Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/26525 |
Resumo: | A previsão de vendas no comércio varejista é um trabalho desafiador devido ao número de variáveis e fenômenos que alteram significativamente o comportamento das vendas. Some-se a isso o fato de que o volume de vendas varia de acordo com o produto ou categoria do produto comercializado. Uma boa previsão de vendas auxilia na colocação de pedidos de reposição e manutenção de estoques adequados, reduzindo custos. Entretanto, existem várias técnicas de previsão de séries temporais que nem sempre são empregadas adequadamente pelas empresas. Este trabalho compara técnicas de previsão de séries temporais (clássicas e de Aprendizado de Máquina) com dados de vendas do varejo provenientes de uma empresa de consultoria do comércio varejista. Quatro modelos de previsão são considerados: i) suavização exponencial; ii) ARIMA; iii) “k-nearest-neighbors”; iv) “random forest”. Os desempenhos dos modelos são quantificados por uma medida de erro entre os valores preditos e observados, e normalizados com a métrica de erro MASE (“mean absolute scaled error”) entre a previsão do modelo considerado e a do modelo “naive” adotado como referência Os experimentos realizados consideram a previsão de 18 séries temporais de vendas de produtos agregados em 18 departamentos. Os resultados mostram que o modelo “random forest” obtém erros de predição de menor mediana, quando considerados todos os 18 departamentos em conjunto. |
id |
UTFPR-12_dd542b39c668aca8babfbe2a880eb5b5 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/26525 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2021-11-29T12:54:48Z2021-11-29T12:54:48Z2021-04-30NOSEDA, Fernando Daniel Duarte. Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina. 2021. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021.http://repositorio.utfpr.edu.br/jspui/handle/1/26525A previsão de vendas no comércio varejista é um trabalho desafiador devido ao número de variáveis e fenômenos que alteram significativamente o comportamento das vendas. Some-se a isso o fato de que o volume de vendas varia de acordo com o produto ou categoria do produto comercializado. Uma boa previsão de vendas auxilia na colocação de pedidos de reposição e manutenção de estoques adequados, reduzindo custos. Entretanto, existem várias técnicas de previsão de séries temporais que nem sempre são empregadas adequadamente pelas empresas. Este trabalho compara técnicas de previsão de séries temporais (clássicas e de Aprendizado de Máquina) com dados de vendas do varejo provenientes de uma empresa de consultoria do comércio varejista. Quatro modelos de previsão são considerados: i) suavização exponencial; ii) ARIMA; iii) “k-nearest-neighbors”; iv) “random forest”. Os desempenhos dos modelos são quantificados por uma medida de erro entre os valores preditos e observados, e normalizados com a métrica de erro MASE (“mean absolute scaled error”) entre a previsão do modelo considerado e a do modelo “naive” adotado como referência Os experimentos realizados consideram a previsão de 18 séries temporais de vendas de produtos agregados em 18 departamentos. Os resultados mostram que o modelo “random forest” obtém erros de predição de menor mediana, quando considerados todos os 18 departamentos em conjunto.Sales demand forecasting in the retail bussiness presents many challenges due to the many variables that can affect sales behavior. Furthermore, sales volume varies according to the product or product category in question. Accurate forecast plays an important part in stock replenishment operations by maintaining adequate stock levels and avoiding stockouts leading to reduced expenditures related to logistic costs. However, time series forecasting methods are not always appropriately used in the industry. The present study compares time series forecasting methods (of statistical and Machine Learning approaches) on sales data. The preditive performance of each method is evaluated by the error between predicted and observed values. A normalization is then made by using the mean absolute scaled error (MASE) between the considered model and a baseline naive method. The comparisons are made for 18 time series of aggregate sales of 18 departments. The results show that the random forest model performed best when considering aggregate time series.porUniversidade Tecnológica Federal do ParanáCuritibaGraduação em Sistemas de InformaçãoUTFPRBrasilCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOVendas - Métodos estatísticosComércio varejistaVendas - PrevisãoAprendizado do computadorSales - Statistical methodsRetail tradeSales - ForecastingMachine learningPrevisão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisCuritibaMelo Junior, Luiz Ledo MotaLüders, RicardoConinck, José Carlos PereiraGomes Junior, Luiz CelsoMelo Junior, Luiz Ledo MotaNoseda, Fernando Daniel Duarteinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRLICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52ORIGINALprevisaovendasaprendizadomaquina.pdfprevisaovendasaprendizadomaquina.pdfapplication/pdf7002850http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/1/previsaovendasaprendizadomaquina.pdf033d994d2f1115e7ada297936b5e5517MD51TEXTprevisaovendasaprendizadomaquina.pdf.txtprevisaovendasaprendizadomaquina.pdf.txtExtracted texttext/plain100716http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/3/previsaovendasaprendizadomaquina.pdf.txt2b6c5eb6ff6801db0175318792be700dMD53THUMBNAILprevisaovendasaprendizadomaquina.pdf.jpgprevisaovendasaprendizadomaquina.pdf.jpgGenerated Thumbnailimage/jpeg1332http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/4/previsaovendasaprendizadomaquina.pdf.jpg74e40dd907a476d017f049ee69390eedMD541/265252021-12-01 04:05:52.506oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2021-12-01T06:05:52Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
