sobre a localização das vendas aumenta a acurácia das previsões. O último artigo explora esse achado ao propor uma estratégia alternativa de reconciliação de previsões. Essa estratégia distribui uma previsão feita em um nível agregado para níveis desagregados usando um modelo gravitacional. O artigo também contribui para a literatura ao comparar métodos estatísticos e de machine learning com long short-term memory (LSTM), um método de deep learning. Todos os artigos usam ferramentas open-source e combinam dados públicos com dados proprietários que resultam naturalmente dos processos de qualquer organização. O foco dos estudos são métodos e ferramentas generalizáveis para todos os segmentos que possam ser facilmente implementados por qualquer empresa, com relativamente baixos investimentos. As contribuições dessa tese de doutorado são (1) comparar métodos estatísticos, de machine learning e deep learning para prever vendas em modelos únicos e combinados (ensemble); (2) prover evidências sobre os critérios e estruturas de agregação que melhoram a acurácia das previsões; e (3) oferecer uma nova estratégia para distribuir uma previsão agregada em novas regiões geográficas quando dados históricos não estão disponíveis.