Aprendizagem de máquina para apoio à tomada de decisão em vendas do varejo utilizando registros de vendas

Abstract

O setor de varejo é de grande importância para a economia global e estratégias que permitam aumentar a eficiência de seus processos podem garantir seu equilíbrio e crescimento. Dentro desse contexto, empregar técnicas de aprendizado de máquina é uma possibilidade que auxilia empresas a tomar melhores decisões no seu negócio, como já acontece em algumas das grandes empresas do setor. Em redes de lojas físicas, porém, pouco é realizado na aplicação de inteligência para entender a relação entre os produtos e clientes, sendo tal prática já consolidada no e-commerce. Um dos grandes empecilhos é o fato de que a quantidade e qualidade de dados disponíveis para essa análise são inferiores em relação às lojas virtuais, onde rastrear as ações dos clientes é mais fácil. Para atingir bons resultados, o condicionamento dos dados é essencial para essa tarefa. Com o presente trabalho é proposto utilizar algoritmos de aprendizado de máquina para criar modelos que representem essas relações. Para atingir os objetivos, dois problemas que relacionam os produtos com os clientes que os compram foram desenvolvidos em parceria com uma empresa que atua no setor do varejo. Para criar os modelos, foram disponibilizados dados de cadastro de clientes e de vendas dos anos 2015 e meados de 2016 de cerca de 100 de suas lojas. Os algoritmos utilizados para criar os modelos de classificação foram a Árvore de Decisão e o k-Nearest Neighbors. Para agrupar os produtos, uma solução utilizando algoritmo genético é apresentada. Técnicas para avaliação de modelos para classificação são apresentadas, as quais permitiram validar os resultados obtidos.

Retail is a sector of great importance for the global economy and techniques to increase the efficiency of some of its processes can ensure its balance and growth. In this context, applying machine learning techniques is a possibility that can help companies to make better business decisions, as it has been already applied in large retail companies. However, little has been done in applying intelligence to understand the relationship between the products and the clients at physical retail stores, in contrast with e-commerce initiatives. One of the greatest difficulties is the fact that the available data has lower quality and smaller volume than the virtual stores, because tracking the client’s actions is far easier on a web store. In order to reach good results, processing the data is essential in this task. The present report proposes to use machine learning algorithms to create models that represent these relationships. To achieve the established objectives, two problems that relate the products with the clients were developed in partnership with a retail company. To create the models, a database containing the customer base and the sales records of the years of 2015 and 2016 of around 100 of its stores were made available. To generate the classification models, the Decision Tree and k-Nearest Neighbors algorithms were applied. In order to cluster the products, a genetic algorithm based solution is shown. Techniques to evaluate the classification models are also shown, allowing the validation of the obtained results.