Impacto do uso de técnicas de aprendizado de máquina, big data e variáveis causais na gestão de demanda
Este trabalho de dissertação tem como principal objetivo avaliar o efeito da utilização de algoritmos de aprendizado de máquina e Big Data na acuracidade de previsão de demanda, além de analisar a influência das variáveis causais internas e externas. Para alcançar esse objetivo, realizou-se uma revi...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Institución: | Centro Universitário da Fundação Educacional Inaciana (FEI) |
| Repositorio: | Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.fei.edu.br:FEI/4550 |
| Acceso en línea: | https://repositorio.fei.edu.br/handle/FEI/4550 https://doi.org/10.31414/EM.2022.D.131509 |
| Access Level: | acceso abierto |
| Palabra clave: | aprendizado de máquina previsão de demanda cadeia de suprimentos (gerenciamento) |
| Sumario: | Este trabalho de dissertação tem como principal objetivo avaliar o efeito da utilização de algoritmos de aprendizado de máquina e Big Data na acuracidade de previsão de demanda, além de analisar a influência das variáveis causais internas e externas. Para alcançar esse objetivo, realizou-se uma revisão sistemática da literatura com os principais conceitos de gestão de demanda para avaliar os principais métodos, abordagens e fatores relevantes para construção do modelo de planejamento de demanda. Além disso, estudou-se também os principais algoritmos de aprendizado de máquina e Big Data, que pudessem melhorar no desempenho do modelo. Após, elaborou-se um procedimento metodológico de estudo de caso em uma empresa do segmento de agronegócio, com coleta e análise de dados da demanda planejada e realizada, dos últimos cinco anos e, na sequência, realizou-se análises quantitativas para validar as hipóteses e análises qualitativas através de entrevistas com os especialistas da área. Ambas análises foram importantes para elaboração final do modelo. Como resultado, obteve-se que a utilização das técnicas de aprendizado de máquina e Big Data, melhorou em 37% a acuracidade de previsão de demanda em relação ao método qualitativo de ajuste de julgamento utilizado pela empresa. Além disso, o modelo proposto em 100% dos casos, utilizou de métodos mais robustos e sofisticados de aprendizado de máquina, do que utilizar métodos tradicionais de séries temporais simples. Outro fator importante é que as variáveis causais internas contribuíram em 100% dos casos da família de fungicidas para melhoria do planejamento de demanda e, em contrapartida, as variáveis causas externas apoiou em 50% dos casos, para melhoria desse modelo. Conclui-se, então, que as principais contribuições deste trabalho de pesquisa foram: avaliar o desempenho da acuracidade de previsão de demanda comparando métodos clássicos de séries temporais, com métodos de aprendizado de máquina; verificar as influências das variáveis causais internas e externas nos modelos de previsão de demanda; utilizar software de planejamento de demanda com modelos mais robustos, de fácil utilização e com um rápido tempo de processamento; e por fim, estruturar uma revisão sistemática da literatura, com as pesquisas mais recentes dos estudiosos da área de gestão de demanda e Supply Chain 4.0, com intuito de utilizar as melhores pesquisas praticadas no mercado |
|---|