Abstract
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.
Publisher
Universidade Federal do Espirito Santo
Reference13 articles.
1. Andrade, L. & Cunha, C. B. (2022). Disaggregated retail forecasting: A gradient boosting approach.
2. 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).
3. Bergmeir, C. & Benítez, J. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192-213.
4. Hasan, M., Kabir, M., Shuvro, R., & Das, P. (2022). A Comparative Study on Forecasting of Retail Sales. arXiv preprint arXiv:2203.06848.
5. Kelleher, J. & Tierney, B. (2018). Data Science. MIT Press.