Machine Learning Algorithms for demand forecasting

Dissertação de mestrado em Engenharia de SistemasTodos os dias milhares de produtos são colocados à disposição de consumidores ou organizações, via produtores, grossitas ou retalhistas, quer fisicamente ou online. Independentemente da indústria, do canal ou do volume, a disposição de mercadoria pressupõe uma alocação e um processo de planeamento para que esses mesmos produtos ou serviços estejam disponíveis no momento em que são procurados. Seria ideal que as empresas conseguissem antecipar o futuro e saber com exatidão o que venderão e quanto venderão. No entanto, ainda só é possível ter certezas sobre o passado e o presente, pelo que o futuro pode apenas ser tocado através da previsão. A previsão da procura não se traduz em garantia, mas permite reduzir a incerteza do lado da oferta até que o risco de tomar decisões se torne tolerável e claramente inferior ao valor que assunção da previsão como próxima da realidade permite aportar. É precisamente na previsão da procura que se focará este caso de estudo, mais concretamente na previsão da procura das lojas do retalhista equatoriano Favorita. A disponibilização dos dados de vendas deste comerciante servirá de base à análise da previsão da procura dos artigos comercializados pela Favorita, através da aplicação de métodos de Machine Learning. A procura dos artigos do retalhista será prevista recorrendo ao uso de redes neuronais recorrentes de memória de longo-curto prazo (Long Short-term Memory, LSTM). No entanto, tendo em conta a complexa natureza do sortido do negócio a que se aplica este caso, será testado o efeito mediador da aplicação de clustering ao conjunto de produtos da Favorita nos resultados da previsão. Assim, será possível segmentar a informação que é facultada à rede neuronal de previsão e perceber se esta responde melhor ao receber um conjunto não organizado de informação de vendas de todos os artigos ou se é mais eficiente na previsão quando esses artigos estão organizados pela sua semelhança. Adicionalmente, serão também exploradas duas abordagens na aplicação de clustering, de forma iterativa, que permitirão consolidar a conclusão de que a mediação de clustering parece ter efeitos positivos na melhoria dos resultados da previsão da procura dos artigos da Favorita através de redes neuronais LSTM.Everyday thousands of products are made available to consumers or organizations, via producers, wholesalers, or retailers, either physically or online. Regardless of industry, channel or volume, merchandise placement presupposes an allocation and a planning process so that those same products or services are available when they are in demand. Ideally, companies should be able to anticipate the future and know exactly what they will sell and how much they will sell. However, it is still only possible to be certain about the past and the present, so the future can only be touched by forecasting. Demand forecasting does not translate into guarantees, but it allows to reduce uncertainty on the supply side until the risk of taking decisions becomes tolerable and clearly lower than the value that the assumption of the forecast as close to reality allows for. It is precisely on forecasting demand that this case study will be focused, more specifically on forecasting demand for Ecuadorian wholesaler Favorita stores. The availability of sales data from this merchant will serve as a basis for analyzing the forecast demand for products sold by Favorita, through the application of Machine Learning methods. The demand for the wholesaler's items will be forecasted using Long-Short Term Memory (LSTM) recurrent neural networks. However, considering the complex nature of the business assortment to which this case applies, the mediating effect of applying clustering to Favorita's product set on the forecast results will be tested. Thus, it will be possible to segment the information that is provided to the predictor neural network and see if it responds better when receiving an unorganized set of sales information for all items or if it is more efficient in the prediction when these items are organized by their similarity. Additionally, two approaches in the application of clustering will also be explored, in an iterative manner, which will allow consolidating the conclusion that clustering mediation seems to have positive effects in improving the results of forecasting the demand for Favorita’s products through LSTM neural networks