Browsing by Author "Ziegler, Natasha Katharina"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Previsão de vendas no comércio a retalho utilizando algoritmos de machine learningPublication . Ziegler, Natasha KatharinaO sector do retalho, avaliado em biliões de euros, é dinâmico e em constante evolução, enfrentando desafios na previsão precisa da procura devido à rápida mudança nas preferências dos consumidores, às tendências emergentes e à variedade de atributos dos produtos. A necessidade de planear as vendas com antecedência e a escassez de dados concretos aumentam ainda mais a complexidade. Métodos de previsão como os estatísticos, apreciados pela sua clareza, podem ser insuficientes com dados complexos, enquanto as técnicas de aprendizagem automática conseguem identificar padrões mais complexos, apesar de exigirem grandes volumes de dados. Esta dissertação utiliza a metodologia CRISP-DM para explorar métodos estatísticos de previsão e a adaptabilidade dos algoritmos de aprendizagem automática na previsão de vendas no setor de retalho. A combinação destas técnicas avançadas com o processo CRISP-DM proporciona uma análise mais robusta e flexível, aumentando a eficiência e a precisão das previsões de procura. Isto permite otimizar a gestão de stocks e o planeamento estratégico, o que pode melhorar significativamente o desempenho operacional e a rentabilidade da empresa. Os dados analisados pertencem à empresa norte-americana Walmart e abrangem as vendas de 10 lojas distribuídas por três estados: Califórnia, Texas e Wisconsin, ao longo de um período de 5 anos. Para prever as vendas futuras, foram desenvolvidos diversos modelos, incluindo um modelo global, treinado com todos os dados, e outros específicos por loja e por estado. O modelo global captura tendências gerais, enquanto os modelos específicos por estado e por loja identificam padrões únicos de cada região e unidade, proporcionando previsões mais ajustadas a nível local. Adicionalmente, cada modelo de aprendizagem automática foi treinado em 4 cenários distintos: utilizando dados totais, do último ano, dos últimos 3 meses e do último mês, com o objetivo de observar o impacto das variações temporais nas previsões. Foram também considerados fatores como feriados e dias da semana nos modelos, que têm um impacto significativo nas vendas. Os resultados obtidos mostram que, entre os métodos estatísticos, o modelo agregado por loja com SARIMA foi o mais eficaz para a previsão de vendas em contextos sazonais, alcançando um MAE de 224 e um MAPE de 5,39%. No que diz respeito aos métodos de aprendizagem automática, o Support Vector Machines (SVM) destacou-se ao apresentar valores elevados de R², variando entre 77% e 80% para os modelos agregados por estado e loja, com erros relativamente baixos. A análise também revelou que o modelo agregado global apresentou um desempenho inferior, refletindo uma capacidade limitada para capturar as particularidades regionais e locais. Estes resultados sublinham a importância de utilizar dados atualizados e ajustar os modelos às recentes variações do mercado, enfatizando a necessidade de uma abordagem adaptativa na modelagem preditiva. A comparação entre diferentes metodologias e a inclusão de hiperparâmetros foram cruciais para a precisão das previsões, com os resultados variando conforme o modelo e o contexto de aplicação.