Banca de DEFESA: THAIS APARECIDA RIBEIRO CLEMENTINO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : THAIS APARECIDA RIBEIRO CLEMENTINO
DATA : 09/05/2025
HORA: 14:00
LOCAL: virtual na plataforma google meet
TÍTULO:

Métodos de previsão para pequenas séries temporais de vendas

PALAVRAS-CHAVES:

Previsão de demanda. Pequenas séries temporais. Desenvolvimento sustentável. Aprendizado de máquina. Empilhamento de séries. Clusterização.

PÁGINAS: 145
RESUMO:

Com a exigência contínua da produção de bens de consumo, as organizações devem ser capazes de disponibilizar ao mercado produtos que atendam às necessidades e expectativas de seus clientes, em termos de qualidade, custo e minimização de desperdícios nos processos de fabricação. A busca por um planejamento da produção otimizado se torna fundamental. A previsão de demanda é um dos alicerces para o sucesso do planejamento e controle da produção. Através do estudo de séries temporais, é possível prever a demanda de determinado produto em função do histórico de vendas passadas. Entretanto, em muitos casos, este histórico de registros é pequeno, o que eleva o desafio de previsão. A presente dissertação tem por finalidade expandir a literatura sobre métodos de previsão de pequenas séries temporais de demanda. Particularmente, três abordagens de análise de pequenas séries de vendas foram investigadas: modelagem por série individual, por empilhamento de todas as séries e empilhamento por clusterização de séries. Para esta última técnica, foi verificado através de uma Revisão Sistemática da Literatura (RSL) que não foram encontrados estudos prévios que explorem a utilização conjunta de clusterização e empilhamento de dados para modelagem e previsão de pequenas séries. Desta forma, propõe-se nesta dissertação um método inédito com base nesta combinação. Os modelos de aprendizado de máquina Autorregressivo Integrado de Médias Móveis (ARIMA), Suavização Exponencial (ETS), Regressão por Vetores de Suporte (SVR), Perceptron Multicamadas (MLP), Memória de Longo e Curto Prazo (LSTM), Regressor de Árvore de Decisão (DTR), Regressor de Floresta Aleatória (RFR) e eXtreme Gradient Boosting (XGB) foram empregados para previsão de demanda. A medida de desempenho Erro Percentual Absoluto Médio (MAPE) foi utilizada para avaliação da performance dos modelos. Como estudo de caso, foram analisados dados históricos de vendas de uma indústria brasileira, situada na cidade de Juazeiro do Norte, Ceará. Os resultados obtidos nesta pesquisa revelam que, para a estratégia de modelagem por série individual, os modelos ARIMA e ETS se sobressaíram. Para a modelagem pelo empilhamento de séries, os formalismos SVR, DTR, XGB e RFR se destacaram. Em termos numéricos, a estratégia de empilhamento de séries superou a técnica de modelagem por série individual, obtendo melhor acurácia em 73,68% das séries investigadas, indicando a viabilidade desta abordagem para modelagem e previsão de pequenas séries de vendas.

MEMBROS DA BANCA:
Interno - CARLOS WAGNER OLIVEIRA
Externa à Instituição - MAISA MENDONÇA SILVA - UFPE
Presidente - PAULO RENATO ALVES FIRMINO