Previsão de demanda através de redes neurais em um ambiente de omnicanalidade no varejo

• Ano de defesa: 2021
• Autor(a) principal: Linhares, Eduardo Correia Lima
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica de Goiás; Escola de Engenharia::Curso de Engenharia de Produção; Brasil; PUC Goiás; Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas
• Palavras-chave em Português: cadeia de suprimentos; phygital; machine learning; projeção de demanda; supply chain; phygital; machine learning; demand projection; Engenharias: Engenharia de Produção
• Link de acesso: http://tede2.pucgoias.edu.br:8080/handle/tede/4759

Dado o desenvolvimento do varejo rumo ao ambiente de omnicanalidade e o consequente aumento de fontes de informações disponíveis, a previsão de demanda se torna cada vez mais complexa e a busca por soluções que se adaptam a este cenário se torna relevante. Através de uma revisão bibliográfica, foram analisados os principais modelos de previsão de demanda que utilizam algoritmos de inteligência artificial no período de 2010 a 2020, assim como seus resultados e comparações com modelos tradicionais. Este trabalho apresenta um modelo de análise de dados que adota a combinação de dois algoritmos de machine learning (hierarchical clustering e redes neurais artificiais) para previsão de demanda a partir do treinamento em dados reais de um período de dois anos de um varejo local em um ambiente de omnicanalidade contendo atributos internos e externos. O modelo demonstrou, através dos indicadores de previsibilidade MAPE, MAE e RMSE, valores dentro do alcance dos resultados obtidos pela literatura para previsão de demanda, mesmo em um ambiente de omnicanalidade. As percepções deste estudo podem ser utilizadas para definição das políticas de ressuprimento e alocação de produtos nos diferentes canais de atendimento. A generalização deste modelo tem oportunidade para pesquisas futuras, levando em consideração outros atributos relevantes para a previsão de demanda como o perfil do consumidor, assim como variações do algoritmo para torná-lo mais robusto