Aplicação de Machine learning e séries temporais para previsão de demanda: um estudo de caso em uma empresa de bens de consumo

• Autor(a) principal: Gomes, Guilherme
• Data de Publicação: 2023
• Outros Autores: Rodrigues, Ana Lígia Vieira, Bouzon, Marina, Staudt, Francielly Hedler
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Revista Veras
• Texto Completo: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/61838
• topic: planejamento de demanda; previsão de vendas; sales and operations planning; prever

O objetivo deste trabalho é impulsionar a acuracidade da previsão de demanda de uma empresa de bens de consumo, através da implementação de modelos de séries temporais e “machine learning” Metodologia: Para tal, foram coletados os históricos de vendas da empresa num horizonte de cinco anos, posteriormente foi realizado uma análise exploratória de dados, realizada a limpeza dos outliers, treinados diversos modelos de séries temporais e “machine learning”, testados os resultados de acuracidade, e selecionado o melhor modelo para cada produto para se realizar a previsão de demanda Resultados: Obteve-se uma redução no erro médio da previsão de vendas em 19 pontos percentuais, o que possibilitou redução de estoque de 21% e aumento no nível de serviço ao cliente em 7%. Limitações: A pesquisa focou na primeira fase do processo de S&OP que consiste em prever demanda. Neste estudo focou-se em aplicação de métodos de séries temporais de Machine learning para aumentar a acuracidade deste processo. Implicações Práticas: Comprovou-se, dessa forma, que os modelos de séries temporais e “machine learning” possuem resultados significativamente mais atraentes no processo de planejamento de demanda do que modelos simples de médias móveis e suavizações. Originalidade: A partir de revisão de literatura, percebe-se que ainda há um gap de estudos aplicando métodos de séries temporais e Machine learning no processo de S&OP, dessa forma essa pesquisa busca impulsionar sua aplicação através dos resultados obtidos.