Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/26525| Título: | Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina |
| Autor(es): | Noseda, Fernando Daniel Duarte |
| Orientador(es): | Melo Junior, Luiz Ledo Mota |
| Palavras-chave: | Vendas - Métodos estatísticos Comércio varejista Vendas - Previsão Aprendizado do computador Sales - Statistical methods Retail trade Sales - Forecasting Machine learning |
| Data do documento: | 30-Abr-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | NOSEDA, Fernando Daniel Duarte. Previsão de vendas do comércio de varejo com técnicas clássicas e de aprendizado de máquina. 2021. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021. |
| Resumo: | A previsão de vendas no comércio varejista é um trabalho desafiador devido ao número de variáveis e fenômenos que alteram significativamente o comportamento das vendas. Some-se a isso o fato de que o volume de vendas varia de acordo com o produto ou categoria do produto comercializado. Uma boa previsão de vendas auxilia na colocação de pedidos de reposição e manutenção de estoques adequados, reduzindo custos. Entretanto, existem várias técnicas de previsão de séries temporais que nem sempre são empregadas adequadamente pelas empresas. Este trabalho compara técnicas de previsão de séries temporais (clássicas e de Aprendizado de Máquina) com dados de vendas do varejo provenientes de uma empresa de consultoria do comércio varejista. Quatro modelos de previsão são considerados: i) suavização exponencial; ii) ARIMA; iii) “k-nearest-neighbors”; iv) “random forest”. Os desempenhos dos modelos são quantificados por uma medida de erro entre os valores preditos e observados, e normalizados com a métrica de erro MASE (“mean absolute scaled error”) entre a previsão do modelo considerado e a do modelo “naive” adotado como referência Os experimentos realizados consideram a previsão de 18 séries temporais de vendas de produtos agregados em 18 departamentos. Os resultados mostram que o modelo “random forest” obtém erros de predição de menor mediana, quando considerados todos os 18 departamentos em conjunto. |
| Abstract: | Sales demand forecasting in the retail bussiness presents many challenges due to the many variables that can affect sales behavior. Furthermore, sales volume varies according to the product or product category in question. Accurate forecast plays an important part in stock replenishment operations by maintaining adequate stock levels and avoiding stockouts leading to reduced expenditures related to logistic costs. However, time series forecasting methods are not always appropriately used in the industry. The present study compares time series forecasting methods (of statistical and Machine Learning approaches) on sales data. The preditive performance of each method is evaluated by the error between predicted and observed values. A normalization is then made by using the mean absolute scaled error (MASE) between the considered model and a baseline naive method. The comparisons are made for 18 time series of aggregate sales of 18 departments. The results show that the random forest model performed best when considering aggregate time series. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/26525 |
| Aparece nas coleções: | CT - Sistemas de Informação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaovendasaprendizadomaquina.pdf | 6,84 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.