AVALIAÇÃO DE MODELOS DE PREVISÃO DE VENDAS A PARTIR DA EXPLORAÇÃO DE TÉCNICAS DE ANÁLISE DE SÉRIES TEMPORAIS, MÉTODOS CAUSAIS E DE REDES NEURAIS ARTIFICIAIS

FILIPE DRUMOND REIS

Resumo


A previsão de vendas é fundamental para organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa, contudo toda previsão carrega consigo a incerteza. Na tentativa de diminuir essa incerteza, novas técnicas e métodos são constantemente pesquisados e desenvolvidos. Entre as diversas técnicas de previsão existem as baseadas em métodos quantitativos, que analisam o comportamento e padrão das séries no passado e traçam projeções futuras sobre as mesmas. A evolução destes modelos tem sido determinada pelo avanço da tecnologia da informação que, a partir da utilização mais intensiva de técnicas de inteligência artificial, permite o desenvolvimento de modelos preditivos com melhor desempenho. Diante destas novas possibilidades que a inteligência artificial propicia, emerge o seguinte problema de pesquisa: Quais são as técnicas que apresentam maior acurácia quando aplicadas para previsão de vendas? Para responder a esta questão, essa dissertação avaliou de forma quantitativa modelos de previsão aplicados em dados reais de uma indústria brasileira do segmento têxtil. Foram desenvolvidas e avaliadas técnicas estatísticas de suavização exponencial, modelos ARIMA, regressão e redes neurais artificiais otimizadas pela técnica de algoritmos genéticos. A pesquisa mostrou que a inclusão de variáveis externas auxilia na melhor acurácia dos modelos de previsão e que a adoção de métodos que captam variações não lineares nem sempre gera ganhos de previsão. Por fim, os resultados mostraram que a otimização por Algoritmos Genéticos pode gerar modelos com uma capacidade preditiva superior.

Texto completo:

PDF

Referências


ABIT. Relatório de Atividades Abit. Disponível em:

http://www.abit.org.br/conteudo/informativos/relatorio_atividades/2013/relatorio2013.pdf

Acesso em Janeiro de 2013.

ADYA, M.; COLLOPY, F. How Effective are Neural Networks at Forecasting and Prediction?

A Review and Evaluation. Journal of Forecasting, v. 17, p. 481-495, 1998.

ALMEIA, F.; PASSARI, A. Previsão de vendas no varejo por meio de redes neurais. Revista

de Administração, São Paulo, v.41, n.3, p.257-272, jul./ago./set. 2006.

ARMSTRONG, J. Sales Forecasting. Disponível em SSRN:

http://ssrn.com/abstract=1164602 ou http://dx.doi.org/10.2139/ssrn.1164602 . 2008.

ARCHER, B. Forecasting Demand: Quantitative and Intuitive Techniques. International

Journal of Tourism Management, v. 1, n. 1, p. 5-12, 1980.

BAHRAMMIZAEE, A. A comparative survey of artificial intelligence applications in finance:

artificial neural networks, expert system and hybrid intelligent systems. Neural Comput;

Applic v. 19, p. 1165-1195. 2010

CHANG, P.; LUI, C.; FAN, C. Data clustering and fuzzy neural network for sales forecasting:

A case study in printed circuit board industry. Knowledge-Based Systems, v. 22, p. 344-355.

CHANG, P.; LIU, C.; LAI, R. A fuzzy case-based reasoning model for sales forecasting in

print circuit board industries. Expert Systems with Applications, v. 34, p. 2049-2058. 2008.

CHANG, P.; LAI, C. A hybrid system combining self-organizing maps with case-based

reasoning in wholesaler’s new-release book forecasting. Expert Systems with Applications, v.

, p. 183-192. 2005.

COSTA, A.; ROCHA, E. Panorama da Cadeia Produtiva Têxtil e de Confecções e a Questão

da Inovação. BNDES Setorial, Rio de Janeiro, n. 29, p. 159-202, mar. 2009.

GARDNER, E. Exponential Smoothing: The State of the Art - Part II. International Journal of

Forecasting, v.22, n.4, p. 637-666, 2006.

