Utilização de modelos estatísticos e machine learning para a previsão de vendas no sector do retalho : um estudo comparativo

Mestrado em Ciências EmpresariaisA previsão das necessidades futuras torna-se fundamental para o correto planeamento e operação das empresas de retalho. Ao nível organizacional, as previsões de vendas funcionam como parâmetros de entrada para as diversas áreas funcionais das empresas. Previsões pouco precisas ou ineficientes podem levar à realização de elevado ou baixo nível de inventário, afetando de forma direta a rentabilidade e a posição competitiva das organizações. Os dados de vendas provenientes deste sector, exibem fortes padrões de tendência e variação sazonal, colocando desafios ao desenvolvimento de modelos de previsão eficazes. O objetivo do trabalho assenta na comparação do desempenho da previsão entre os métodos ARIMA e MLP para o estudo de caso de uma empresa portuguesa do sector do retalho, tendo em consideração cinco grupos de produtos. Pretende-se também investigar qual o impacto do pré-processamento dos dados de entrada no rigor das previsões, e de que forma a utilização combinada dos métodos ARIMA e MLP aumenta a eficácia desta previsão. Os resultados apontam para um melhor desempenho do método MLP em comparação com o método ARIMA, quando utilizado o erro de previsão EAM. Foi ainda demonstrado que o pré-processamento dos dados impacta de forma positiva o desempenho da previsão, contribuindo para a redução significativa dos erros de previsão. Também se conclui que a previsão combinada das metodologias ARIMA e MLP produz resultados positivos para duas das cinco categorias de produtos analisadas, mostrando ser um conceito com elevado interesse para uma investigação futura.Forecasting the future needs is one of the most important decisions for the effective planning and operation of the retail industries. At the organizational level, sales forecasts act as input parameters for the several functional areas of the business. Inaccurate or inefficient forecasts can lead to high or low stock levels, directly affecting the organizations profit and competitive position. Retail sales data often exhibit a strong trend pattern and seasonal variation, creating challenges for the development of effective forecast models. The objective of this study is to compare the forecast performance of ARIMA and MLP methods through a case study of a Portuguese retail company, considering five different groups of products. It is also intended to investigate the impact of the data preprocessing on the accuracy of forecasts, and if the combination of ARIMA and MLP methods can increase the effectiveness of this forecast. The results show that the forecasting performance, evaluated via EAM error, of the MLP method is better than the one obtained for ARIMA method. It has also been shown that data preprocessing positively impacts the forecasting performance, contributing to a significantly reduction of the forecasting errors. It is also concluded that the combined forecasting of the ARIMA and MLP methodologies yields positive results for two of the five groups of products, proving to be a concept of high interest for future research.