Impacto do uso de técnicas de aprendizado de máquina, big data e variáveis causais na gestão de demanda

• Ano de defesa: 2022
• Autor(a) principal: Silva, Janderson Lopes
• Orientador(a): Sampaio, Mauro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: aprendizado de máquina; previsão de demanda; cadeia de suprimentos (gerenciamento)
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/4550; https://doi.org/10.31414/EM.2022.D.131509

Este trabalho de dissertação tem como principal objetivo avaliar o efeito da utilização de algoritmos de aprendizado de máquina e Big Data na acuracidade de previsão de demanda, além de analisar a influência das variáveis causais internas e externas. Para alcançar esse objetivo, realizou-se uma revisão sistemática da literatura com os principais conceitos de gestão de demanda para avaliar os principais métodos, abordagens e fatores relevantes para construção do modelo de planejamento de demanda. Além disso, estudou-se também os principais algoritmos de aprendizado de máquina e Big Data, que pudessem melhorar no desempenho do modelo. Após, elaborou-se um procedimento metodológico de estudo de caso em uma empresa do segmento de agronegócio, com coleta e análise de dados da demanda planejada e realizada, dos últimos cinco anos e, na sequência, realizou-se análises quantitativas para validar as hipóteses e análises qualitativas através de entrevistas com os especialistas da área. Ambas análises foram importantes para elaboração final do modelo. Como resultado, obteve-se que a utilização das técnicas de aprendizado de máquina e Big Data, melhorou em 37% a acuracidade de previsão de demanda em relação ao método qualitativo de ajuste de julgamento utilizado pela empresa. Além disso, o modelo proposto em 100% dos casos, utilizou de métodos mais robustos e sofisticados de aprendizado de máquina, do que utilizar métodos tradicionais de séries temporais simples. Outro fator importante é que as variáveis causais internas contribuíram em 100% dos casos da família de fungicidas para melhoria do planejamento de demanda e, em contrapartida, as variáveis causas externas apoiou em 50% dos casos, para melhoria desse modelo. Conclui-se, então, que as principais contribuições deste trabalho de pesquisa foram: avaliar o desempenho da acuracidade de previsão de demanda comparando métodos clássicos de séries temporais, com métodos de aprendizado de máquina; verificar as influências das variáveis causais internas e externas nos modelos de previsão de demanda; utilizar software de planejamento de demanda com modelos mais robustos, de fácil utilização e com um rápido tempo de processamento; e por fim, estruturar uma revisão sistemática da literatura, com as pesquisas mais recentes dos estudiosos da área de gestão de demanda e Supply Chain 4.0, com intuito de utilizar as melhores pesquisas praticadas no mercado