Dissertação
{pt_PT=Previsão de vendas de bens de consumo embalados com recurso a técnicas tradicionais e a aprendizagem automática} {} EVALUATED
{pt=No setor dos bens de consumo embalados o elevado nível de incerteza, aliado à rápida deterioração dos produtos, obrigam ao desenvolvimento e implementação de técnicas fiáveis para melhor prever a procura. Os desempenhos das técnicas tradicionais têm vindo a ser ultrapassados pelos que são obtidos pela aprendizagem automática, que aplica novos métodos para dar resposta a este problema. A Empresa A, pertencente à indústria dos bens de consumo, recorreu aos serviços da empresa K1 Digital, com os objetivos de aumentar a eficácia do seu processo de previsão de vendas para produtos promocionais e a eficiência na produção e distribuição dos seus produtos. Esta dissertação pretende explorar as técnicas tradicionais de previsão e de aprendizagem automática que podem ser aplicadas ao problema da Empresa A, que serve de caso real de aplicação. O presente documento apresenta uma revisão do estado da arte acerca destes temas, identificando as técnicas mais adequadas e as respetivas métricas utilizadas para medir o desempenho das mesmas. Dentro das técnicas de aprendizagem automática, aplicam-se o extreme gradient boosting e as árvores de regressão. Por fim, é apresentado o desenvolvimento e implementação do modelo e os respetivos resultados. Como resultado principal verificou-se que as técnicas de aprendizagem automática destacaram-se positivamente comparativamente às técnicas tradicionais para previsão de vendas promocionais. Entre estas técnicas o método extreme gradient boosting foi o que revelou melhores resultados na maioria dos conjuntos de categorias e clientes estudados, sendo que o método máquinas de vetores de suporte foi o que obteve os piores resultados. , en=In the packaged consumer goods sector the high level of uncertainty, coupled with the rapid deterioration of products, requires the development and implementation of reliable techniques for better demand forecasting. The performance of traditional statistical techniques has been surpassed by machine learning, with new methods emerging to address this problem. Company A (whose name is omitted for confidentiality reasons), belonging to the consumer goods industry and one of the world leaders in this sector, used the services of K1 Digital, a technology consultancy firm, with the objectives of increasing the effectiveness of its sales forecasting process for promotional products and the efficiency in the production and distribution of its products. The thesis aims to explore the traditional forecasting methods and machine learning techniques that can be applied to Company A’s problem, which serves as a real case study. This document presents a state-of-the-art review of these topics, identifying the most appropriate techniques and metrics used to assess their performance. In particular, within the machine learning field are studied the extreme gradient boosting and regression trees. Finally, the thesis presents the development and implementation of the model and its results. As a main result, machine learning techniques stood out compared to traditional techniques for predicting promotional sales. Among these techniques, the extreme gradient boosting method revealed superior results in most of the sets of categories and clients studied, whereas the support vector machines method obtained the worst results.}
junho 30, 2023, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia e Gestão (DEG)
Professor Auxiliar