Previsión de la demanda a largo plazo aplicada a una empresa minorista mediante Prophet
DOI:
https://doi.org/10.47456/bjpe.v10i3.45146Palabras clave:
Gestión de la cadena de suministro, Pronóstico de Demanda, Series Temporales, ProphetResumen
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.
Descargas
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Brazilian Journal of Production Engineering
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Atribuição 4.0 internacional CC BY 4.0 Deed
Esta licença permite que outros remixem, adaptem e desenvolvam seu trabalho não comercialmente, contanto que eles creditem a você e licenciem suas novas criações sob os mesmos termos.