Previsión de la demanda a largo plazo aplicada a una empresa minorista mediante Prophet

Autores/as
DOI:
https://doi.org/10.47456/bjpe.v10i3.45146
Palabras clave:
Gestión de la cadena de suministro, Pronóstico de Demanda, Series Temporales, Prophet
Resumen

La difusión de la toma de decisiones basada en datos  se ha visto impulsada por la abundancia de información y el aumento de la capacidad de procesamiento informático. Para apoyar este proceso de toma de decisiones, es factible extraer conocimientos y hacer previsiones utilizando la Ciencia de Datos. Dentro de la Gestión de la Cadena de Suministro, un reto habitual es la previsión de la demanda a partir de datos históricos. Prever el volumen de ventas de una empresa es complejo. Si se sobreestima la demanda, se desperdician existencias, y si se subestima, se agotan. En este estudio de caso, se realizará una previsión de la demanda a largo plazo (30 semanas) para dos canales de venta diferentes de una empresa de los segmentos industrial y minorista del mercado de Cuidado Personal, Perfumería y Cosmética. Se utilizó el algoritmo Prophet. Después de aplicar la metodología, los resultados mostraron que la semana 30 tenía un WAPE del 4% y del 5% para los canales Tienda y Venta Directa, respectivamente.  Al analizar el error en la semana 30 para las tres categorías de productos más comercializadas, el error más elevado registrado fue del 9,36%. Este resultado sugiere que la metodología empleada obtuvo resultados satisfactorios.

Biografía del autor/a
  1. 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).

  2. 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.

  3. 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.

  4. 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.

Referencias

Andrade, L. & Cunha, C. B. (2022). Disaggregated retail forecasting: A gradient boosting approach.

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).

Bergmeir, C. & Benítez, J. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192-213.

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.

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.

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.

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.

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).

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

Cover Image
Descargas
Publicado
2024-08-24
Número
Vol. 10 Núm. 3 (2024): Edición regular (julio - septiembre)
Sección
INVESTIGACIÓN OPERATIVA
Licencia

Derechos de autor 2024 Brazilian Journal of Production Engineering

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.

Cómo citar

Sousa, A. C. C., Barbosa, Y. de A. M., Silva Filho, T. de M. e, & Rêgo, T. G. do. (2024). Previsión de la demanda a largo plazo aplicada a una empresa minorista mediante Prophet. Brazilian Journal of Production Engineering, 10(3), 372-383. https://doi.org/10.47456/bjpe.v10i3.45146