|
Abstract:
|
No setor de varejo, a previsão de demanda é uma informação crítica, podendo afetar diretamente a eficiência operacional das empresas e o nível de serviço prestado ao cliente. Entretanto, prever não é uma tarefa trivial. A crescente variedade e complexidade dos problemas de previsão resultou na necessidade de modelos preditivos cada vez mais complexos e de difícil parametrização. De forma geral, modelos mais complexos requerem mais dados e ajustes para serem treinados e, consequentemente, exigem um maior custo computacional. Quando se há um grande número de itens a serem previstos, o processo de previsão demanda pode demorar várias horas, ou até mesmo dias, o que pode ser prejudicial para a operação. Dessa forma, o presente estudo visa propor um modelo de previsão de demanda no varejo do setor de saúde e bem-estar que melhore a acurácia de predição e seja equilibrado em termos de custo computacional e desempenho. Para isto, o modelo desenvolvido incorpora classes de métodos preditivos como Suavização Exponencial, modelos ARIMA, SARIMA e Redes Neurais Recorrentes. As abordagens de seleção individual, na qual determina-se e aplica-se o melhor modelo preditivo em cada série individual, e seleção agregada, onde o modelo com melhor performance para a população como um todo é determinado e aplicado, foram testadas e comparadas. Técnicas de clusterização de séries temporais foram empregadas com o intuito de aprimorar o método da seleção agregada. Dessa forma, buscou-se o método preditivo a ser aplicado em cada cluster, ao invés de buscar um único método para toda a população. As séries temporais dos centroides obtidos foram utilizadas para eleger o método preditivo a ser utilizado em cada cluster e o resultado dessa abordagem foi comparado com uma árvore de regressão. O custo computacional na seleção agregada foi 96,7% menor comparado com a seleção individual. Em contrapartida, houve um aumento de 9,5% no erro médio de previsão. Em vista dos resultados, empregou-se a abordagem seleção agregada. Em comparação com o modelo corrente na empresa objeto de estudo, os resultados do modelo proposto demonstraram reduções consideráveis no erro de previsão a um custo médio de processamento do modelo de apenas 2,09 segundos por SKU. Ademais, a seleção do método preditivo para cada cluster através dos centroides demonstrou ser uma estimativa com grande potencial de aplicação. |
