Retail Demand Forecasting and Channel Cannibalization: an Empirical Analysis using Gradient Boosting Models
Show simple item record
| dc.contributor |
Universidade Federal de Santa Catarina. |
pt_BR |
| dc.contributor.advisor |
Frazzon, Enzo Morosini |
|
| dc.contributor.author |
Rosa, Luiz Gustavo Cardoso |
|
| dc.date.accessioned |
2025-12-15T15:37:49Z |
|
| dc.date.available |
2025-12-15T15:37:49Z |
|
| dc.date.issued |
2025-12-09 |
|
| dc.identifier.uri |
https://repositorio.ufsc.br/handle/123456789/271184 |
|
| dc.description |
TCC(graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Produção. |
pt_BR |
| dc.description.abstract |
The retail sector is undergoing significant transformations, driven by the shift from single points
of contact with consumers to multichannel operations that integrate physical stores with online
platforms. This transition to multichannel retailing presents substantial risks, not only as regards
promotional cannibalization between physical shops and the online distribution channel too. The
objective of this study is to develop an algorithm to mitigate the impact of this channel
promotional cannibalization in a supermarket located in the Florianópolis, Brazil region. This is
achieved through the development of a demand forecasting model utilizing an eXtreme Gradient
Boosting (XGBoost) algorithm. The results documents significant channel cannibalization,
based on historical sales data. The model identifies the main sales drivers in each distribution
channel and allows to simulate mitigation strategies. The findings show that approaches such as
loyalty programs can help in reducing cannibalization and increasing overall sales. This study
offers a data-driven approach to help in promotional planning, aiding retailers to maximize their
strategies between online and offline channels. |
pt_BR |
| dc.description.abstract |
O setor de varejo está passando por transformações significativas, impulsionadas pela mudança
de pontos de contato únicos com os consumidores para operações multicanais que integram lojas
físicas e plataformas online. Essa transição para o varejo multicanal apresenta riscos
substanciais, inclusive no que diz respeito à canibalização promocional entre as lojas físicas e o
canal de distribuição online. O objetivo deste estudo é desenvolver um algoritmo para mitigar o
impacto dessa canibalização promocional entre canais em um supermercado localizado na
região de Florianópolis, Brasil. Isso é alcançado através do desenvolvimento de um modelo de
previsão de demanda que utiliza o algoritmo eXtreme Gradient Boosting (XGBoost). Os
resultados documentam uma canibalização intercanal significativa, com base em dados
históricos de vendas. O modelo identifica os principais impulsionadores de vendas em cada
canal de distribuição e permite simular estratégias de mitigação. As descobertas mostram que
abordagens como programas de fidelidade podem ajudar a reduzir a canibalização e aumentar as
vendas totais. Este estudo oferece uma abordagem orientada por dados para auxiliar no
planejamento promocional, ajudando os varejistas a maximizar suas estratégias entre os canais
online e offline |
pt_BR |
| dc.format.extent |
97 f. |
pt_BR |
| dc.language.iso |
eng |
pt_BR |
| dc.publisher |
Florianópolis, SC. |
pt_BR |
| dc.rights |
Open Access. |
en |
| dc.subject |
Varejo |
pt_BR |
| dc.subject |
Previsão de Demanda |
pt_BR |
| dc.subject |
Canibalização Promocional |
pt_BR |
| dc.subject |
Aprendizado de Máquina |
pt_BR |
| dc.subject |
XGBoost |
pt_BR |
| dc.subject |
Retail |
pt_BR |
| dc.subject |
Demand Forecasting |
pt_BR |
| dc.subject |
Promotional Cannibalization |
pt_BR |
| dc.subject |
Machine Learning |
pt_BR |
| dc.title |
Retail Demand Forecasting and Channel Cannibalization: an Empirical Analysis using Gradient Boosting Models |
pt_BR |
| dc.type |
TCCgrad |
pt_BR |
| dc.contributor.advisor-co |
Oliveira, Bruna Rigon de |
|
Files in this item
This item appears in the following Collection(s)
Show simple item record
Search DSpace
Browse
-
All of DSpace
-
This Collection
My Account
Statistics
Compartilhar