Previsão de demanda de longo prazo aplicada a uma empresa do varejo de cosméticos utilizando o Prophet

Ana Clara Chaves Sousa; Yuri de Almeida Malheiros Barbosa; Telmo de Menezes e Silva Filho; Thaís Gaudencio do Rêgo

doi:10.47456/bjpe.v10i3.45146

Autores

Ana Clara Chaves Sousa Universidade Federal da Paraíba Autor https://orcid.org/0009-0004-1143-563X
Yuri de Almeida Malheiros Barbosa Universidade Federal da Paraíba Autor https://orcid.org/0000-0002-7779-0288
Telmo de Menezes e Silva Filho University of Bristol Autor https://orcid.org/0000-0003-0826-6885
Thaís Gaudencio do Rêgo Universidade Federal da Paraíba Autor https://orcid.org/0000-0002-6608-4900

DOI:

https://doi.org/10.47456/bjpe.v10i3.45146

Palavras-chave:

Gestão da Cadeia de Abastecimento, Previsão de Demanda, Séries Temporais, Prophet

Resumo

A disseminação da tomada de decisão baseada em dados tem sido impulsionada pela abundância de informações e pelo aumento da capacidade de processamento computacional. Para apoiar esse processo decisório, é viável extrair conhecimento e realizar previsões por meio da Ciência de Dados. Dentro da Gestão da Cadeia de Abastecimento, um desafio comum é fazer a previsão de demanda utilizando dados históricos. Prever o volume de vendas de uma empresa é complexo. Superestimar a demanda leva a desperdícios de estoque, enquanto subestimar causa ruptura. Neste estudo de caso, será feita a previsão de demanda de longo prazo (30 semanas) para dois canais de vendas diferentes de uma empresa do segmento da indústria e do varejo do mercado de Higiene Pessoal, Perfumaria e Cosméticos. Foi utilizado o algoritmo Prophet. Após implementada a metodologia, os resultados mostraram que a semana 30 apresentou um WAPE de 4% e 5% para os canais Loja e Venda Direta, respectivamente. Ao analisar o erro na trigésima semana para as três categorias de produtos mais comercializados, observou-se que o maior erro registrado foi de 9,36%. Esse resultado sugere que a metodologia empregada alcançou desempenho satisfatório.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Ana Clara Chaves Sousa, Universidade Federal da Paraíba

Graduada em Engenharia de Produção pela Universidade Federal de São João del Rei (UFSJ) com mestrado em Informática pela Universidade Federal da Paraíba (UFPB).
Yuri de Almeida Malheiros Barbosa, Universidade Federal da Paraíba

Possui graduação em Ciência da Computação pela Universidade Federal da Paraíba (2009), mestrado em Ciência da Computação pela Universidade Federal de Pernambuco (2011) e doutorado em Ciência da Computação pela Universidade Federal de Pernambuco (2017). Atualmente é professor da Universidade Federal da Paraíba.
Telmo de Menezes e Silva Filho, University of Bristol

Possui graduação em Ciência da Computação pela Universidade Federal de Pernambuco (2010), mestrado em Inteligência Artificial pela Universidade Federal de Pernambuco (2013) e doutorado em Ciências da Computação pela Universidade Federal de Pernambuco (2017), tendo como tema de pesquisa Aprendizagem de Máquina. Realizou doutorado sanduíche na University of Bristol (Reino Unido). Atualmente é Professor Adjunto na Universidade Federal da Paraíba. Tem experiência na área de Ciência da Computação, com ênfase em Aprendizagem de Máquina.
Thaís Gaudencio do Rêgo, Universidade Federal da Paraíba

Possui graduação em Ciências Biológicas pela Universidade Federal da Paraíba (2003) e mestrado em Modelagem Computacional com Ênfase em Bioinformática e Biologia Computacional - Laboratório Nacional de Computação Científica (2008) e Doutora em Ciência da Computação pelo Centro de Informática da Universidade Federal de Pernambuco (2012). Atualmente é professora associada da Universidade Federal da Paraíba. Tem experiência na área de Bioinformática, Inteligência Artificial e suas aplicações.

Referências

Andrade, L. & Cunha, C. B. (2022). Disaggregated retail forecasting: A gradient boosting approach. DOI: https://doi.org/10.2139/ssrn.4129889

Baržic, M., Munitic, N.F., Bronic, F., Jelic, L., & Lešic, V. (2022). Forecasting Sales in Retail with XGBoost and Iterated Multi-step Ahead Method. In 2022 International Conference on Smart Systems and Technologies (SST) (pp. 153-158). DOI: https://doi.org/10.1109/SST55530.2022.9954658

Bergmeir, C. & Benítez, J. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192-213. DOI: https://doi.org/10.1016/j.ins.2011.12.028

Hasan, M., Kabir, M., Shuvro, R., & Das, P. (2022). A Comparative Study on Forecasting of Retail Sales. arXiv preprint arXiv:2203.06848.

Kelleher, J. & Tierney, B. (2018). Data Science. MIT Press. DOI: https://doi.org/10.7551/mitpress/11140.001.0001

Lopes, G. (2022). The wisdom of crowds in forecasting at high-frequency for multiple time horizons: A case study of the Brazilian retail sales. Brazilian Review of Finance, 20(2), 77-115. DOI: https://doi.org/10.12660/rbfin.v20n2.2022.85016

Provost, F. & Fawcett, T. (2013). Data Science for Business. O'Reilly.

Saltz, J. & Stanton, J. (2017). An Introduction to Data Science. SAGE Publications.

Schoenherr, T. & Speier-Pero, C. (2015). Data science, predictive analytics, and big data in supply chain management: Current state and future potential. Journal of Business Logistics, 36(1), 120-132. DOI: https://doi.org/10.1111/jbl.12082

Seyedan, M. & Mafakheri, F. (2020). Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities. Journal of Big Data, 7(1), 1-22. DOI: https://doi.org/10.1186/s40537-020-00329-2

Sousa, A., Rego, T., Barbosa, Y., Menezes, T. (2023). Comparing Gradient Boosting Algorithms to Forecast Sales in Retail. In: Anais do XX Encontro Nacional de Inteligência Artificial e Computacional (pp. 596-609). DOI: https://doi.org/10.5753/eniac.2023.234285

Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. Advances in Neural Information Processing Systems, 34, 22419-22430.

Zhou, T., Zhu, J., Wang, X., Ma, Z., Wen, Q., Sun, L., & Jin, R. (2022). TreeDRNet: A Robust Deep Model for Long Term Time Series Forecasting. arXiv preprint arXiv:2206.12106