Previsão de demanda com o uso de modelos auto regressivos e clusterização de séries temporais: um estudo de caso de uma empresa de varejo

Abstract

O processo de previsão de demanda tem por objetivo reduzir a incerteza em relação aos valores de demandas futuras. A redução da incerteza de demandas futuras permite às empresas reduzirem custos de estocagem, custos de perda de pedidos, aumentarem o capital de giro e tornarem mais eficiente a gestão da cadeia de suprimentos. O presente trabalho tem por objetivo analisar modelos de previsão para produtos de um comércio varejista localizado no Norte do país, que possui o garimpo como principal mercado alvo. Os modelos de previsão utilizados são pertencentes à família de modelos auto regressivos SARIMA. A parametrização dos modelos foi realizada por três métodos: Grid Search, método de otimização Auto Arima e proposição de um modelo de generalização dos parâmetros por meio da clusterização das séries temporais. O modelo de generalização dos parâmetros consistiu na utilização da métrica de dissimilaridade Dynamic Time Warping e do método Ward de clusterização aglomerativa para a generalização dos parâmetros dos modelos de previsão para séries de um cluster. Os resultados foram analisados pelas métricas RMSE e MAE e indicam que os parâmetros obtidos por meio da técnica Grid Search geram previsões com menor RMSE e MAE. A parametrização pelo cluster obteve resultados com menor RMSE e MAE para 10 das 15 séries temporais quando comparadas com os resultados obtidos com o método Auto Arima, o que indica que a clusterização pode auxiliar no processo de parametrização de modelos de previsão. Os tempos de processamento da técnica Grid Search foram significativamente superiores em relação aos tempos de processamento dos demais métodos e ressaltam a importância da definição do objetivo do modelo de previsão.