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.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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.

Citas

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

Descargas

Publicado

2024-08-24

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

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.

Atribuição 4.0 internacional CC BY 4.0 Deed