title |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
spellingShingle |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina Noseda, Fernando Daniel Duarte CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Vendas - Métodos estatísticos Comércio varejista Vendas - Previsão Aprendizado do computador Sales - Statistical methods Retail trade Sales - Forecasting Machine learning |
title_short |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
title_full |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
title_fullStr |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
title_full_unstemmed |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
title_sort |
Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
author |
Noseda, Fernando Daniel Duarte |
author_facet |
Noseda, Fernando Daniel Duarte |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Melo Junior, Luiz Ledo Mota |
dc.contributor.advisor-co1.fl_str_mv |
Lüders, Ricardo |
dc.contributor.referee1.fl_str_mv |
Coninck, José Carlos Pereira |
dc.contributor.referee2.fl_str_mv |
Gomes Junior, Luiz Celso |
dc.contributor.referee3.fl_str_mv |
Melo Junior, Luiz Ledo Mota |
dc.contributor.author.fl_str_mv |
Noseda, Fernando Daniel Duarte |
contributor_str_mv |
Melo Junior, Luiz Ledo Mota Lüders, Ricardo Coninck, José Carlos Pereira Gomes Junior, Luiz Celso Melo Junior, Luiz Ledo Mota |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Vendas - Métodos estatísticos Comércio varejista Vendas - Previsão Aprendizado do computador Sales - Statistical methods Retail trade Sales - Forecasting Machine learning |
dc.subject.por.fl_str_mv |
Vendas - Métodos estatísticos Comércio varejista Vendas - Previsão Aprendizado do computador Sales - Statistical methods Retail trade Sales - Forecasting Machine learning |
description |
A previsão de vendas no comércio varejista é um trabalho desafiador devido ao número de variáveis e fenômenos que alteram significativamente o comportamento das vendas. Some-se a isso o fato de que o volume de vendas varia de acordo com o produto ou categoria do produto comercializado. Uma boa previsão de vendas auxilia na colocação de pedidos de reposição e manutenção de estoques adequados, reduzindo custos. Entretanto, existem várias técnicas de previsão de séries temporais que nem sempre são empregadas adequadamente pelas empresas. Este trabalho compara técnicas de previsão de séries temporais (clássicas e de Aprendizado de Máquina) com dados de vendas do varejo provenientes de uma empresa de consultoria do comércio varejista. Quatro modelos de previsão são considerados: i) suavização exponencial; ii) ARIMA; iii) “k-nearest-neighbors”; iv) “random forest”. Os desempenhos dos modelos são quantificados por uma medida de erro entre os valores preditos e observados, e normalizados com a métrica de erro MASE (“mean absolute scaled error”) entre a previsão do modelo considerado e a do modelo “naive” adotado como referência Os experimentos realizados consideram a previsão de 18 séries temporais de vendas de produtos agregados em 18 departamentos. Os resultados mostram que o modelo “random forest” obtém erros de predição de menor mediana, quando considerados todos os 18 departamentos em conjunto. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-11-29T12:54:48Z |
dc.date.available.fl_str_mv |
2021-11-29T12:54:48Z |
dc.date.issued.fl_str_mv |
2021-04-30 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
NOSEDA, Fernando Daniel Duarte. Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina. 2021. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/26525 |
identifier_str_mv |
NOSEDA, Fernando Daniel Duarte. Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina. 2021. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/26525 |
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.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba |
dc.publisher.program.fl_str_mv |
Graduação em Sistemas de Informação |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/1/previsaovendasaprendizadomaquina.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/3/previsaovendasaprendizadomaquina.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/26525/4/previsaovendasaprendizadomaquina.pdf.jpg |
bitstream.checksum.fl_str_mv |
b9d82215ab23456fa2d8b49c5df1b95b 033d994d2f1115e7ada297936b5e5517 2b6c5eb6ff6801db0175318792be700d 74e40dd907a476d017f049ee69390eed |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805923116204949504 |