Rede neural com conhecimento especializado para previsão de demanda intermitente

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2020.A exatidão da previsão de demanda é essencial para um controle de estoque eficaz, visto que erros na previsão podem resultar em estoques excessivos ou na falta de material. Dentro dos tipos de previsão de demanda, destaca-se a intermitente, em que ocorre diversas demandas nulas. Os métodos de previsão mais utilizados para esse tipo de demanda se baseiam apenas no histórico da demanda, ignorando a sua causa. Dessa forma, este trabalho documenta a implementação de uma rede neural artificial com conhecimento especialista para demanda intermitente em uma empresa de manutenção, reparo e revisão. A pesquisa seguiu as cinco primeiras etapas da metodologia do CRISP-DM: Entendimento do Negócio, Entendimento dos Dados, Preparação dos Dados, Modelagem e Avaliação. As informações consideradas importantes para o comportamento da demanda foram convertidas em variáveis para a rede neural. Para avaliar o desempenho da rede neural proposta, esta foi comparada a onze métodos de previsão em relação a três medidas de exatidão. E para avaliar o impacto da rede no controle de estoque, foi desenvolvido um simulador de estoque a partir das informações da empresa. Os resultados mostraram que as redes neurais apresentam os menores erros absolutos na previsão de demanda e que tendem a subdimensionar a previsão. Essa tendência de subdimensionamento resulta em níveis de serviços e estoque médios menores e em custos de estoque maiores.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).The accuracy of demand forecasting is essential for an effective inventory control, as errors in forecasting can result in excessive stocks or a lack of material. Within the types of demand forecast, the intermittent one stands out, in which there are several null demands. The most used forecasting methods for this type of demand are based only on the history of the demand, ignoring its cause. Thus, this work documents the implementation of an artificial neural network with specialist knowledge for intermittent demand in a maintenance, repair, and overhaul company. The research followed the first five steps of the CRISP-DM methodology: Business Understanding, Data Understanding, Data Preparation, Modeling and Evaluation. The information considered important for the demand behavior was converted into variables for the neural network. To evaluate the performance of the proposed neural network, it was compared to eleven forecasting methods in relation to three measures of accuracy. And to assess the network's impact on inventory control, a stock simulator was developed based on company information. The results showed that neural networks have the smallest absolute errors in the demand forecast and that they tend to underestimate the forecast. This downsizing trend results in lower average service and inventory levels, and higher inventory costs