Machine Learning Approach to Forecast Sparse Tire Test Demand

Abstract

No desenvolvimento de novos pneus, as fases de teste desempenham um papel fundamental, pois avaliam se o pneu proposto atende aos requisitos de desempenho exigidos. Na Michelin, esses testes são realizados por uma entidade interna que precisa conhecer, com bastante antecedência, a demanda mensal de cada recurso de teste — isto é, a carga de trabalho de cada grupo de máquinas de ensaio — a fim de garantir capacidade suficiente. No entanto, o método de previsão atualmente utilizado não consegue capturar a demanda real, impedindo a empresa de alcançar um equilíbrio entre demanda e capacidade. Como consequência, surgem pedidos em atraso nas oficinas, causando atrasos em projetos em andamento. Portanto, um novo método de previsão deve ser considerado. Como a demanda por testes pode ser estruturada em níveis hierárquicos, propõe-se uma abordagem bottom-up, na qual a demanda de cada teste é prevista no nível de projeto utilizando técnicas de Aprendizado de Máquina (ML, do inglês Machine Learning), de modo a explorar plenamente a grande quantidade de dados disponíveis. Nesse nível, entretanto, a demanda é esparsa: cada projeto utiliza apenas um pequeno subconjunto dos recursos de teste disponíveis e somente em meses específicos. Consequentemente, a previsão da demanda torna-se um problema de regressão com inflação de zeros (zero-inflated regression). Para tratar essa questão, é proposta uma abordagem de modelagem composta. Primeiramente, um classificador atua como um filtro, determinando se um projeto solicitará um determinado recurso de teste. Em caso afirmativo, um modelo de regressão subsequente prevê a carga de trabalho associada. A tarefa de classificação é altamente desbalanceada, uma vez que os projetos solicitam recursos de teste apenas em uma pequena fração do tempo. Essa lógica em dois estágios é aplicada tanto ao horizonte completo de previsão quanto a cada mês individual dentro desse horizonte. No entanto, apenas o classificador associado ao horizonte completo de previsão, desenvolvido com modelos baseados em árvores da biblioteca Scikit-learn em Python, é implementado e avaliado. Essa abordagem tem como objetivo servir como o primeiro passo rumo a uma previsão de demanda mais precisa, permitindo que a empresa desenvolva uma visão estratégica das necessidades de teste, reduza os pedidos em atraso e evite atrasos em projetos em andamento.

In the development of new tires, the testing phases play a key role, as they assess whether the proposed tire meets the required performance standards. At Michelin, these tests are carried out by an internal entity that must know, well in advance, the monthly demand for each test resource — namely, the workload for each group of test machines, in order to ensure sufficient capacity. However, the forecasting method currently employed is not able to capture the true demand, preventing the company from achieving an equilibrium between demand and capacity. As a result, backorders arise in the workshops, causing delays in ongoing projects. Therefore, a new forecasting method should be considered. Since test demand can be structured into hierarchical levels, a bottom-up approach is proposed in which the demand for each test is predicted at the project level using Machine Learning (ML) techniques in order to fully leverage the large amount of available data. At this level, however, demand is sparse: each project uses only a small subset of the available test resources and only during specific months. Consequently, demand prediction becomes a zero-inflated regression problem. To address this issue, a composite modeling approach is proposed. First, a classifier acts as a hurdle by determining whether a project will request a given test resource. If so, a subsequent regression model predicts the associated workload. The classification task is highly imbalanced, as projects request test resources only a small fraction of the time. This two-stage logic is applied both to the full forecast horizon and to each individual month within the horizon. Nevertheless, only the classifier associated with the full forecast horizon, designed with tree-based models from the Scikit-learn Python library, is implemented and evaluated. This approach aims to serve as the first step to a more accurate demand forecast, enabling the company to develop a strategic view of testing requirements, reduce backorders, and avoid delays in ongoing projects.