Modelo de previsão de demanda com o uso de aprendizado supervisionado de máquina: um estudo de caso em uma empresa de varejo

Abstract

Este trabalho tem como objetivo criar um modelo de previsão de demanda para itens de uma empresa de varejo. Um modelo que consiga prever a demanda futura com baixo erro de previsão permite que a empresa planeje melhor sua cadeia de suprimentos de forma a atender as necessidades dos clientes de disponibilidade de produtos e agilidade na entrega sem gerar um acumulo elevado de estoques, o que diminui sua lucratividade. Nos últimos anos, os avanços na tecnologia e nos sistemas de coleta de dados resultaram na geração de grandes volumes de dados. A área de Análise de Dados tem ganhado grande destaque por ser capaz de extrair conhecimento desses dados e auxiliar organizações na tomada de decisões. Métodos de aprendizado de máquina são usados para identificar padrões em séries temporais e tem a capacidade de predizer valores futuros com precisão cada vez maior. Para o desenvolvimento do modelo de previsão foram coletadas séries temporais com informações diárias de venda de quatro itens em todas as lojas da rede junto com informações de estoque, tipo de item, preço e estratégias promocionais. Com o uso do XGBoost, algoritmo derivado do método de florestas aleatórias, foi criado um modelo de previsão de demanda e os resultados obtidos foram comparados a modelos estatísticos (Holt-Winters e SARIMA), sendo que o modelo XGBoost apresentou menor margem de erros.

This work aims to create a demand forecast model for products from a retail company. A model that can predict future demand with low forecast error allows the company to better plan its supply chain in order to meet customer needs for product availability and agility in delivery without generating a high accumulation of inventory, which decreases its profitability. In recent years, advances in technology and data collection systems have resulted in the generation of large volumes of data. The area of Data Analysis has gained great prominence for being able to extract knowledge from this data and assist organizations in decision making processes. Machine learning methods are used to identify patterns in time series and have the ability to predict future values with increasing accuracy. For the development of the forecast model, time series were collected with daily sales information of 4 items in all stores of the chain along with information on stock, type of item, price and promotional strategies. With the use of XGBoost, an algorithm derived from the random forest method, a demand forecast model was created and the results obtained were compared to statistical models (Holt-Winters and SARIMA), and the XGBoost model presented a smaller margin of error.