Retail Demand Forecasting and Channel Cannibalization: an Empirical Analysis using Gradient Boosting Models

DSpace Repository

A- A A+

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

Files Size Format View Description
TCC.pdf 2.527Mb PDF View/Open TCC

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account

Statistics

Compartilhar