GORINI, A. O Segmento de Índigo. BNDES Setorial, Rio de Janeiro, n. 10, p. 313-334, set.

GIL, A. Métodos e técnicas de pesquisa social. 4 ed. São Paulo: Atlas, 1994

GRÖNER, G., BOŠKOVIĆ, M., PARREIRAS, F., GAŠEVIĆ, D. Modeling and validation of

business process families. Information Systems, v. 38, n. 5, p.709-726. Julho -2013.

HADAVANDI, E.; SHAVANDI, H.; GHANBARI, A. An improved sales forecasting approach

by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit

board. Expert Systems with Applications, v. 38,p. 9392-9399. 2011

HICHAM, A; ANAS, B. Hybrid intelligent system for Sale Forecasting using Delphi and

adaptive Fuzzy Back-Propagation Neural Networks. International Journal of Advanced

Computer Science and Applications , v. 3, n. 11, p. 122-130. 2012.

HICHAM, A.; MOHAMED, B.; ABDELLAH, EL F. An improved approach based on fuzzy

clustering and Back-Propagation Neural Networks with adaptive learning rate for sales

forecasting: Case study of PCB industry. International Journal of Computer Science Issues, v.

, n. 1, p. 404-414. Maio-2012

HYNDMAN, R.; ATHANASOPOULOS, G. Forecasting: principles and practice. Disponível

em: http://otexts.com/fpp/.

KUROGA, T.; NAGATA, K.; TAKEYASE, K. A Hybrid Method to Improve Forecasting

Accuracy - An Introduction of a Day of the Week Index for Air Cargo Weight Data. Journal of

Computations & Modelling, v. 2, n. 3, p. 89-108. 2012.

LEMOS, F. Metodologia para Seleção de Métodos de Previsão de Demanda. Dissertação de

Mestrado. Programa de Pós-Graduação em Engenharia de Produção, Escola de Engenharia

da Universidade Federal do Rio Grande do Sul, Porto Alegre, 2006.

MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and

Applications. Wiley, 3ª Edição, 1998.

MARQUES, L. D. Modelos Dinâmicos com Dados em Painel: revisão de literatura.

Faculdade de Economia do Porto, Portugal. out. 2000.

PACHECO, M.; VELLASCO, M. Sistemas Inteligentes de Apoio à Decisão: Análise

Econômica de Projetos de Desenvolvimento de Campos de Petróleo sob Incerteza. Rio de

Janeiro: Ed. PUC-Rio, 2007.

PASSARI, A. Exploração de Dados Atomizados para Previsão de Vendas no Varejo

Utilizando Redes Neurais. Dissertação de Mestrado. Departamento de Administração da

Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo, São

Paulo, 2003.

PORTER, M. E. Estratégia Competitiva: Técnicas para Análise da Indústria e da

Concorrência. Rio de Janeiro: Campus, 1986.

ROBERTS, J. Marketing approaches to forecasting problems. Journal of Forecasting,

Chichester, v.17, n.3-4, p.169-174, June/July 1998.

SPSS. IBM SPSS Modeler 14.2 Modeling Nodes. Copyright IBM Corporation 1994, 2011.

THOMASSEY, S.; HAPPIETTE, M.; CASTELAIN, J. A global forecasting support system

adapted to textile distribution. International Journay of Production Economics, v. 96, p. 85-96,

WOOLDRIDGE, J. M. Econometric Analysis of cross-section and panel data, The MIT Press,

London, England. 2002.

WONGN, W.; GUO, Z. A hybrid intelligent model for medium-term sales forecasting in

fashion retail supply chains using extreme learning machine and harmony search algorithm.

International Journay of Production Economics, v. 128, p. 614-624, 2010.

YO, Y.; CHOI, T.; HUI, C. An intelligent fast sales forecasting model for fashion products.

Expert Systems with Applications, v. 38, p. 7373-7379. 2010.

ZOTTERI, G.; KALCHSCHIMIDT, M. Forecasting practices: Empirical evidence and a

framework for research. International Journay of Production Economics, v. 108, p. 85-99,


Apontamentos

  • Não há apontamentos.




Projetos, Dissertações e Teses em Sistemas de Informação e Gestão do Conhecimento
ISSN 2358-5501 (Online)